Portafolio Evidencias

CONTENIDO
TECNOLÓGICO NACIONAL DE MÉXICO

INSTITUTO TECNOLÓGICO DE AGUASCALIENTES
INGENIERÍA INDUSTRIAL
METODOLOGÍA TAGUCHI
“PORTAFOLIO DE EVIDENCIAS DE APRENDIZAJE”
PROFESOR: M.C. CÉSAR ARTURO PUERTA JIMÉNEZ
ALUMNO-A:
AGUASCALIENTES, AGS. 23 de noviembre de 2019
SEIS SIGMA I
CONTENIDO
CONTENIDO
UNIDAD 1. DISEÑOS FACTORIALES COMPLETOS Y FRACCIONADOS ............ 1
Evaluación diagnóstica. ................................................................................................ 1
Actividad 1.1 ................................................................................................................ 6
Actividad 1.2 Diseño factorial 22 replicado.................................................................. 7
Actividad 1.4 Diseño factorial 22 replicado................................................................ 15
Actividad 1.7 Diseño factorial 25 no replicado........................................................... 32
Actividad 1.8 Diseño factorial 25 no replicado........................................................... 55
Actividad 1.9 Diseño factorial 23 con repeticiones al centro ..................................... 58
Actividad 1.10 (Tarea) ................................................................................................ 65
Actividad 1.11 Diseños factoriales fraccionados ....................................................... 74
Actividad 1.12 Diseño factorial fraccionado 23-1 ....................................................... 75
Actividad 1.13 Diseños factoriales fraccionados ....................................................... 76
Actividad 1.16 (Diseño 3^k)....................................................................................... 87
Actividad 1.17 (Factorial completo y de superficie de respuesta) ............................. 88
UNIDAD 2. INGENIERÍA DE CALIDAD Y FUNCIÓN DE PÉRDIDA .................... 90
Actividad 2.1 .............................................................................................................. 90
Actividad 2.2 .............................................................................................................. 90
Actividad 2.3 (QC = N) .............................................................................................. 91
Actividad 2.4 (QC = S) ............................................................................................... 93
Actividad 2.5 (QC = B) .............................................................................................. 94
Actividad 2.6 (Indicador OEC) .................................................................................. 95
METODOLOGÍA TAGUCHI I
CONTENIDO
Actividad 2.7 (Loss Plot Manipulations 1)................................................................. 96
Actividad 2.8 .............................................................................................................. 96
Actividad 2.9 (Loss Plot Manipulations 2)................................................................. 97
Actividad 2.10 (Loss Plot Manipulations 2 y 3) ......................................................... 98
Actividad 2.11 (Quantifying Cost Benefits, Taguchi Loss Function) ...................... 100
Actividad 2.12 (Loss nominal case) ......................................................................... 102
Actividad 2.13 (Loss Plot Manipulations 4 and Capability Cpk) .............................. 104
Actividad 2.14 (Loss Plot Manipulations 3 y 4) ....................................................... 104
Actividad 2.15 .......................................................................................................... 106
Actividad 2.16 .......................................................................................................... 106
UNIDAD 3. EXPERIMENTOS CON ARREGLOS ORTOGONALES ..................... 107
Actividad 3.1 ............................................................................................................ 107
Actividad 3.2 ............................................................................................................ 112
Actividad 3.3 ............................................................................................................ 112
Actividad 3.4 ............................................................................................................ 113
Actividad 3.5 ............................................................................................................ 114
Actividad 3.6 ............................................................................................................ 114
Actividad 3.7 (Diseño automático con factores de control y de ruido) .................... 116
Actividad 3.8 (Estudio sobre la resistencia de una cubierta) .................................... 116
Actividad 3.9 ............................................................................................................ 118
Actividad 3.10 .......................................................................................................... 120
Actividad 3.11 .......................................................................................................... 122
UNIDAD 4. ANÁLISIS DE LOS RESULTADOS ..................................................... 126
Actividad 4.1 (Anova Qualitek y Minitab) ............................................................... 126
Actividad 4.2 ............................................................................................................ 129
Actividad 4.3 ............................................................................................................ 131
Actividad 4.4 ............................................................................................................ 136
METODOLOGÍA TAGUCHI II
CONTENIDO
Actividad 4.5 ............................................................................................................ 139
APRENDIZAJES Y DIFICULTADES ........................................................................ 146
Nombre del alumno-a ............................................................................................... 146
REFERENCIAS ........................................................................................................... 149
METODOLOGÍA TAGUCHI III

UNIDAD 1. DISEÑOS FACTORIALES COMPLETOS Y FRACCIONADOS
UNIDAD 1. DISEÑOS FACTORIALES COMPLETOS Y

FRACCIONADOS
Evaluación diagnóstica.
Resuelve las siguientes cuestiones con base en tus conocimientos previos:
1) Escribe qué es un diseño de experimentos.
El diseño de experimentos (DDE) es un conjunto de técnicas activas, en el sentido de
que no esperan que el proceso mande las señales útiles, sino que éste se “manipula” para
que proporcione la información que se requiere para su mejoría.
2) Enlista los diseños de experimentos que conozcas.
Cuadro latino, grecolatino, factores
3) Enlista los pasos o procedimiento para efectuar un diseño de experimentos.

a) Planeación y realización
i) Delimitar el problema
ii) Elegir la o las variables de respuesta y el cómo medirlo
iii) Determinar los factores de estudio
iv) Seleccionar los niveles de factor
v) Planear y organizar el trabajo
vi) Realizar el experimento
b) Análisis
c) Interpretación
d) Control y Conclusiones
METODOLOGÍA TAGUCHI Página 1

4) Dados los siguientes diseños de experimentos, identifica qué tipo de diseño de

experimento es en cada caso:
a) Diseño completamente al azar de un factor, con 5 réplicas
b) Diseño de bloques de un factor, completos al azar

c) Diseño factorial de dos factores 3x3, de 3 al cuadrado
5) Se tienen dos proveedores de una pieza metálica, cuyo diámetro ideal o valor
objetivo es igual a 20.25 cm. Se toman dos muestras de 14 piezas a cada proveedor
y los datos obtenidos se muestran en la siguiente tabla:
Proveedor Diámetros de las piezas de cada proveedor
21.38 20.13 19.12 19.85 20.54 18.00 22.24
1
21.94 19.07 18.60 21.89 22.60 18.10 19.25
21.51 22.22 21.49 21.91 21.52 22.06 21.51
2
21.29 22.71 22.65 21.53 22.22 21.92 20.82
a) Describe un procedimiento de aleatorización para la obtención de los datos.

Se toma, de cada proveedor, una serie de piezas sin importar el momento de su
producción o su ubicación.
1 1 2 2 2 2 1 1 1 2 1
2 2 1 2 1 2 1 2 2 2 1
1 2 1 2 1 1
b) Prueba la hipótesis de igualdad de varianzas.
i) Hipótesis:
ii) Estadístico de prueba
iii) Regla de decisión
iv) Evaluación del estadístico
v) Decisión
vi) Conclusión

c) Prueba la hipótesis de igualdad de los diámetros de los proveedores en cuanto

sus medias.
i) Hipótesis:
ii) Estadístico de prueba
iii) Regla de decisión
iv) Evaluación del estadístico
v) Decisión
vi) Conclusión

d) Si las especificaciones para el diámetro son 20.25 mm ± 2.25 mm, ¿cuál

proveedor produce menos piezas defectuosas?
Con base al análisis de capacidad calculado en las muestras obtenidas, el proveedor 1 es

el cual que produce menos defectos.

Actividad 1.1
Lee cada uno de los artículos de investigación proporcionados por el maestro. Para cada
artículo identifica los aspectos enlistados en la siguiente tabla:
1. Nombre de las personas involucradas en el proyecto de investigación experimental:
Dr. Ing. Martin Tanco, Dra. Laura Ilzarbe, Dra. Elisabeth Viles y Dra. M. J. Alvarez.
El gerente de la selección de Chapistería. Jefe de Fabrica, Responsable de
departamento de planificación, responsable del departamento de calidad y un
representante del departamento de mantenimiento.
2. Título del proyecto:
Aplicación del Diseño de Experimentos (DoE) para la mejora de procesos
3. Objetivo de la experimentación:
Reducir el porcentaje de cordones de soldadura, izquierdos y derechos defectuosos de
dos puertas en el área de Chapistería de 3% a 0.09, mediante el diseño de experimentos
en el siguiente mes de producción.
4. Valor(es) histórico(s) de la(s) variable(s) de respuesta:
Se presenta un estudio descriptivo de la variable de respuesta en un tiempo de
recolección de datos de tres semanas. La cantidad de defectos históricos fue de 3%
5. Lista de la(s) variable(s) de respuesta:
Unidad de Operacionalización
Variable(s)
medida de la variable
% cordones El total de
izquierdos cordones con poros
defectuosos Porcentaje sobre el total de
de 2 autos producidos.
puertas
% cordones El total de
derechos cordones con poros
defectuosos Porcentaje sobre el total de
de 2 autos producidos.
puertas
6. Lista de los factores de estudio (variables de interés del experimentador):
Factores de Unidad de Niveles de la variable
estudio medida
Potencia Dos niveles elegidos
programada del Watts por los expertos del
robot proceso
Corriente Dos niveles elegidos
programada de Amperes por los expertos del
precalentamiento proceso
Variable No limpiar, Limpiar
Limpieza de los
cualitativa
laterales
nominal
Variable Soplado con aire,
Limpieza del
cualitativa Soplado con alcohol
techo nominal
7. Lista de los factores controlados (variables que se mantienen constantes, en cierto

nivel de desempeño):
Unidad de
Factores controlados
medida
Velocidad del robot
Colada del material
Holguras en la cabina
Altura con respecto al
techo
8. Diseño de experimentos elegido: Diseño factorial fraccionado 24-1 de resolución IV,

con generado I=ABCD
Diseño central compuesto centrado en las caras (FCC), Modelo de segundo orden.
Actividad 1.2 Diseño factorial 22 replicado

Interesa estudiar el efecto del tamaño de broca (Factor A) y de la velocidad (Factor B),
sobre la vibración de la ranura (Respuesta Y). Para ello se decide utilizar un diseño
factorial 22 con 4 réplicas, es decir, cuatro repeticiones en cada tratamiento, lo que da un
total de 4 x 22 =16 corridas del proceso, que se realiza en orden aleatorio. El tamaño de
la broca se prueba en 1/16 y 1/8 de pulgada y la velocidad en 40 y 90 revoluciones por
segundo, según se describe en la siguiente tabla:
Factor Niveles Unidad

1. Tamaño de Broca 1/16 1/8 in
2. Velocidad 40 90 r/s
La siguiente tabla muestra los tratamientos utilizados y el orden de corrida de las

ejecuciones:
Broca Velocidad Orden de corrida

1/16 40 5 8 13 14
1/8 40 1 6 10 12
1/16 90 3 7 11 15
1/8 90 2 4 9 16
A: B:
A B X1 X2 X1 X2 Vibración Totales
Broca Velocidad
1/16 40 - - -1 -1 1 1 18.2 18.9 12.9 14.4 64.4
1/8 40 + - +1 -1 2 1 27.2 24.0 22.4 22.5 96.1
1/16 90 - + -1 +1 1 2 15.9 14.5 15.1 14.2 59.7
1/8 90 + + +1 +1 2 2 41.0 43.9 36.3 39.9 161.1

a) Calcular los efectos estimados de cada factor, así como el de interacción.

𝐴𝐵 + 𝐴 𝐵 − 1
𝐸𝑓𝑒𝑐𝑡𝑜 𝐴 = −
2𝑛 2𝑛
𝐴𝐵 + 𝐵 𝐴 − 1
𝐸𝑓𝑒𝑐𝑡𝑜 𝐵 = −
2𝑛 2𝑛
Coeficientes codificados
EE del
Término Efecto Coef coef. Valor T Valor p FIV
Constante 23.831 0.611 38.99 0.000
Tamaño de broca 16.638 8.319 0.611 13.61 0.000 1.00
Velocidad de broca 7.538 3.769 0.611 6.17 0.000 1.00
Tamaño de broca*Velocidad de broca 8.713 4.356 0.611 7.13 0.000 1.00
b) Elaborar e interpretar la gráfica de efectos principales y la de interacción.

c) Elaborar e interpretar el Análisis de Varianza.
Análisis de Varianza
Fuente GL SC Ajust. MC Ajust. Valor F Valor p
Modelo 3 1638.11 546.04 91.36 0.000
Lineal 2 1334.48 667.24 111.64 0.000
Tamaño de broca 1 1107.23 1107.23 185.25 0.000
Velocidad de broca 1 227.26 227.26 38.02 0.000
Interacciones de 2 términos 1 303.63 303.63 50.80 0.000
Tamaño de broca*Velocidad de broca 1 303.63 303.63 50.80 0.000
Error 12 71.72 5.98
Total 15 1709.83
d) Determinar e interpretar los intervalos de confianza del 95% para los efectos.
e) Elaborar e interpretar la gráfica de Pareto estandarizado y la gráfica de Daniel
(gráfico de probabilidad normal de los efectos), ¿qué factores son los más
significativos?

f) Determinar el modelo de regresión en variables codificadas y en variables naturales.

Ecuación de regresión en unidades no codificadas
Vibracion = 23.06 - 96.2 Tamaño de broca - 0.3720 Velocidad de broca
+ 5.576 Tamaño de broca*Velocidad de broca

g) Calcular e interpretar los coeficientes de determinación R2 y R2adj

Resumen del modelo
R-cuad. R-cuad.
S R-cuad. (ajustado) (pred)
2.44476 95.81% 94.76% 92.54%
h) Probar la significancia de los coeficientes individuales del modelo de regresión

(Variables codificadas).
EE del coef.
Término
Constante 0.611
Tamaño de broca 0.611
Velocidad de broca 0.611
Tamaño de broca*Velocidad de broca 0.611
i) Elaborar e interpretar el gráfico de superficie de respuesta, el gráfico de contorno y

el gráfico de cuadro. Además, identificar el ajuste del proceso que permitirá
minimizar la variable vibración.

Gráfica de superficie de Vibracion vs. Velocidad de broca, Tamaño de b
40
30
V ibracion
20
80
60 V elocidad de broca
0 .0 6
0 .0 8 40
0 .1 0
0 .1 2
Tamaño de broca
Gráfica de contorno de Vibracion vs. Velocidad de broca, Tamaño de bro

90
Vibracion
< 15
1 5 – 20
80 20 – 25
25 – 30
30 – 35
Velocidad de broca
35 – 40
> 40
70
60
50
40
0.07 0.08 0.09 0.1 0 0.1 1 0.1 2
Tamaño de broca
j) Verificar los supuestos de normalidad, homocedasticidad e independencia con los

gráficos de: probabilidad normalidad de residuos, residuos contra predichos y
residuos contra orden de ejecución, respectivamente.

k) Determinar los intervalos de confianza del 95% para la respuesta promedio y para
las mediciones individuales de cada uno de los tratamientos.
Actividad 1.3 Diseño factorial 22 en bloques
Por lo general, no es posible correr todos los tratamientos de un diseño factorial 2^k
bajo las mismas condiciones experimentales; es decir, durante la planeación del
experimento aparece alguna restricción adicional que hace necesario considerar un
factor de bloque en el estudio; tal como: días, máquinas, material, tipo de producto, lote,
etc.
a) Considerando el problema de la actividad anterior y suponiendo que cada una de las
cuatro réplicas se corrió en un día diferente (experimento repartido en cuatro
bloques). Determina mediante el Anova si el factor Bloque, día de la semana,
influye sobre la variable de vibración (probar 𝐻0 : 𝐸𝑓𝑒𝑐𝑡𝑜 𝑑𝑒 𝑏𝑙𝑜𝑞𝑢𝑒 = 0).
El día de la semana si influye sobre la vibración, lo cual puede asegurarse con un nivel
de confianza del 95%.

Modelo 6 1682.47 280.41 92.24 0.000
Bloques 3 44.36 14.79 4.86 0.028
Lineal 2 1334.48 667.24 219.48 0.000
A: Tamaño de broca 1 1107.23 1107.23 364.21 0.000
B: Velocidad de la broca 1 227.26 227.26 74.75 0.000
A: Tamaño de broca*B: Velocidad de la broca 1 303.63 303.63 99.88 0.000
Error 9 27.36 3.04
Total 15 1709.83
Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P

A:A: Tamaño de broca 1107.23 1 1107.23 364.21 0.0000
B:B: Velocidad de broca 227.256 1 227.256 74.75 0.0000
AB 303.631 1 303.631 99.88 0.0000
bloques 44.3619 3 14.7873 4.86 0.0280
Error total 27.3606 9 3.04007
Total (corr.) 1709.83 15


Un ingeniero Industrial empleado por una compañía refresquera está interesado en los
efectos de dos diferentes tipos de botellas de 32 onzas sobre el tiempo de entrega de
cajas de 12 botellas del producto. Los dos tipos de botella son de vidrio y de plástico. Se
usan dos empleados para realizar una tarea que consiste en mover 40 cajas del producto
50 pies en una plataforma de carga estándar y acomodarlas en un estante de venta. Se
hacen cuatro réplicas de un diseño factorial 22 y los tiempos observados se enlistan a
continuación:
Empleado
Tipo de Botella
A B
5.12 4.89 6.65 6.24
Vidrio
4.98 5.00 5.49 5.55
4.95 4.95 5.28 4.91
Plástico
4.27 4.25 4.75 4.71
a) Calcular los efectos estimados de cada factor, así como el de interacción.
EE del
Término Efecto Coef coef. Valor T Valor p FIV
Constante 5.1244 0.0926 55.33 0.000
Tipo de botella -0.7313 -0.3656 0.0926 -3.95 0.002 1.00
Empleado 0.6463 0.3231 0.0926 3.49 0.004 1.00
Tipo de botella*Empleado -0.3388 -0.1694 0.0926 -1.83 0.092 1.00
Se puede concluir que tanto el tipo de botella, como el empleado, incluyen

significativamente en el tiempo de entrega de la botella, sin equivocarse en la
afirmación el 95% de las veces.
Coeficiente Estimado
constante 5.12437
A:Tipo de Botella -0.365625
B:Empleado 0.323125
AB -0.169375
𝛽̂0
5.124375
𝛽̂1
𝛽̂2 -0.365625
𝛽̂12 0.323125
-0.169375

b) Elaborar e interpretar la gráfica de efectos principales y la de interacción.
Gráfico de interacción
7
5
B-
4
B+
3
0
A- A+
Ambos factores interactúan de manera considerable sobre el tiempo de entrega

c) Elaborar e interpretar el Análisis de Varianza.

Modelo 3 4.2685 1.4228 10.37 0.001
Lineal 2 3.8095 1.9047 13.88 0.001
Tipo de botella 1 2.1389 2.1389 15.58 0.002
Empleado 1 1.6706 1.6706 12.17 0.004
Tipo de botella*Empleado 1 0.4590 0.4590 3.34 0.092
Error 12 1.6471 0.1373
Total 15 5.9156
Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P

A:Tipo de Botella 2.13891 1 2.13891 15.58 0.0019
B:Empleado 1.67056 1 1.67056 12.17 0.0045
AB 0.459006 1 0.459006 3.34 0.0924
Error total 1.64713 12 0.13726
Total (corr.) 5.91559 15
Suma de
F_variación G_libertad Cuadrados medios F0 F Crítico Valor P Decis
cuadrados
Factor A 2.13890625 1 2.13890625 15.5828337 4.74722535 0.001936 Se recha
Factor B 1.67055625 1 1.67055625 12.1707065 4.74722535 0.004474 Se recha
No se re
Factor AB 0.45900625 1 0.45900625 3.34405403 4.74722535 0.092397
H0
Error 1.647125 12 0.137260417
Total 5.91559375 15 0.394372917
d) Elaborar e interpretar la gráfica de Pareto y la gráfica de Daniel (gráfico de

probabilidad normal de los efectos).

El efecto estandarizado de los factores A y B es mayor al valor t, por lo que se concluye

que son estadísticamente signficativos.
Efecto_E de A
Efecto_E de B Efecto_E
Series2
Efecto_E de AB
0 1 2 3 4 5
Diagrama de Pareto Estandarizada para Tiempo de entrega
+
-
A:Tipo de Botella
B:Empleado
AB
0 1 2 3 4
Efecto estandarizado

Gráfica de Probabilidad Normal para Tiempo de entrega
99.9
99
95
80
porcentaje
50
20
5
1
0.1
-4 -2 0 2 4
Efectos estandarizados
e) ¿Qué combinación de tipo de botella y empleado minimizan el tiempo de entrega?

Se tiene una certeza del 85.21% de que no existe un valor menor a 4.6050
Meta: minimizar Tiempo de entrega
Valor óptimo = 4.605
Factor Bajo Alto Óptimo

Tipo de Botella -1.0 1.0 1.0
Empleado -1.0 1.0 -1.0

Gráfica de Efectos Principales para Tiempo de entrega
5.5
5.3
Tiempo de entrega
5.1
4.9
4.7
Vidrio Plástico Empleado A Empleado B
Tipo de Botella Empleado

En una empresa que fabrica dispositivos electrónicos se identificó mediante un análisis
de Pareto que las fracturas de las obleas de silicio por choques térmicos era la principal
causa de obleas rotas en las etapas de procesamiento conocidas como “grabado mesa” y
“piraña”. Un grupo de esas áreas identificó a tres factores principales (temperaturas)
como las probables causas del problema. Por ello, se utilizó un experimento factorial 23
con el objetivo de localizar una combinación de temperaturas en la cual se rompan un
mínimo de obleas por efecto térmico.
Los tres factores controlados y sus niveles en unidades originales, son las temperaturas:
T1: Temperatura de grabado (–3°C, –1°C)
T2: Temperatura de piraña (60°C, 98°C)
T3: Temperatura de agua (20°C, 70°C)
La combinación (–3°C, 98°C, 20°C) fue el tratamiento usual o en operación antes del
experimento. Así, uno de los dos niveles en cada factor es la temperatura usual y el otro
es una temperatura que se supone reduce el efecto térmico sobre la oblea.
La variable de respuesta es la proporción de obleas rotas por cada 250 obleas
procesadas.
T1 T2 T3 P
–1 –1 –1 .040 .032
1 –1 –1 .012 .008
–1 1 –1 .036 .028
1 1 –1 .000 .000

–1 –1 1 .020 .020
1 –1 1 .000 .016
–1 1 1 .016 .008
1 1 1 .004 .004
a) Estima los efectos.
b) Elabora e interpreta el diagrama de Pareto estandarizado.

c) Realiza e interpreta el ANOVA.
d) Obtén el mejor ANOVA.

e) Determina el modelo de regresión.

Proporción de obleas rotas = -0.00019 - 0.01830 A: T. de grabado - 0.000171 B: T. de piraña
+ 0.000210 C: T. de Agua
+ 0.000190 A: T. de grabado*C: T. de Agua
f) Elabora la gráfica de efectos principales, la gráfica de interacción y la gráfica de

cubo. Determina la condición óptima.

g) Obtén el valor predicho en la condición actual del proceso y en las dos condiciones
óptimas del mismo. ¿En qué porcentaje se mejoró el proceso?
Predicción para Proporción de obleas rotas

Proporción de obleas rotas = -0.00019 - 0.01830 A: T. de grabado - 0.000171 B: T. de piraña
+ 0.000210 C: T. de Agua + 0.000190 A: T. de grabado*C: T. de
Agua
Configuración
Valor de
Variable configuración
A: T. de grabado -3
B: T. de piraña 98
C: T. de Agua 20
Predicción
Ajuste EE de ajuste IC de 95% IP de 95%
0.03075 0.0027126 (0.0247797, 0.0367203) (0.0185145, 0.0429855)
Configuración
Valor de
A: T. de grabado -1
B: T. de piraña 98

C: T. de Agua 20
Predicción
0.00175 0.0027126 (-0.0042203, 0.0077203) (-0.0104855, 0.0139855)
Configuración
Valor de
A: T. de grabado -1
B: T. de piraña 98
C: T. de Agua 70
Predicción
0.00275 0.0027126 (-0.0032203, 0.0087203) (-0.0094855, 0.0149855)

Un ingeniero industrial está interesado en los efectos de la velocidad de corte (A), la
geometría de la herramienta (B) y el ángulo de corte (C) sobre la vida (en horas) de una
máquina herramienta. Se eligieron dos niveles de cada factor y se corren tres réplicas de
un diseño factorial 23. Los resultados fueron los siguientes:
Combinación Réplica
A B C de
I II III
tratamientos
- - - (1) 22 31 25
+ - - a 32 43 29
- + - b 35 34 50
+ + - ab 55 47 46
- - + c 44 45 38
+ - + ac 40 37 36
- + + bc 60 50 54
+ + + abc 39 41 47
a) Estimar los efectos de los factores. ¿qué efectos parecen ser grandes?
Término Efecto Coef
Constante 40.83
A: Velocidad de corte 0.33 0.17
B: Geometría de la herramienta 11.33 5.67
C: Ángulo de corte 6.83 3.42

A: Velocidad de corte*B: Geometría de la herramienta -1.67 -0.83

A: Velocidad de corte*C: Ángulo de corte -8.83 -4.42
B: Geometría de la herramienta*C: Ángulo de corte -2.83 -1.42
A: Velocidad de corte*B: Geometría de la herramienta*C: Ángulo de corte -2.17 -1.08
EE del
Término coef. Valor T
Constante 1.12 36.42
A: Velocidad de corte*B: Geometría de la herramienta 1.12 -0.74
A: Velocidad de corte*C: Ángulo de corte 1.12 -3.94
B: Geometría de la herramienta*C: Ángulo de corte 1.12 -1.26
A: Velocidad de corte*B: Geometría de la herramienta*C: Ángulo de corte 1.12 -0.97
Término Valor p FIV
Constante 0.000
A: Velocidad de corte*B: Geometría de la herramienta 0.468 1.00
A: Velocidad de corte*C: Ángulo de corte 0.001 1.00
B: Geometría de la herramienta*C: Ángulo de corte 0.224 1.00
A: Velocidad de corte*B: Geometría de la herramienta*C: Ángulo de corte 0.348 1.00
Los efectos que parecen ser grandes son la Geometría de la herramienta, el Ángulo de
corte y la interacción entre la Velocidad de corte y el Ángulo de corte.
b) Confirmar la respuesta del inciso anterior, mediante el análisis de varianza y el
gráfico de Pareto.

Fuente GL SC Ajust.
Modelo 7 1612.67
Lineal 3 1051.50
A: Velocidad de corte 1 0.67
B: Geometría de la herramienta 1 770.67
C: Ángulo de corte 1 280.17
Interacciones de 2 términos 3 533.00
A: Velocidad de corte*B: Geometría de la herramienta 1 16.67
A: Velocidad de corte*C: Ángulo de corte 1 468.17
B: Geometría de la herramienta*C: Ángulo de corte 1 48.17
A: Velocidad de corte*B: Geometría de la herramienta*C: Ángulo de corte 1 28.17
Error 16 482.67
Total 23 2095.33
Fuente MC Ajust.
Modelo 230.381
Lineal 350.500
A: Velocidad de corte 0.667
B: Geometría de la herramienta 770.667
C: Ángulo de corte 280.167
Interacciones de 2 términos 177.667
A: Velocidad de corte*B: Geometría de la herramienta 16.667
A: Velocidad de corte*C: Ángulo de corte 468.167
B: Geometría de la herramienta*C: Ángulo de corte 48.167
A: Velocidad de corte*B: Geometría de la herramienta*C: Ángulo de corte 28.167
Error 30.167
Total
Fuente Valor F Valor p
Modelo 7.64 0.000
Lineal 11.62 0.000

Interacciones de 2 términos 5.89 0.007

A: Velocidad de corte*B: Geometría de la herramienta 0.55 0.468
A: Velocidad de corte*C: Ángulo de corte 15.52 0.001
B: Geometría de la herramienta*C: Ángulo de corte 1.60 0.224
A: Velocidad de corte*B: Geometría de la herramienta*C: Ángulo de corte 0.93 0.348
Error
Total
c) Excluir los factores insignificantes. Luego, escribir un modelo de regresión para

predecir la vida de la herramienta (en horas).

Vida en horas = 40.83 + 0.17 A: Velocidad de corte + 5.67 B: Geometría de la herramienta
+ 3.42 C: Ángulo de corte - 4.42 A: Velocidad de corte*C: Ángulo de corte
d) Probar la hipótesis nula de que el modelo actual se ajusta adecuadamente a los

datos observados contra la alternativa de que el modelo actual no se ajusta
adecuadamente a los datos observados, mediante la prueba de falta de ajuste.


Modelo 4 1519.67 379.917 12.54 0.000
Lineal 3 1051.50 350.500 11.57 0.000
A: Velocidad de corte 1 0.67 0.667 0.02 0.884
B: Geometría de la herramienta 1 770.67 770.667 25.44 0.000
C: Ángulo de corte 1 280.17 280.167 9.25 0.007
A: Velocidad de corte*C: Ángulo de corte 1 468.17 468.167 15.45 0.001
Error 19 575.67 30.298
Falta de ajuste 3 93.00 31.000 1.03 0.407
Error puro 16 482.67 30.167
Total 23 2095.33
Con un nivel de confianza del 95%, se tiene la suficiente evidencia para no rechazar la
hipótesis nula, por lo que se concluye que el modelo actual se ajusta a los datos
observados, dado que el valor p de la prueba (0.407) es superior al nivel de significancia
de la misma.
e) Con base en el análisis de las gráficas de los efectos principales y las interacciones,
de los efectos significativos, ¿cuáles serían los niveles de los factores que
recomendaría utilizar?


Actividad 1.7 Diseño factorial 25 no replicado

En una planta donde se fabrican semiconductores se requiere mejorar el rendimiento del
proceso vía diseño de experimentos. De acuerdo con la experiencia del grupo de mejora,
los factores que podían tener mayor influencia sobre la variable de respuesta
(rendimiento), así como los niveles de prueba, son los siguientes:
A: Nivel de abertura (pequeña, grande)

B: Tiempo de exposición (20% abajo, 20% arriba)
C: Tiempo de revelado (30 seg, 45 seg)
D: Dimensión de la máscara (pequeña, grande)
E: Tiempo de grabado (14.5 min, 15.5 min)
Se decide correr un experimento 25 con una sola réplica para estudiar los cinco factores.
Los resultados de cada uno de los tratamientos en orden de Yates se muestran a
continuación:
Notación de Yates Rend. (%) Notación de Yates Rend. (%)
(1) 7 e 8
a 9 ae 12
b 34 be 35
ab 55 abe 52
c 16 ce 15
ac 20 ace 22
bc 40 bce 45
abc 60 abce 65
d 8 de 6
ad 10 ade 10
bd 32 bde 30
abd 50 abde 53
cd 18 cde 15
acd 21 acde 20
bcd 44 bcde 41
abcd 61 abcde 63
a) Determina qué factores son significativos mediante el análisis de varianza, el

gráfico de Pareto y el gráfico de probabilidad normal para los efectos.
Regresión factorial: % de Rendimiento vs. A: Nivel de ... o

de grabado

G
Fuente L
Modelo 3
1
Lineal 5
A: Nivel de abertura 1
B: Tiempo de exposición 1
C: Tiempo de revelado 1
D: Dimensión de la máscara 1
E: Tiempo de grabado 1
Interacciones de 2 términos 1
0
A: Nivel de abertura*B: Tiempo de exposición 1
A: Nivel de abertura*C: Tiempo de revelado 1
A: Nivel de abertura*D: Dimensión de la máscara 1
A: Nivel de abertura*E: Tiempo de grabado 1
B: Tiempo de exposición*C: Tiempo de revelado 1
B: Tiempo de exposición*D: Dimensión de la máscara 1
B: Tiempo de exposición*E: Tiempo de grabado 1
C: Tiempo de revelado*D: Dimensión de la máscara 1
C: Tiempo de revelado*E: Tiempo de grabado 1
D: Dimensión de la máscara*E: Tiempo de grabado 1
0
A: Nivel de abertura*B: Tiempo de exposición*C: Tiempo de revelado 1
A: Nivel de abertura*B: Tiempo de exposición*D: Dimensión de la máscara 1
A: Nivel de abertura*B: Tiempo de exposición*E: Tiempo de grabado 1
A: Nivel de abertura*C: Tiempo de revelado*D: Dimensión de la máscara 1
A: Nivel de abertura*C: Tiempo de revelado*E: Tiempo de grabado 1
A: Nivel de abertura*D: Dimensión de la máscara*E: Tiempo de grabado 1
B: Tiempo de exposición*C: Tiempo de revelado*D: Dimensión de la máscara 1
B: Tiempo de exposición*C: Tiempo de revelado*E: Tiempo de grabado 1
B: Tiempo de exposición*D: Dimensión de la máscara*E: Tiempo de grabado 1
C: Tiempo de revelado*D: Dimensión de la máscara*E: Tiempo de grabado 1
A: Nivel de abertura*B: Tiempo de exposición*C: Tiempo de revelado*D: Dimensión de la 1
máscara

A: Nivel de abertura*B: Tiempo de exposición*C: Tiempo de revelado*E: Tiempo de 1

grabado
A: Nivel de abertura*B: Tiempo de exposición*D: Dimensión de la máscara*E: Tiempo de 1
grabado
A: Nivel de abertura*C: Tiempo de revelado*D: Dimensión de la máscara*E: Tiempo de 1
grabado
B: Tiempo de exposición*C: Tiempo de revelado*D: Dimensión de la máscara*E: Tiempo 1
de grabado
A: Nivel de abertura*B: Tiempo de exposición*C: Tiempo de revelado*D: Dimensión de la 1
máscara*E: Tiempo de grabado
Error 0
Total 3
1
SC
Fuente Ajust.
Modelo 11664
.0
Lineal 10956
.7
A: Nivel de abertura 1116.
3
B: Tiempo de exposición 9214.
0
C: Tiempo de revelado 569.5
D: Dimensión de la máscara 34.0
E: Tiempo de grabado 22.8
A: Nivel de abertura*B: Tiempo de exposición 504.0
A: Nivel de abertura*C: Tiempo de revelado 22.8
A: Nivel de abertura*D: Dimensión de la máscara 11.3
A: Nivel de abertura*E: Tiempo de grabado 0.8
B: Tiempo de exposición*C: Tiempo de revelado 13.8
B: Tiempo de exposición*D: Dimensión de la máscara 2.5
B: Tiempo de exposición*E: Tiempo de grabado 3.8
C: Tiempo de revelado*D: Dimensión de la máscara 5.3
C: Tiempo de revelado*E: Tiempo de grabado 0.8
D: Dimensión de la máscara*E: Tiempo de grabado 11.3

A: Nivel de abertura*B: Tiempo de exposición*C: Tiempo de revelado 22.8

A: Nivel de abertura*B: Tiempo de exposición*D: Dimensión de la máscara 7.0
A: Nivel de abertura*B: Tiempo de exposición*E: Tiempo de grabado 9.0
A: Nivel de abertura*C: Tiempo de revelado*D: Dimensión de la máscara 1.5
A: Nivel de abertura*C: Tiempo de revelado*E: Tiempo de grabado 0.8
A: Nivel de abertura*D: Dimensión de la máscara*E: Tiempo de grabado 5.3
B: Tiempo de exposición*C: Tiempo de revelado*D: Dimensión de la máscara 1.5
B: Tiempo de exposición*C: Tiempo de revelado*E: Tiempo de grabado 7.0
B: Tiempo de exposición*D: Dimensión de la máscara*E: Tiempo de grabado 0.3
C: Tiempo de revelado*D: Dimensión de la máscara*E: Tiempo de grabado 1.5
A: Nivel de abertura*B: Tiempo de exposición*C: Tiempo de revelado*D: Dimensión 0.0
de la máscara
A: Nivel de abertura*B: Tiempo de exposición*C: Tiempo de revelado*E: Tiempo de 0.3
grabado
A: Nivel de abertura*B: Tiempo de exposición*D: Dimensión de la máscara*E: Tiempo 7.0
de grabado
A: Nivel de abertura*C: Tiempo de revelado*D: Dimensión de la máscara*E: Tiempo 19.5
de grabado
B: Tiempo de exposición*C: Tiempo de revelado*D: Dimensión de la máscara*E: 38.3
Tiempo de grabado
de la máscara*E: Tiempo de grabado
Error *
Total 11664
.0
MC
Fuente Ajust.
Modelo 376.26
Lineal 2191.3
3
A: Nivel de abertura 1116.2
8
B: Tiempo de exposición 9214.0
3


de la máscara
grabado
A: Nivel de abertura*B: Tiempo de exposición*D: Dimensión de la máscara*E: Tiempo 7.03
de grabado
A: Nivel de abertura*C: Tiempo de revelado*D: Dimensión de la máscara*E: Tiempo 19.53
de grabado
B: Tiempo de exposición*C: Tiempo de revelado*D: Dimensión de la máscara*E: 38.28
Tiempo de grabado
de la máscara*E: Tiempo de grabado
Error *
Total

Valo
Fuente rF
Modelo *
Lineal *
A: Nivel de abertura *
B: Tiempo de exposición *
C: Tiempo de revelado *
D: Dimensión de la máscara *
E: Tiempo de grabado *
Interacciones de 2 términos *
A: Nivel de abertura*B: Tiempo de exposición *
A: Nivel de abertura*C: Tiempo de revelado *
A: Nivel de abertura*D: Dimensión de la máscara *
A: Nivel de abertura*E: Tiempo de grabado *
B: Tiempo de exposición*C: Tiempo de revelado *
B: Tiempo de exposición*D: Dimensión de la máscara *
B: Tiempo de exposición*E: Tiempo de grabado *
C: Tiempo de revelado*D: Dimensión de la máscara *
C: Tiempo de revelado*E: Tiempo de grabado *
D: Dimensión de la máscara*E: Tiempo de grabado *
A: Nivel de abertura*B: Tiempo de exposición*C: Tiempo de revelado *
A: Nivel de abertura*B: Tiempo de exposición*D: Dimensión de la máscara *
A: Nivel de abertura*B: Tiempo de exposición*E: Tiempo de grabado *
A: Nivel de abertura*C: Tiempo de revelado*D: Dimensión de la máscara *
A: Nivel de abertura*C: Tiempo de revelado*E: Tiempo de grabado *
A: Nivel de abertura*D: Dimensión de la máscara*E: Tiempo de grabado *
B: Tiempo de exposición*C: Tiempo de revelado*D: Dimensión de la máscara *
B: Tiempo de exposición*C: Tiempo de revelado*E: Tiempo de grabado *
B: Tiempo de exposición*D: Dimensión de la máscara*E: Tiempo de grabado *
C: Tiempo de revelado*D: Dimensión de la máscara*E: Tiempo de grabado *
A: Nivel de abertura*B: Tiempo de exposición*C: Tiempo de revelado*D: Dimensión de *
la máscara
A: Nivel de abertura*B: Tiempo de exposición*C: Tiempo de revelado*E: Tiempo de *
grabado
A: Nivel de abertura*B: Tiempo de exposición*D: Dimensión de la máscara*E: Tiempo *

de grabado
A: Nivel de abertura*C: Tiempo de revelado*D: Dimensión de la máscara*E: Tiempo de *
grabado
B: Tiempo de exposición*C: Tiempo de revelado*D: Dimensión de la máscara*E: *
Tiempo de grabado
la máscara*E: Tiempo de grabado
Error
Total
Valo
Fuente rp
Modelo *
Lineal *


la máscara
grabado
A: Nivel de abertura*B: Tiempo de exposición*D: Dimensión de la máscara*E: Tiempo *
de grabado
grabado
B: Tiempo de exposición*C: Tiempo de revelado*D: Dimensión de la máscara*E: *
Tiempo de grabado
la máscara*E: Tiempo de grabado
Error
Total
Resumen del modelo
R-cuad. R-cuad.
* 100.00% * *
Término Efecto
Constante
3
D: Dimensión de la máscara -2.063
5
5
5

A: Nivel de abertura*E: Tiempo de grabado -

0.312
5
5
5
B: Tiempo de exposición*E: Tiempo de grabado -
0.687
5
5
5
D: Dimensión de la máscara*E: Tiempo de grabado -
1.187
5
A: Nivel de abertura*B: Tiempo de exposición*C: Tiempo de revelado -
1.687
5
A: Nivel de abertura*B: Tiempo de exposición*D: Dimensión de la máscara -
0.937
5
5
A: Nivel de abertura*C: Tiempo de revelado*D: Dimensión de la máscara -
0.437
5
5
5
5
5
50
5
A: Nivel de abertura*B: Tiempo de exposición*C: Tiempo de revelado*D: Dimensión de -
la máscara 0.062
50

grabado 50
A: Nivel de abertura*B: Tiempo de exposición*D: Dimensión de la máscara*E: Tiempo de 0.937
grabado 5
A: Nivel de abertura*C: Tiempo de revelado*D: Dimensión de la máscara*E: Tiempo de -
grabado 1.562
5
B: Tiempo de exposición*C: Tiempo de revelado*D: Dimensión de la máscara*E: Tiempo -2.188
de grabado
A: Nivel de abertura*B: Tiempo de exposición*C: Tiempo de revelado*D: Dimensión de 1.062
la máscara*E: Tiempo de grabado 5
Término Coef
Constante 30.53
D: Dimensión de la máscara -1.031
7
8
8
A: Nivel de abertura*E: Tiempo de grabado -
0.156
3
3
3
B: Tiempo de exposición*E: Tiempo de grabado -
0.343
7
2
2
D: Dimensión de la máscara*E: Tiempo de grabado -
0.593
8
A: Nivel de abertura*B: Tiempo de exposición*C: Tiempo de revelado -
0.843

8
A: Nivel de abertura*B: Tiempo de exposición*D: Dimensión de la máscara -
0.468
8
3
A: Nivel de abertura*C: Tiempo de revelado*D: Dimensión de la máscara -
0.218
7
3
3
7
7
75
8
A: Nivel de abertura*B: Tiempo de exposición*C: Tiempo de revelado*D: Dimensión de -
la máscara 0.031
25
grabado 75
grabado 8
A: Nivel de abertura*C: Tiempo de revelado*D: Dimensión de la máscara*E: Tiempo de -
grabado 0.781
2
B: Tiempo de exposición*C: Tiempo de revelado*D: Dimensión de la máscara*E: Tiempo -1.094
de grabado
A: Nivel de abertura*B: Tiempo de exposición*C: Tiempo de revelado*D: Dimensión de 0.531
la máscara*E: Tiempo de grabado 2
EE
del
coef
Término .
Constante *

A: Nivel de abertura*B: Tiempo de exposición*C: Tiempo de revelado*D: Dimensión de la *
máscara
grabado
A: Nivel de abertura*B: Tiempo de exposición*D: Dimensión de la máscara*E: Tiempo de *
grabado
grabado
B: Tiempo de exposición*C: Tiempo de revelado*D: Dimensión de la máscara*E: Tiempo *
de grabado
Valo
Término rT
Constante *

máscara
grabado
grabado
grabado
de grabado
Valor
Término p

Constante *
máscara
grabado
grabado
grabado
de grabado

Término FIV
Constante
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0


0
0
0
0
0
A: Nivel de abertura*B: Tiempo de exposición*C: Tiempo de revelado*D: Dimensión de la 1.0
máscara 0
grabado 0
grabado 0
A: Nivel de abertura*C: Tiempo de revelado*D: Dimensión de la máscara*E: Tiempo de 1.0
grabado 0
B: Tiempo de exposición*C: Tiempo de revelado*D: Dimensión de la máscara*E: Tiempo de 1.0
grabado 0
A: Nivel de abertura*B: Tiempo de exposición*C: Tiempo de revelado*D: Dimensión de la 1.0
máscara*E: Tiempo de grabado 0
% de = 7.562 + 29.81 A: Nivel de abertura + 4.716 B: Tiempo de exposición
Rendimiento - 0.06250 C: Tiempo de revelado + 47.56 D: Dimensión de la máscara
+ 0.1250 E: Tiempo de grabado
+ 0.3156 A: Nivel de abertura*B: Tiempo de exposición
- 0.5125 A: Nivel de abertura*C: Tiempo de revelado
- 127.7 A: Nivel de abertura*D: Dimensión de la máscara
- 1.875 A: Nivel de abertura*E: Tiempo de grabado
- 0.08937 B: Tiempo de exposición*C: Tiempo de revelado
- 8.384 B: Tiempo de exposición*D: Dimensión de la máscara
- 0.2687 B: Tiempo de exposición*E: Tiempo de grabado
- 0.8208 C: Tiempo de revelado*D: Dimensión de la máscara
+ 0.04167 C: Tiempo de revelado*E: Tiempo de grabado
- 3.375 D: Dimensión de la máscara*E: Tiempo de grabado
-
0.02437 A: Nivel de abertura*B: Tiempo de exposición*C: Tiempo de rev
ela
do
+ 3.266 A: Nivel de abertura*B: Tiempo de exposición*D: Dimensión de la
má
scara
+ 0.006250 A: Nivel de abertura*B: Tiempo de exposición*E: Tiempo de g
raba
do

+ 3.096 A: Nivel de abertura*C: Tiempo de revelado*D: Dimensión de la

másc
ara
+ 0.04167 A: Nivel de abertura*C: Tiempo de revelado*E: Tiempo de grab
ado
+ 8.625 A: Nivel de abertura*D: Dimensión de la máscara*E: Tiempo de g
raba
do
+ 0.2202 B: Tiempo de exposición*C: Tiempo de revelado*D: Dimensión
de la
máscara
+ 0.006250 B: Tiempo de exposición*C: Tiempo de revelado*E: Tiempo d
e grab
ado
+ 0.5563 B: Tiempo de exposición*D: Dimensión de la máscara*E: Tiempo
de g
rabado
+ 0.05833 C: Tiempo de revelado*D: Dimensión de la máscara*E: Tiempo
de gr
abado
-
0.1065 A: Nivel de abertura*B: Tiempo de exposición*C: Tiempo de revel
ad
o*D: Dimensión de la máscara
+ 0.001250 A: Nivel de abertura*B: Tiempo de exposición*C: Tiempo de r
evel
ado*E: Tiempo de grabado
-
0.2187 A: Nivel de abertura*B: Tiempo de exposición*D: Dimensión de la
m
áscara*E: Tiempo de grabado
-
0.2083 A: Nivel de abertura*C: Tiempo de revelado*D: Dimensión de la
más
cara*E: Tiempo de grabado
-
0.01458 B: Tiempo de exposición*C: Tiempo de revelado*D: Dimensión d
e la
+ 0.007083 A: Nivel de abertura*B: Tiempo de exposición*C: Tiempo de r
evel
ado*D: Dimensión de la máscara*E: Tiempo de grabado
Estructura de alias
Factor Nombre
A A: Nivel de abertura
B B: Tiempo de exposición
C C: Tiempo de revelado
D D: Dimensión de la máscara
E E: Tiempo de grabado

Alias
I
A
B
C
D
E
AB
AC
AD
AE
BC
BD
BE
CD
CE
DE
ABC
ABD
ABE
ACD
ACE
ADE
BCD
BCE
BDE
CDE
ABCD
ABCE
ABDE
ACDE
BCDE
ABCDE
* NOTA * No se puede graficar el tipo de residuo especificado, porque MSE = 0 o los
grados de
libertad para error = 0.


Se puede concluir que los únicos efectos significativos son el A, B, C y AB

b) Elimina los efectos no significativos del análisis y obtén el mejor ANOVA.

Modelo 4 11403.9 2850.97 295.96 0.000
Lineal 3 10899.8 3633.28 377.17 0.000

A: Nivel de abertura 1 1116.3 1116.28 115.88 0.000

B: Tiempo de exposición 1 9214.0 9214.03 956.50 0.000
C: Tiempo de revelado 1 569.5 569.53 59.12 0.000
A: Nivel de abertura*B: Tiempo de exposición 1 504.0 504.03 52.32 0.000
Error 27 260.1 9.63
Total 31 11664.0
c) Mediante las gráficas de los efectos y de interacción determina los niveles de los
factores que se deben fijar para maximizar el rendimiento.
d) Obtén el modelo de regresión (variables codificadas) para explicar el

comportamiento del rendimiento durante las pruebas.
% de Rendimiento = 30.531 + 5.906 A: Nivel de abertura + 16.969 B: Tiempo de exposición
+ 4.219 C: Tiempo de revelado

e) Determina el valor predicho, el intervalo de confianza y el intervalo de

predicción del 95% para el tratamiento que maximiza el rendimiento. Interpreta
los resultados obtenidos.
Predicción
EE de
Ajuste ajuste IC de 95% IP de 95%
61.5938 1.22685 (59.0765, 64.1110) (54.7460, 68.4415)
f) Verifica los supuestos del modelo.

Actividad 1.8 Diseño factorial 25 no replicado

El objetivo del experimento es mejorar el rendimiento en el área de fermentación de
agave tequilero. Los factores que se controlan y sus niveles en unidades originales son
los siguientes:
A: Temperatura de carga (28°C, 30°C)

B: Inóculo de levadura (0.31%, 0.72%)
C: Temperatura del medio ambiente (22°C, 34°C)
D: Temperatura de fermentación (34°C, 42°C)
E: Brix de carga (13.0 ° BX, 15.5 ° BX)
Se utiliza un diseño factorial 25 con sólo una corrida en cada tratamiento. El diseño y los
rendimientos observados se muestran en la siguiente tabla:
Notación de Yates Rend. (%) Notación de Yates Rend. (%)

(1) 60.30 e 79.44
a 73.20 ae 60.40
b 95.62 be 46.98
ab 79.41 abe 61.95
c 95.62 ce 57.05
ac 97.24 ace 42.09
bc 76.17 bce 47.65
abc 57.05 abce 53.69
d 90.76 de 61.58
ad 46.96 ade 27.00
bd 45.30 bde 61.15
abd 42.09 abde 57.05
cd 89.13 cde 56.12
acd 71.31 acde 55.36
bcd 76.17 bcde 29.30
abcd 61.58 abcde 28.59
a) Obtener el mejor ANOVA con apoyo del gráfico de Pareto. ¿Qué efectos son
significativos al nivel del 8%?

Fuente GL SC Ajust. MC Ajust. Valor F
Modelo 6 6871.6 1145.26 5.99
Lineal 5 5899.9 1179.99 6.17
A: Temperatura de carga 1 735.1 735.07 3.84
B: Inóculo de levadura 1 646.3 646.29 3.38
C: Temperatura medio ambiente 1 0.8 0.76 0.00
D: Temperatura de fermentación 1 1062.7 1062.72 5.56
E: Brix de carga 1 3455.1 3455.09 18.06
Interacciones de 2 términos 1 971.6 971.63 5.08
C: Temperatura medio ambiente*E: Brix de carga 1 971.6 971.63 5.08
Error 25 4782.7 191.31
Total 31 11654.3
Fuente Valor p
Modelo 0.001
Lineal 0.001
A: Temperatura de carga 0.061
B: Inóculo de levadura 0.078
C: Temperatura medio ambiente 0.950
D: Temperatura de fermentación 0.027
E: Brix de carga 0.000


C: Temperatura medio ambiente*E: Brix de carga 0.033
Error
Total
b) Obtener el tratamiento ganador e interpretar el intervalo de predicción al 92 % de

confianza en dicho tratamiento.

Predicción para Rendimiento

Rendimient = 92 - 4.79 A: Temperatura de carga - 21.9 B: Inóculo de levadura + 10.50 C:
o Temperatura medio ambiente - 1.441 D: Temperatura de fermentación
+ 12.26 E:
Brix de carga - 0.735 C: Temperatura medio ambiente*E: Brix de carga
Configuración
Valor de
A: Temperatura de carga 28
B: Inóculo de levadura 0.31
C: Temperatura medio ambiente 34
D: Temperatura de fermentación 34
E: Brix de carga 13
Predicción
EE de
Ajuste ajuste IC de 92% IP de 92%
93.0834 6.46906 (81.2785, 104.888) (65.2192, 120.948)
Actividad 1.9 Diseño factorial 23 con repeticiones al centro

En un proceso de circuitos integrados (obleas) interesa minimizar la corriente de fuga,
que se supone depende de la temperatura de quemado (A), tiempo de quemado (B) y
porcentaje de nitrógeno (C). Para ello se decide correr un experimento factorial 23 con
cuatro repeticiones al centro. Los resultados obtenidos se muestran en seguida:
Temperatura Tiempo de Porcentaje de
Y = Corriente de fuga
de quemado quemado nitrógeno
-1 -1 -1 2.153 1.843
+1 -1 -1 1.609 2.018
-1 +1 -1 1.346 1.766
+1 +1 -1 1.695 2.051
-1 -1 +1 3.864 5.041
+1 -1 +1 7.054 5.574
-1 +1 +1 5.519 4.181
+1 +1 +1 5.746 6.088
0 0 0 2.490 2.384
0 0 0 2.474 1.778
Incluyendo los puntos centrales en el modelo, haz lo siguiente mediante Minitab:

a) Determinar si la curvatura es significativa al 5% de significancia.

H0: El modelo de regresión actual se ajusta adecuadamente a los datos observados y

no requiere de los términos cuadráticos puros.
H1: El modelo actual no se ajusta adecuadamente a los datos y al menos un término
cuadrático puro debe incluirse en el modelo. En otras palabras, el modelo de
regresión múltiple obtenido no se ajusta adecuadamente a la respuesta observada en
el punto al centro. Le falta al menos un término cuadrático puro: 𝑥12 , 𝑥22 o 𝑥32 .
Fuente GL SC Ajust.
Modelo 8 61.4194
Lineal 3 53.4514
A: Temperatura de quemado 1 2.3424
B: Tiempo de quemado 1 0.0365
C: % de Nitrógeno 1 51.0725
A: Temperatura de quemado*B: Tiempo de quemado 1 0.0215
A: Temperatura de quemado*C: % de Nitrógeno 1 1.9544
B: Tiempo de quemado*C: % de Nitrógeno 1 0.0367
A: Temperatura de quemado*B: Tiempo de quemado*C: % de Nitrógeno 1 0.4199
Curvatura 1 5.5356
Error 11 3.3693
Total 19 64.7887
Fuente MC Ajust. Valor F
Modelo 7.6774 25.07
Lineal 17.8171 58.17
A: Temperatura de quemado 2.3424 7.65
B: Tiempo de quemado 0.0365 0.12
C: % de Nitrógeno 51.0725 166.74
A: Temperatura de quemado*B: Tiempo de quemado 0.0215 0.07
A: Temperatura de quemado*C: % de Nitrógeno 1.9544 6.38
B: Tiempo de quemado*C: % de Nitrógeno 0.0367 0.12
A: Temperatura de quemado*B: Tiempo de quemado*C: % de Nitrógeno 0.4199 1.37
Curvatura 5.5356 18.07

Error 0.3063
Total
Fuente Valor p
Modelo 0.000
Lineal 0.000
A: Temperatura de quemado 0.018
B: Tiempo de quemado 0.737
C: % de Nitrógeno 0.000
A: Temperatura de quemado*B: Tiempo de quemado 0.796
A: Temperatura de quemado*C: % de Nitrógeno 0.028
B: Tiempo de quemado*C: % de Nitrógeno 0.736
A: Temperatura de quemado*B: Tiempo de quemado*C: % de Nitrógeno 0.266
Curvatura 0.001
Error
Total
Se rechaza la hipótesis nula de que el modelo actual no se ajusta adecuadamente a los

datos y al menos un término cuadrático puro debe incluirse en el modelo. En otras
palabras, el modelo de regresión múltiple obtenido no se ajusta adecuadamente a la
respuesta observada en el punto al centro. Le falta al menos un término cuadrático puro:
x_1^2, x_2^2 o x_3^2.
b) Si la curvatura es significativa, incluirla en el modelo; sino, excluirla. Luego,

determinar qué factores influyen sobre la corriente de fuga, al 5% de nivel de
significancia, mediante el ANOVA y el análisis de Pareto. Obtener el mejor
ANOVA.
G SC MC Valor Valor
Fuente L Ajust. Ajust. F p
Modelo 4 60.9049 15.2262 58.81 0.000
Lineal 2 53.4149 26.7074 103.15 0.000
A: Temperatura de quemado 1 2.3424 2.3424 9.05 0.009
C: % de Nitrógeno 1 51.0725 51.0725 197.25 0.000


A: Temperatura de quemado*C: % de 1 1.9544 1.9544 7.55 0.015
Nitrógeno
Curvatura 1 5.5356 5.5356 21.38 0.000
Error 15 3.8838 0.2589
Falta de ajuste 4 0.5145 0.1286 0.42 0.791
Error puro 11 3.3693 0.3063
Total 19 64.7887
Standardized Pareto Chart for Corriente de fuga
+
-
C:C: Porcentaje de nitrógeno
A:A: Temperatura de quemado
AC
0 3 6 9 12 15
Standardized effect
Solamente los efectos A, C y AC son significativos

c) Obtener el valor predicho en el tratamiento central. (Promedio de los puntos
centrales).

2.2815 0.254421 (1.73922, 2.82378) (1.06891, 3.49409)
Sin incluir los puntos centrales en el modelo, haz lo siguiente mediante Minitab:
d) Elaborar los gráficos de residuos contra los niveles de los factores. ¿Se percibe la
curvatura?

Se requiere incluir un término cuadrático en la ecuación de regresión factorial.

e) Obtener el valor predicho en el tratamiento central.
Predicción para Corriente de fuga

Corriente de fuga = 3.334 + 0.383 A: Temperatura de quemado + 1.787 C: % de Nitrógeno
+ 0.349 A: Temperatura de quemado*C: % de Nitrógeno
Configuración
Valor de
A: Temperatura de quemado 0
C: % de Nitrógeno 0
Predicción
3.3337 0.171568 (2.96999, 3.69741) (1.66698, 5.00042)
Resuelve los siguientes incisos mediante Statgraphics:

f) Determinar si la curvatura es significativa, al 5% de significancia, mediante la
prueba de falta de ajuste.
Source Sum of Squares Df Mean Square F-Ratio P-Value

A:A: Temperatura de quemado 2.34243 1 2.34243 7.65 0.0184
B:B: Tiempo de quemado 0.036481 1 0.036481 0.12 0.7365
C:C: Porcentaje de nitrógeno 51.0725 1 51.0725 166.74 0.0000
AB 0.0214623 1 0.0214623 0.07 0.7961
AC 1.9544 1 1.9544 6.38 0.0282
BC 0.0366723 1 0.0366723 0.12 0.7359
ABC 0.419904 1 0.419904 1.37 0.2664
Lack-of-fit 5.53562 1 5.53562 18.07 0.0014
Pure error 3.36927 11 0.306298
Total (corr.) 64.7887 19
C:C: Porcentaje de nitrógeno +

-
AC
ABC
BC
B:B: Tiempo de quemado
AB
0 3 6 9 12 15
Standardized effect

g) Si la curvatura es significativa, incluirla en el modelo; sino, excluirla. Luego,

determinar qué factores influyen sobre la corriente de fuga, al 5% de nivel de
significancia, mediante el ANOVA y el análisis de Pareto. Obtener el mejor
ANOVA.
Source Sum of Squares Df Mean Square F-Ratio P-Value
A:A: Temperatura de quemado 2.34243 1 2.34243 9.05 0.0088
C:C: Porcentaje de nitrógeno 51.0725 1 51.0725 197.25 0.0000
AC 1.9544 1 1.9544 7.55 0.0150
Lack-of-fit 5.53562 1 5.53562 21.38 0.0003
Pure error 3.88379 15 0.25892
Total (corr.) 64.7887 19
+
-
C:C: Porcentaje de nitrógeno
AC
0 3 6 9 12 15
Standardized effect
h) Elaborar los gráficos de residuos contra los niveles de los factores. ¿Se percibe la
curvatura?
Residual Plot for Corriente de fuga
1
residual
-1
-2
-1 -0.6 -0.2 0.2 0.6 1
A: Temperatura de quemado

Residual Plot for Corriente de fuga
1
residual
-1
-2
-1 -0.6 -0.2 0.2 0.6 1
C: Porcentaje de nitrógeno
i) Obtener el valor predicho y el valor promedio en el tratamiento central.

19 2.384 3.3337 3.09118 3.57622
20 1.778 3.3337 3.09118 3.57622
Actividad 1.10 (Tarea)

En una empresa de electrónica una máquina toma componentes que le proporciona un
alimentador, para montarlos o depositarlos en una tarjeta. Se ha tenido el problema de
que la máquina falla en sus intentos por tomar el componente, lo cual causa paros de la
máquina que detienen el proceso hasta que el operador se da cuenta y reinicia el
proceso.
Para diagnosticar mejor la situación, se decide correr un diseño de experimentos 24 con
n = 2 réplicas, en el que se tienen los siguientes factores y niveles (–, +),
respectivamente:
A. Velocidad de cam (70%, 100%),
B. Velocidad de mesa (media, alta),
C. Orden o secuencia de colocación (continua, variable),
D. Alimentador (1, 2).
Como el proceso es muy rápido, es necesario dejarlo operar en cada condición
experimental el tiempo suficiente para reproducir el problema. Se consideró que esto se
lograba con suficiente confianza con 500 componentes; por ello, cada una de las
corridas experimentales consistió en colocar 500 componentes, y se midieron dos

variables de respuesta: Y1 = número de errores (o intentos fallidos), y Y2 = tiempo real

(en segundos) para tomar y “colocar” los 500 componentes. Es evidente que se quiere
minimizar ambas variables. Los datos obtenidos se muestran en la siguiente tabla.
a. Al observar los datos obtenidos se deduce que hay algunos tratamientos

que tienen pocos o ningún componente caídos, como por ejemplo el (–1,
–1, +1, +1), alguien muy “práctico” decidiría poner la máquina a operar
bajo estas condiciones, y olvidarse del análisis estadístico. De proceder
así, explique qué información se perdería.
La variabilidad a detectarse en el proceso y la significancia de los efectos.
b. Investigue qué efectos influyen de manera significativa sobre Y1
(apóyese en Pareto y ANOVA).
Fuente GL

Modelo 15
Lineal 4
A: Velocidad de cam 1
B: Velocidad de mesa 1
C: Orden de colocación 1
D: Alimentador 1
A: Velocidad de cam*B: Velocidad de mesa 1
A: Velocidad de cam*C: Orden de colocación 1
A: Velocidad de cam*D: Alimentador 1
B: Velocidad de mesa*C: Orden de colocación 1
B: Velocidad de mesa*D: Alimentador 1
C: Orden de colocación*D: Alimentador 1
A: Velocidad de cam*B: Velocidad de mesa*C: Orden de colocación 1
A: Velocidad de cam*B: Velocidad de mesa*D: Alimentador 1
A: Velocidad de cam*C: Orden de colocación*D: Alimentador 1
B: Velocidad de mesa*C: Orden de colocación*D: Alimentador 1
A: Velocidad de cam*B: Velocidad de mesa*C: Orden de colocación*D: Alimentador 1
Error 16
Total 31
Fuente SC Ajust.
Modelo 38840.2
Lineal 33361.6
A: Velocidad de cam 8613.3
B: Velocidad de mesa 1262.5
C: Orden de colocación 11819.5
D: Alimentador 11666.3
A: Velocidad de cam*B: Velocidad de mesa 331.5
A: Velocidad de cam*C: Orden de colocación 3549.0
A: Velocidad de cam*D: Alimentador 205.0
B: Velocidad de mesa*C: Orden de colocación 331.5
B: Velocidad de mesa*D: Alimentador 427.8
C: Orden de colocación*D: Alimentador 306.3


A: Velocidad de cam*B: Velocidad de mesa*C: Orden de colocación 69.0
A: Velocidad de cam*B: Velocidad de mesa*D: Alimentador 69.0
A: Velocidad de cam*C: Orden de colocación*D: Alimentador 9.0
B: Velocidad de mesa*C: Orden de colocación*D: Alimentador 157.5
A: Velocidad de cam*B: Velocidad de mesa*C: Orden de colocación*D: 22.8
Alimentador
Error 2213.5
Total 41053.7
MC
Fuente Ajust.
Modelo 2589.3
Lineal 8340.4
A: Velocidad de cam*B: Velocidad de mesa*C: Orden de colocación*D: 22.8
Alimentador
Error 138.3
Total
Fuente Valor F
Modelo 18.72

Lineal 60.29
A: Velocidad de cam*B: Velocidad de mesa*C: Orden de colocación*D: Alimentador 0.16
Error
Total
Fuente Valor p
Modelo 0.000
Lineal 0.000


A: Velocidad de cam*B: Velocidad de mesa*C: Orden de colocación*D: Alimentador 0.690
Error
Total
c. Obtenga el mejor ANOVA.

d. Si en el análisis anterior encuentra alguna interacción significativa,

analice con detalle la más importante e interprete en términos físicos.
El efecto de la interacción entre el factor A y C resulta ser significativo, debido a que

los cambios entre los niveles altos y bajos de ambos generan una información
significativamente diferente.
e. ¿Qué tratamiento minimiza Y1?
f. Ahora investigue qué efectos influyen de manera relevante sobre Y2.

Los efectos que influyen de manera significativa en Y2 son el A, C y D.

g. ¿Qué tratamiento minimiza Y2?
h. Encuentre una condición satisfactoria tanto para minimizar Y1 como Y2.

i. De los análisis de varianza para Y1 y Y2 observe el coeficiente R2. ¿Qué

concluye de ello?
Resumen del modelo
R-cuad. R-cuad.
12.6233 89.91% 87.97% 84.71%
Resumen del modelo

R-cuad. R-cuad.
5.62798 53.55% 48.58% 39.34%
La explicación que los factores de en las variables de respuesta tienen una respuesta
distinta, ya que con el modelo se puede ajustar al 87.97% de los resultados del modelo
para la variable Y1, mientras que para variable Y2, solo se explica el 48.58%
j. Verifique residuos.

Se encuentran dos datos atípicos que pueden influir en el análisis estadístico de los
modelos, por lo cual se puede considerar que el dato fue tomado de forma errónea.
Actividad 1.11 Diseños factoriales fraccionados
La teoría de diseños fraccionados se basa en una jerarquización de los efectos: son más
importantes los efectos principales, seguidos por las interacciones dobles, luego las
triples, cuádruples, etc.
Ignora a priori las interacciones de tres o más factores y determina el número de efectos
ignorables y no ignorables en los diseños factoriales 2𝑘 , para 2 ≤ 𝑘 ≤ 7
Efectos no ignorables
Total de efectos (efectos de primer y
Diseño 𝟐𝒌 segundo orden) Efectos ignorables
𝟐𝒌 − 𝟏
𝑘 𝑘
( )+( )
1 2
22 3 3 0
23 7 6 1
24 15 10 5
25 31 15 16
26 63 21 42
27 127 28 99
a) ¿Para qué valores de 𝑘 los diseños se pueden fraccionar sin perder información
valiosa?

Cuando k ≥ 5 el número de efectos ignorables supera al número de efectos no

ignorables o potencialmente importantes, lo cual indica que estos diseños se pueden
fraccionar sin perder información valiosa.
Actividad 1.12 Diseño factorial fraccionado 23-1
23
a) ¿Cuántos tratamientos tiene un diseño factorial fraccionado 23-1 = ?
2
4 tratamientos
b) ¿Cuántos posibles grupos de 4 tratamientos de un total de 8 tratamientos (diseño
factorial completo 23) se pueden elegir?
70
c) ¿Cuál es el efecto más sacrificable? Determina los signos del contraste ABC del
diseño factorial 23
Yates A B C AB AC BC ABC
(1) -1 -1 -1 1 1 1 -1
a 1 -1 -1 -1 -1 1 1
b -1 1 -1 -1 1 -1 1
ab 1 1 -1 1 -1 -1 -1
c -1 -1 1 1 -1 -1 1
ac 1 -1 1 -1 1 -1 -1
bc -1 1 1 -1 -1 1 -1
abc 1 1 1 1 1 1 1
El efecto no estimable ABC se le llama generador de la fracción y es el efecto cuyo

contraste es utilizado para generar la fracción factorial.
d) Identifica qué tratamientos corresponden a la fracción principal y a la fracción
secundaria del diseño factorial 23-1 con generador principal I = +ABC y generador
complementario I = -ABC
Fracción principal Fracción complementaria

(I=+ABC) (I= -ABC)
A B C Yates A B C Yates
-1 -1 1 C -1 -1 -1 (1)
1 -1 -1 A 1 -1 1 AC
-1 1 -1 B -1 1 1 BC
1 1 1 ABC 1 1 -1 AB
Los efectos alias son dos o más efectos con nombres diferentes que comparten el mismo
contraste y, por lo tanto, estiman el mismo efecto.

e) Construye los diseños factoriales fraccionados anteriores mediante Minitab y escribe

la estructura alias y la resolución de cada uno de los diseños.
Fracción principal
A B C = AB Yates
-1 -1 1 C
+1 -1 -1 A
-1 +1 -1 B
+1 +1 1 ABC
Fracción complementaria
A B C = - AB Yates
-1 -1 -1 (1)
+1 -1 1 AC
-1 +1 1 BC
+1 +1 -1 AB
Actividad 1.13 Diseños factoriales fraccionados

Construye cada uno de los siguientes diseños factoriales fraccionados. Además,
identifica la resolución de cada diseño.
a) Diseño factorial fraccionado 24-1 con generador principal I = ABCD. ¿De qué
resolución es el diseño?
A B C D = ABC Yates
-1 -1 -1 -1 (1)
+1 -1 -1 +1 AD
-1 +1 -1 +1 BD
+1 +1 -1 -1 AB
-1 -1 +1 +1 CD
+1 -1 +1 -1 AC
-1 +1 +1 -1 BC
+1 +1 +1 +1 ABCD
b) Diseño factorial fraccionado 25-1 con generador principal I = ABCDE. ¿De qué
resolución es el diseño?
A B C D E = ABCD Yates
-1 -1 -1 -1 +1 E
+1 -1 -1 -1 -1 A
-1 +1 -1 -1 -1 B
+1 +1 -1 -1 +1 ABD
-1 -1 +1 -1 -1 C

+1 -1 +1 -1 +1 ACE
-1 +1 +1 -1 +1 BCE
+1 +1 +1 -1 -1 ABC
-1 -1 -1 +1 -1 D
+1 -1 -1 +1 +1 ADE
-1 +1 -1 +1 +1 BDE
+1 +1 -1 +1 -1 ABD
-1 -1 +1 +1 +1 CDE
+1 -1 +1 +1 -1 ACD
-1 +1 +1 +1 -1 BCD
+1 +1 +1 +1 +1 ABCDE
c) Construye las cuatro fracciones del diseño factorial 25-2. Utiliza los generadores
de diseño de la manera siguiente:
D = –AB y E = –AC
A B C D E Yates
-1 -1 -1 -1 -1 (1)
1 -1 -1 1 1 ADE
-1 1 -1 1 -1 BD
1 1 -1 -1 1 ABE
-1 -1 1 -1 1 CA
1 -1 1 1 -1 ACD
-1 1 1 1 1 BCDE
1 1 1 -1 -1 ABC
D = AB y E = –AC
A B C D E Yates
-1 -1 -1 1 -1 D
1 -1 -1 -1 1 AE
-1 1 -1 -1 -1 B
1 1 -1 1 1 ABDE
-1 -1 1 1 1 CDE
1 -1 1 -1 -1 AC
-1 1 1 -1 1 BCE
1 1 1 1 -1 ABCD
D = –AB y E = AC
A B C D E Yates
-1 -1 -1 -1 1 E
1 -1 -1 1 -1 AD
-1 1 -1 1 1 BDE
1 1 -1 -1 -1 AB
-1 -1 1 -1 -1 C

1 -1 1 1 1 ACDE
-1 1 1 1 -1 BCD
1 1 1 -1 1 ABCE
D = AB y E = AC (fracción principal)
A B C D E Yates
-1 -1 -1 1 1 DE
1 -1 -1 -1 -1 A
-1 1 -1 -1 1 BE
1 1 -1 1 -1 ABD
-1 -1 1 1 -1 CD
1 -1 1 -1 1 ACE
-1 1 1 -1 -1 BC
1 1 1 1 1 ABCDE
¿De qué resolución son los diseños?

Supongamos que no se puede realizar el diseño con los cinco factores
establecidos en su nivel alto ni en su nivel bajo. ¿Qué fracción se debería
utilizar? La 2 y 3
d) Construye un diseño factorial 27-3 con generadores E = ABC, F = BCD y G =
ACD. ¿De qué resolución es el diseño?


Considerando los datos de la actividad 1.8, resuelve lo que se te indica:
Te recuerdo el problema:
En una planta donde se fabrican semiconductores se requiere mejorar el rendimiento del
proceso vía diseño de experimentos. De acuerdo con la experiencia del grupo de mejora,
los factores que podían tener mayor influencia sobre la variable de respuesta
(rendimiento), así como los niveles de prueba, son los siguientes:
A: Nivel de abertura (pequeña, grande)

B: Tiempo de exposición (20% abajo, 20% arriba)
C: Tiempo de revelado (30 seg, 45 seg)
D: Dimensión de la máscara (pequeña, grande)
E: Tiempo de grabado (14.5 min, 15.5 min)
Si el diseño factorial completo se divide en las dos fracciones del diseño factorial
fraccionado 25-1 con generador I = +- ABCDE, determina qué factores son
significativos, mediante el diagrama de Pareto y el ANOVA, para cada fracción.
Fracción principal con generador Fracción complementaria con generador

I = ABCDE I = -ABCDE
e=8 d=8 (1)= 7 de = 6
a=9 ade = 10 ae = 12 ad = 10
b = 34 bde = 30 be = 35 bd = 32
abe = 52 abd = 50 ab = 55 abde = 53
c = 16 cde =15 ce = 15 cd = 18
ace = 22 acd = 21 ac = 20 acde = 20
bce =45 bcd = 44 bc = 40 bcde = 41
abc = 60 abcde =63 abce = 65 abcd = 61
Para cada diseño factorial fraccionado, fracción principal y fracción complementaria,

realiza los siguientes incisos:
a) Determina qué factores son significativos mediante el gráfico de Pareto y el gráfico
de probabilidad normal para los efectos.


b) Elimina los efectos no significativos del análisis y obtén el mejor ANOVA.

Modelo 4 5650.25 1412.56 490.36 0.000
Lineal 3 5447.19 1815.73 630.31 0.000


Error 11 31.69 2.88
Total 15 5681.94
Modelo 4 5955.00 1488.75 612.20 0.000
Lineal 3 5648.75 1882.92 774.28 0.000
Error 11 26.75 2.43
Total 15 5981.75
c) Mediante las gráficas de los efectos y de interacción determina los niveles de los
factores que se deben fijar para maximizar el rendimiento.


d) Obtén el modelo de regresión (variables codificadas) para explicar el

comportamiento del rendimiento durante las pruebas.
Rendimiento = 30.438 + 5.438 A: Nivel de abertura + 16.813 B: Tiempo de exposición
+ 5.313 C: Tiempo de revelado

e) Determina el valor predicho, el intervalo de confianza y el intervalo de predicción

del 95% para el tratamiento que maximiza el rendimiento.
Configuración
Valor de
A: Nivel de abertura Grande
C: Tiempo de revelado 45
Predicción
61.5625 0.948796 (59.4742, 63.6508) (57.2828, 65.8422)
f) Concluye:
¿Qué ventajas presentaron los diseños factoriales fraccionados? El ahorro de recursos,
sea tiempo, dinero, etc. cuando no es posible realizar muchas replicas.

En una compañía se compró un equipo de afilado, y después de una semana se dieron
cuenta de que el exceso de vibración en el proceso era un problema muy serio. Un
equipo de mejora decide tratar de reducir la vibración aplicando diseño de
experimentos. Identifican siete factores, todos asociados con la herramienta de afilado,
que pueden tener algo que ver en la cantidad de vibración. Como la puesta en marcha
del robot y el tiempo de corrida tienen un alto costo, el equipo decide correr un diseño
factorial fraccionado 27−4
𝐼𝐼𝐼 . Bajo esta consideración, los efectos de interacción se pueden
considerar despreciables.
El diseño tiene resolución III, lo cual implica que hay efectos principales confundidos
con interacciones dobles.
Factor (unidades) Niveles
A: Tamaño de grano (pulgadas) 80, 120
B: Longitud (pulgadas) 1, 2
C: Diámetro (pulgadas) 1.0, 1.5
D: Rpm (x 1000) 15, 20
E: Peso de precarga (libras) 0.4, 1.0
F: Estructura del material (onzas) 1, 4

G: Velocidad de alimentación (pulgadas/min) 2, 4
Los resultados fueron los siguientes:

Tratamiento Vibración
def 77.4
afg 68.3
beg 81.9
abd 66.2
cdg 42.1
ace 78.3
bcf 39.0
abcdefg 68.4
a) Crear un diseño factorial fraccionado mediante los generadores del diseño: D =

AB, E = AC, F = BC, G = ABC. Utiliza como diseño base un diseño factorial
completo 23 (generadores específicos).
b) Crear la fracción principal del diseño factorial fraccionado 27−4
𝐼𝐼𝐼 mediante
Minitab (generadores predeterminados).
c) Mediante el análisis de Pareto y el gráfico de Daniel, detectar qué efectos son
importantes.
d) Construye el mejor ANOVA.
e) Determinar el coeficiente de determinación, R cuadrada.
f) Elaborar el gráfico de efectos principales.
g) Encontrar la combinación de los niveles de los factores que minimicen la
vibración de la máquina.
h) Obtener el valor predicho y el intervalo de confianza del 95% en la condición
óptima.
Actividad 1.16 (Diseño 3^k)
En un proceso de fabricación de cajas se utiliza pegamento; con la idea de mejorar el
desempeño de las cajas, se realiza un experimento para estudiar la fuerza de adhesión
del pegamento en diferentes condiciones de humedad y temperatura. La variable de
respuesta es la fuerza necesaria en libras para despegar la caja. Los datos obtenidos en
cada una de las nueve combinaciones de un diseño 32 con n = 2 réplicas, se muestran a
continuación:
A: Temperatura
B: Humedad Frío Ambiente Caliente
50% 1.5 1.2 3.5 3.2 4.0 4.2
70% 1.4 1.3 2.9 2.5 3.8 3.4

90% 0.8 1.2 1.8 2.0 2.7 3.0
a) Obtener el ANOVA sin desglosar. ¿Qué efectos resultaron significativos?

b) Realizar la gráfica de efectos principales. ¿Predomina la componente lineal o
cuadrática de cada efecto? ¿La curvatura del factor cuantitativo es
perceptible?
c) Realizar la gráfica de interacción. ¿Las líneas tienen pendiente similar?
d) Obtener la condición óptima del proceso.
e) Considerar ambos factores como cuantitativos. Luego, determinar la
significancia de la componente lineal y cuadrática de los efectos principales
mediante el ANOVA desglosado en sus componentes: AL , BL , A2 , B2 y AL BL .
f) Obtener el modelo de Regresión en variables codificadas.
g) Elaborar el gráfico de superficie de respuesta.
h) Obtener la condición óptima del proceso mediante el diseño de superficie de
respuesta.
Actividad 1.17 (Factorial completo y de superficie de respuesta)
Se está estudiando el rendimiento de un proceso químico. Se cree que las dos variables
más importantes son la presión y la temperatura. Tres niveles de cada factor se
seleccionan, y se realiza un experimento factorial con dos repeticiones. Los datos de
rendimiento se muestran a continuación:
Presión
Temperatura 200 215 230
90.4 90.7 90.2
150
90.2 90.6 90.4
90.1 90.5 89.9
160
90.3 90.6 90.1
90.5 90.8 90.4
170
90.7 90.9 90.1
a) Realiza un análisis estándar de varianza (análisis para estudiar factores cualitativos)

y determina qué efectos son significativos. Análisis de un diseño factorial completo.
b) Elabora las gráficas de residuales y comenta la adecuación del modelo.
c) ¿En qué condición operarías el proceso?
d) Como ambos factores son cuantitativos y tienen tres niveles, realiza un análisis de
varianza más profundo para determinar si los efectos lineales y cuadráticos de
ambos factores son significativos. Análisis de un diseño de superficie de respuesta.

e) Escribe el modelo de superficie de respuesta de los datos.

f) Elabora la gráfica de superficie de respuesta y la gráfica de contorno.

UNIDAD 2. INGENIERÍA DE CALIDAD Y FUNCIÓN DE PÉRDIDA
Actividad 2.1
Lee los conceptos básicos del diseño robusto propuesto por Taguchi, páginas 296-302,
del capítulo 9 del siguiente libro:
Gutiérrez Pulido, H., & De la Vara Salazar, R. (2008). Análisis y diseño de
experimentos (2ª ed.). México: Mc Graw-Hill.
a) Elabora un mapa semántico con las siguientes características:

 Idea central o principal: Diseño robusto.
 Ideas secundarias: principios de la filosofía de Taguchi, robustez, Ejemplos de
robustez, factores de estudio y tipos de estudios de robustez
Es hacer un producto o proceso

Offline insensible o resistente a factores Cons ideremos una copiadora. Al momento de s acar copias, el usuario
QC de ruido que no son des ea que la máquina funcione bien sin importar el tipo de papel usado ni
controlables. l a humedad ambiental, por mencionar s ólo dos factores de ruido que el fa
bri ca nte de l as copiadoras no puede controlar. Si la máquina trabaja bien
en esas condiciones es posible afirmar que es robusta a l papel y a l a
humedad ambiental. Además, el usuario también desea elegir entre una
Calidad de un reducci ón o un aumento en el tamaño de la copia, así como lo oscuro de la
producto = Robustez tinta, y que la copia s iempre salga con l a calidad deseada.
Mínimo de
pérdidas a la
sociedad
Principios de la
Función de filosofía Taguchi Diseño Robusto Ejemplos de Robustez
pérdida:
Si pensamos en una tostadora de pan, al usuario l e gustaría que fuera

robus ta a la marca de pan, a la humedad a mbiental, a la temperatura
Tipos de estudio de a mbiental, a las variaciones en las dimensiones del pan, etc. Se desea
Minimización de
las variaciones Robustez s eleccionar el gra do de tostado y obs ervar que, efectivamente, el pan
s a lga con el color deseado, en toda su superficie y por a mbos lados.
con respecto a un
valor objetivo.
Entre más Entre más Valor nominal

pequeño mejor grande mejor es el mejor
Actividad 2.2
Escribe el concepto de cada una de las características de calidad: mayor es mejor, menor
es mejor y nominal es mejor (página 302, del libro de análisis y diseño de
experimentos). Luego, menciona ejemplos de cada una de las características de calidad.
Considera las variables de respuesta de los diseños de experimentos de la unidad 1 y los
ejercicios finales del capítulo 6 del libro de análisis y diseño de experimentos
(problemas del 7 al 25).
Entre más pequeña mejor. Son variables o características de calidad cuya única exigen cia es que no excedan cierto
valor máximo tolerado o especificación superior (ES), y entre más pequeño sea su valor mejor. Por ejemplo:
porcentaje de impurezas en una sustancia o la cantidad de sustancias tóxicas en un producto alimenticio.

Entre más grande mejor. Son variables o características de calidad a las que se les exige que sean mayores que un
valor mínimo o que cierta especificación inferior (EI), y entre más grande sea el valor de la variable es mejor. Por
ejemplo, la resistencia de una pieza de plástico inyectado o la “blancura” de una tela de color blanco.
Valor nominal es el mejor. Variables que deben tener un valor específico y que, por lo tanto, no deben ser menores
que una especificación inferior (EI), pero tampoco mayores que una superior (ES). Ejemplos de este tipo de
características de calidad con doble especificación son el diámetro interior de una tuerca y la longitud de una pieza
para ensamble.
Mayor es mejor (QC = B) Menor es mejor (QC = S) Nominal es mejor (QC = N)

(7) Porcentaje de diente (1.2) Vibración de la
bueno ranura
(10) Resistencia al (8) Viscosidad de bebida
rasgamiento de chocolate
(13) Rendimiento de un (9) Intentos fallidos y
proceso tiempo real
(1.6) Vida de una máquina (1.4) Tiempo de entrega
herramienta
(11) Defectos ocasionados
por impresiones de
soldadura en pasta
inadecuada
(1.7) Porosidad en los
dientes
Actividad 2.3 (QC = N)

The measured door-closing loads from two stations of a particular model of automobiles
were found to be:
Station 1: 11, 13, 16, 14, 9, 13, 15, 12 and 14.5 pounds (pull force)
Station 2: 15, 11, 12, 14, 10, 9 and 15 pounds (pull force)
If the desired closing force is 12 pounds, which of the two stations produces better
assemblies?
La estación 2 resulta ser mejor debido a que su MSD es menor que el de la Estación 1.
Sus MSD son:
Indicador Estación 1 Estación 2

Valor nominal 12 12
MSD 5.2500 5.1429
S/N -7.2016 -7.1120


Actividad 2.4 (QC = S)

The cleaning-cycle times for nylon –coated brake linings using two process settings of
Maxi-blast metal cleaning machines are as follows:
Setting 1: 11, 9, 10, 7, 6, 13, 9, 8, 10.5 and 11.5 seconds.

Setting 2: 12, 9, 8.5, 11, 13, 7, 9.5 and 10 seconds
Determine the setting that is likely to do the job in the least amount of time.

Es mejor la segunda configuracion

Actividad 2.5 (QC = B)
The top speeds achieved by two separate bolt-on component designs in an experiment
regarding jet ski performance are as indicated below:
Design 1: 5.1, 5.2, 4.3, 4.5, 4.7 and 4.4 meters/second
Design 2: 4.3, 3.8, 5.1, 4.5, 4.2, 4.8, 5.0 and 4.6 meters/second
Compare and determine the design that is expected to produce the higher speed.

La 1 es la indicada
Actividad 2.6 (Indicador OEC)
Assume that the readings for cake samples 1 and 2 are as shown in the right most two
columns of the next table:
WORST BEST TEST

CRITERION READING READING QC WEIGHTHING 1 2
TASTE 0 12 B 55 9 6
MOISTNESS 25 40 N 20 30 45
CONSISTENCY 8 2 S 25 5 3
Determine which test sample is better base on the criteria of evaluation described in the
table.

La segunda es la mejor
Actividad 2.7 (Loss Plot Manipulations 1)

Calcula la pérdida total de producción por unidad (costo de no conformidad) si se
producen 4,000 piezas con un costo de producción por unidad de $5.00; además de esto,
se rechazaron 500 piezas.
Actividad 2.8
Descarga el manual de Control Estadístico de los procesos (SPC) de la AIAG. Lee el
capítulo IV- Sección C y realiza las siguientes actividades:
a) Explica en qué consiste la mentalidad del “poste meta”
El motivo principal para el uso de índices de habilidad (y otras medidas de los procesos)
ha sido el deseo de producir todas las partes dentro de especificaciones de los clientes.
El concepto básico que motiva este deseo es que todas las partes dentro de
especificaciones, independientemente de donde se localicen dentro del rango de
especificaciones, sean igualmente “buenas” (aceptables), y todas las partes fuera de

especificaciones, independientemente de qué tan lejos puedan estar de las

especificaciones, sean igualmente “malas” (no aceptables).
b) Explica en qué consiste la mentalidad de la función de pérdida.
En muchos casos una pérdida (en tiempo, costo, eficiencia, etc.) puede asociarse con un
incremento en la desviación. Esta pérdida puede aplicar a un cliente individual, pero
también puede extenderse a la organización, o aun a la sociedad.
Una curva de sensibilidad típica (función de pérdida) tiene una forma cuadrática.
c) Elabora un dibujo de la curva de sensibilidad (función de pérdida).
Actividad 2.9 (Loss Plot Manipulations 2)

Suppose a machine manufacturer specifies the target for the diameter of a given rivet to
be 6 inches and the upper and lower limits to be 5.98 and 6.02 inches, respectively. A
bolt measuring 5.99 inches is inserted in its intended hole of a machine. Five months
after the machine was sold, it breaks down as a result of loose parts. The cost of repair
is estimated at $95.
a) Find the loss to society incurred as a result of the part not matching its target.
b) Plot the Taguchi loss function.

Actividad 2.10 (Loss Plot Manipulations 2 y 3)

Las tolerancias para el diámetro de una parte maquinada es de ±0.25 mm con un valor
nominal de 5.00 mm. Si la parte excede los límites de especificación, ésta debe ser
rechazada con un costo de $4.00, determina:
a) La constante de proporcionalidad K
64
b) Grafica la función de pérdida por unidad de Taguchi

c) Determina la pérdida por unidad a un performance de 5.12 mm.
d) Si todos los performance están dentro de las especificaciones del cliente, ¿cuál
será la pérdida promedio por unidad de la siguiente muestra de piezas: 4.98,
4.80, 5.20, 5.15, 5.13, 5.01, 5.03 y 4.97?
Performance (Y) L(Y)=K(Y-5)^2
4.98 0.0256
4.80 2.56
5.20 2.56
5.15 1.44
5.13 1.0816
5.01 0.0064
5.03 0.0576
4.97 0.0576
Total de pérdida ∑ 𝐿(𝑦) 7.7888
Pérdida promedio por 0.9736
unidad 𝐿̅(𝑦)

e) Para confirmar la respuesta del inciso anterior, determina la pérdida promedio

por unidad usando la siguiente fórmula: 𝐿̅(𝑦) = 𝑘(𝑀𝑆𝐷)
Nota: la fórmula anterior solo aplica cuando todos y cada uno de los
desempeños (y) están dentro de las especificaciones del cliente.
MSD 0.015
Pérdida promedio por unidad
0.9736
=(K)(MSD)
f) Si al menos uno de los performance está fuera de las especificaciones del cliente,
¿cuál será la pérdida promedio por unidad de la siguiente muestra de piezas:
4.92, 4.70, 5.28, 5.20, 5.40, 5.01, 5.03 y 4.70?
Performance (Y) L(Y)
4.92 0.4096
4.70 4
5.28 4
5.20 2.56
5.40 4
5.01 0.0064
5.03 0.0576
4.70 4
Total de pérdida ∑ 𝐿(𝑦) 19.0336
Pérdida promedio por
unidad 𝐿̅(𝑦)
2.3792
Actividad 2.11 (Quantifying Cost Benefits, Taguchi Loss Function)

Suppose XYZ Co., a manufacturer of a 9.00-volt transistor battery, applied the Taguchi
method to improve the quality of its product.
Before the experiment, a measured sample of 10 batteries had the following voltages:
BEFORE EXPERIMENT
Voltages
8.10 8.25 8.90 8.68 8.35
9.25 9.05 8.85 8.45 8.90
After the experiment, a batch of 10 batteries showed the following voltages:

AFTER EXPERIMENT
Voltages
9.10 9.08 8.91 8.94 8.88
9.15 8.69 9.02 9.25 8.92

The producer makes 100,000 units of the batteries per month, which sell for $1.25 each.
For most customer applications, the battery voltage should be within ±1.00 volt, that is,
between 8.00 and 10.00 volts.
Do the following activities:
a) Complete the next table:
PARAMETERS BEFORE EXPERIMENT AFTER EXPERIMENT
Average value 8.678 8.994
Standard deviation 0.376 0.160
Mean square deviation 0.231 0.023
S/N ratio 6.369 16.375
b) Determine the K value.

1.25
c) Plot the Loss Function of Taguchi.
d) Determine the Loss/Unit before experiment.

e) Determine the Loss/Unit after experiment.

f) Calculate the savings per month.

$25,960.86
g) Calculate the percentage of savings.
90.2%
Actividad 2.12 (Loss nominal case)
Expected Savings from improved Designs Process development engineers of an
automotive battery supplier complemented an optimization study, which identified an
improved design. The expected performance from the improved design (optimum
performance) is expected to be S/N = 18.3863. Based on an evaluation of samples from
current production, the current status is found to be S/N = 13.233. The target voltage of
the battery is 12 volts with an acceptable tolerance of ±𝟎. 𝟑𝟓 volt. The plant produces
15,000 batteries a month at a cost of $20 per unit. Determine:
a) The MSD of Current design

0.014
b) The MSD of New design
0.047

c) The K value
163.2653
d) The Loss Function of Taguchi
e) The Loss/Unit of product at current design (L1)

2.367
f) The Loss/Unit of product at improved design (L2)
7.755
g) The savings per month expected by implementing the new design (ignore the
cost of implementation and training)
$80,817.88
h) % Savings
227.7

Actividad 2.13 (Loss Plot Manipulations 4 and Capability Cpk)

Mr. Eveready has installed a new on-line monitoring system that measures output
voltages of the 9-volt-battery manufacturing line. By the press of a button, a computer-
controlled instrument automatically monitors a sample of 100 batteries and instantly
reports average and the standard deviation of the samples observed. One such sample
reading is average voltage = 9.162 and standard deviation = 0.5244
If the production plan calls for all batteries to have a nominal voltage of 9 volts with
upper limit = 10.5 volts and lower limit = 7.5 volts. Determine MSD, S/N ratio, Cp and
Cpk of the population of batteries from which the sample performance was obtained.
MSD: 0.2984
SN: 5.25
Cp: 0.9584
Cpk: 0.8548
Actividad 2.14 (Loss Plot Manipulations 3 y 4)
In an effort to evaluate the production quality of a friction-lining material, the hardness
of the material was tested and the following BHN readings were recorded: 35, 36, 31,

38, 33, 32, 34, and 36. The material has a target value of 35 BHN with LSL and USL as
28 and 41, respectively. Determine the capability indices (Cp and Cpk).
𝐿𝐸𝑆 − 𝐿𝐸𝐼 41 − 28
𝐶𝑝 = = = 0.9958
6𝜎 6(2.1759)
𝐿𝐸𝑆− 𝑦̅ 𝑦̅−𝐿𝐸𝐼 41− 34.375 34.375−28
𝐶𝑝𝑘 = 𝑀𝑖𝑛 { 𝑜 } = 𝑀𝑖𝑛 { 3(2.1759) 𝑜 } = 0.9766
3𝜎 3𝜎 3(2.1759)

Actividad 2.15
A study involving designed experiments predicted S/N = 4.92 as the optimum
performance. If the performance at optimum condition is expected to be at the target,
calculate the standard deviation of the performance with target value as 9.
0.5675
Actividad 2.16
In two plants producing an identical plastic part, the distance between two mounting
surfaces, which has a nominal value 85 millimeters, is considered critical and is used as
a major quality inspection item. Parts measuring smaller than 78 mm (LSL) or larger
than 92 mm (USL) are rejected. In a typical day, the following measurements for the
sample parts from the two plants were obtained. The cost of rejection per unit is $140.
Parts from plant 1: 84, 81, 83, 82, 84.5, 77, 84.5, 85, 84.5, 84, 92, 85 and 83 mm.
Parts from plant 2: 88, 89, 82, 85, 86, 87, 83, 84, 85, 86 and 84.5
Compare the parts data distribution of the two plants

Indicator Plant 1 Plant 2
MSD 11.4423077 4.113636364
-
S/N
10.5851362 -6.14225898
̅𝐿(𝑦) 29.3956044 22.44047619
Cp 0.73710191 1.174580489
Cpk 0.61155159 1.105936175

UNIDAD 3. EXPERIMENTOS CON ARREGLOS ORTOGONALES
Actividad 3.1
Realiza una lectura de las páginas 303 – 306 del libro de Gutiérrez Pulido, H., & De la
Vara Salazar, R. (2008). Análisis y diseño de experimentos (2ª ed.). México: Mc Graw-
Hill.
Posteriormente, realiza lo siguiente:
a) Escribe qué es un arreglo ortogonal.
Los arreglos ortogonales son diseños propuestos por Taguchi que, como su nombre
lo indica, tienen la propiedad de ortogonalidad.
b) Explica en qué consiste la propiedad de ortogonalidad.
Es cuando las instrucciones puedan combinar los elementos de los tres factores
anteriores sin ninguna restricción.
c) Copia y pega los arreglos ortogonales de Taguchi descritos en el libro: L-4 (23), L-8
(27), L-12 (211), L-16 (215), L-9 (34) y L-18 (21×37).


d) Revisa los arreglos ortogonales anteriores mediante la opción de ayuda del

programa de Minitab 18.



Actividad 3.2
Si deseamos experimentar con tres factores en dos niveles y comparar los tratamientos
de los siguientes diseños experimentales: diseño factorial completo 23, arreglo
ortogonal de Taguchi L-4 (23), diseño factorial fraccionado 23-1 (fracción principal) y
diseño factorial fraccionado 23-1 (fracción complementaria), ¿qué tratamientos tienen en
común sus respectivas matrices de diseño?
Crea las matrices de diseño mediante Minitab. Luego, completa la siguiente tabla:
A1 A2
B1 B2 B1 B2
C1 C2 C1 C2 C1 C2 C1 C2
Diseño factorial completo (1) c b bc a ac ab abc
23 T-1 T-5 T-3 T-7 T-2 T-6 T-4 T-8
(1) b2 ac ab
Diseño ortogonal L-4 (23)
T-1 T-2 T-3 T-4
Diseño factorial
c b a abc
fraccionado 23-1
T-1 T-3 T-2 T-4
(fracción principal)
Diseño factorial
(1) bc ac ab
fraccionado 23-1
T-1 T-3 T-2 T-4
(fracción complementaria)
Actividad 3.3
¿Cómo construir el arreglo ortogonal de Taguchi L-8 (27) a partir de la matriz de diseño
del factorial 23?
a) Construye la matriz de diseño del diseño factorial 23 mediante Minitab.
OrdenCorrida PtCentral Bloques A B C -AB -AC -BC ABC
1 1 1 1 -1 -1 -1 -1 -1 -1 -1
2 2 1 1 1 -1 -1 1 1 -1 1
3 3 1 1 -1 1 -1 1 -1 1 1
4 4 1 1 1 1 -1 -1 1 1 -1
5 5 1 1 -1 -1 1 -1 1 1 1
6 6 1 1 1 -1 1 1 -1 1 -1
7 7 1 1 -1 1 1 1 1 -1 -1
8 8 1 1 1 1 1 -1 -1 -1 1
b) Completa la siguiente tabla de signos:
Matriz de diseño
Total A B C -AB -AC -BC ABC

(1) -1 -1 -1 -1 -1 -1 -1
a 1 -1 -1 1 1 -1 1
b -1 1 -1 1 -1 1 1
ab 1 1 -1 -1 1 1 -1
c -1 -1 1 -1 1 1 1
ac 1 -1 1 1 -1 1 -1
bc -1 1 1 1 1 -1 -1
abc 1 1 1 -1 -1 -1 1
c) Ordena las columnas de la tabla anterior utilizando el siguiente orden:

Columna de la
A B C -AB -AC -BC ABC
tabla de signos
No. de columna
4 2 1 6 5 3 7
de Taguchi
1 2 3 4 5 6 7
-1 -1 -1 -1 -1 -1 -1
-1 -1 -1 1 1 1 1
-1 1 1 -1 -1 1 1
-1 1 1 1 1 -1 -1
1 -1 1 -1 1 -1 1
1 -1 1 1 -1 1 -1
1 1 -1 -1 1 1 -1
1 1 -1 1 -1 -1 1
d) Genera el arreglo ortogonal de Taguchi L-8 (27) y compáralo con el resultado

obtenido del inciso anterior.
A B C D E F G
1 1 1 1 1 1 1
1 1 1 2 2 2 2
1 2 2 1 1 2 2
1 2 2 2 2 1 1
2 1 2 1 2 1 2
2 1 2 2 1 2 1
2 2 1 1 2 2 1
2 2 1 2 1 1 2
Actividad 3.4
Determine the number of experiments that will be necessary to study the following
situations
a) 3 two-level factors = L4 2^3

b) 6 two-level factors = L8 2^6

c) 10 two-level factors = L12 2^10
d) 15 two-level factors = L16 2^15
e) 18 two-level factors = L32 2^18
f) 3 three-level factors = L9 3^3
g) 4 four-level factors = L16 4^4
h) 1 two-level factor and 5 three-level factors L18 2^1 3^5
Actividad 3.5
Si quisiéramos experimentar con siete factores, ¿qué experimento sería mejor: un diseño
factorial 27 o un arreglo ortogonal de Taguchi L-8 (27)? Compáralos completando la
siguiente tabla:
Aspectos: L-8 (27) Diseño factorial 27

Número de Tratamientos 8 tratamientos 128 tratamientos
Número de factores de
De 2 a 7 factores 7 factores
estudio
Orden máximo de los Primer y segundo
Solo un efecto principal
efectos a estudiar orden
Número de efectos De 2 a 7 efectos
7 efectos principales
principales principales
7 7 7
( ) + ( ) + ⋯ + ( ) =127
Número de efectos totales De 2 a 7 efectos totales 1 2 7
…………………efectos totales
Costo de la
Es más costoso
experimentación
Actividad 3.6
Utilizando Minitab, define arreglos ortogonales de Taguchi bajo las condiciones
descritas en cada inciso:
a) Crea el diseño ortogonal L-4 para estudiar dos factores: A y B con dos niveles
cada uno, y la interacción AB. Asigna los factores A y B a las columnas 1 y 2
del arreglo, respectivamente.
A B AB
1 1 1
1 2 2
2 1 2
2 2 1
b) Crea el diseño ortogonal L-8 para estudiar los factores A, B y C con dos niveles
cada uno y las interacciones AB, AC y BC. Asigna los factores A, B y C a las

columnas 1, 2 y 4 del arreglo, respectivamente. Utiliza la tabla de interacción

para identificar la asignación de las interacciones a las columnas.
A B AB C AC BC E
1 1 1 1 1 1 1
1 1 1 2 2 2 2
1 2 2 1 1 2 2
1 2 2 2 2 1 1
2 1 2 1 2 1 2
2 1 2 2 1 2 1
2 2 1 1 2 2 1
2 2 1 2 1 1 2
c) Crea el diseño ortogonal L-8 para estudiar los factores A, B, C y D con dos
niveles cada uno y las interacciones AB, AC y AD. Asigna los factores A, B, C
y D a las columnas 1, 2, 4 y 7 del arreglo ortogonal, respectivamente.
A B AB C AC AD D
1 1 1 1 1 1 1
1 1 1 2 2 2 2
1 2 2 1 1 2 2
1 2 2 2 2 1 1
2 1 2 1 2 1 2
2 1 2 2 1 2 1
2 2 1 1 2 2 1
2 2 1 2 1 1 2
d) Crea el diseño ortogonal L-16 para estudiar los factores A, B, C, D, E y F con

dos niveles cada uno y las interacciones AB y BC. Asigna los factores A, B, C,
D, E y F a las columnas 1, 2, 4, 8, 15 y 14 del arreglo ortogonal,
respectivamente.
Observación: el arreglo L-12 no se puede utilizar para analizar las interacciones
entre los factores.
A B AB C e1 BC e2 D e3 e4 e5 e6 e7 F E
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 2 2 2 2 2 2 2 2
1 1 1 2 2 2 2 1 1 1 1 2 2 2 2
1 1 1 2 2 2 2 2 2 2 2 1 1 1 1
1 2 2 1 1 2 2 1 1 2 2 1 1 2 2
1 2 2 1 1 2 2 2 2 1 1 2 2 1 1
1 2 2 2 2 1 1 1 1 2 2 2 2 1 1
1 2 2 2 2 1 1 2 2 1 1 1 1 2 2
2 1 2 1 2 1 2 1 2 1 2 1 2 1 2
2 1 2 1 2 1 2 2 1 2 1 2 1 2 1
2 1 2 2 1 2 1 1 2 1 2 2 1 2 1

2 1 2 2 1 2 1 2 1 2 1 1 2 1 2
2 2 1 1 2 2 1 1 2 2 1 1 2 2 1
2 2 1 1 2 2 1 2 1 1 2 2 1 1 2
2 2 1 2 1 1 2 1 2 2 1 2 1 1 2
2 2 1 2 1 1 2 2 1 1 2 1 2 2 1
e) Crea un diseño ortogonal L-9 (34) para estudiar los factores A, B y C en tres
niveles. Asigna los factores A, B y C a las columnas 1, 2 y 3 del arreglo
ortogonal, respectivamente.
A B C E
1 1 1 1
1 2 2 2
1 3 3 3
2 1 2 3
2 2 3 1
2 3 1 2
3 1 3 2
3 2 1 3
3 3 2 1
Actividad 3.7 (Diseño automático con factores de control y de ruido)

Construye un diseño robusto con arreglo interno y externo. En el arreglo interno se
desean analizar los factores de diseño A, B, C y D en las columnas 1, 2, 4 y 7
respectivamente de un arreglo L-8 con las interacciones AB, AC, y BC. En el arreglo
externo se desean analizar los factores de ruido E, F y G del arreglo L-4.
a) Muestra la matriz de diseño con arreglo interno y arreglo externo.
b) Determina el número de corridas necesarias para efectuar el estudio.

R= 32 corridas
Actividad 3.8 (Estudio sobre la resistencia de una cubierta)

Se decide realizar un estudio con tres factores únicamente, sin estudiar sus interacciones
mediante un diseño ortogonal L-4 sobre la afectación de la variable de respuesta:
“fuerza” en lb (QC=B).
A continuación se muestran los factores seleccionados con sus respectivos niveles:
Nivel
Factores
1 2
2
A: Presión de Inyección (lb/in ) 250 350
B: Temperatura del moldeo (°F) 150 200
C: Tiempo de preparación (seg) 6 12
Determina:
a) El efecto promedio de los factores (efecto principal, efecto factorial o efecto de
columna).
Tabla de respuesta para medias
Nivel Presión_inyeccion Temperatura_moldeo Tiempo_preparación

1 27.50 32.00 28.50
2 30.50 26.00 29.50
Delta 3.00 6.00 1.00
Clasificar 2 1 3
Los efectos de cada uno de los factores serían 3, -6 y 1 respectivamente
b) La gráfica de efectos principales y la condición óptima.
c) La contribución de cada factor y el resultado esperado en la condición óptima.

Factores
Experimento Resultados
A B C
1 1 1 1 30
2 1 2 2 25
3 2 1 2 34

4 2 2 1 27
Predicción
34
La distancia se refiere a la
contribución de cada factor
más la media

Actividad 3.9
Joint Sealing System Experiment. In an experiment with the sealing effectiveness of a
movable joint, the following 6 two-level factors were studied:
A: Seal material (rubber and paper)
B: Articulation angle (5° and 7.5°)
C: Surface finish (30 units and 100 units)
D: Grease type (polyurea and lithium)
E: bolted preload (20 Nm and 30 Nm)
F: Rotational speed (2000 r/min and 2500 r/min)
The results of experiments obtained by assigning factors to columns 1 through 6

measured in terms of loss of lubricant are 40, 50, 62, 70, 60, 90, 45 and 65 milligrams.
Assuming that the current average loss is near the first trail result (40), what condition is
likely to produce the least amount of lubricant? What is the percentage of expected
improvement?

Para minimizar la perdida de lubricante el factor A debe estar en su nivel bajo, Factor B
en nivel bajo, D nivel bajo, E nivel Alto, F nivel bajo.
(40-31.25)/40(100)= 21.87% de mejora
Actividad 3.10
In an effort to study the production problem (high reject rate) experienced in a
machining process, three factors among several possible causes were selected for a
quick study. An L-4 experiment was designed to study 3 two-level factors. A large
number of samples were tested in each trial condition, and average performances were
noted for two major objectives.

Factor Surface Finish Capability

Trial
A B C QC=S QC=B
1 1 1 1 17 1.26
2 1 2 2 12 1.32
3 2 1 2 16 0.28
4 2 2 1 20 1.16
a) Describe (recipe) the factor levels used to conduct the third experiment.
A 2, B 1, C 2
b) Determine the optimum condition for the best surface finish (QC=S).
c) If experiment 1 is considered the current performance, estimate the percent

improvement of surface finish expected from the new process settings.

29.4
d) Determine the optimum condition for the best capability (QC=B).
Actividad 3.11
Transmission Axle Noise Study. The suspect causes for audible noise from an
automobile transmission axle design were identified as the lower, middle, and upper

ranges of application conditions. Experiments were laid out using an L-9 array, and four
samples were tested in each of the nine trial conditions. The results of the tests were
measured in decibels (dB).
Level
Factor 1 2 3
A: Lube levels (pints) 3.5 6.5 9
B: Engine speed (r/min) 1500 2000 3000
C: torque (ft-lb) 100 600 1100
D: surface finish (µm) 10 40 60
A B C D Sample #1 Sample #2 Sample #3 Sample #4

1 1 1 1 Trial #1 81 79 82 84
1 2 2 2 Trial #2 92 103 97 88
1 3 3 3 Trial #3 98 97 102 79
2 1 2 3 Trial #4 88 96 94 97
2 2 3 1 Trial #5 82 80 78 85
2 3 1 2 Trial #6 85 87 84 81
3 1 3 2 Trial #7 85 88 89 86
3 2 1 3 Trial #8 89 79 84 87
3 3 2 1 Trial #9 92 102 95 96

a) Determine the performance conditions that will minimize the response variable.
Calculate the expected result under these conditions.
Predicción
Media
77.3333
Configuración
A Nivel_lubricante B Rapidez_maquina C Torque D Acabado_superficie
6.5 2000 100 10
b) Determine the performance conditions that will maximize the response variable.
Calculate the expected result under these conditions.
Predicción
Media
101.583
Configuración
A Nivel_lubricante B Rapidez_maquina C Torque D Acabado_superficie
3.5 3000 600 60

c) Determine the range of noise levels expected by comparing the same at the worst
and best combination of factor levels.
101.583-77.333= 24.2497

UNIDAD 4. ANÁLISIS DE RESULTADOS
UNIDAD 4. ANÁLISIS DE LOS RESULTADOS
Actividad 4.1 (Anova Qualitek y Minitab)

Adhesive-Bonded Joint Strength Study
The manufacturer of a popular brand of audio speakers was experiencing higher-than-

normal field failure with one of their newer products. The source of the problem was
identified as a bonded piece of magnetic component. The factors and their levels were
studied using an L-8 array. The objective of the test was to increase the bonding
strength under direct tensile (pull) loading. Three test samples in each of the eight trial
conditions were built. The samples were subjected to destructive tests in which the
tensile loads were measured using load cells in pounds.
LEVELS
Column
Factors I II
in L-8
1 A: Contact plate Galvanized Brass-plated
2 B: Adhesive thickness Current specifications Thicker
4 C: Base surface Machined Rough
7 D: Curing Temperature Ambient Air convection
SAMPLE
TRIAL 1 2 3
1 2025 2115 2270
2 1690 1692 1710
3 1145 1230 1168
4 1495 1280 1350
5 2550 2680 2585
6 1870 1815 1830
7 1645 2035 1830
8 1670 1100 1380
Solving this problem using Qualitek

a) Determine the factor that has the most influence on the strength.
El factor que más afecta es el factor B correspondiente al adhesivo
b) Determine the joint bonding condition that will produce the most strength.

c) Determine the expected range of performance at the 90 % confidence level
d) Identify the factor that need not be subjected to statistical process control (SPC)
El factor D porque no tiene efecto sobre la variable de respuesta.
e) Determine the loss of strength (pounds) when the condition of the base plate is
changed from brass-plated to galvanized.
2451.663-2133.33= 318.333
Resolviendo el ejercicio mediante Minitab, realiza lo siguiente:
f) ¿Qué factores son significativos a un nivel de significancia del 21%?

Todos los factores con significativos y se puede rechazar la hipótesis nula, solo
el factor D es insignificativo ya que el valor p es menor a .21
Análisis de Varianza de Medias

Fuente GL SC Sec. SC Ajust. MC Ajust. F P

A: placa contacto 1 202672 202672 202672 2.63 0.203

B: espesor 1 782084 782084 782084 10.15 0.050
C:superficie base 1 268400 268400 268400 3.48 0.159
D: temperatura 1 12800 12800 12800 0.17 0.711
Error residual 3 231143 231143 77048
Total 7 1497099
g) Calcula los efectos de los factores.

Superficie
Nivel Placa Adhesivo base Tempereatura
1 1598 2069 1940 1797
2 1916 1444 1573 1717
Delta 318 -625 -366 -80
Clasificar 3 1 2 4
Valor 2 – Valor 1
h) Calcula los valores Delta de cada factor.

Superficie
Nivel Placa Adhesivo base Tempereatura
1 1598 2069 1940 1797
2 1916 1444 1573 1717
Delta 318 625 366 80
Clasificar 3 1 2 4
Delta=valor absoluto
i) Elabora el gráfico de efectos principales.

j) Determina la condición óptima del proceso y el valor predicho en dicha

condición.
Predicción
Media
2451.67
Configuración
Superficie
Placa Adhesivo base Tempereatura
Chapada Actual Maquinada ambiental
k) Determina la pérdida de fuerza, si el proceso se ajusta en el nivel bajo del factor

A, en vez del nivel alto de la condición óptima.
Media
2451.67
Media
2133.33
2451.67 – 2133.33=318.34
Actividad 4.2
En un proceso de formación de paneles una característica no deseada es la emisión de
formaldehído en el producto final. Se desea que esta emisión sea lo mínima posible.
Actualmente se estima en 0.45 ppm (partes por millón).
Se cree que cinco factores pueden estar afectando la emisión, estos son: tipo de resina,
concentración de la solución, tiempo de ciclo de prensado, humedad y presión.
Factor Nivel 1 Nivel 2

A: Tipo de resina Tipo I Tipo II
B: Concentración 5% 10%
C: Tiempo de ciclo de prensado 10 s 15 s
D: Humedad 3% 5%
E: Presión 800 psi 900 psi
En este caso estamos interesados en analizar el efecto de 5 efectos o factores a dos

niveles cada uno, por lo tanto, se usará un arreglo ortogonal L8. Los resultados y la
asignación se muestran en la siguiente tabla, las columnas 6 y 7 se utilizan para estimar
el error aleatorio o variación natural.
A B C D E e e Y
1 1 1 1 1 1 1 0.49

1 1 1 2 2 2 2 0.42
1 2 2 1 1 2 2 0.38
1 2 2 2 2 1 1 0.30
2 1 2 1 2 1 2 0.21
2 1 2 2 1 2 1 0.24
2 2 1 1 2 2 1 0.32
2 2 1 2 1 1 2 0.28
Utilizando Minitab y un criterio de decisión del 10% de nivel de significancia,

resuelve los siguientes incisos:
a) Calcula los valores Delta de los factores.

Nivel A C D E
1 0.3975 0.3775 0.3500 0.3475
2 0.2625 0.2825 0.3100 0.3125
Delta 0.1350 0.0950 0.0400 0.0350
Clasificar 1 2 3 4
b) Determina qué factores influyen sobre el promedio de la variable de respuesta. Si

existe algún factor insignificante, exclúyelo.

A 1 0.036450 0.036450 0.036450 58.32 0.017
B 1 0.000800 0.000800 0.000800 1.28 0.375
C 1 0.018050 0.018050 0.018050 28.88 0.033
D 1 0.003200 0.003200 0.003200 5.12 0.152
E 1 0.002450 0.002450 0.002450 3.92 0.186
Error residual 2 0.001250 0.001250 0.000625
Total 7 0.062200
Los factores que influyen sobre la variable respuesta son A y C

c) Elabora el gráfico de efectos principales de las medias.

d) Determina la condición óptima del proceso y el valor predicho en dicha condición.
Valores pronosticados
Predicción
Media
0.215
Configuración
Tiempo de
Tipo de ciclo de
resina prensado
II 15
Actividad 4.3
To reduce the CO content of exhaust gas, seven factors, A, B, C, D, E, F, and G are
studied. Two levels are set for each and they are assigned to an L8 orthogonal array. CO
data (in grams) are obtained for three driving modes as given below.
A B C D E F G
Prueba R1 R2 R3
1 2 3 4 5 6 7
1 1 1 1 1 1 1 1 1.04 1.20 1.54
2 1 1 1 2 2 2 2 1.42 1.76 2.10
3 1 2 2 1 1 2 2 1.01 1.23 1.52
4 1 2 2 2 2 1 1 1.50 1.87 2.25

5 2 1 2 1 2 1 2 1.28 1.34 2.05

6 2 1 2 2 1 2 1 1.14 1.26 1.88
7 2 2 1 1 2 2 1 1.33 1.42 2.10
8 2 2 1 2 1 1 2 1.33 1.52 2.13
Utilizando Qualitek y un criterio de decisión del 5% de porcentaje de influencia

para, contesta los siguientes incisos:
Análisis S/N
a) Determina qué factores influyen sobre la razón S/N de la variable de respuesta. Si
b) Escribe la condición óptima del análisis S/N.
Análisis de medias
c) ¿Cuál es el efecto promedio de los factores?
d) Determina qué factores influyen sobre el promedio de la variable de respuesta. Si


e) Obtén la condición óptima y el valor predicho en dicha condición.
f) Determina un intervalo de confianza del 90% para el desempeño óptimo esperado.

g) Determina qué factor es el que menos influye sobre la razón S/N y sobre el
promedio de la variable de respuesta. Luego, exclúyelo del análisis.

El factor E y D resultan ser significativos

Análisis S/N
h) Determina qué factores influyen sobre la razón S/N de la variable de respuesta.

A 1 0.2890 0.28901 0.28901 * *
B 1 0.5454 0.54540 0.54540 * *
C 1 0.1453 0.14527 0.14527 * *
D 1 4.2687 4.26871 4.26871 * *
E 1 5.9750 5.97504 5.97504 * *
F 1 0.3059 0.30587 0.30587 * *
G 1 0.0177 0.01765 0.01765 * *
Error residual 0 * * *
Total 7 11.5469
i) Escribe la condición óptima, sólo con los factores significativos.

Factores D, E en su nivel bajo
Análisis de medias
j) Determina qué factores influyen sobre el promedio de la variable de respuesta. Si
El factor E y D resultan ser significativos
k) Elabora el gráfico de efectos principales de las medias.

l) Calcula los valores Delta de los factores.

Nivel D E
1 1.422 1.400
2 1.680 1.702
Delta 0.258 0.302
Clasificar 2 1
m) Determina la condición óptima del proceso y el valor predicho en dicha condición.
Predicción
Relación S/R Media
-2.29257 1.27083
Configuración
D E
1 1

Actividad 4.4
Considere el arreglo ortogonal, L4, de un proceso experimental con tres factores y dos
niveles para cada factor como se muestra en la siguiente tabla:
Tabla con arreglo L4 con datos de pruebas
Columna A B C R1 R2 R3
N° de Prueba
1 1 1 1 5 6 7
2 1 2 2 3 4 5
3 2 1 2 7 8 9
4 2 2 1 4 5 6
Si la característica de calidad es mayor es mejor
Utilizando Qualitek y un criterio de decisión del 5% de porcentaje de influencia,

contesta los siguientes incisos:
Análisis S/N
Análisis de medias


A y B influyen

El factor c es el que menos influye en el efecto
Análisis S/N


A 1 2.2500 2.2500 2.2500 9.00 0.205
B 1 6.2500 6.2500 6.2500 25.00 0.126
Error residual 1 0.2500 0.2500 0.2500
Total 3 8.7500
Los factores que influyen bajo un nivel de significancia del 21% son el A y B
Nivel alto de A y bajo de B
Predicción
Media
7.75
Configuración
A B
2 1
Análisis de medias
Análisis de Varianza de Relaciones SN

A 1 5.6524 5.6524 5.6524 106.90 0.061
B 1 16.5828 16.5828 16.5828 313.61 0.036
Error residual 1 0.0529 0.0529 0.0529
Total 3 22.2881

Nivel A B
1 5.000 7.000
2 6.500 4.500
Delta 1.500 2.500
Clasificar 2 1
Predicción
Media
7.75
Configuración
A B
2 1
Actividad 4.5
Para reducir el contenido de CO de un determinado gas, siete factores: A, B, C, D, E, F,
y G son estudiados. Un conjunto de dos niveles para cada uno de los factores son
asignados en un arreglo ortogonal L-8. Los datos de CO (en gramos) son obtenidos en
tres lecturas para cada prueba y se muestran en la siguiente tabla.

Factor Resultados
Prueba A B C D E F G R1 R2 R3 R4
1 1 1 1 1 1 1 1 36 26 24 15
2 1 1 1 2 2 2 2 32 62 24 32
3 1 2 2 1 1 2 2 34 16 25 12
4 1 2 2 2 2 1 1 10 30 26 32
5 2 1 2 1 2 1 2 33 31 27 23
6 2 1 2 2 1 2 1 34 48 26 39
7 2 2 1 1 2 2 1 26 27 18 20
8 2 2 1 2 1 1 2 28 40 21 32
Si la característica de calidad es menor es mejor.
Utilizando Qualitek y un criterio de decisión del 5% de porcentaje de influencia,

contesta los siguientes incisos:
Análisis S/N
Solamente los factores B y D influyen sobre la razón SN de la variable de respuesta.

El valor óptimo del SN es de -27.002, a partir de la combinación del factor B en nivel

alto y factor D en nivel bajo.
Análisis de medias





A 1 10.695 10.695 10.695 * *
B 1 103.320 103.320 103.320 * *
C 1 2.258 2.258 2.258 * *
D 1 118.195 118.195 118.195 * *
E 1 0.070 0.070 0.070 * *
F 1 13.133 13.133 13.133 * *
G 1 9.570 9.570 9.570 * *
Error residual 0 * * *
Total 7 257.242
Análisis S/N
Análisis de Varianza de Relaciones SN


A 1 0.3278 0.3278 0.3278 29.80 0.115
B 1 8.8690 8.8690 8.8690 806.28 0.022
C 1 0.1955 0.1955 0.1955 17.78 0.148
D 1 11.2984 11.2984 11.2984 1027.13 0.020
F 1 0.7873 0.7873 0.7873 71.57 0.075
G 1 1.1195 1.1195 1.1195 101.77 0.063
Error residual 1 0.0110 0.0110 0.0110
Total 7 22.6084
Los factores que influyen en el valor SN del modelo son los factores B y D, con valores
inferiores al 5% de significancia.
Predicción
Relación S/R Media Desv.Est. Ln(Desv.Est.)
-26.9999 20.9688 5.96211 1.78593
Configuración
B D
2 1
Análisis de medias

A 1 10.695 10.695 10.695 152.11 0.052
B 1 103.320 103.320 103.320 1469.44 0.017
C 1 2.258 2.258 2.258 32.11 0.111
D 1 118.195 118.195 118.195 1681.00 0.016
F 1 13.133 13.133 13.133 186.78 0.046
G 1 9.570 9.570 9.570 136.11 0.054
Error residual 1 0.070 0.070 0.070

Total 7 257.242
Sus efectos significativos son B, D y F


Nivel B D
1 32.00 24.56
2 24.81 32.25
Delta 7.19 7.69
Clasificar 2 1
Predicción
Media
20.9688
Configuración
B D
2 1

APRENDIZAJES Y DIFICULTADES
Actividad de cierre
1. ¿Qué he aprendido?
2. ¿Cómo lo he aprendido?
3. ¿Cómo afecta a mi vida profesional lo aprendido?
4. ¿Qué decido hacer con lo aprendido?
Nombre del alumno-a: Díaz Estrada Ricardo
Durante la materia de Metodología Taguchi logre conocer nuevos modelos de diseño de
experimentos, como se dividen y que aunque su fin es el mismo podemos darnos cuenta
que incluso entre los autores existen diferencias de puntos de vista. He adquirido estos
conocimientos y experiencias gracias a las enseñanzas del profesor que ha sabido como
transmitirlas de una manera clara y concisa y mediante el uso de las herramientas
estadísticas brindadas por el instituto. Considero que estas herramientas facilitaran de
cierta manera la toma de decisiones dentro del ámbito laboral si es que debo hacer uso
de estas herramientas. Considero que usare estas herramientas con siempre y cuando las
condiciones laborales me lo permitan.
Nombre del alumno-a: Loera López Christian Salvador
La materia de metodología Taguchi fue una de las pocas materias que se separan del
resto ya que es de las pocas en las que verdaderamente te motivas a seguir aprendiendo,
pero, ¿Por qué? Es algo sencillo, desde el primer día de clases el profesor motivo
bastante al empezar a hablar sobre temas que parece que jamás habías escuchado pero
realmente son cosas que al final del curso dominas y hasta este momento te das cuenta
que si aprendiste bastante.
Todo eso aprendido con ejercicios contantes en clase acompañado de una
realimentación al final de la clase la cual te hace reforzar lo aprendido y que de esta
manera no queden dudas de que al final de cada clase sales con mas conocimientos que
con los que entraste, y estos ejemplos ya mencionados te sirven en la vida profesional
para la realización de métodos con logias para reducir la variabilidad y el crecimiento en
la habilidad de los procesos productivos, con la consecuente disminución en el
porcentaje de articulo defectuosos

Nombre del alumno-a: González Mora Marisol

Nombre del alumno-a: Macías Gómez Fabiola
Al terminar el desarrollo de la presente materia, puedo concluir que esta asignatura, así
como todas las de la rama de Estadística, ha aportado en mí conocimientos muy
valiosos para el desempeño en la vida laboral.
Al comienzo del curso, pude recordar conceptos básicos sobre la experimentación con
los que había tenido contacto por primera vez hace semestres, y que, por no darles
continuad, no tenía muy frescos. Una de las actividades que más me gustó del principio
del curso, fue la elaboración de una hoja de cálculo que desarrollaba todo el análisis
estadístico de un experimento de 2 factores con 2 niveles de factor porque en
situaciones donde no contamos con programas estadísticos podemos recurrir a Excel
que es un programa básico en cualquier computadora. Tal como lo había retomado en
Lean Seis Sigma, el diseño de experimentos fue el pilar del desarrollo del curso de
Metodología Taguchi.
Posteriormente, conocí un elemento de las herramientas de Taguchi que fundamentan y
justifican el desarrollo de proyectos de mejora, los cuales en muchas ocasiones no son
tomados en cuenta porque no se tiene la precaución de realizar una presentación de
costos.
Otro punto importante que pude conocer con este curso fue la evaluación OEC, la cual
contempla las mejores especificaciones de calidad, tal como valores nominales, menor
es mejor o mayor es mejor, ya que pocas veces se realiza un análisis de esta forma, y la
puntuación sobre ponderaciones resulta ser subjetiva.
Una de las cosas que también aprendí fue el desarrollo de arreglos ortogonales, la cual
es una herramienta que permite analizar el efecto de una cantidad mayor de factores
bajo una cantidad de experimentaciones menores, aunque la fracción excesiva podría
generar la pérdida de información.
Finalmente, aprendí el manejo de un software estadístico que no conocía, como el
Qualitek, y me familiaricé mejor con Minitab, ya que desde que se nos introdujo la
estadística en semestres anteriores me di a trabajar más con Statgraphics, sin embargo
considero que es necesario conocer y saber utilizar todas las herramientas posibles para
no tener que depender de una en específico. En resumen, me permito decir que me
encuentro satisfecha con mi desempeño en el curso, y que pude dejar de mejor forma
establecida toda la base de estadística que he deseado que caracterice a mi perfil
personal como ingeniero industrial.

Nombre del alumno-a: Mares Gálvez Ruth Marlen

REFERENCIAS
REFERENCIAS

Portafolio Evidencias

Cargado por

Información del documento

Título original

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

Portafolio Evidencias

Cargado por

Copyright:

Formatos disponibles

CONTENIDO

TECNOLÓGICO NACIONAL DE MÉXICO

“PORTAFOLIO DE EVIDENCIAS DE APRENDIZAJE”

PROFESOR: M.C. CÉSAR ARTURO PUERTA JIMÉNEZ

AGUASCALIENTES, AGS. 23 de noviembre de 2019

UNIDAD 1. DISEÑOS FACTORIALES COMPLETOS Y FRACCIONADOS ............ 1

Evaluación diagnóstica. ................................................................................................ 1

Actividad 1.1 ................................................................................................................ 6

Actividad 1.2 Diseño factorial 22 replicado.................................................................. 7

Actividad 1.4 Diseño factorial 22 replicado................................................................ 15

Actividad 1.5 Diseño factorial 23 replicado................................................................ 21

Actividad 1.6 Diseño factorial 23 replicado................................................................ 26

Actividad 1.7 Diseño factorial 25 no replicado........................................................... 32

Actividad 1.8 Diseño factorial 25 no replicado........................................................... 55

Actividad 1.9 Diseño factorial 23 con repeticiones al centro ..................................... 58

Actividad 1.10 (Tarea) ................................................................................................ 65

Actividad 1.11 Diseños factoriales fraccionados ....................................................... 74

Actividad 1.12 Diseño factorial fraccionado 23-1 ....................................................... 75

Actividad 1.13 Diseños factoriales fraccionados ....................................................... 76

Actividad 1.14 Diseño factorial fraccionado 25-1 ....................................................... 79

Actividad 1.15 Diseño factorial fraccionado 27-4 ....................................................... 86

Actividad 1.16 (Diseño 3^k)....................................................................................... 87

Actividad 1.17 (Factorial completo y de superficie de respuesta) ............................. 88

UNIDAD 2. INGENIERÍA DE CALIDAD Y FUNCIÓN DE PÉRDIDA .................... 90

Actividad 2.1 .............................................................................................................. 90

Actividad 2.2 .............................................................................................................. 90

Actividad 2.3 (QC = N) .............................................................................................. 91

Actividad 2.4 (QC = S) ............................................................................................... 93

Actividad 2.5 (QC = B) .............................................................................................. 94

Actividad 2.6 (Indicador OEC) .................................................................................. 95

Actividad 2.7 (Loss Plot Manipulations 1)................................................................. 96

Actividad 2.8 .............................................................................................................. 96

Actividad 2.9 (Loss Plot Manipulations 2)................................................................. 97

Actividad 2.10 (Loss Plot Manipulations 2 y 3) ......................................................... 98

Actividad 2.12 (Loss nominal case) ......................................................................... 102

Actividad 2.14 (Loss Plot Manipulations 3 y 4) ....................................................... 104

Actividad 2.15 .......................................................................................................... 106

Actividad 2.16 .......................................................................................................... 106

UNIDAD 3. EXPERIMENTOS CON ARREGLOS ORTOGONALES ..................... 107

Actividad 3.1 ............................................................................................................ 107

Actividad 3.2 ............................................................................................................ 112

Actividad 3.3 ............................................................................................................ 112

Actividad 3.4 ............................................................................................................ 113

Actividad 3.5 ............................................................................................................ 114

Actividad 3.6 ............................................................................................................ 114

Actividad 3.8 (Estudio sobre la resistencia de una cubierta) .................................... 116

Actividad 3.9 ............................................................................................................ 118

Actividad 3.10 .......................................................................................................... 120

Actividad 3.11 .......................................................................................................... 122

UNIDAD 4. ANÁLISIS DE LOS RESULTADOS ..................................................... 126

Actividad 4.1 (Anova Qualitek y Minitab) ............................................................... 126

Actividad 4.2 ............................................................................................................ 129

Actividad 4.3 ............................................................................................................ 131

Actividad 4.4 ............................................................................................................ 136

Actividad 4.5 ............................................................................................................ 139

APRENDIZAJES Y DIFICULTADES ........................................................................ 146

Nombre del alumno-a ............................................................................................... 146

REFERENCIAS ........................................................................................................... 149

METODOLOGÍA TAGUCHI III

UNIDAD 1. DISEÑOS FACTORIALES COMPLETOS Y

3) Enlista los pasos o procedimiento para efectuar un diseño de experimentos.

METODOLOGÍA TAGUCHI Página 1

4) Dados los siguientes diseños de experimentos, identifica qué tipo de diseño de