INGENIERÍA

DE LA
CALIDAD

René Torres Bejarano

SEPI-ESIME-IPN 2003

1
1. La Ingeniería de la Calidad
EL CONCEPTO DE LA CALIDAD.
Los productos tienen características que describen su
comportamiento relativo a los requerimientos o expectativas del
consumidor. La calidad de un producto se mide en función de estas
características. Las características de calidad son resultados
observados en experimentos tales como la densidad, la resistencia,
el porcentaje de rechazados, la dureza, kilometraje/litro, tiempo
promedio entre fallas, resistencia al desgaste, resistencia a la
corrosión, nivel de ruido, deterioro, tiempo de acceso, roturas,
oxidación, quemaduras, ralladuras, altura, longitud, ancho, espesor,
diámetro, área, volumen, presión, densidad, viscosidad, PH, sabor,
frecuencia, temperatura, porcentaje de humedad, voltaje,
corriente, capacitancia, rigidez, peso, color, etcétera. Las
características de calidad pueden ser de tres tipos: 1) del tipo “el
nominal es el mejor” (NB por sus siglas en inglés); 2) del tipo “entre
más bajo mejor” (LB) y 3) del tipo “entre más alto mejor” (HB).
CARACTERÍSTICAS DE CALIDAD TIPO NB
Altura
Longitud
Ancho
Diámetro
Área
Volumen
Presión
Densidad
Viscosidad
Tiempo
Sabor
Temperatura
PH
Fuerza
etcétera

2
 CARACTERÍSTICAS DE CALIDAD TIPO LB
Desgaste
Deformación
Residuo
Contaminación
Torcedura
Ruido
Deterioro
Tiempo de respuesta
Daño
Oxidación
Defectos
Quemaduras
Ralladuras
Decoloración
etcétera

CARACTERÍSTICAS DE CALIDAD TIPO HB

Resistencia a la tensión
Rigidez
Rendimiento
Vida en mostrador
Temperatura de ignición
Tiempo de operación
Tiempo promedio entre fallas
Punto de fusión
Vida útil
Velocidad
Kilómetros por litro
Resistencia a la temperatura
Resistencia a la humedad
Resistencia a la corrosi´0on
Desgaste

Philip B. Crosby sostiene que un producto es de alta calidad si se

produce de acuerdo a los planos y dentro de las tolerancias
permitidas. Es precisamente este enfoque el que se ha aplicado
tradicionalmente en el control de la calidad que se obtiene mediante
el control estadístico del proceso.
El control estadístico del proceso son las actividades que se
realizan para asegurar la calidad de un producto mientras que ese
producto se está fabricando. Los objetivos típicos de los planes de
control estadístico de procesos son:

3
(1) Proveer información temprana sobre si el artículo que se
está produciendo cumple o no con las especificaciones del
diseño.
(2) Detectar los cambios en el proceso que den señales de que
los futuros productos no cumplirán las especificaciones.
El primer objetivo del CEP se logra mediante el uso de las gráficas
de control (para las medias X y los rangos R) como las que se
muestran en la Figura 1.1. Al graficar los promedios y los rangos
de la o las características de calidad del producto cuya calidad
deseamos controlar, estamos obteniendo una información temprana
sobre si dicho producto está o no cumpliendo con las
especificaciones acordadas entre el diseñador y el productor.
El segundo objetivo del CEP se logra mediante el análisis de las
gráficas de control previamente establecidas. Aún cuando un solo
punto se salga de los límites de control de la gráfica, por ejemplo,
esto constituye una señal determinante para indicarnos que, en el
futuro, nuestro proceso se saldrá de control y, por tanto, debemos
tomar las medidas necesarias para corregirlo. Otras señales (ver
Figura 1.2), que nos llevan a la misma conclusión aparecen cuando
ocho o más puntos consecutivos en la gráfica de control quedan
todos abajo o todos arriba de la línea central, aunque ninguno de
ellos se haya salido de los límites de control. Sucede lo mismo
cuando, sin salirse de los límites de control, seis o más puntos
consecutivos sobre una línea estrictamente creciente o
estrictamente decreciente, o cuando dos de tres puntos
consecutivos quedan en el tercio exterior cercano a uno de los
límites de control.
La fase de control real del control estadístico del proceso, ocurre
cuando se toman las acciones correctivas: se reemplaza una pieza o
una herramienta desgastada, se ajusta o da mantenimiento

4
correctivo a una máquina, se cambia al operario, o se acude a un
nuevo proveedor de materiales.
14
UCL = 13.719

13
X X = 12.940

LCL = 12.161
12

3
UCL = 2.86
X

X
2 X
X
X
X X
2 X
X X R X = 1.35
X
R
X X X
X X X
X
X X X X
1 X
X

0 2
K
1 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

Figura 1.1. Cartas de Control para X y R de los datos de

contenido de humedad en un producto textil).

5
1. Un solo punto fuera de los límites de control.

2. Una corrida de ocho o más puntos en una hilera arriba (o abajo) de la línea
central.

3. Seis puntos consecutivos en tendencia creciente (o decreciente).

4. Dos de tres puntos consecutivos cercanos (tercio exterior) a un límite de

control.

Figura 1.2. Cambios en el proceso que señalan que, en el

futuro, los productos no cumplirán con las especificaciones.

6
Como puede verse, el concepto de calidad definida por Crosby y
que, de alguna manera describe la filosofía que sustenta al control
estadístico del proceso, solo considera los puntos de vista del
diseñador y del productor (ver Figura 1.3). Aquí, el diseñador,
supuestamente tomando en cuenta al consumidor, pero más bien
considerando las restricciones y la capacidad de los procesos,
define las especificaciones y tolerancias del producto que deberán
ser aceptadas por el consumidor. A esto es a lo que se llama
“síndrome del gol de campo” (en el deporte del foot-ball americano,
se le dan tres puntos al equipo que logre un gol de campo sin
importar por donde pase el balón a través del marco, sea en el
medio, muy pegado a la izquierda o muy pegado a la derecha); es
decir, existe una tolerancia muy amplia (ver Figura 1.4).
Las especificaciones de ingeniería y los dibujos de detalle y
ensamble de un producto definen un rango particular de valores
para la característica de calidad de interés (ver Figura 1.5). Se
debe usar un rango porque no todos los productos son exactamente
iguales y se especifica un límite inferior de control (LCL) y un límite
superior de control (UCL). Si la característica de calidad del
producto que obtiene queda dentro de este rango, el consumidor no
se podrá inconformar con el producto. Pero si la característica de
calidad cae un poco más baja o un poco más alta de esos límites de
control, el consumidor podría inconformarse con el producto y pedir
la reparación del producto o la devolución de su dinero. Es en este
último caso donde se puede hablar de una pérdida, es decir, la
pérdida para el productor por no cumplir con las especificaciones.
Pero la pérdida sufrida por el consumidor al no obtener el valor
solicitado (el valor nominal), en realidad no se toma en cuenta.
Un producto puede cumplir con las especificaciones del plano o
dibujo pero, aún así, el consumidor sufre una pérdida a partir de

7
que no obtiene el valor solicitado (el valor nominal) y aquí, esta
pérdida no se toma en cuenta.

DISEÑADOR
(DISEÑO
DEL PRODUCTO,
DISEÑO
DEL PROCESO,
DIBUJOS,
DIMENSIONES,
TOLERANCIAS,
PROCESOS,
SECUENCIACIÓND
IAGRAMAS
DE PROCESO, ETC.)

PRODUCTOR
PRODUCTO O
SERVICIO
(MATERIALES,
MAQUINARIA,
MANO DE OBRA,
HERRAMIENTAS,
ETC.),

Figura 1.3. Proceso de Diseño para el Productor.

“Un producto de alta calidad es aquel que

que se hace de acuerdo con los dibujos y
dentro de las especificaciones permitidas”
Phillip Crosby

Figura 1.4. El Síndrome del Gol de Campo.

8
 L

Tolerancia
del

Característica de Calidad ??

Y
LCL m UCL

Figura 1.5. Función de Pérdidas del Productor.

Sin embargo, de acuerdo con Genichi Taguchi, la calidad está

relacionada con la pérdida que un producto le causa a la sociedad
(productor - consumidor) durante su ciclo de vida. La pérdida que
sufre el consumidor puede tomar muchas formas, pero
generalmente se trata de pérdidas en la función o propiedades del
producto. Si el producto no se comporta tal y como se esperaba, el
consumidor siente que pierde algo.
También de acuerdo con Taguchi, la calidad tiene un solo evaluador
confiable, y este valuador es precisamente el consumidor. La Figura
1.6, muestra el “ciclo de la calidad” que describe esta situación.
En este modelo, el consumidor es juez, jurado y verdugo. El
consumidor usa su dinero para votar por el producto que cumple con
sus requerimientos, incluyendo comportamiento y precio.
Un producto nace cuando el diseñador recibe información de lo que
el consumidor quiere, necesita y espera de ese producto. El
diseñador debe captar los deseos, necesidades y espectativas del
consumidor y traducirlas en especificaciones (dimensiones,
tolerancias, materiales, procesos, herramental, instrumentos de
medición, etc.) para el producto. El productor usa entonces esta

9
información, junto con la maquinaria y equipo prescritos, para
fabricar el producto. El producto llega entonces al consumidor a
través de los canales de comercialización normales. Para satisfacer
al consumidor, el producto deberá arribar en la cantidad correcta,
en el tiempo correcto, en el lugar correcto y proporcionar la función
correcta durante el período de tiempo correcto. Todo esto lo debe
obtener el consumidor también al precio correcto. La
retroalimentación de información desde los consumidores para el
diseñador y el productor, se presenta en forma del número de
productos vendidos y las reclamaciones, reparaciones, devoluciones,
etc. que tienen que atender o realizar.

CONSUMIDOR
PRODUCTO O
SERVICIO
(MATERIALES,
(NECESIDADES,
MAQUINARIA,
DESEOS,
MANO DE
EXPECTATIVAS,
OBRA,
COMPRAS,
HERRAMIENTA
RECLAMACIONE
S,
S,
ETC.),
REPARACIONES,
ETC.)

PRODUCTOR DISEÑADOR
(DISEÑO
DEL PRODUCTO,
DISEÑO
DEL PROCESO,
DIBUJOS,
DIMENSIONES
TOLERANCIAS,
PROCESOS,
SECUENCIACIÓN
DIAGRAMAS
DE PROCESO,
ETC.)

Figura 1.6. El Ciclo de la Calidad.

10
El concepto de calidad de Taguchi podría ser mejor representado
por el “síndrome del tiro al blanco” (ver Figura 1.7). En el tiro al
blanco, solo cuando le atinamos al centro de la diana, obtenemos el
premio (o no recibimos el castigo) correspondiente. Cuando no le
atinamos al centro, el castigo que recibimos es directamente
proporcional a la distancia entre ese centro (valor objetivo o
nominal) y el punto tocado.

“Entre más nos alejamos del valor nominal,

mayor es la pérdida para la sociedad.”
0
60 50 40 30 20 10 10 20 30 40 50 60
Genichi Taguchi

Figura 1.7. El Síndrome del Tiro al Blanco.

Así, la “función de pérdidas de la sociedad” propuesta por Taguchi

(ver Figura 1.8), reconoce no solo el deseo del consumidor por
obtener productos que sean más consistentes, en todas sus partes,
sino también el deseo del productor de fabricar un producto a un
costo bajo. La pérdida de la sociedad se compone de los costos en
que se incurren durante el proceso de producción y de los costos
que se generan cuando el consumidor usa el producto (reparaciones,
contaminación, ruido, tiempos perdidos, negocios perdidos, etc.). La
estrategia que motivará la fabricación de productos uniformes y la
reducción de costos, tanto durante su fabricación como durante su
utilización, será aquella que tenga como objetivo el minimizar la
pérdida para la sociedad (productor - consumidor).

11
 EL NOMINAL ES MEJOR -NB-
L

L= K(Y-m)2

0 Característica de Calidad

m
ENTRE MÁS BAJA MEJOR -LB-

L
L = KY2

Y
0 Característica de Calidad

ENTRE MÁS ALTA MEJOR -HB-

L

L = K(1/Y2)

Y
0
Característica de Calidad
L = K(1/Y2)

Figura 1.8. Función de Pérdidas para la Sociedad (según

Taguchi).

12
PÉRDIDA PROMEDIO ( L )

Cuando la característica de calidad Y es del tipo “el nominal es el

mejor”, la función de pérdidas correspondiente, es

L =K(Y-m)2

La pérdida Li para cada valor de Yi será:

L1 = K (Y1- m)2

L2 = K (Y2- m)2
.
.
.
Ln = K (Yn- m)2

Como lo que nos interesa es conocer la pérdida promedio ( L ) para n

valores de Yi, entonces:

n n
∑ Li ∑ K ( Yi − m )2
i =1 i =1
L= =
n n

n
∑ ( Yi − m )2
L = K i =1
n

pero:

13
 n n n
∑ [ ( Yi − Y ) + ( Y − m )]
2
∑ ( Yi − m ) 2 ∑ ( Yi − Y + Y − m ) 2
i=1 i=1 i=1
= = =
n n n
n
∑ [ ( Yi − Y ) 2 + 2( Yi − Y )( Y − m ) + ( Y − m ) 2]
i=1
= =
n

n n
∑ ( Yi − Y ) 2 ∑ ( Yi − Y )
i=1 n( Y − m ) 2
= + 2( Y − m ) i = 1 + =
n n n

n  n 
∑ ( Yi − Y ) 2  ∑ Yi 
i=1  i=1 nY 
= + 2( Y − m ) − + ( Y − m)2 =
n  n n 
 
 

n
∑ ( Yi − Y ) 2
i=1
= + 2( Y − m )( Y − Y ) + ( Y − m ) 2 =
n

n
∑ ( Yi − Y ) 2
i=1
= + ( Y − m)2
n

n
∑ ( Yi − Y ) 2
2
pero i=1
= S (Variancia)
n

entonces,
[
L = K S2 + ( Y − m)2 ]
donde:

L = Pérdida Promedio; S2 = Variancia; Y = Valor Promedio de las Yi;

m = Valor Nominal

14
De la misma manera, cuando la característica de calidad Y es del
tipo “entre más pequeña es mejor”, la función de pérdidas es

L = KY2

La pérdida promedio será entonces:

[
L = K S2 + ( Y)2 ]
También, cuando la característica de calidad Y es del tipo “entre
más grande mejor”, su función de pérdidas es

1
L = K( )
Y2

y la pérdida promedio correspondiente es entonces:

 1  
L = K 1 + 3S 2
2  2
( Y) 
 ( Y) 

CONTROL DE CALIDAD DENTRO Y FUERA

DE LA LÍNEA DE PRODUCCIÓN

Cuando la característica de calidad es del tipo “el nominal es el

mejor”, las pérdidas promedio son: L = K [S 2 + (Y − m) 2 ] o también

L = KS2 + K( Y -m)

Entonces, si queremos minimizar las pérdidas promedio, tendríamos

que minimizar S2 y hacer a la diferencia de ( Y -m), lo más pequeña
posible; es decir,

15
(1) Reducir la variancia y
(2) Centrar el proceso en el valor nominal: ( Y = m )
El objetivo principal del Control Estadístico del Proceso (CEP),
también llamado control de la calidad dentro de la línea de
producción es precisamente el segundo de los puntos mencionados
anteriormente (centrar el proceso en el valor nominal). Sin
embargo, con el CEP, poco se puede hacer para lograr el primer
objetivo (reducir la variancia). Para reducir la variancia, debemos
hacer uso del concepto de diseño robusto, también llamado control
de calidad fuera de la línea de producción o ingeniería de la
calidad.

Cuando la característica de calidad es del tipo “entre más pequeña

es mejor”, las pérdidas promedio son: L = K[S2 + ( Y ) 2] o también,

L = KS2 +K( Y )2

Entonces, si queremos minimizar el las pérdidas promedio,

tendríamos que reducir al máximo S2 y acercar en lo posible a Y al
Cero; es decir,

(1) Reducir la variancia y

(2) Acercar al Valor Promedio al Cero: ( Y = 0 )
Nuevamente, el CEP (o control de la calidad dentro de la línea de
producción), nos ayuda a acercar el valor promedio Y al Cero, pero
poco puede hacer para disminuir el valor de la variancia. Por tanto,
dependeremos aquí también del Diseño Robusto (o Control de la
Calidad Fuera de la Línea de Producción) para disminuir al máximo
la variancia.

16
De la misma manera, si la característica de calidad es del tipo
“entre más grande mejor”, las pérdidas promedio son:
 1  
1 + 3S 2
L = K 2  2  o también
 ( Y)  ( Y) 

    2 
L = K 1( Y ) 2  + K 1( Y) 2  3S ( Y )2 

Como en los casos anteriores, si queremos reducir las pérdidas

promedio, deberemos disminuir al máximo la variancia S2 pero, en
este caso, el valor promedio Y , debemos hacerlo tan grande como
sea posible. Con el CEP, solo podemos lograr aumentar en lo posible
el valor de Y , pero, como en los casos anteriores, poco podemos
hacer para disminuir el valor de la variancia S2. Para lograr esto
último, dependeremos principalmente del diseño robusto.

17
DISEÑO ROBUSTO
Las causas principales de la variación en el comportamiento en la
operación de un producto y de las imperfecciones en un proceso de
producción, son las variables del medio ambiente que están
influyendo pero que no se pueden controlar. El Diseño Robusto,
tiene como objetivo hacer que el producto sea lo más inmune posible
a las variaciones de los parámetros o factores que influyen en su
comportamiento, tanto durante el proceso de producción, como
durante su aplicación en el campo.
De hecho, debemos dejar claro que, con el diseño robusto, no solo
se pretende lograr una disminución de la variancia S2, sino que
también se busca centrar el proceso en el valor nominal de
características de calidad del tipo NB, o disminuir en lo posible el
valor promedio de características de calidad del tipo LB o aumentar
al máximo el valor promedio de características de calidad del tipo
HB.
La Figura 1.9, muestra la curva que representa la relación entre la
respuesta Y y el factor de influencia X1 (cuando el factor X2 se
encuentra en el nivel X2’). Como puede verse, cuando el factor de
influencia X2 está en el nivel X2’, el nivel requerido para el factor de
influencia X1 es X1’. Debido a que el factor X1 no toma siempre un
valor fijo sino que está variando bajo una distribución de probabilidad
determinada y, cuando X1 varía, lo mismo sucede con el valor de la
respuesta Y, que también estará gobernada por una distribución de
probabilidad específica centrada en el valor nominal m pero con una
variancia bastante grande. Debido a que cualquier variación en los
niveles del factor de influencia provoca grandes variaciones en la
característica de calidad del producto, se dice que el diseño de este
producto es “no robusto”. Cuando, en este caso, queremos mejorar la
calidad, es decir disminuir la variabilidad de la característica de
calidad, (ver Figura 1.10), bajo el enfoque del Control Estadístico del

18
 Y (Respuesta)

m
Curva para X2’

X1 (Factor de influencia)
X1’
(Nivel posible)

Figura 1.9. Diseño No Robusto (Diseño de Parámetros). La variación

aleatoria del parámetro o factor de influencia (X1) provoca grandes
variaciones en la respuesta (Y) del producto

Y (Respuesta)

Curva para X2’’

X1 (Factor de influencia)
X1’
Nivel posible

Figura 1.10. Diseño No Robusto (Diseño de Tolerancias ). Se requiere

ajustar la precisión del factor (o parámetro) X1 para lograr disminuir
en algo a la variación de la respuesta. (Y) del producto

19
Proceso, se opta primero por disminuir la variabilidad de los factores
de control (diseño de tolerancias). Esta disminución de la variabilidad
se logra cambiando la maquinaria y equipo actualmente utilizados por
otros más precisos y generalmente más costosos y/o cambiando la
materia prima actual por materiales de calidad más consistente, pero
generalmente de importación y también más caros. Por este camino,
se puede mejorar la calidad pero siempre a un alto costo. Con este
enfoque, casi todas las acciones y los costosos esfuerzos diarios que
se aplican, están dirigidas a tratar de controlar y evitar las
variaciones extremas de los factores de influencia para, a su vez,
mantener la variación de la característica de calidad dentro de los
límites permitidos
La Figura 1.11, muestra la curva que representa la relación entre la
respuesta Y y el factor de influencia X1 (pero ahora cuando el factor
X2 se encuentra en el nivel X2’’). Como puede verse, cuando el factor
de influencia X2 está en el nivel X2’’, el nivel requerido para el factor
de influencia X1 es ahora X1’’. Aunque también en este último nivel el
factor X1 sigue variando de la misma manera que en el caso anterior,
el valor de la respuesta Y permanece centrado en el valor nominal m y
su variancia permanece muy pequeña. Debido a que, aunque el factor
de influencia tenga fuertes variaciones, la respuesta permanece
estable, decimos que el diseño de este producto es “robusto”. La
ventaja de este enfoque estriba en que este diseño robusto se puede
realizar antes de que el producto esté en plena producción y que, a
mayor atención previa se le dé en su etapa de diseño, menores serán
los esfuerzos diarios requeridos para el control de la calidad. Además,
se puede obtener una calidad aceptable sin necesidad de recurrir a
componentes o sistemas de control costosos para el diseño del
producto o proceso bajo estudio. La Figura 1.12 muestra como,
después de seleccionar los mejores niveles para los factores de
influencia (diseño de parámetros), se recurre a ajustar la precisión y
disminuir la variación de esos factores o parámetros (diseño de

20
 Y (Respuesta)

m
Curva para X2 ’
Curva para X2’’

X1 (Factor de influencia)
X1’’
Mejor nivel

Figura 1.11. Diseño Robusto (Diseño de Parámetros). La variación aleatoria del

factor o parámetro de influencia (X1) no provoca grandes variaciones en la respuesta (Y) del
producto.

Y (Respuesta)

Curva para X2’

Curva para X2’’

X1’’ X1 (Factor de influencia)

Mejor nivel

Figura 1.12. Diseño Robusto (Diseño de Tolerancias -después del diseño

de parámetros). Con ajustes muy pequeños en la precisión del factor (o parámetro)
X1, se pueden lograr grandes disminuciones en la variación de la respuesta (Y) del
producto.

21
tolerancias), para lograr disminuir aún más la variancia de la
característica de calidad del producto o proceso.
Por todo lo anterior, podemos afirmar que resulta más económico
diseñar al producto para que resista las variaciones aleatorias del
proceso de manufactura y del medio ambiente, que tratar de controlar
los parámetros o factores de influencia que provocan la variación de la
característica de comportamiento del producto.

LA INGENIERÍA DE LA CALIDAD
La Ingeniería de la Calidad, llamada también Control de la Calidad
Fuera de la Línea de Producción, se refiere a los métodos usados
para lograr el Diseño Robusto y reducir así la variación potencial de
la característica de comportamiento, antes de que se fabrique el
producto. Esto se hace a través de experimentos diseñados que
usan varios niveles de los parámetros del diseño del producto para
determinar el efecto sobre el comportamiento del producto. Como
un resultado de estos experimentos, se puede encontrar la
combinación de parámetros más adecuada y menos sensitiva a las
variaciones del proceso de manufactura y del medio ambiente.

22
2. El Diseño de Experimentos
EL MÉTODO CIENTÍFICO EXPERIMENTAL
Cuando Dios creó el universo, Él también creó los modelos
matemáticos que relacionan a todas las cosas que existen en el
mundo. Algunas de estas relaciones son muy simples, pero muchas
de ellas son extraordinariamente complejas. El hombre, y muy
especialmente los científicos, está constantemente tratando de
desentrañar los misterios de la naturaleza y buscando conocer los
valores que Dios ordenó para la influencia que alguna o algunas
variables tienen sobre la o las características de comportamiento
de algún producto, proceso o sistema.
La ciencia no ha podido todavía -y quizás nunca podrá- permitirnos
conocer y comprender, de una manera precisa, el mundo que nos
rodea. Los ingenieros y los científicos solo pueden percibir esa
realidad, con mayor o menor grado de claridad, mediante el uso de
hipótesis, teorías, experimentos y manejando conceptos como
población, muestra, distribución de probabilidad, media, variancia,
desviación estándar, diseños experimentales, significancia, etc. Es
decir, el experimentador, cuenta con la estadística para percibir y
comprender ese mundo real con una mayor precisión que la que se
tendría si no contara con esta poderosa herramienta. Sin embargo,
aún los experimentos más precisos y las teorías más documentadas,
pueden tener significado solo dentro de ciertos límites de
tolerancia, ciertos niveles de confianza, y siempre y cuando se
cumplan ciertas suposiciones.
Así, los ingenieros y científicos están comúnmente enfrentados al
problema de conocer las relaciones matemática entre las variables

23
dependientes e independientes que rigen el comportamiento de un
producto o proceso hasta encontrar uno o más parámetros o
factores que ayuden a mejorar alguna característica de
comportamiento de ese producto o proceso hasta lograr su mejor
diseño.
Cuando el ingeniero o el científico están en búsqueda de mejores
diseños de productos o procesos, realiza ensayos o pruebas,
observa alguna característica de comportamiento del producto o
proceso y toma la decisión de usar o de rechazar ese nuevo diseño.
El que esta decisión sea buena o mala, depende fuertemente de la
estrategia experimental que se utiliza. Si usamos una buena
estrategia experimental, podemos evitar la posibilidad de cometer
el error de usar un diseño inferior o el error de no usar un diseño
superior. Pero si la estrategia experimental usada es mala, los
resultados que se obtengan del experimento, carecerán de toda
validez.
Si el experimentador no conoce estrategias de experimentación
eficientes y apropiadas puede cometer el error de recurrir a la
aplicación de alguna estrategia equivocada. Algunas veces podría
estar considerando que es un solo factor el que está influyendo,
cuando en realidad es más probable que sean dos o más los factores
que afectan el comportamiento del producto, proceso o sistema que
analiza. Otras veces podría estar considerando la influencia de
varios factores pero ensayándolos uno por uno, como si los otros
dejaran mientras tanto de influir. Sin embargo, La peor de las
estrategias se sigue cuando considera la influencia de varios
factores pero ensaya todos ellos al mismo tiempo y se queda sin
saber cual o cuales de todos los factores fueron los que
verdaderamente están influyendo. Afortunadamente, existen
algunas estrategias experimentales que si permiten ensayar de una
manera balanceada y conocer los posibles efectos de todos y cada

24
uno de los factores que pensemos están influyendo sobre algún
producto o proceso.

EXPERIMENTOS CON UN SOLO FACTOR:

El caso más simple de ensayar el efecto de un factor sobre una
característica de comportamiento sería el de realizar un ensayo
para dos condiciones diferentes de ese factor, por ejemplo el
efecto de la velocidad de corte sobre el microacabado de una pieza
maquinada. Se podrían usar dos velocidades de corte diferentes
(una mínima y una máxima) y medir los microacabados resultantes
para determinar cual es la velocidad de corte que da los resultados
más satisfactorios. Si el primer nivel, es decir, la primera velocidad
de corte se simboliza por un signo (-) y el segundo nivel, la segunda
velocidad de corte se simboliza por un signo más (+), las condiciones
experimentales aparecerían como en la Tabla 2.1.
El experimento con un solo factor presupone que, mientras se
evalúa el efecto del factor que se espera tenga influencia sobre la
característica de comportamiento de un producto o proceso, todos
los demás factores que tuvieran influencia o si existiera alguna
interacción del factor ensayado con otro u otros factores no
considerados, el experimento con un solo factor, sería incapaz de
detectarlo.

Tabla 2.1: Experimento con un solo factor

Evento Factor Resultados Valor Promedio
No. X1 (Yi) ( Yi )
1 - Y11, Y12, ... , Y1r Y1
2 + Y21, Y22, ... , Y22 Y2

25
EXPERIMENTOS CON VARIOS FACTORES (UNO POR UNO).
Si el primer factor que se selecciona para su ensayo no rinde los
resultados esperados, el experimentador decide probar algún otro u
otros factores y los resultados del programa de ensayos lucirían
como en la Tabla 2.2.

Tabla 2.2. Experimentos con Varios Factores (uno por uno).

Evento Factores Resultados Promedios
No. X1 X2 X3 X4 X5 Yi1 Yi2 ( Yi )
1 - - - - - Y11 Y12 ( Y1)
2 + - - - - Y21 Y22 ( Y2 )
3 - + - - - Y31 Y32 ( Y3 )
4 - - + - - Y41 Y42 ( Y4 )
5 - - - + - Y51 Y52 ( Y5 )
6 - - - - + Y61 Y62 ( Y6 )

En términos genéricos, supongamos que el experimentador ha

identificado cinco factores, X1, X2, X3, X4 y X5 y los evalúa uno
por uno. Podemos ver en la Tabla 2.2, que el primer evento es la
condición de base o de partida - todas los factores están fijos en el
nivel (-). Los resultados (o su promedio) del evento experimental 2
pueden ser comparados con los resultados (o su promedio) del
evento experimental 1 para estimar los efectos del factor X1
sobre la característica de comportamiento del producto o proceso
bajo estudio. También se pueden comparar los resultados (o su
promedio) del evento experimental 3 con los resultados (o su
promedio) del evento experimental 1 para estimar los efectos del
factor X2, y así sucesivamente. En cada evento experimental, se
cambia el nivel de un solo factor y los demás se mantienen
constantes. Este es el enfoque "científico" tradicional que se

26
enseña en las clases de física y química de las escuelas vocacionales
y preparatorias.
La principal limitación de la estrategia de experimentar con varios
factores, pero evaluándolos uno por uno, es que no se pueden
observar las posibles interacciones entre esos factores. Otro
problema es que esta estrategia también hace un uso limitado de
los resultados de los ensayos cuando se evalúan los factores. De los
doce resultados que se obtienen en el experimento (dos por
evento), solo se usan dos para comparar con otros dos; los ocho
restantes son ignorados temporalmente. Si se intentara usar todos
los resultados al mismo tiempo para efectos de comparación, el
experimento dejaría entonces de ser "ortogonal". La ortogonalidad
(concepto matemático que no se discutirá aquí) significa que los
factores pueden ser evaluados independientemente unos de otros;
es decir, el efecto de un factor no molesta o interfiere en la
estimación del efecto de otro factor. Una forma de lograr la
ortogonalidad es la de mantener "balanceado" el experimento; es
decir, asignar el mismo número de muestras para cada una de las
diferentes condiciones de tratamiento - un número igual de ensayos
para los niveles (-) y (+) de cada factor.

EXPERIMENTOS CON VARIOS FACTORES (TODOS JUNTOS).

En la peor situación, cuando cunde la urgencia y la desesperación,
encontraremos al "experimentador" jalándose los cabellos y
cambiando varias cosas al mismo tiempo con la esperanza de que, al
menos uno de los cambios, servirá para mejorar suficientemente la
situación. Nuevamente, como podemos ver en la Tabla 2.3, el
primer evento nos representa la condición inicial o de base.
Podemos comparar el promedio de los resultados del evento 1 con el
promedio de los resultados del evento 2, para determinar el efecto
combinado de todos los factores.

27
 Tabla 2.3. Experimento con Varios Factores (todos al mismo tiempo)
Evento Factores Resultados Promedios
No. X1 X2 X3 X4 Yi1 Yi2 Yi
1 - - - - Y11 Y12 Y1
2 + + + + Y21 Y22 Y2

En esta situación, de ensayar todos los factores de influencia y solo

dejar los efectos de las diferentes interacciones, se conocería que
algunos efectos podrían estar dando una contribución positiva, o
que otros podrían tener una contribución negativa, pero no
tendríamos manera de averiguar que es lo que está realmente
sucediendo.
Como acabamos de ver, con las estrategias experimentales
comunes, se tienen problemas de uso ineficiente de los resultados
de los ensayos, insuficiencia de la información obtenida;
desbalanceo o pérdida de la ortogonalidad del experimento; no se
pueden evaluar los efectos de todos los factores; no se identifican
los posibles interacciones entre dos o más factores, etc..
Afortunadamente se cuenta con mejores estrategias
experimentales que evitan todos a la mayoría de los problemas
mencionados, Una posibilidad es el uso de los diseños factoriales
completos y la otra, es usar los diseños factoriales fraccionados.
Abajo se hará una descripción de ambas alternativas.

DISEÑOS FACTORIALES COMPLETOS.

Un diseño factorial completo puede ser representado como en la
Tabla 2.4, donde se muestra el diseño experimental que se debe
usar para evaluar (dos factores y su interacción). En este caso, se
necesitan tres columnas (una para cada factor X1 y X2 y otra para
la interacción X1X2 entre los dos factores). Se requieren también
cuatro renglones (uno para cada evento experimental). El número

28
mínimo de ensayos (réplicas) es de uno por evento pero se
recomienda tener, al menos, dos réplicas por evento. Nótese que el
signo que le corresponde a la interacción X1X2 se encuentra usando
la regla de los signos:
(+)(+) = (+); (+)(-) = (-); (-)(+) = (-) y (-)(-) = (+).

Tabla 2.4. Diseño Factorial Completo 22 (dos factores con dos

niveles )
Evento Factores Resultados Promedios
No. X1 X2 X1X 2 Yi1 Yi2 Yi
1 - - + Y11 Y12 Y1
2 + - - Y21 Y22 Y2
3 - + - Y31 Y32 Y3
4 + + + Y41 Y42 Y4

En la Tabla 2.5 se muestra el diseño experimental factorial

completo que se debe usar para evaluar las posibles influencias de
tres factores X1, X2, y X3 y sus interacciones X1X2, X1X3, X2X3
y X1X2X3. Nótese que los signos de las interacciones dobles y
triples también siguen la regla de los signos, antes mencionada.
Podemos ver, tanto en la Tabla 2.4 como en la Tabla 2.5, que el
diseño experimental completo es “ortogonal”. También se puede
observar en estas dos tablas, que las matrices de ensayo incluyen
todas las combinaciones posibles de los dos o tres factores
respectivamente y de los dos niveles de cada factor. Usando esta
información, se pueden estimar los efectos de los factores X1, X2,
y X3 pero también se pueden estimar los efectos de las
interacciones dobles X1X2, X1X3, X2X3 y de la interacción triple
X1X2X3.

29
Tabla 1.5. Diseño Factorial Completo 23 (tres factores con dos
niveles).
Factores e Interacciones
Evento
X1 X2 X3 X1X 2 X1X 3 X2X 3 X1X 2X 3 Y
No.

1 - - - + + + -
2 + - - - - + +
3 - + - - + - +
4 + + - + - - -
5 - - + + - - +
6 + - + - + - -
7 - + + - - + -
8 + + + + + + +

Si se usa el diseño factorial completo para evaluar la posible

influencia de n factores, con dos niveles cada uno, se requerirán al
menos 2n eventos experimentales. La Tabla 2.6 nos muestra la
forma en que se obtienen los diseños factoriales completos para
uno o cinco factores con dos niveles cada uno. Este mismo patrón se
seguiría para seis o más factores. La Tabla 2.7 nos muestra el
número de eventos experimentales que se requerirían para realizar
un experimento factorial completo cuando consideramos actuando
de 2 a 20 y para 64 factores de influencia con dos niveles cada uno.
La Tabla 2.8 muestra el diseño de un experimento factorial
completo cuando se tienen siete factores con dos niveles cada uno.
Cada celda de la matriz representa un evento (se muestra la celda
correspondiente al evento experimental para el cual los factores
X1, X2, X3, X4, X5, X6, y X7 deben estar en los niveles (-), (+),
(+), (-), (+), (-), y (+), respectivamente. Como puede verse, se
requieren aquí al menos 128 (27) eventos Este diseño experimental

30
permite realizar una estimación de los efectos de todos los
factores y de todas las interacciones posibles (dobles, triples,
cuádruples, etc.) ya que es un diseño bien balanceado (ortogonal).
Sin embargo, las restricciones normales de tiempo y otros recursos,
hacen prohibitivos a los experimentos factoriales completos.
Nótese que si colocáramos la matriz de forma tal que los renglones
nos representaran los eventos experimentales y las columnas nos
representaran los factores y todas las posibles interacciones, se
requeriría una matriz de 128 renglones y 127 columnas.
Como puede verse, resulta muy recomendable usar el diseño
factorial completo cuando se desea investigar los efectos de un
número reducido de factores, pero no es tan recomendable cuando
el número de factores que se están evaluando es muy grande.

31
Tabla 2.6. Arreglos para Diseños Factoriales Completos (2k)
Evento
X1 X2 X3 X4 X5
No.
1 - - - - -
k = 1 2 + - - - -
3 - + - - -
k = 2 4 + + - - -
5 - - + - -
6 + - + - -
7 - + + - -
k = 3 8 + + + - -
9 - - - + -
10 + - - + -
11 - + - + -
12 + + - + -
13 - - + + -
14 + - + + -
15 - + + + -
k = 4 16 + + + + -
17 - - - - +
18 + - - - +
19 - + - - +
20 + + - - +
21 - - + - +
22 + - + - +
23 - + + - +
24 + + + - +
25 - - - + +
26 + - - + +
27 - + - + +
28 + + - + +
29 - - + + +
30 + - + + +
31 - + + + +
k=5 32 + + + + +

32
Tabla 2.7. Número de eventos experimentales requeridos en
base al número de factores.

No. de Factores No. de Eventos Experimentales

(k) (2k)

2 4

3 8

4 16

5 32

6 64

7 128

8 256

9 512

10 1 024

11 2 048

12 4 096

13 8 192

14 16 384

15 32 768

16 65 536

17 131 072

18 262 144

19 524 288

20 1 048 576

64 18,446,744,073,709,551,616

33
Tabla 2.8. Diseño Factorial Completo 27 (Siete Factores con dos niveles)

X1(-) X1(+)
X2(-) X2(+) X2(-) X2(+)
X3(-) X3(+) X3(-) X3(+) X3(-) X3(+) X3(-) X3(+)
X7(-) z z z z z z z z

X5(-) X6(-) X7(+) z z z z z z z z

X7(-) z z z z z z z z

X4(-) X6(+) X7(+) z z z z z z z z

X7(-) z z z z z z z z

X6(-) X7(+) z z z z z z z z

X5(+) X7(-) z z z z z z z z

X6(+) X7(+) z z z z z z z z

X7(-) z z z z z z z z

X6(-) X7(+) z z z z z z z z

X5(-) X7(-) z z z z z z z z

X6(+) X7(+) z z z z z z z z

X4(+) X7(-) z z z z z z z z

X6(-) X7(+) z z z z z z z z

X5(+) X7(-) z z z z z z z z

X6(+) X7(+) z z z z z z z z

X1 X2 X3 X4 X5 X6 X7
(-) (+) (+) (-) (+) (-) (+)

34
DISEÑOS FACTORIALES FRACCIONADOS.
Para solventar el problema inherente a los diseños factoriales
completos, los estadísticos han desarrollado diseños experimentales
más eficientes, como los llamados diseños factoriales fraccionados
(Jacques Hadamard, en Francia, 1897; Plackett y Burman, en
Inglaterra, 1940's; Box, Benken, Hunter, Montgomery, etc., en USA;
Genichi Taguchi, Japón, 1979) Los diseños factoriales fraccionados
usan solo una parte del total de combinaciones para estimar los
efectos de todos los factores principales y de algunas (no todas) las
interacciones. La Tabla 2.9, muestra el diseño factorial completo
para 7 factores y 2 niveles, fraccionando a la mitad ( ½ x 27 = 27-1 =
64), que requiere entonces "solo" 64 eventos experimentales.
Tabla 2.9. Diseño Factorial Fraccionado 27-1 ( ½ del Diseño Factorial
Completo para Siete Factores con dos niveles).
X1(-) X1(+)
X2(-) X2(+) X2(-) X2(+)
(-)
X3 X3(+) X3(-) X3(+) X3(-) X3(+) X3(-) X3(+)
X7(-) z z z z
(-)
X5 X6(-) X7 (+)
z z z z
X7(-) z z z z
X4(-) X6(+) X7 (+)
z z z z
(-)
X7 z z z z
X6(-) X7 (+)
z z z z
(+) (-)
X5 X7 z z z z
X6(+) X7(+) z z z z
(-)
X7 z z z z
X6(-) X7 (+)
z z z z
(-) (-)
X5 X7 z z z z
X6(+) X7 (+)
z z z z
X4(+) X7 (-)
z z z z
X6(-) X7 (+)
z z z z
(+) (-)
X5 X7 z z z z
X6(+) X7(+) z z z z

35
La Tabla 2.10 muestra el mismo diseño factorial completo para
siete factores con dos niveles, pero fraccionado a la cuarta parte
(¼x27 = 27-2 = 32), que requiere solo 32 eventos experimentales.

Tabla 2.10. Diseño Factorial Fraccionado 27-2 ( 1/4 del Diseño

Factorial Completo para Siete Factores con dos niveles).
X1(-) X1(+)
X2(-) X2(+) X2(-) X2(+)
X3(-) X3(+) X3(-) X3(+) X3(-) X3 (+)
X3(-) X3(+)
X7(-) z z
X5(-) X6(-) X7(+) z z
X7(-) z z
X4(-) X6(+) X7(+) z z
X7(-) z z
X6(-) X7(+) z z
X5(+) X7(-) z z
X6(+) X7(+) z z
X7(-) z z
X6(-) X7(+) z z
X5(-) X7(-) z z
X6(+) X7(+) z z
X4(+) X7(-) z z
X6(-) X7(+) z z
X5(+) X7(-) z z
X6(+) X7(+) z z

La Tabla 2.11 muestra el diseño factorial completo para siete

factores con dos niveles pero fraccionado a la octava parte ( 18 x 27
= 27-3 = 16), que requiere solo 16 eventos experimentales. Es
obvio que el diseño factorial fraccionado a 1/8 del original y que
requiere solo 16 eventos experimentales en lugar de los 128

36
originales, es mucho más atractivo para el experimentador desde el
punto de vista del tiempo y el costo del experimento.

Tabla 2.11. Diseño Factorial Fraccionado 27-3 ( 1/8 del Diseño

Factorial Completo para Siete Factores con dos niveles).
X1(-) X1(+)
X2(-) X2(+) X2(-) X2(+)
X3(-) X3(+) X3(-) X3(+) X3(-) X3(+) X3(-) X3(+)
X7(-) z z
X5(-) X6(-) X7(+)
X7(-)
X4(-) X6(+) X7(+) z z
X7(-)
X6(-) X7(+) z z
X5(+) X7(-) z z
X6(+) X7(+)
X7(-)
X6(-) X7(+) z z
X5(-) X7(-) z z
X6(+) X7(+)
X4(+) X7(-) z z
X6(-) X7(+)
X5(+) X7(-)
X6(+) X7(+) z z

Los diseños factoriales fraccionados consideran, de acuerdo con el

“principio de esparsividad de los efectos”, que no son importantes
las interacciones entre tres o más factores (lo que en realidad
sucede en la mayoría de las situaciones experimentales) y se usarán
estos diseños cuando nos interese conocer los efectos de un buen
número de factores y de algunas (o todas) las interacciones dobles
posibles entre esos factores de influencia.

37
DISEÑO DE EXPERIMENTOS CON PRODUCTOS O PROCESOS.
Al analizar un producto o un proceso (ver Figura 2.1), para conocer
su comportamiento con objeto de mejorarlo, podemos distinguir
algunos conceptos tales como experimento, variable de respuesta,
factores de control, variables de trasfondo y factores de ruido que
conviene definir:
Experimento. Un estudio analítico diseñado para proveer una base
para la acción. Así, podemos realizar un experimento para conocer
cuales son los factores que influyen en la densidad de un material
cerámico sinterizado, o en la cantidad de yodo extraída por un licor
de lavado de gases de combustión contaminantes, o en el
rendimiento de un proceso químico, etcétera.
Variable de Respuesta. Una variable observada o medida en un
experimento, llamada a veces variable dependiente. La variable de
respuesta es el resultado de un experimento y es a menudo una
característica de calidad o una medida del comportamiento del
producto o proceso bajo estudio. Un experimento puede tener una o
más respuestas.
Factores Principales o de Control. Algunas veces se les llama
variables independientes o variables causales y son variables que se
hacen cambiar deliberadamente y de una manera controlada dentro
de un experimento para observar su impacto sobre la variable de
respuesta. Los factores de principales considerados en un
experimento, pueden ser cualitativos (por ejemplo, máquina A; B; C)
o pueden ser cuantitativos (por ejemplo, una Temperatura de 90o,
100o, o 110o ). El arreglo de los niveles de los factores principales o
de control considerados en el experimento y de los eventos
experimentales se logra mediante los patrones experimentales.
Variables de Trasfondo. Son variables que potencialmente pueden
afectar a la variable de respuesta en un experimento pero que no

38
están consideradas como factores de influencia directa dentro del
experimento. Las variables de trasfondo se llaman también
variables de bloque. Son variables de trasfondo típicas el lote de
materia prima, el tiempo, el operador, el instrumento de medición,
etc. Las variables de trasfondo de un experimento, se pueden
controlar manteniéndolas constantes, mediante el uso de bloques
(ver definición) o midiendo la variable de trasfondo y contabilizando
su efecto en el análisis de los datos.
Factores Extraños o de Ruido. Son variables desconocidas que
pueden afectar a la o las variables de respuesta de un experimento.
Un factor extraño es en realidad una variable de trasfondo
desconocida en el momento en que se efectúa el experimento. El
factor extraño aparece en el experimento como un ruido externo.
Se puede minimizar el impacto de los factores extraños mediante la
aleatorización de los eventos experimentales y por el análisis
diagnóstico de los datos de respuesta.

FACTORES EXTRAÑOS

VARIABLES DE TRASFONDO

Factor X1 Factor X2 Factor Xm (FACTORES DE CONTROL)

PRODUCTO Y1
(VARIABLES
O Y2 DE
RESPUESTA)
PROCESO
Yn

Figura 2.1. Diseño de un experimento.

39
REQUISITOS DE UN BUEN DISEÑO EXPERIMENTAL.
Para que un diseño experimental pueda ser considerado como bueno,
deberá cumplir con, al menos, los siguientes requisitos:
• Tener un objetivo muy bien definido
• Hacer uso de un enfoque secuencial
• Permitir la partición de la variación
• Lograr un alto grado de credibilidad en sus resultados
• Poder ser ejecutado de una manera simple.
El Objetivo de un experimento. El establecimiento cuidadoso del
objetivo de un experimento, permitirá la asignación eficiente de los
recursos para el diseño de ese experimento. Si el experimento es
parte del plan de un ciclo de mejoramiento de la calidad, debe
establecerse el objetivo del ciclo de tal manera que pueda servir
como una guía para las personas que estén diseñando el
experimento. El objetivo debe dejar bien claro si el expediente
incluye o no el cribado de un gran número de factores de influencia
para encontrar los que tienen una influencia significativa, estudiar
en profundidad unos pocos factores que ya mostraron una influencia
importante, o solo confirmar los resultados obtenidos en
experimentos anteriores pero ahora bajo nuevas condiciones.
Antes de que se inicie el experimento, se deben poner de acuerdo
todas las partes interesadas en el objetivo del experimento. Por
ejemplo, los experimentos que se están diseñando, pueden ser de
interés para manufactura, ingeniería, mercadotecnia y/o para la
dirección de la empresa. La discusión del objetivo con todos estos
grupos, traerá como resultado un estudio de utilidad más general.
Cuando sea apropiado, debe considerarse establecer en el objetivo
los resultados que se requerirán para la toma de acciones, podrían
ser: “Identificar los factores que se pueden usar para aumentar el

40
rendimiento en al menos un 3%” o “Determinar si las máquinas
difieren por más de 10 lbs/pulg2” o “Identificar los factores que
tengan mayor efecto en la variación de las partes”, etc.
Otra consideración que puede hacerse con respecto al objetivo, es
la de hacer clara la naturaleza analítica de los experimentos e
identificar los varios cursos de acción que se podrían seguir
dependiendo de los resultados del estudio. El objetivo debe
ayudarnos a identificar y a definir las variables de respuesta y los
factores de control mas apropiados para el estudio
El Enfoque Secuencial de un Experimento. En la planeación de los
experimentos debe considerarse la naturaleza secuencial del
aprendizaje en los estudios analíticos. El modelo de mejora de la
calidad refuerza la naturaleza iterativa del logro del conocimiento
del proceso. Muchas iteraciones del ciclo incluirían el diseño de un
experimento en la fase de planeación de dicho ciclo.
Los estudios de la fase inicial del proceso de mejora de la calidad
serán estudios de cribado para después enfocarse sobre algunos
factores clave. Podrían requerirse diseños factoriales fraccionados
de baja resolución para examinar, en un estudio inicial, cinco o más
variables. Se podrían también requerir diseños anidados para
enfocar el análisis en áreas del proceso con el mayor potencial de
mejora.
Conforme se gana conocimiento, se repetirán nuevos experimentos
con nuevos niveles de factores previamente estudiados y,
posiblemente, algunos nuevos factores. Si se desea estudiar en
profundidad las relaciones entre factores y el número de factores
es reducido, digamos de dos a cuatro, se puede usar el diseño
factorial completo. Si se tienen cinco o más factores, será mas
conveniente usar el diseño factorial fraccionario pero con una alta
resolución.

41
Partición de la Variación. Es muy importante, en cualquier
experimento, poder determinar los factores que tienen una
influencia significativa y los efectos de esos factores sobre las
variables de respuesta. Estas determinaciones y estimaciones no
deben ser confundidas con los efectos de las variables de
trasfondo ni de los factores extraños o de ruido.
El experimentador, escoge los factores para el experimento que el
considera tendrán el mayor efecto sobre la variable de respuesta.
En muchos experimentos, las variaciones debidas a las variables de
trasfondo o a los factores extraños o de ruido serán tan grandes o
mayores que la variación debida a los factores de control
seleccionados. Para ayudarnos a determinar si se han estudiado los
factores más significativos, el diseño del experimento debe
permitir que la variación de la variable de respuesta pueda ser
particionada en los componentes debidos a los factores de control,
los debidos a las variables de trasfondo y los debidos a los factores
extraños o de ruido.
Grado de Credibilididad. Entre mayor sea el rango de condiciones
que se incluyen en el experimento, mayor será la aplicabilidad
general de las conclusiones del experimento. El grado de
credibilidad en la validez de las conclusiones se incrementa cuando
realizamos el experimento usando diferentes máquinas, diferentes
operadores, diferentes días, diferentes estaciones del año,
diferentes lotes de materia prima, etcétera.
La amplitud del rango de las condiciones seleccionadas para el
estudio determinará finalmente el grado de credibilidad de las
acciones que se tomen como un resultado del experimento. Quien
debe determinar que es lo que se considera como un grado
“adecuado” de credibilidad para la toma de acciones, es
precisamente el experto en la materia que se está estudiando. Esta

42
determinación dependerá de la magnitud del cambio en el proceso
considerado y el grado de extrapolación necesario. Los cambios en
productos y en procesos de manufactura existentes, pueden
requerir grados de credibilidad completamente diferentes a los
requeridos por los cambios en el proceso de desarrollo de un nuevo
producto.
Simplicidad de la Ejecución. La simplicidad del experimento es una
de las propiedades más importantes de un estudio dirigido a la
mejora de un proceso. La simplicidad es importante tanto en el
diseño como en la conducción y en el análisis de un experimento
planeado. Un diseño experimental debe ser tan simple como sea
posible, sin dejar de cumplir las otras propiedades de un
experimento bien planeado. La simplicidad permite la incorporación
de todas las partes interesadas en todos los aspectos del estudio.
La simplicidad proporciona también al experimentador la
flexibilidad necesaria para realizar los cambios que se requieren a
menudo durante el transcurso del experimento.
La simplicidad requiere, sin embargo, que sean considerados todos
los aspectos prácticos que sirven para conducir un experimento.
Entre esos aspectos se encuentran, el grado de dificultad para
cambiar los niveles de un factor de influencia, la habilidad para
controlar las variables de trasfondo, y la habilidad para medir las
variables de respuesta importantes

43
HERRAMIENTAS PARA LA EXPERIMENTACIÓN.
A. Fisher propone el uso de cuatro herramientas que pueden ayudar
a asegurar que un experimento posea las propiedades de un objetivo
bien definido, un enfoque secuencial, una variación particionada, un
buen grado de credibilidad y una gran simplicidad en la ejecución: El
patrón experimental, la agrupación planeada, la aleatorización y la
replicación. Abajo se describe cada una de estas herramientas y en
la Figura 2.2. se muestra la incidencia de cada una de estas
herramientas sobre los elementos de un experimento planeado.

Replicación y Aleatorización

FACTORES EXTRAÑOS
Agrupación Planeada (Bloques)

VARIABLES DE TRASFONDO

Patrón Experimental
Factor X1 Factor X2 Factor Xm (FACTORES DE CONTROL)

PRODUCTO Y1
(VARIABLES
O Y2 DE
RESPUESTA)
PROCESO
Yn

Figura 2.2. Herramientas para el Diseño Experimental.

El Patrón Experimental. El arreglo de los niveles de los factores

de influencia considerados en el experimento y de las unidades
experimentales. De esta manera se logra considerar dentro del
experimento a los factores principales o de control.

44
La Agrupación Planeada. El agrupamiento en bloques de las eventos
experimentales. De esta manera se logra incluir dentro del
experimento la posibilidad de conocer la probable influencia de
alguna variable de trasfondo.
La Aleatorización. La asignación objetiva de combinaciones de
niveles de los diferentes factores de influencia que intervienen en
un experimento, a las unidades experimentales. De acuerdo con
este concepto, los eventos experimentales no deberán ejecutarse
en el orden en que se presentan en el patrón experimental, sino
siguiendo un orden completamente aleatorio. De esta manera se
logra promediar y amortiguar los efectos que pudiera tener algún
factor extraño o de ruido.
La Replicación. La repetición de los eventos experimentales, con
objeto amortiguar los efectos de algún posible factor extraño o de
ruido y para mejorar el grado de credibilidad y repetibilidad de los
resultados experimentales.

FASES Y PASOS PARA EL MÉTODO CIENTÍFICO

EXPERIMENTAL
Si queremos lograr un experimento exitoso y obtener resultados
reproducibles, debemos realizar un esfuerzo bien organizado y
ejecutar un plan cuidadosamente planeado. Los pasos esenciales
para ejecutar apropiadamente un experimento, se agrupan en cinco
fases:
Fase I. Planeación del Experimento
Fase II. Diseño del Experimento.
Fase III. Conducción del Experimento.
Fase IV. Análisis de los Resultados Experimentales.
Fase V. Optimización.

45
La Fase I, de planeación del experimento se relaciona con los
esfuerzos requeridos para definir bases estructurales de las otras
tres fases. Se incluyen aquí aspectos como la definición y validación
del objetivo del experimento, la identificación de la o las
características de calidad, la selección de los factores de control a
estudiar y los niveles en que se fijarán esos factores durante el
experimento. La planeación del experimento incluye también la
identificación de posibles variables de trasfondo que estén
influyendo sobre el producto o proceso y la determinación de la
estrategia experimental que se aplicará.
La Fase II, de diseño del experimento incluye la selección del
patrón experimental más eficiente que contenga toda la
información requerida y que conduzca a la obtención de resultados
válidos desde el punto de vista estadístico. En esta fase también se
asignan los factores y las interacciones de interés en las columnas
apropiadas del patrón experimental y, se agrupan en bloques los
eventos experimentales de acuerdo a la variable de trasfondo que
se haya identificado.
La Fase III, de conducción del experimento, incluye la ejecución
del experimento tal como se planeó y diseño en las fases anteriores.
Además, esta fase también incluye la determinación del orden
aleatorio de ejecución y el número de repeticiones (réplicas) de
cada evento experimental. En esta fase se realizan también las
acciones previas esenciales para conducir el estudio. Estos
esfuerzos preliminares son muy importantes si queremos garantizar
la ejecución del experimento sin sobresaltos, con el menor esfuerzo
y en el menor tiempo posible. Cualquier falla en considerar estos
aspectos al conducir un experimento, puede llevarnos a mediciones
erróneas, resultados sesgados o a no obtener ningún resultado
práctico.

46
La Fase IV, de análisis del experimento, se relaciona con los
cálculos que sirven para convertir a los resultados obtenidos en
información útil y con la interpretación de esos resultados. En esta
fase se calculan la media, la variancia y la desviación estándar o
error experimental; se hacen pruebas de identificación de posibles
resultados sesgados o atípicos; se calcula la magnitud y
significancia de los efectos tanto de localización como de
dispersión de cada uno de los factores y de sus interacciones; se
calculan los coeficientes del modelo lineal de predicción; se
obtienen los residuos para aplicarlos en usos tales como: verificar la
normalidad de los resultados, la uniformidad de la variancia,
identificar efectos de dispersión, verificar la existencia o no de
factores extraños; y se extraen conclusiones sobre cuales serían
los niveles en que deberán fijarse cada uno de los factores de
influencia significativa, dentro de la región experimental, para
obtener los mejores resultados, para el producto o proceso bajo
estudio.
En la Fase V, de Optimización del Diseño, se busca encontrar los
niveles de los factores de influencia que permitan un
comportamiento óptimo del producto o proceso que se está
estudiando. Se empieza con el modelo lineal previamente obtenido
en la región experimental seleccionada y, mediante pasos planeados,
se va cambiando de región experimental hasta llegar a la región
donde la superficie de respuesta tiene su punto máximo (o mínimo).
Es en esta última región y mediante el uso de las “curvas de nivel”,
donde se trata de ajustar el modelo cuadrático que mejor
represente la relación entre la característica de calidad y los
factores de influencia. Del análisis de este modelo se obtienen los
valores de los parámetros que definen a la característica de calidad
deseada con la menor variabilidad posible; es decir, se obtiene el
diseño robusto del producto o proceso bajo estudio.

47