Taguchi y Mezclas

Universidad de Granada
Departamento de Estadística e Investigación Operativa
Máster Universitario en Estadística Aplicada
Trabajo de Fin de Máster:

Diseños Factoriales Fraccionarios y
Metodología del Diseño Robusto de Parámetros
Autor: Publio Darío Cortés Carvajal

Tutora: Dra. María Dolores Ruiz Medina
Granada
Septiembre 2013
Dedicatoria:
Dedicado a mi amada esposa Raquel, a mi hijo Darío Manuel, a mis

padres, y a toda mi Gran Familia.
Agradecimientos:
Agradezco a la Universidad de Granada por la invaluable oportunidad que

me ha dado, en calidad de estudiante extranjero, para estudiar el Máster
en Estadística Aplicada.
Y muy especialmente, agradezco a la Dra. María Dolores Ruiz Medina,

tutora de este trabajo, por su guía, tiempo y dedicación.
Índice:
Introducción general
1. Diseños factoriales fraccionarios 1

1.1 Introducción 1
1.2 Diseños factoriales fraccionarios 2k-p 1
1.2.1 Diseño factorial medio de 4 factores y 2 niveles (24-1) 2
1.2.2 Confusión (“aliasing”) en los diseños factoriales fraccionarios 3
1.2.3 Resolución de un diseño factorial fraccionario de 2 niveles 5
1.2.4 Criterios para la selección de diseños 7
1.3 La estrategia de diseño de foldover 9
1.3.1 Caso de estudio didáctico: La catapulta 10
1.4 Diseño factorial fraccionario por bloques 18
2 Diseños factoriales de selección 21

2.1 Introducción 21
2.2 Diseños RIII para selección 21
2.3 Diseños Plackett – Burman 25
2.3.1 Criterios de optimización de los diseños Plackett-Burman 26
2.3.2 Procedimiento para la construcción de los diseños 28
Plackett-Burman
2.3.3 Semejanzas y diferencias entre los diseños Plackett-Burman 30
y los diseños RIII
2.4 Diseños de Taguchi 32
2.4.1 Clasificación de los diseños de Taguchi según el número de 33
factores y el número de niveles
2.4.2 Construcción de diseños de Taguchi de 2 niveles 34
2.4.3 Justificación del uso de los diseños de Taguchi 37
2.5 Caso de estudio: Experimentos de selección (screening) 38
3. Metodología del diseño robusto de parámetros de Taguchi 42

3.2 Variabilidad funcional y calidad 43
3.3 El argumento del Dr. Taguchi : variabilidad vs pérdidas 44
3.4 Control de calidad antes de la salida del producto al mercado 47
3.4.1 Control de calidad fuera de línea (ingeniería robusta) 48
3.4.2 Control de calidad en línea 49
3.5 La función de pérdida de calidad 50
3.5.1 Nominal es mejor 50
3.5.2 Menor es mejor 51
3.5.3 Mayor es mejor 51
3.6 La razón de señal-ruido (S/N) 52
3.6.1 Razón de S/N estática vs razón S/N dinámica 53
3.6.2 Propiedades ideales de la razón S/N 55
3.6.3 Procedimiento general para definir la razón S/N 57
3.6.4 Deducción de las expresiones de las razones S/N para 59
experimentos estáticos
3.6.5 Deducción de la expresión de la razón S/N para 64
experimentos dinámicos
3.7 Selección de las características de calidad, de los factores de 66
ruido, y de los factores de control
3.7.1 Selección de la característica de calidad 67
3.7.2 Selección de los factores de ruido 70
3.7.3 Selección de los factores de control 72
3.8 Estructura del diseño experimental robusto de parámetros 74
3.8.1 Las interacciones, un concepto clave en la reducción de 75
los efectos del ruido
3.8.2 Arreglo cruzado para experimentos estáticos 77
3.8.3 Arreglo cruzado para experimentos dinámicos 78
3.9 Caso de estudio de diseño robusto de parámetros 80
4. Crítica y alternativas al diseño robusto de parámetros de Taguchi 89

4.2 El Dr. Taguchi y sus colaboradores ante la controversia de su 89
propuesta metodológica
4.3 Opinión de la comunidad académica 91
4.4 Combinación de las filosofías de Taguchi y la superficie de 100
respuesta: Un método de respuesta dual
4.5 Investigaciones actuales sobre diseño robusto de parámetros 106
Bibliografía 109
Introducción general:
El presente material desarrolla el contenido teórico-práctico de los
diseños factoriales fraccionarios de dos niveles, diseños de selección,
metodología del diseño robusto de parámetros de Taguchi, y
complementariamente, se estudia la evolución del diseño robusto hasta la
actualidad. Todo el contenido está organizado en cuatro capítulos.
El material está concebido para usarse como referencia avanzada para

equipos especializados en el diseño estadístico experimental para la mejora
de la calidad. Por lo tanto, se supone que aspectos básicos del diseño
estadístico experimental, tales como los modelos de la Regresión Múltiple
y el Diseño Factorial con 2 niveles, ya se conocen.
El Capítulo 1 está dedicado a los diseños factoriales fraccionarios.

Estos diseños se han propuesto para ahorrar tiempo y recursos, con una
precisión razonable en relación con las aproximaciones obtenidas con los
modelos estadísticos y matemáticos clásicos. Los ahorros logrados son
considerables. Los ahorros logrados son considerables, ya que la razón de
reducción del número de corridas, respecto a las corridas del diseño
factorial completo correspondiente, varía en fracciones de potencias de 2.
La precisión disminuye, pero dentro de niveles que están bajo nuestro
control, para lo cual se explican los conceptos de confusión y resolución.
Debido a la estructura de estos diseños, tenemos posibilidad de resolver
algunos problemas prácticos. Por ejemplo, si luego de correr los
experimentos de un diseño factorial fraccionario concluyéramos que
requerimos más precisión, podríamos realizar experimentos
complementarios para obtener datos adicionales, empleando la estrategia
de foldover. También puede ocurrir que debido a problemas con la
obtención de los recursos, no podamos garantizar la homogeneidad. Es
decir, el valor real de lo que llamamos nivel bajo, o nivel alto, en un factor
puede estar afectado por situaciones prácticas, como el lote de donde se
toman los materiales. En estos casos tenemos la opción de diseños por
bloques.
Nuestras principales referencias para este capítulo son los libros:
 Design and Analysis of Experiments [Montgomery, D., 2010].

 Understanding Industrial Designed Experiments [Shmidt, S.,
Launsby, R., 2000].
En el desarrollo de este capítulo se presentan algunos ejemplos

prácticos con el soporte de una herramienta didáctica, a la que, por su
función, nos referiremos con el término catapulta. Los datos presentados
en estos ejemplos son reales y fueron obtenidos por el autor.
El Capítulo 2, diseños factoriales de selección, es una continuación al

tema de los diseños factoriales fraccionarios. Debido a que en estos diseños
se resalta la importancia de los términos simples, también pueden usarse
como mecanismo objetivo para la selección de factores. Cuando se usan
con este propósito, lo usual es que se escojan diseños de resolución RIII.
Desafortunadamente, como veremos, los diseños RIII no son suficientes
para analizar económicamente toda la gama de factores que podrían
requerirse en un estudio de selección, y no todos los diseños RIII son
apropiados. Por esta razón Plackett y Burman idearon otro tipo de diseños
ortogonales complementarios a los diseños RIII. Como una alternativa a
estos diseños, también estudiaremos los diseños de Taguchi, que tienen una
función semejante a los diseños Plackett-Burman, pero que fueron
concebidos para otros propósitos, dentro de la metodología del diseño
robusto de parámetros ideada y promovida por el Dr. Taguchi.
En este capítulo nuestras principales referencias bibliográficas son:

 Understanding Industrial Designed Experiments [Shmidt, S.,
Launsby, R., 2000].
 Engineering Methods for Robust Productivity Design [Fowlkes,
W.Y., Creveling, C.M., 1995].
 Taguchi Quality Engineering Handbook [Taguchi, G., Chowdhury,
S, Wu, Y., 2005].
También recurrimos a los artículos:

 The Design of Optimun Multifactorial Experiments [Plackett, R.L.,
Burman, J.P., 1946].
 Taguchi’s Orthogonal Arrays Are Classical Designs of Experiments
[Kacker, R. N, Lagergren, E.S, Filluben, J.J .,1991].
Al final de este capítulo desarrollamos un experimento de selección con
la catapulta.
El Capítulo 3 es un poco diferente a los anteriores, seguimos

estudiando contenidos relacionados con los diseños experimentales, pero el
enfoque y objetivos son diferentes, ya que nos centraremos en la
metodología del diseño robusto de parámetros de Taguchi, que surge dentro
de un marco histórico diferente, fuera del contexto usual donde se
desarrollaban los modelos matemáticos y estadísticos para la mejora de la
calidad de la época. El Dr. Taguchi es el promotor de una nueva definición
de la calidad que se enfoca en las pérdidas que ocasiona el producto o el
proceso a toda la sociedad. Describiremos cómo se dedujo la función de
pérdida de la calidad, y con esto, el método innovador de dos pasos para
mejorar la calidad.
La idea del producto nace de las necesidades de los clientes, lo cual es

detectado por los analistas del mercado, a esta idea se le da una forma
concreta en la mesa de diseño, y de aquí pasa a la manufactura. En todo
este recorrido Taguchi identifica los pasos del diseño del producto y los
pasos para el diseño del proceso de manufactura, hasta que el producto
finalmente llega al cliente. Los problemas de calidad se producen por las
perturbaciones ocasionadas por factores no controlables e inestables
llamados factores de ruido. Los efectos de los factores de ruido pueden ser
neutralizados o aminorados por los llamados factores de control, los
parámetros de diseño. Gracias a esto, el proceso se hace robusto. La clave
está en las interacciones de los factores de control con los factores de ruido.
Para la detección la variabilidad no deseable, Taguchi propone el nuevo

concepto de la razón señal-ruido. Esta razón tiene diferentes formas de
calcularse según el tipo de objetivo buscado, cuando la característica de
calidad es estática (menor es mejor, mayor es mejor, o nominal es mejor),
o cuando la característica de calidad es dinámica. Además de calcular los
efectos de los factores de control en la media de la respuesta, ahora también
se deben calcular los efectos en la razón señal-ruido. Debe tenerse mucho
cuidado en la selección de la característica de calidad, de los factores de
control, y de los factores de ruido. En el caso de los experimentos
dinámicos, se cuenta además con los factores de señal, los cuales
determinan el valor de la característica a discreción del usuario. Estas son
las variables con las que se construirán los diseños experimentales. El
formato de estos diseños es diferente, y produce cierta controversia, pero es
muy sugerente y de fácil interpretación para el observador no experto. En la
organización de este formato se identifican nuevas estructuras: El arreglo
interno, que acomoda a los factores de control; el arreglo externo que
acomoda a los factores de ruido y a los factores de señal (sólo en los
experimentos dinámicos).
Las principales referencias bibliográficas de este capítulo son:

 Engineering Methods for Robust Productivity Design [Fowlkes,
W.Y., Creveling, C.M., 1995].
 Taguchi Quality Engineering Handbook [Taguchi, G., Chowdhury,
S, Wu, Y ., 2005].
 Introduction to Quality Engineering [Taguchi, G.,1986].
 Quality Engineering Using Robust Design [Phadke, M., 1989].
 Design of Experiments Using The Taguchi Approach [Ranjit, R.,
2001].
Al final de este capítulo resolvemos un problema típico de

experimentos estáticos, paso a paso, con la diferencia de que ahora lo
hacemos con la ayuda del software estadístico Minitab 15 ®.
En el Capítulo 4 continuamos con el tema de diseño robusto, pero

ahora desde la perspectiva de la comunidad académica. La propuesta de
Taguchi fue muy inspiradora, y llegó justo en el momento en que el mundo
empresarial de Occidente (Estados Unidos) estaba necesitando cambiar su
forma de abordar los problemas de calidad. No obstante, luego del
entusiasmo inicial por las ideas del Dr. Taguchi, vino el cuestionamiento de
las bases teóricas que las sustentan. Un cuestionamiento que ha tenido toda
una gama actitudes, desde la simple objeción destructiva de que no se
tienen bases estadísticas, hasta el señalamiento constructivo de los
problemas con sus soluciones alternativas.
En nuestra exposición presentamos los dos lados de la controversia,

cómo se veían a sí mismos el Dr. Taguchi y sus colaboradores, y qué
opinaba la comunidad académica. Para este fin aprovechamos la
presentación que cada grupo hizo de sus argumentos.
Dos han sido las fuentes principales de esta parte de capítulo:
 Quality Engineering Using Robust Design [Phadke, M., 1989], pag.
159.
 Taguchi´s Parameter Desing: A Panel Discussion [Nair, V.
N.,1992].
En el artículo publicado por Nair se recogen las opiniones de los más

prominentes teóricos del momento (1992). Lo interesante es que, aunque la
fecha parezca lejana, las opiniones expresadas todavía siguen vigentes,
principalmente debido a que los seguidores de Taguchi se han mantenido
firmes con sus ideas. Afortunadamente, a nivel filosófico hubo consenso
para aceptar gran parte de las ideas de Taguchi. La concepción de que
existían factores de control con los que se podían reducir los efectos de los
factores de ruido, fue prácticamente aceptada por todos. Aprovechando las
ideas en las que hubo aceptación, algunos investigadores desarrollaron, y
siguen desarrollando, interesantes propuestas. La más destacada de estas
propuestas fue la combinación de la concepción filosófica de Taguchi con
la Metodología de Superficie de Respuesta de Box y Behnken, desarrollada
muchos años antes (1960). Fueron Vining y Mayers (1995) quienes
hicieron la formulación teórica que hoy sirve de referencia. Debido a la
importancia de esta combinación para el diseño robusto de parámetros,
dedicamos una sección especial para explicar sus fundamentos teóricos,
para lo cual usamos como referencia el libro:
 Response Suface Methodology – Process and Product Optimization
Using Designed Experiments [Myers, R., Montgomery, D.,
Anderson-Cook, C., 2009].
Para concluir el capítulo presentamos tres artículos en los que

resumimos 3 propuestas de vanguardia, como nuevas alternativas para el
diseño robusto de parámetros. Con estos artículos queremos destacar que el
legado del Dr. Taguchi se sigue transformando, manteniendo en su núcleo
las ideas originales.
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
1. Diseños factoriales fraccionarios
1.1 Introducción:
Los diseños factoriales completos, dado el número de niveles (usualmente 2 ó 3),

proporcionan una modelización experimental precisa del fenómeno estudiado a partir
los datos. Lamentablemente su realización muchas veces estará limitada por el tiempo y
los recursos necesarios, lo cual está definido por el número de corridas experimentales
(#niveles#factores). Un diseño de 2 niveles y 2 factores, por ejemplo, requerirá 22 = 4
corridas; uno de 2 niveles y 3 factores, 23 = 8 corridas; uno de 2 niveles y 4 factores,
24 =16 corridas; y así sucesivamente [Montgomery, D., 2001]. Todo esto sin considerar
las réplicas que típicamente se realizan para modelizar la desviación estándar, y para
probar las hipótesis del modelo. Por otra parte, es común que al empezar una
investigación se tenga un número grande de variables predictoras candidatas, entre las
cuales todavía no se sepa cuáles son las verdaderamente importantes, como para
construir con ellas un modelo que explique la respuesta. Por estas razones, los
investigadores recurren a otro tipo de diseños, más económicos en tiempo y recursos,
aunque esto suponga una cierta pérdida en la precisión de las estimaciones o
predicciones. Dentro del ámbito de los diseños factoriales, tales diseños económicos
deberán procurar lo siguiente:
 Reducir el número de corridas, manteniendo el número de factores.

 Reducir el número de factores, identificando y manteniendo a los esenciales.
 Ambas alternativas.
1.2 Diseños factoriales fraccionarios 2k-p:
Esta es la estrategia menos compleja para la reducción del número de corridas en

los diseños factoriales de dos niveles. El número de corridas que se aplican está dado
precisamente por el cálculo de la potencia 2k-p, en donde k representa el número de
factores que se considerarán en el modelo, y en donde p, expresado como 2-p, representa
la razón de la reducción del número de corridas respecto a las 2k corridas del diseño
factorial completo de k factores. La mecánica seguida para lograr esta reducción se
explica a continuación, considerando un diseño factorial fraccionario 24-1.
1
Publio Darío Cortés Carvajal
1.2.1 Diseño factorial medio de 4 factores y 2 niveles (24-1):
Como primer paso consideraremos el desarrollo del exponente de la potencia

2 = 23, y supondremos que se nos pide construir un diseño factorial completo de 2
4-1
niveles y 3 factores (A, B y C) [Shmidt, S., Launsby, R, 2000], según se muestra en la

tabla superior izquierda de la figura 1.2.1:
Corrida A B C AB AC BC ABC
1 -1 -1 -1 +1 +1 +1 -1
2 -1 -1 +1 +1 -1 -1 +1
3 -1 +1 -1 -1 +1 -1 +1
4 -1 +1 +1 -1 -1 +1 -1
5 +1 -1 -1 -1 -1 +1 +1 A B C D = ABC
Corrida
6 +1 -1 +1 -1 +1 -1 -1
1 -1 -1 -1 -1
7 +1 +1 -1 +1 -1 -1 -1
2 -1 -1 +1 +1
8 +1 +1 +1 +1 +1 +1 +1
3 -1 +1 -1 +1
Diseño factorial completo 23 4 -1 +1 +1 -1
5 +1 -1 -1 +1
6 +1 -1 +1 -1
7 +1 +1 -1 -1
8 +1 +1 +1 +1
Diseño medio factorial 24-1
Figura 1.2.1 Construcción de un diseño factorial medio 24-1.
En la tabla superior izquierda (figura 1.2.1) hemos codificado los 2 niveles posibles
con los valores -1 y +1 (con semejanza a la codificación empleada por Box y Hunter).
Esta codificación resulta conveniente porque con ella podemos construir las columnas
de las interacciones (AB, AC, BC y ABC), mediante la simple multiplicación de los
valores de las columnas correspondientes.
Puesto que nuestro diseño es realmente de 4 factores, y no de 3, necesitamos un

patrón adicional que sea ortogonal a las columnas de los factores A, B, y C. Este patrón
se toma de la interacción triple ABC, y se le asigna al factor faltante D, según se ilustra
en la tabla derecha de la figura 1.2.1. La ortogonalidad requerida se puede verificar
mediante la multiplicación de la columna D por cualquiera de las columnas de los
factores A, B y C. La suma de estos productos debe ser igual a cero. Por ejemplo,
consideremos el producto de las columnas de los factores C y D:
C D   1 1   1 1   1 1   1 1   1 1   1 1   1 1   1 1
0
2
La asignación a la interacción triple, y no a algunas de las interacciones dobles

(AB, AC, ó BC), se hace aplicando el criterio de “máxima resolución”, un concepto
que abordaremos más adelante.
Hecha la asignación de la columna para el factor D, para conseguir las columnas

correspondientes a las interacciones se procede de la manera usual, realizando
multiplicación de columnas como se observa en la tabla 1.2.1.
Construcción de las columnas de las

interacciones del diseño medio factorial 2 4-1
Corrida A B C D AB AC AD BC BD CD ABC BCD ACD ABD ABCD
1 -1 -1 -1 -1 +1 +1 +1 +1 +1 +1 -1 -1 -1 -1 +1
2 -1 -1 +1 +1 +1 -1 -1 -1 -1 +1 +1 -1 -1 +1 +1
3 -1 +1 -1 +1 -1 +1 -1 -1 +1 -1 +1 -1 +1 -1 +1
4 -1 +1 +1 -1 -1 -1 +1 +1 -1 -1 -1 -1 +1 +1 +1
5 +1 -1 -1 +1 -1 -1 +1 +1 -1 -1 +1 +1 -1 -1 +1
6 +1 -1 +1 -1 -1 +1 -1 -1 +1 -1 -1 +1 -1 +1 +1
7 +1 +1 -1 -1 +1 -1 -1 -1 -1 +1 -1 +1 +1 -1 +1
8 +1 +1 +1 +1 +1 +1 +1 +1 +1 +1 +1 +1 +1 +1 +1
Tabla 1.2.1 Columnas de las interacciones de un diseño factorial medio 24-1.
Luego de la asignación de la columna para el factor D, vemos con claridad que las
16 (24= 16) corridas experimentales que se hubiera requerido para el diseño factorial
completo de 4 factores, aquí se ha reducido a 8 corridas, pero esto tiene un precio que
veremos a continuación.
1.2.2 Confusión (aliasing) en los diseños factoriales fraccionarios:
La reducción del número de corridas no resulta gratis, para lograr este ahorro se
requiere sacrificar la claridad que se tiene en los diseños factoriales completos en cuanto
al papel que juegan los factores principales e interacciones en el modelo final. En el
modelo factorial fraccionario las interacciones podrán confundirse entre sí, e inclusive
podrán darse confusiones de factores principales con interacciones. En la literatura en
inglés, a este fenómeno se le conoce como “aliasing” (confusión). Veamos.
Estudiando con cuidado la tabla 1.1, se pueden descubrir las siguientes confusiones
(igualdades) entre las columnas:
AB = CD ABC = D ABCD = I =Vector de1s

AC = BD BCD = A
AD = BC ACD = B “Defining word” (palabra de definición)
ABD = C
3
En el ejemplo que acabamos de desarrollar (figura 1.2.1) asignamos el factor D a la

interacción triple ABC. Con esta asignación logramos que la máxima interacción
resultante ABCD (figura 1.2) se convirtiera en un patrón de 1´s. A esta interacción final
se le conoce como palabra de definición (“Defining Word ”), que es un patrón que sirve
de base nemotécnica para encontrar todas las confusiones posibles. Por ejemplo, si
quitamos de ABCD al factor A, notaremos que queda la interacción BCD, la cual se
identifica precisamente al factor A. Si quitamos al producto de la interacción AB,
quedará la interacción CD, la cual se identifica con la interacción CD. Cuando la
palabra de definición se muestra igualada con el vector de 1´s (ej., ABCD =I), a esta
igualdad se le conoce como relación de definición (“defining relation”); y cuando las
letras se reorganizan para representar la asignación que hemos escogido para un factor
(ej., D = ABC), a esta forma se le conoce como relación generadora (“generating
relation”) [Montgomery, D., 2001].
Con toda esta “confusión”, ¿cómo es posible construir modelos con capacidad
predictiva?, ¿a qué factor o interacción habrá que responsabilizar por los efectos
detectados en la respuesta?... Existe una lógica detrás de esto, la cual se basa en el hecho
de que en la naturaleza la mayor participación la tienen los factores principales, de los
cuales se derivan las interacciones dobles, las interacciones triples, y así sucesivamente.
Las interacciones cuádruples y superiores son muy raras. Esta relación de importancia
entre producto de factores se puede verificar en las series de Taylor de varias variables
[Plackett, R.L., Burman, J.P.,1946]. Por ejemplo en un desarrollo de la serie de Taylor
para una función de dos variables f  x, y  alrededor del punto  a,b  , sus primeros
términos se pueden representar como sigue:
f  x, y   f  a,b   f x  a,b  x a   f y  a,b  y  b  (1.2.1)
 f x y  a,b  x a  y  b  
1
2
 
f xx  a,b  x  a   f yy  a,b  y  b  
2 2
Interacción doble Términos cuadráticos
Por analogía, podemos relacionar el número de términos que se multiplican en el

polinomio de una aproximación de una serie de Taylor, con el número de factores que
se presentan en las interacciones de un modelo factorial.
4
1.2.3 Resolución de un diseño factorial fraccionario de 2 niveles:
En el caso del diseño factorial medio que acabamos de ver, y en general en todos
los diseños factoriales fraccionarios 2k-p, la capacidad del modelo para resolver
(aproximarse) a la función real que se quiere representar estará afectada por el número
de letras en la palabra de definición. A este número de letras se le conoce como
resolución. Por ejemplo, el diseño factorial medio 24-1 que hemos visto es de resolución
4 ó RIV, porque su palabra de definición, ABCD, es de 4 letras. En conclusión:
La resolución de un diseño factorial medio es igual al número de letras que

componen a la palabra de definición.
Nótese que esta definición aplica para cualquiera asignación que se haga al factor
remanente. Así, por ejemplo, si en vez de asignar al factor D (figura 1.2.1) a la
interacción triple ABC, lo hubiéramos asignado a la interacción doble AB, tendríamos
la obvia consecuencia de que las columnas del factor D y la interacción AB serían
iguales, más otras relaciones de igualdad (confusión) que podríamos probar que son las
siguientes:
D =AB A=BD B=AD
Además, las interacciones dobles con el factor C estarían confundidas con

interacciones las triples:
AC=BDC BC=ADC DC=ABC
El factor C estaría confundido con la interacción cuádruple: C=ABCD
En este caso la palabra de definición vendría a ser ABD, sin considerar las
relaciones en donde una letra se presente dos veces. El diseño sería entonces de
resolución 3 ó RIII.
Estos ejemplos ponen de manifiesto que podemos tener diseños factoriales medios
con el mismo número de factores, pero con diferente resolución. Necesitamos, por lo
tanto, un criterio para decidirnos por uno u otro diseño. Este problema lo retomaremos
en la sección 1.2.4.
5
En un diseño factorial fraccionario general 2k-p, diferente al diseño factorial medio,

la definición de resolución que hemos dado no es suficiente. Por ejemplo, un diseño
7-3
2 , de 7 factores A,B,C,D,E,F,G, que se construye sobre la base de un modelo
factorial completo de 4 factores (7-3), podría tener las siguientes relaciones
generadoras:
G = ABCD F = ACD E = ABC
Así tendríamos 3 palabras de definición: ABCDG, ACDF, y ABCE ( ¿dos

resoluciones, RIV y RV ? ). Puesto que la resolución nos habla de la capacidad del
diseño para representar la realidad, para no sobreestimar esta capacidad, se asume la
resolución más modesta, y se dirá entonces que el diseño es de resolución 4, ó RIV . Con
esto, la definición general ( y diríamos fundamental) de resolución es:
La resolución del un diseño factorial fraccionario es igual al número de letras que

componen la palabra de definición con mínimo número de letras.
[Shmidt, S., Launsby, R, 2000].
Para representar en forma abreviada las propiedades de un modelo factorial

fraccionario (número de niveles, número de factores, fracción y resolución), es
costumbre usar la nomenclatura 2kRe ps . Por ejemplo, el diseño de 7 factores que
7-3
acabamos de ver se puede representar como 2IV .
La resolución de un diseño permite saber rápidamente cuáles son las confusiones

principales que tiene. La tabla 1.2.2 siguiente presenta la descripción y uso de los
diseños factoriales fraccionarios de dos niveles, según las resoluciones más usuales
[Myers, R., Montgomery, D., 2002].
Diseños factoriales fraccionales según su resolución:
RII Contienen efectos principales totalmente Preferiblemente, no debería usarse.

confundidos (“aliasing”) con otros efectos
principales.
RIII No contienen efectos principales confundidos Usado para la selección de un número

con otros efectos principales, pero sí tiene grande de factores.
efectos principales en “aliasing” con
interacciones dobles.
RIV No tiene efectos principales en “aliasing” con Usado en la construcción de modelos
interacciones dobles, pero sí tiene cuando, por limitación de los recursos, no
interacciones dobles en “aliasing” con otras se pueden usar diseños de resolución RV o
interacciones dobles. superior.
RV No tiene efectos principales en “aliasing” con Diseño recomendado para construir

otros efectos principales o con interacciones modelos de predicción en los que las
dobles. Tampoco tiene interacciones dobles en interacciones triples o superiores no
“aliasing” con otras interacciones dobles. sean relevantes.
Tabla 1.2.2 Diseños factoriales fraccionarios según su resolución.
6
1.2.4 Criterios para la selección de diseños:

k-p
La sencilla fórmula genérica 2 de los diseños factoriales fraccionarios nos
permite estimar el tiempo e inversión en recursos que requeriremos para hacer los
experimentos, considerando que debemos incluir para k variables o factores. Ahora,
k-p
sabiendo que un diseño 2 puede tener distintas formas de implementarse (sección
1.2.3), para k y p constantes, es necesario establecer un criterio de optimización que nos
guie en la selección de la mejor opción de diseño. Para este fin se han propuesto los
siguientes criterios [Montgomery, D., 2001]:
 Resolución máxima.
 Mínima aberración.
Criterio basado en la resolución máxima:

4-1
Consideremos nuevamente al ejemplo del diseño 2 . Según vimos, el diseño de
este modelo tenía dos opciones:
Opción de diseño 1:
3
El modelo factorial 2 completo base se construye con los factores A, B y C, y el
factor D se asigna a la interacción ABC. Estas asignaciones produjeron, como vimos,
una palabra de definición: ABCD. Como sólo hay una palabra de definición, y ésta
tiene 4 letras, la resolución es RIV.
Opción de diseño 2:
3
El modelo factorial 2 completo base se construye con los factores A, B y C, y el
factor D se asigna a alguna de las interacciones AB, AC, ó BC. Para simplificar,
suponga que la variable D la asignamos a la interacción AB. Como podrá comprobarse,
con estas asignaciones sólo se produce una palabra de definición: ABD. Como sólo
hay una palabra de definición, y ésta tiene 3 letras, la resolución es RIII.
Hecho este análisis, de acuerdo al criterio de resolución máxima, tendríamos que

escoger a la opción de diseño 1, porque tiene resolución RIV, que es mayor que la
resolución RIII de la opción de diseño 2. Se trata simplemente de escoger el diseño que
tenga la resolución máxima.
Con este criterio las confusiones de los factores (y las interacciones de orden
inferior progresivamente) se realizan con las interacciones de orden superior. Esto es
consistente con la suposición de que las interacciones de orden superior son las más
raras.
7
Criterio basado en la mínima aberración:
Para explicar este criterio necesitamos presentar un nuevo concepto relacionado con
la relación de definición (sección 1.2.2): La relación de definición completa ( complete
7-3
defining relation). Para este fin, recordemos el ejemplo del diseño 2 que vimos en la
sección 2.3.3, con las palabras de definición: ABCDG, ACDF y ABCE. Para este
diseño se verifica la siguiente igualdad entre las columnas correspondientes:
ABCDG = ACDF = ABCE = I (columnas de 1’s).
A esta secuencia de igualdades se le conoce relación de definición completa. A

continuación veremos cómo se aplica este concepto.
k-p
Es conocido que para un tamaño experimental 2 determinado es posible
encontrar diferentes diseños, con la misma resolución, y con una estructura de confusión
claramente distintas. De tal forma que en estos casos el criterio de máxima resolución
no es suficiente. El criterio de mínima aberración permite distinguir entre la bondad de
dos fracciones de la misma resolución. Fries y Hunter (1984) definieron el diseño de
mínima aberración como:
Diseño de resolución máxima que en su relación de definición completa tiene el

mínimo número de palabras de definición con longitud mínima.
Estos autores agregan que, dada una resolución máxima Rmax, minimizar la
aberración asegura que el diseño tenga el mínimo número de efectos principales
(factores) confundidos con interacciones de orden Rmax-1, que se tenga el mínimo
número de interacciones dobles confundidas con interacciones de orden Rmax-2, y así
sucesivamente.
Ejemplo:
72
Considere un diseño 2 IV . La construcción de un diseño de 2 niveles, de 7 factores,
factorial ¼, de resolución IV, puede hacerse mediante cualquiera de las siguientes
opciones:
Opción 1:
Generadores de diseño: F = ABC G = BCD

Relación de definición completa: I = ABCF = BCDG = ADFG
Opción 2:
Generadores de diseño: F = ABC G = ADE

Relación de definición completa: I = ABCF = ADEG = BCDEFG
8
Opción 3:
Generadores de diseño: F = ABCD G = ABDE

Relación de definición completa: I = ABCDEF = ABDEG = CEFG
Todas éstas son opciones de diseño de resolución IV, por lo tanto el mínimo
número de letras en sus correspondientes palabras de definición es 4. La opción 1 tiene
3 palabras de definición de 4 letras; la opción 2 tiene 2 palabras de definición de 4
letras; y la opción 3 tiene 1 palabra de definición de 4 letras. Por lo tanto, aplicando el
criterio de mínima aberración, habrá que escoger a la opción 3, porque es la opción con
el mínimo número de palabras de definición de longitud mínima (4 letras).
1.3. La estrategia de diseño de foldover:
Dando por hecho que nos hemos decidido por un diseño factorial fraccionario,
tenemos que definir los criterios que usaremos para establecer la importancia relativa de
los términos (factores principales e interacciones) del modelo que se encuentren
confundidos. Para simplificar, habrá que decidirse por uno de los términos. Los
términos con mayor importancia relativa diremos que son los que tienen el efecto real,
los demás se desestimarán (al menos hasta que no surja alguna información que nos
haga cambiar de parecer). Los criterios generales son:
 Los factores principales confundidos con interacciones triples o superiores, son

los que tienen el efecto real.
 Si dos interacciones dobles están confundidas, la interacción que contenga los

factores principales de mayor impacto será la que prevalecerá, y de ella diremos
que es la que tiene el efecto real.
Cuando la aplicación de este último criterio no sea clara, el investigador,

recurriendo a su experiencia y consideraciones teóricas podrá decidir cuál es la
interacción que produce el efecto real. Sin embargo, lo preferible, si es importante, y si
cuenta con los recursos, es que opte por un método complementario de decisión llamado
foldover (plegado).
El foldover puede considerarse como la segunda parte de una estrategia de diseño,

que se realiza si los resultados de la primera parte no son suficientemente claros. Los
recursos y el tiempo invertido en la primera parte no se desaprovechan, sino que forman
parte integral de los datos que se analizan en la segunda parte. En forma simplificada
puede decirse que el foldover se realiza mediante una conmutación de “signos”
[Montgomery, D., 2001]. A continuación describimos el procedimiento de aplicación
del foldover basado en un caso real con un dispositivo de prácticas de diseños
experimentales: La catapulta.
9
1.3.1 Caso de estudio didáctico: La catapulta
6
4
5
4 3 Altura
• Posición de 2 del pin
3 Posición
la taza
• Posición de 2 de parada
a liga
1
1
3 4 5 6
2
Ángulo de 1
disparo
y
Factores y codificación:
- +
A: Posición de parada 3 4
B: Ángulo 160° 180°
C: Posición de la taza 4 6
D: Altura del pin 2 4
E: Proyectil (pelota) Golf Goma
y: Distancia en metros que alcanza el proyectil luego de lanzarse, medida desde el

extremo frontal de la catapulta.
Figura 1.3.1 La Catapulta y sus niveles de experimentación.
Por experiencia previa con este dispositivo se sabe que para lograr que los errores
sean homocedásticos es necesario realizar una transformación logarítmica de la
distancia “y”. Al observar el diagrama del montaje de estos experimentos (figura 1.3.1),
no es difícil imaginar que habrá mayor variabilidad con la distancia “y”. Así la respuesta
escogida fue variable Ly = Log10 (y).
El propósito final era modelizar la relación entre los 5 factores descritos y la

respuesta Ly . Sin embargo, teniendo la sospecha (conocimiento experto) de que algunos
de los factores no eran realmente importantes, se decidió realizar experimentos
5 2
exploratorios considerando un diseño 2 III . El factor D se asignó a la interacción AB, y
el factor E se asignó a la interacción AC. La estructura de confusiones correspondiente
a estas asignaciones es:
Relación de definición completa: I = ABD = ACE = BCDE

Confusiones:
A = BD = CE B = AD = CDE C = AE = BDE D = AB = BCE
E = AC = BCD
BC = DE = ACD = ABE CD = BE = ABC = ADE
10
Los resultados de los experimentos de esta primera parte se muestran en la

tabla 1.3.1:
a b c ab ac
y Ly
Corrida A B C D E BC ABC
1 -1 -1 -1 +1 +1 +1 -1 2.67 0.4265
2 -1 -1 +1 +1 -1 -1 +1 3.16 0.4997
3 -1 +1 -1 -1 +1 -1 +1 2.52 0.4014
4 -1 +1 +1 -1 -1 +1 -1 2.82 0.4502
5 +1 -1 -1 -1 -1 +1 +1 1.31 0.1173
6 +1 -1 +1 -1 +1 -1 -1 1.78 0.2504
7 +1 +1 -1 +1 -1 -1 -1 4.00 0.6021
8 +1 +1 +1 +1 +1 +1 +1 3.63 0.5599
Tabla 1.3.1 Resultado de la primera parte del experimento con la catapulta.
Para el cálculo de los efectos compuestos (denotados Nombre

) se procedió de la
forma usual, sólo que debido a las confusiones, los términos asociados no estaban
separados:

Signo   ColumA
Lyi 
Signo   ColumA
Lyi
   A  BD  CE   
Num Sig    Colum A Num Sig    Colum A
A
1 1
  0.1173  0.2504  0.6021  0.5599    0.4265  0.4997  0.4014  0.4502   0.0620
4 4

Signo   ColumB
Lyi 
Signo   ColumB
Lyi
   B  AD  CDE   
Num Sig    ColumB Num Sig    ColumB
B
1 1
  0.4014  0.4502  0.6021  0.5599    0.4265  0.4997  0.1173  0.2504   0.1799
4 4
Nota:   X  es un operador lineal de cambio. Por cada cambio de    a    de X se

producirá un cambio   X  en la respuesta y . Para nuestro propósito, sólo definiremos
las siguientes propiedades:
   X+ Z  =   X  +   Z 
  X  Z  =  X   Z 
Box, Hunter y Hunter (2005) expresarían A  A  BD  CE , pero aquí proponemos
la notación A    A  BD  CE  porque facilita la interpretación. Para nosotros las letras
A, B, etc., son factores (variables), no efectos. El subíndice A en A es sólo un nombre
que enfatiza la importancia que damos al factor A con respecto a las otras componentes
del efecto compuesto, pero bien pudimos haber escrito BD .
11
Procediendo en forma semejante, se obtuvieron los demás efectos asociados a las

demás columnas de los factores C, D y E, y de los efectos de las interacciones BC y
ABC. Aunque no estamos interesados en los efectos de las interacciones triples o
superiores, hemos incluido a la interacción ABC porque está confundida con las
interacciones dobles CD, BE.
C   C  AE  BDE   0.0533 D    D  AB  BCE   0.2172
E    E  AC  BCD   0.0078 BC    BC  DE  ACD  ABE   0.0499
ABC   CD  BE  ABC  ADE   0.0377
Debido a que las corridas se realizaron sin réplicas, por tratarse de experimentos
exploratorios, no se obtuvo un valor de MSE con el que se pudiera calcular los
estadísticos para la prueba de la significancia de los coeficientes del modelo. No
obstante, con la simple observación de las magnitudes de los efectos (se pudo haber
hecho un diagrama de Pareto), resultó fácil decir que los efectos compuestos B y D
eran los más significativos, lo cual tiene sentido, porque precisamente contienen a los
efectos de los factores B y D, los que determinan la tensión de la goma de la catapulta.
Entendida la importancia relativa de los efectos compuestos, se quiso separar a los

efectos principales (usualmente los más significativos) de los efectos compuestos B y
D . Para este fin se realizó una segunda etapa de experimentos, pero antes de presentar
los resultados, requerimos explicar con más detenimiento otras opciones para la
4 1
asignación de los factores. Considere el siguiente apartado acerca de un diseño 2 III .
a b c abc a b c - abc
A B C D A B C D
-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
+1 +1 +1 +1 +1 +1 +1 -1
(a) (b)
Tabla 1.3.2 Foldover del diseño factorial medio 24III1 .
En el diseño (a) de la tabla 1.3.2 tenemos el diseño que ya conocemos

(figura 1.2.1), el cual simplemente consiste en asignar al factor D el producto de los
elementos de las comunas de los factores A, B y C. Sin embargo, sería igualmente
12
válido asignar al factor D una columna con signos opuestos, como se muestra en el
diseño (b) de la tabla 1.3.2. En ambos casos tendremos al factor D y a los demás
factores confundidos:
Diseño (a): Diseño (b):

Relación de definición: I = ABCD I= -ABCD
Si tras la ejecución del diseño (a) de la tabla 1.3.2 concluyéramos que requerimos
más información, podríamos optar por correr al diseño (b), pero al hacerlo
encontraríamos que nuestro diseño habría dejado de ser factorial fraccionario, para
convertirse en un diseño factorial completo que, por supuesto, ya no tendría
confusiones, según se aprecia en la tabla 1.3.3.
a b c abc
A B C D A B C D
-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
+1 +1 +1 +1 -1 +1 +1 +1
+1 -1 -1 -1
a b c - abc
A B C D +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
+1 +1 +1 -1
Tabla 1.3.3 Diseño equivalente del foldover de un diseño 24III1 .
Para los diseños en los que tenemos más de una relación de definición, por ejemplo
5 2
el caso de la catapulta (diseño 2 III ), la situación es más compleja, pues cada asignación
que hagamos tiene su contrapartida negativa:
D = AB ó D =  AB y E = AC ó E =  AC
13
5 2
De tal modo que un diseño 2 III realmente tiene 4 formas posibles para hacer la
asignación de los factores:
(1) D = AB y E = AC (forma principal)

(2) D = AB y E =  AC
(3) D =  AB y E = AC
(4) D =  AB y E =  AC
Luego de desarrollar los experimentos con alguna de estas opciones, el investigador

podría requerir más detalle (para reducir la confusión) y podría, por lo tanto, aplicar
alguna de las demás opciones de diseño. Por supuesto, si se continua de esta forma,
hasta agotar todas las opciones, al final se habrá desarrollado el diseño factorial
completo.
Volviendo a los experimentos con la catapulta, luego del análisis de los resultados
de la primera parte, se decidió realizar una segunda parte consistente en la aplicación de
la opción de diseño D =  AB y E =  AC . La estructura de confusiones
correspondiente es:
Relación de definición completa: I = -ABD = -ACE = BCDE
Confusiones:
A = -BD = -CE B = -AD = CDE C = -AE = BDE D = -AB = BCE
E = -AC = BCD
BC = DE = -ACD = -ABE CD = BE = -ABC = -ADE
Esta estructura se puede descubrir construyendo la tabla de diseño, anexando las

columnas de las interacciones correspondientes por el método de multiplicación. Salvo
los signos “-“ que ahora agregamos, esta estructura es la misma que encontramos
originalmente. Nótese que los signos “-“ se aplican según la siguiente regla:
 Si la igualdad de confusión contiene un número impar de letras con asignación

negativa, agregar signo menos.
Por ejemplo, en la igualdad BC = -ACD, aparece la letra D a la cual se dio una

asignación D = -AB. Tenemos, por lo tanto, un número impar de letras con
asignación negativa. Por esta razón en la igualdad BC = -ACD aparece signo
negativo.
 Si la igualdad de confusión contiene un número par de letras con asignación

negativa, no poner signo menos.
14
Por ejemplo, en la igualdad CD = BE, aparecen las letras D y E, a las cuales

se dieron las asignaciones D = -AB y E= -AC. Tenemos, por lo tanto, un
número par de letras con asignación negativa. Por esta razón en la igualdad
CD = BE aparece sin signo negativo.
 Si la igualdad de confusión no contiene letras con asignación negativa, no

poner signo menos.
Este caso no se presenta aquí, pero hubiera aparecido si sólo se hubiera hecho
una asignación negativa. Por ejemplo si hubiéramos asignado
D = -AB y E= AC, se cumpliría la igualdad CD = -BE.
Los resultados de los experimentos de esta segunda parte se muestran en la

tabla 1.3.4.
a b c -ab -ac
y Ly
Corrida A B C D E BC ABC
1 -1 -1 -1 -1 -1 +1 -1 1.35 0.1303
2 -1 -1 +1 -1 +1 -1 +1 2.21 0.3444
3 -1 +1 -1 +1 -1 -1 +1 3.81 0.5809
4 -1 +1 +1 +1 +1 +1 -1 5.39 0.7316
5 +1 -1 -1 +1 +1 +1 +1 1.92 0.2833
6 +1 -1 +1 +1 -1 -1 -1 2.58 0.4116
7 +1 +1 -1 -1 +1 -1 -1 1.75 0.2430
8 +1 +1 +1 -1 -1 +1 +1 3.23 0.5092
Tabla 1.3.4 Resultado de la segunda parte del experimento con la catapulta.
Los efectos correspondientes son los siguientes:
A    A  BD  CE   0.0850
B    B  AD  CDE   0.2238
C   C  AE  BDE   0.1898
D    D  AB  BCE   0.1951
E    E  AC  BCD   0.0074
BC    BC  DE  ACD  ABE   0.0186
ABC   CD  BE  ABC  ADE   0.0503
15
Nuevamente, con la simple observación de las magnitudes de los efectos, resulta

fácil decir que los efectos compuestos B y D son los más significativos, tal cual
detectamos anteriormente. Estos efectos están relacionados con los factores ángulo (B)
y altura del pin (D). Puede decirse que los valores de estos efectos son semejantes a los
obtenidos en el primer paso. La novedad aquí es que el efecto compuesto C también
resultó significativo. El efecto compuesto C está relacionado con el factor posición de
la taza (C), el cual determina el radio de la palanca de la catapulta (figura 1.2). Este
resultado es consistente con nuestros conocimientos acerca de la acción de una palanca.
Ahora veremos la ventaja de haber escogido la opción de diseño

D =  AB y E =  AC . Abajo mostramos el resumen de los resultados obtenidos en
la primera y segunda parte de nuestros experimentos con la catapulta:
Efectos calculados en la primera parte:

A    A  BD  CE   0.0620
B    B  AD  CDE   0.1799
C   C  AE  BDE   0.0533
D    D  AB  BCE   0.2172
E    E  AC  BCD   0.0078
BC    BC  DE  ACD  ABE   0.0499
ABC   CD  BE  ABC  ADE   0.0377
Efectos calculados en la segunda parte:

A    A  BD  CE   0.0850
B    B  AD  CDE   0.2238
C   C  AE  BDE   0.1898
D    D  AB  BCE   0.1951
E    E  AC  BCD   0.0074
BC    BC  DE  ACD  ABE   0.0186
ABC   CD  BE  ABC  ADE   0.0503
El efecto aislado del factor A se puede obtener sumando los efectos compuestos A
y A , y dividiendo entre dos:

 A   A  BD  CE     A  BD  CE  0.0620  0.0850
  A  A
   0.0735
2 2 2
16
Con respecto a los demás factores se puede aplicar el mismo procedimiento, con la
variante de que asumimos que las interacciones triples y superiores no son significantes:
 B 0.1799  0.2238
 B  B
  0.2019
2 2
 C 0.0533  0.1898
 C   C   0.1216
2 2
 D 0.2172  0.1951
 D   D   0.2062
2 2
 E 0.0078  0.0074
 E   E   0.0076
2 2
Los demás efectos compuestos BC y ABC , y sus versiones complementarias E y

ABC resultaron muy pequeños, por lo que podríamos decir que son no significantes. Sin
embargo, suponiendo que necesitamos conocer el efecto compuesto de las interacciones
CD y BE. Usando el mismo procedimiento anterior tenemos:
 ABC   CD  BE  ABC  ADE    CD  BE  ABC  ADE 
  CD  BE   ABC

2 2
0.0377  0.0503
  0.0063
2
Asumiendo como significantes sólo a los efectos de los factores A, B, C y D, el
modelo de predicción correspondiente es:
  A   B  C    D
Ly = y+ A+ B+ C+ D
2 2 2 2
Donde y es la media global de todas la mediciones (tanto de la primera parte como

de la segunda parte). Así, de las tablas 1.3.1 y 1.3.4:
0.4134+0.4043
y = 0.4089
2
Reemplazando los valores encontrados:
 -0.0735   0.2019   0.1216   0.2062 

Ly = 0.4089+ A+ B+ C+ D
2 2 2 2
= 0.4089 -0.0368 A+0.1010 B+0.0608C+0.1031D
Debido a que en esta serie de experimentos no hemos realizado réplicas, no es

posible obtener un valor de MSE con el cual construir los estadísticos de prueba para
determinar la significancia estadística de los coeficientes. En estos casos, podremos usar
el procedimiento gráfico que presentamos en la sección 2.5.
17
1.4 Diseño factorial fraccionario por bloques:
Tras optar por un diseño factorial fraccionario, puede ocurrir que el número de
corridas experimentales todavía sea tan grande que los experimentos no se hagan bajo
condiciones homogéneas. Por ejemplo, la cantidad de recursos requeridos podría
ocasionar que se necesiten varios lotes, los cuales se constituirían en una fuente de
variabilidad, a menos que esta variabilidad sea contrarrestada del algún modo. El
procedimiento indicado para estos casos es el diseño por bloques [Montgomery, D.,
2001].
La construcción de la tabla de diseño factorial por bloques es similar a la

construcción de la tabla de un diseño factorial fraccionario (figura 1.2.1). Considere el
6 2
diseño 2III que se muestra en tabla 1.4.1.
Y1
y1
y2
y3
y4
y5
y6
y7
y8
y9
y10
y11
y12
y13
y14
y15
y16
6 2
Tabla 1.4.1 Construcción de un diseño de 2 bloques a partir de un diseño 2III .
Debemos acomodar 6 factores en una tabla básica de 4 factores. Las interacciones

ABC y BCD se asignan a los factores E y F respectivamente. Además, asumiendo que
las condiciones de homogeneidad se logran dentro de bloques de no más de 8 corridas
(combinaciones), estaríamos necesitando 2 bloques para completar las 16 corridas del
diseño. Podemos imaginar que tenemos un factor llamado Blk (tabla 1.4.1) con los
niveles -1 y +1 para representar a los bloques 1 y 2, respectivamente. Notamos que el
factor Blk se ha asignado a la interacción ABD. Así, el procedimiento para construir un
k p k p
diseño 2Re s de 2 bloques simplemente consiste en construir el diseño 2Re s , y luego
escoger una interacción (o cualquiera de sus correspondientes interacciones de
confusión) para asignarla a un factor de bloque (tabla 1.4.1). Realmente, podemos notar
6 2 6 3
que la tabla de diseño 2III con dos bloques es equivalente a un diseño 2 . Sin
18
6 2
embargo, conceptualmente hay una diferencia muy importante. En el diseño 2III con
dos bloques el requerimiento de aleatoriedad, sólo se cumplirá dentro de cada bloque,
ya que la homogeneidad sólo se puede lograr dentro de los bloques. Además, la
interacción escogida (y sus confusiones) para definir los bloques, ya no aparecerá en el
modelo. Esto quiere decir que la escogencia de la interacción que se usará para definir
los bloques deberá hacerse suponiendo (o con el conocimiento de) que esta interacción
no es significante.
El cálculo de los efectos de los factores y de las interacciones (y todas las

confusiones) podrá hacerse de la misma forma, salvo la interacción de bloqueo, que no
aparecerá en el modelo. Por ejemplo, el cálculo del efecto del factor A con sus
interacciones de confusión será:

Signo   ColumA
yi 
Signo   ColumA
yi
   A  BCF  BDG   
Num Sig    Colum A Num Sig    Colum A
A
y9 + y10 + y11+ y12 + y13 + y14 + y15 + y16 y1+ y2 + y3 + y4 + y5 + y6 + y7 + y8

 
8 8
Bajo la suposición de que el modelo es lineal respecto a los coeficientes, el efecto que
pudiera tener el bloque queda cancelado como consecuencia del cálculo de los
promedios. Esto se puede comprobar al notar que para A= 1 (ó A= 1 ), el número
de veces en que el factor Blk = 1 es 4, igual al número de veces en que el factor
Blk = 1 .
El procedimiento que hemos descrito se puede extender a un número de bloques

2 , donde b = 1,2... , es decir para 2, 4, 8, 16 … bloques. Por ejemplo, en la tabla 1.4.2
b
83
se muestra el diseño 2IV con 4 bloques. Aquí no bastará tomar una interacción para
formar los bloques. Se requieren tomar dos interacciones, cada una de las cuales
asignadas a dos factores de codificación de bloques, Blk1 y Blk2. Con dos factores de
dos niveles se crea un patrón de codificación para 4 bloques. Así, en general, se
requerirán b factores para codificar 2b bloques.
19
a b c d e abc abd bcde eh abe

A B C D E F G H Blk1 Blk2 Bloque
-1 -1 -1 -1 -1 -1 -1 +1 -1 -1 1
-1 -1 -1 -1 +1 -1 -1 -1 -1 +1 2
-1 -1 -1 +1 -1 -1 +1 -1 +1 -1 3
-1 -1 -1 +1 +1 -1 +1 +1 +1 +1 4
-1 -1 +1 -1 -1 +1 -1 -1 +1 -1 3
-1 -1 +1 -1 +1 +1 -1 +1 +1 +1 4
-1 -1 +1 +1 -1 +1 +1 +1 -1 -1 1
-1 -1 +1 +1 +1 +1 +1 -1 -1 +1 2
-1 +1 -1 -1 -1 +1 +1 -1 +1 +1 4
-1 +1 -1 -1 +1 +1 +1 +1 +1 -1 3
-1 +1 -1 +1 -1 +1 -1 +1 -1 +1 2
-1 +1 -1 +1 +1 +1 -1 -1 -1 -1 1
-1 +1 +1 -1 -1 -1 +1 +1 -1 +1 2
-1 +1 +1 -1 +1 -1 +1 -1 -1 -1 1
-1 +1 +1 +1 -1 -1 -1 -1 +1 +1 4
-1 +1 +1 +1 +1 -1 -1 +1 +1 -1 3
+1 -1 -1 -1 -1 +1 +1 +1 -1 +1 2
+1 -1 -1 -1 +1 +1 +1 -1 -1 -1 1
+1 -1 -1 +1 -1 +1 -1 -1 +1 +1 4
+1 -1 -1 +1 +1 +1 -1 +1 +1 -1 3
+1 -1 +1 -1 -1 -1 +1 -1 +1 +1 4
+1 -1 +1 -1 +1 -1 +1 +1 +1 -1 3
+1 -1 +1 +1 -1 -1 -1 +1 -1 +1 2
+1 -1 +1 +1 +1 -1 -1 -1 -1 -1 1
+1 +1 -1 -1 -1 -1 -1 -1 +1 -1 3
+1 +1 -1 -1 +1 -1 -1 +1 +1 +1 4
+1 +1 -1 +1 -1 -1 +1 +1 -1 -1 1
+1 +1 -1 +1 +1 -1 +1 -1 -1 +1 2
+1 +1 +1 -1 -1 +1 -1 +1 -1 -1 1
+1 +1 +1 -1 +1 +1 -1 -1 -1 +1 2
+1 +1 +1 +1 -1 +1 +1 -1 +1 -1 3
+1 +1 +1 +1 +1 +1 +1 +1 +1 +1 4
83
Fig. 1.4.2 Construcción de un diseño de 4 bloques a partir de un diseño 2IV .
20
2. Diseños factoriales de selección
2.1 Introducción:
Los diseños factoriales fraccionarios que estudiamos en el capítulo anterior nos

permiten la construcción de modelos aproximados a bajo costo en tiempo y recursos.
Esto se logra mediante la reducción del número de corridas experimentales. Debido a
que en estos diseños se resalta la importancia de los factores simples, también pueden
usarse como mecanismo objetivo para la selección de factores. Cuando así se hace, lo
usual es que se escojan diseños RIII (tabla 1.2.2). Desafortunadamente, como veremos,
los diseños RIII no son suficientes para analizar toda la gama de factores que podrían
requerirse en un estudio, y no todos los diseños RIII son apropiados.
2.2 Diseños RIII para selección:
En los diseños RIII los factores están confundidos con interacciones dobles, y
según la fracción que se trate, se podrán encontrar algunas interacciones dobles
confundidas con otras interacciones dobles, y con interacciones de tercer orden (ver
tabla 2.2.1):
Número de
coeficientes Número de
Diseño Confusiones Modelo sin interacciones en el modelo corridas
A= BC
3 1 B = AC   A   B  C  4 2 3 1  4
2 III C = AB
ŷ = y+
2
A+
2
B+
2
C
A= BD = CE
B = AD = CDE
5 2 C = AE = BDE   A   B  C    D E
2III D = AB = BCE
ŷ = y+
2
A+
2
B+
2
C+
2
D+
2
E 6 25 2  8
E = AC = BCD
BC = DE = ACD = ABE
CD = BE = ABC = ADE
3 1 5 2
Tabla 2.2.1 Comparación de la eficiencia de un diseño 2III respecto a otro 2III .
Como sabemos, el modelo para la estimación de la característica “y” se puede

obtener mediante un análisis de regresión múltiple convencional, pues de hecho se trata
de lo mismo, sólo que en la metodología de diseño de experimentos los cálculos son
más sencillos, gracias a la codificación y a las condiciones de ortogonalidad impuestas.
21
Se encuentra, por lo tanto, una relación inmediata entre el número de corridas del
diseño de experimentos, y el tamaño n de la muestra de un análisis de regresión
múltiple. Tenemos entonces, que si en un análisis de regresión múltiple el tamaño n
puede ser como mínimo igual al número de coeficientes del modelo (número de
variables más uno), en diseño de experimentos, el número mínimo de corridas podría
ser igual al número de factores más uno. Esta condición para el mínimo número de
corridas es ideal para ahorrar de recursos.
Considerando la lógica anterior, aparte de la diferencia en el número de factores

3 1 5 2
que tenemos entre los diseños 2III y 2III (tabla 2.2.1), podemos decir que el modelo
3 1 5 2
2III es un modelo más eficiente en cuanto el uso de recursos que el diseño 2III , debido
a que el primero tiene un número de coeficientes (número de factores más uno) igual al
5 2
número de corridas. Para resolver la ineficiencia del diseño 2III podríamos pensar en
simplemente reducir el número de corridas, pero si hiciéramos esto, se desbalancearía el
diseño, con lo que se perderían las ventajas que ofrece la ortogonalidad (por ej.,
ausencia de multicolinealidad).
La situación anterior demuestra que la eficiencia de un diseño en el que se

desestimen las interacciones, no es la misma entre los diseños RIII . De hecho, los
diseños RIII que tienen la condición especial de que el número de corridas sea igual al
número de factores más uno, son sólo aquellos diseños en los que todos los factores
están en confusión con al menos una interacción doble; y en los que cada interacción
doble está en confusión con sólo un factor (con la posibilidad de estar también en
confusión con otras interacciones dobles o de orden superior). A esta condición se le
conoce como saturación, y a los diseños que tienen esta condición se les conocen como
diseños saturados.
En términos del número de corridas, del número de factores, y de la fracción, la

condición ideal de los diseños RIII debe cumplir con la siguiente ecuación:
r = k+1= 2k  p , k, p,r   k>p (2.2.1)
donde r es el número de corridas, k es el número de factores, y p es el exponente de la
fracción.
Para resolver esta ecuación, lo primero que notamos es que r es una sucesión de
números enteros condicionados a que sus valores sean potencias de 2. Así, para asegurar
la generación de esta secuencia, podemos imaginar un índice entero i , para cada valor
ri :
ri = 2i (2.2.2)
22
Comparando la ecuación 2.2.2, con la ecuación 2.2.1, tenemos que el exponente de 2 ha

de cumplir con la siguiente igualdad:
i = k  p , i,k, p   k>p
Así: p = ki (2.2.3)
Si hacemos que i y k (ecuación 2.2.3) se incrementen independientemente de uno en
uno a partir de 1 (puesto que i,k  ), considerando que k > p , los valores de p
estarán restringidos. Así, resolviendo individualmente para cada combinación (i,k) se
obtiene la siguiente tabla con la solución “tentativa” de los valores de p :
Número de
corridas k
ri  2 i i 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
2 1 NA 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
4 2 NA NA 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29
8 3 NA NA NA 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28
16 4 NA NA NA NA 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27
32 5 NA NA NA NA NA 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
64 6 NA NA NA NA NA NA 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
128 7 NA NA NA NA NA NA NA 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
256 8 NA NA NA NA NA NA NA NA 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
p
Tabla 2.2.2 Solución numérica de la ecuación 2.2.3 para los valores de p. Se resaltan los
valores de p y k que a su vez cumplen con la ecuación 2.2.1.
No todos los valores generados en la tabla 2.2.2 cumplen con la ecuación 2.2.1.
Falta considerar la restricción de que el número de corridas ( 2 i , ecuación 2.2.2) sea
igual al número de factores más uno (k+1). Observando la tabla 2.2.2, podemos
identificar las celdas en las que sí se cumple con esta restricción, lo cual para mayor
claridad se presenta en la tabla 2.2.3:
Número de
corridas
ri  2 i i k p
2 1
4 2 3 1
8 3 7 4
16 4 15 11
32 5 31 26
Tabla 2.2.3 Solución numérica parcial de la ecuación 2.2.1.
Observando la secuencia de la columna k en esta tabla, se deduce que los valores de

k se pueden calcular con la siguiente fórmula:
ki = 2i  1 , con i  2 (2.2.4)
23
En la tabla siguiente mostramos parte de la secuencia de los diseños RIII que sirven
para la selección de factores:
Índice Número de factores Fracción Número de corridas
i ki = 2i  1 pi = ki  i ri = 2i = 2ki  pi
i2
k  pi
Diseño 2III
i
i ki pi ri
3 1
2 3 1 4 2III
3 7 4 8 27III 4
15  11
4 15 11 16 2III
31 26
5 31 26 32 2III
63  57
6 63 57 64 2III
127  120
7 127 120 128 2III
255  247
8 255 247 256 2III
Tabla 2.2.4 Secuencia de los diseños RIII saturados.
Si nos ubicamos en la perspectiva de análisis de regresión múltiple, la asignación

de los factores a las columnas de un diseño es una operación arbitraria. Por ejemplo,
15  11
considere el diseño 2III que se muestra en la tabla siguiente:
x A x B xC x D x E xF xG x H xJ xK No se usan
a b c d abc abd acd bcd abcd ab ac ad bc bd cd

Y
Corrida A B C D E F G H J K L M N O P
1 -1 -1 -1 -1 -1 -1 -1 -1 +1 +1 +1 +1 +1 +1 +1 y1
2 -1 -1 -1 +1 -1 +1 +1 +1 -1 +1 +1 -1 +1 -1 -1 y2
3 -1 -1 +1 -1 +1 -1 +1 +1 -1 +1 -1 +1 -1 +1 -1 y3
4 -1 -1 +1 +1 +1 +1 -1 -1 +1 +1 -1 -1 -1 -1 +1 y4
12 +1 -1 +1 +1 -1 -1 +1 -1 -1 -1 +1 +1 -1 -1 +1 y12
13 +1 +1 -1 -1 -1 -1 +1 +1 +1 +1 -1 -1 -1 -1 +1 y13
14 +1 +1 -1 +1 -1 +1 -1 -1 -1 +1 -1 +1 -1 +1 -1 y14
15 +1 +1 +1 -1 +1 -1 -1 -1 -1 +1 +1 -1 +1 -1 -1 y15
16 +1 +1 +1 +1 +1 +1 +1 +1 +1 +1 +1 +1 +1 +1 +1 y16
15  11
Tabla 2.2.5 Asignación de 10 factores a las columnas de un diseño 2III .
Esta tabla corresponde al diseño ideal de selección para asignar a 15 factores (A, B,
C, …P). Si quisiéramos asignar 10 factores en vez de 15, puesto que no existe un
diseño RIII saturado de exactamente 10 factores, podríamos usar las primeras 10
columnas de la tabla 2.2.5. Usando estas columnas con sus 16 corridas podríamos
aprovechar las ventajas de la ortogonalidad del diseño. Considerando un modelo sin
24
interacciones, con esta tabla de diseño podríamos obtener resultados óptimos en cuanto
a la precisión (porque se minimiza el error estándar de los coeficientes). No obstante,
debido a que el número de 16 corridas es mayor que el número de factores más uno
(11), no podemos decir que éste sea un diseño óptimo en cuanto el uso de recursos.
Casos como este pusieron de manifiesto las limitaciones de los diseños RIII saturados
(tabla 2.2.4). Por lo tanto, fue necesario concebir otros diseños para ampliar las
opciones.
2.3 Diseños Plackett – Burman:
Esta fue la estrategia de diseño propuesta por Plackett y Burman (1946) para
resolver la limitación de los diseños RIII (tabla 2.2.4). Los diseños Packett-Burman son
más flexibles [Shmidt, S., Launsby, R., 2000]. El número de corridas que se pueden
manejar por las tablas de diseño de Plackett-Burman es un múltiplo de 4 ( ej., n =4, 8,
12, 16, 20) en vez de ser potencias de 2 (ver columna ri de la tabla 2.2.4). Cuando se
usan todas las k columnas de estos diseños, se pueden hacer análisis para k factores con
(k+1) corridas, precisamente lo requerido para un diseño eficiente (óptimo en cuanto al
uso de recursos).
Los diseños RIII de la tabla 2.2.4 son un subconjunto de las opciones de diseño de
Plackett-Burman, sólo que encontraremos que los renglones y columnas de diseño se
presentan en un orden permutado, y con cambio de signo de algunas columnas. Al
subconjunto de diseños Plackett-Burman equivalente a los diseños RIII se le conoce
como diseños Plackett-Burman geométricos. En la tabla 2.3.1 mostramos un diseño
Plackett-Burman geométrico de 8 corridas y 7 factores, nombrado abreviadamente
diseño PB8 . Este diseño es funcionalmente equivalente a un diseño factorial
7 4
fraccionario 2III .
Corrida A B C D E F G
1 +1 -1 -1 +1 -1 +1 +1
2 +1 +1 -1 -1 +1 -1 +1
3 +1 +1 +1 -1 -1 +1 -1
4 -1 +1 +1 +1 -1 -1 +1
5 +1 -1 +1 +1 +1 -1 -1
6 -1 +1 -1 +1 +1 +1 -1
7 -1 -1 +1 -1 +1 +1 +1
8 -1 -1 -1 -1 -1 -1 -1
Tabla 2.3.1 Diseño Plackett-Burman PB8 geométrico.
Debido a la equivalencia funcional con los diseños RIII, en los diseños Packett-
Burman geométricos, se cumplirá que cada factor estará en total confusión (negativa o
25
positiva) con un número variable de interacciones dobles, según el orden del diseño.
Por ejemplo, en el diseño de la tabla 2.3.1 podemos notar que la columna del factor D es
igual al producto con signo invertido de los pares de columnas (A,B), (C,F), y (E,G):
D =  AB   CF   EG
Mencionar la semejanza entre los diseños Plackett-Burman geométricos y los

diseños RIII es interesante, pero el verdadero poder de estos diseños se tiene cuando se
aplican a casos diferentes de los que se pueden abordar con los diseños RIII, cuando el
número de factores no se encuentra en la tabla 2.2.4. Los diseños Plackett-Burman,
respecto a los diseños RIII saturados, ofrecen un aumento significativo en el número de
factores que se pueden acomodar óptimamente (figura 2.3.1).
Número de factores en los diseños factoriales RIII saturados. Continúa

7 15 31 63
7 11 15 19 23 27 31 35 39 43 47 51 55 59 63 67 71 75 79 83 87 91 95 99
Número de factores en los diseños factoriales Plackett-Burman.
Hasta aquí
Fig. 2.3.1 Comparación entre los diseños Plackett-Burman y los diseños RIII saturados,
respecto al número de factores que se pueden acomodar óptimamente.
Los diseños de Packett-Burman están disponibles para acomodar desde 7 a 99

factores (7, 11,…99), con intervalo de 4 factores entre diseños. No existe el diseño
óptimo para 91 factores (los investigadores no encontraron un patrón apropiado). Todos
estos diseños están disponibles en la literatura estadística de diseño experimental
[Plackett y Burman, 1946].
La figura 2.3.1 demuestra la gran ventaja de los diseños Plackett-Burman respecto a

los diseños RIII saturados. Por ejemplo, si quisiéramos hacer la selección de 45 factores,
podemos escoger un diseño para 47 factores, el cual es una opción más cercana (y por
ello más eficiente) que la opción de 63 factores del diseño RIII .
2.3.1 Criterio de optimización de los diseños Plackett-Burman:
El criterio de optimización de los diseños de Plackett-Burman es la minimización

del error estándar de los k coeficientes  j del modelo ( j = 1,...,k ), lo cual implica la
maximización del estadístico t de la prueba de significancia de los coeficientes  j del

modelo de regresión lineal y = f x1 ,x2 ,...,x j ,...,xk : 
ˆ j ˆ j  xj 
tj   , con ˆ j  (2.3.1)
 Error estandar  j MSE×C jj 2
26
Donde MSE (mean square error) es el error cuadrático medio de las diferencias de los
valores medidos de la respuesta respecto a los valores predichos por el modelo. El MSE
no depende de la estructura de la tabla de diseño. Por otro lado, C jj es una constante que
sí depende de la estructura de la tabla de diseño. Definiendo la matriz cuadrada
C X' X
1
(2.3.2)
C jj se corresponde con el elemento  j, j  de ésta matriz. Aquí X es la matriz de los
niveles de factores de la tabla de diseño, con un vector de 1´s agregado en el lado
derecho. Por ejemplo, para el diseño PB8 de la tabla 2.3.1, la matriz X es la que se
muestra a continuación:
x1 x 2 x 3 x4 x5 x6 x7
1 1 -1 -1 1 -1 1 1
1 1 1 -1 -1 1 -1 1
1 1 1 1 -1 -1 1 -1
X 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
De la teoría de análisis de regresión múltiple [Maindonald, J., Braun, W. J., 2010]

se conoce que las constantes C jj se pueden calcular con otra ecuación alternativa que
nos facilita la interpretación:
1 1 VIFj
C jj =  
 n 1Var  x j  1  R2j  n 1Var  x j 
(2.3.3)
Donde:
Var  x j  : Varianza de los niveles correspondientes al factor x j .
R 2j : Es el coeficiente de determinación considerando al factor x j como

respuesta, asumiendo que los demás factores son los factores
independientes. Es, por lo tanto, una medida de la multicolinealidad
(relación lineal) del factor x j respecto al conjunto de los demás
factores.
VIFj : Factor de inflación de la varianza (“variance inflation factor”). Puesto
2
que es una forma transformada de R j , tiene la misma interpretación:
es una medida de la multicolinealidad del factor respecto al conjunto
de los demás factores. Siempre se cumplirá que VIF  1 .
n: Número de corridas (cuándo no hay réplicas).
27
En el caso de los diseños de Plackett-Burman geométricos, debido a su relación con

los diseños RIII , el cálculo de las constantes C jj es inmediato:
Var  x j  
n x j , debido a que en cada columna el número de niveles
, para todo
n 1
-1 y es igual al número de niveles +1 (diseño balanceado).
R 2j  0 , para todo x j , debido a la ortogonalidad del diseño.
1 1 1
Así: C jj  ×  (2.3.4)
n 10 n
 n 1
n 1
En vista de este resultado (ecuación 2.3.4), Plackett y Burman (1946) concibieron
la idea de definir tablas de diseño que se comportaran de la misma manera, que a su vez
tuvieran mayor flexibilidad que los diseños RIII , respecto al número de corridas. Para
tal efecto, encontraron que las matrices Hadamard presentaban el comportamiento
requerido, sólo que estaban restringidas para trabajar con un número de corridas
múltiplo de 4 [Plackett, R.L., Burman, J.P.,1946]. No obstante, como vimos
(figura 2.3.1) el abanico de opciones es mucho mayor que el que se tiene en los diseños
RIII .
2.3.2 Procedimiento para la construcción de los diseños Plackett-Burman:
Para la construcción de las matrices, Plackett y Burman idearon un método

sistemático aplicable a cualquiera de los números de corridas posibles (múltiplos de 4),
partiendo de un vector generador único para cada número de corridas [Shmidt, S.,
Launsby, R., 2000]. Por ejemplo, el vector generador para el diseño PB8 de la tabla
2.3.1 consta de 7 valores          , por convención, para resaltar que se trata de
niveles, sólo se ponen los signos (+) y (-) . Con este vector, la construcción de la tabla
empieza con los primeros  n 1 renglones. A continuación se explica paso a paso el
procedimiento.
(1) En la posición de la columna A se copia al vector generador:
1 +1 -1 -1 +1 -1 +1 +1
2 +1 +1 -1 -1 +1 -1 +1
3 +1 +1 +1 -1 -1 +1 -1
4 -1 +1 +1 +1 -1 -1 +1
5 +1 -1 +1 +1 +1 -1 -1
6 -1 +1 -1 +1 +1 +1 -1
7 -1 -1 +1 -1 +1 +1 +1
8 -1 -1 -1 -1 -1 -1 -1
28
(2) La columna del factor B se construye haciendo un “corrimiento circular” del

vector de la columna A. Para ello, desplace hacia abajo una posición a los
valores del vector A, y tome el último valor del vector A, para ponerlo en la
primera posición del vector B:
1 +1 -1 -1 +1 -1 +1 +1
2 +1 +1 -1 -1 +1 -1 +1
3 +1 +1 +1 -1 -1 +1 -1
4 -1 +1 +1 +1 -1 -1 +1
5 +1 -1 +1 +1 +1 -1 -1
6 -1 +1 -1 +1 +1 +1 -1
7 -1 -1 +1 -1 +1 +1 +1
8 -1 -1 -1 -1 -1 -1 -1
(3) Continúe de la misma forma hasta completar las 7 columnas:
1 +1 -1 -1 +1 -1 +1 +1
2 +1 +1 -1 -1 +1 -1 +1
3 +1 +1 +1 -1 -1 +1 -1
4 -1 +1 +1 +1 -1 -1 +1
5 +1 -1 +1 +1 +1 -1 -1
6 -1 +1 -1 +1 +1 +1 -1
7 -1 -1 +1 -1 +1 +1 +1
8 -1 -1 -1 -1 -1 -1 -1
(4) Finalmente llene con (-1) al último renglón:
1 +1 -1 -1 +1 -1 +1 +1
2 +1 +1 -1 -1 +1 -1 +1
3 +1 +1 +1 -1 -1 +1 -1
4 -1 +1 +1 +1 -1 -1 +1
5 +1 -1 +1 +1 +1 -1 -1
6 -1 +1 -1 +1 +1 +1 -1
7 -1 -1 +1 -1 +1 +1 +1
8 -1 -1 -1 -1 -1 -1 -1
29
Según dijimos, Plackett y Burman prepararon las tablas de diseño con un número
de corridas múltiplos de 4, a partir de n=8 corridas hasta n=100, exceptuando n=92. En
su diseño usaron matrices de Hadamard, pero en algunos casos procedieron por ensayo
y error [Plackett, R.L., Burman, J.P.,1946]. A continuación mostramos los vectores
generadores para los primeros 5 diseños:
n=8        
n = 12            
n = 16               
n = 20                   
n = 24                       
2.3.3 Semejanzas y diferencias entre los diseños Plackett-Burman y los

diseños RIII :
Podemos comprobar que los diseños Plackett-Burman se asemejan a los diseños

RIII en lo siguiente:
 Son balanceados (la suma de los valores de cualquier columna es igual a cero).
 Dos columnas cualesquiera son ortogonales (el producto de dos columnas
produce en vector balanceado).
 Cumplen con la condición para la constante C jj (ecuación 2.3.4).
Los diseños geométricos Plackett-Burman son funcionalmente equivalentes a los

diseños RIII saturados, salvo alguna permutación de columna o renglón, y cambio de
signo en toda una columna. Por otro lado, los diseños no geométricos Plackett-Burman
se diferencian de los diseños RIII , en que los factores no están totalmente
correlacionados con algunas interacciones dobles. De hecho, encontramos que los
factores tienen algún nivel de correlación simultáneamente con varias de las
interacciones dobles, por lo que podemos decir que están parcialmente confundidos con
las interacciones dobles [Shmidt, S., Launsby, R., 2000]. En la tabla siguiente
mostramos un diseño PB12 con algunas de las interacciones dobles.
30
Algunas
PB12 interacciones
A B C D E F G H J K L AB BC CD DE
+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 -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 +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 -1 -1 -1 -1 -1 -1 -1 -1 +1 +1 +1 +1
Tabla 2.3.2 Diseño Plackett-Burman PB12 con algunas de las interacciones dobles.
En la tabla 2.3.3 mostramos los coeficientes de correlación de los factores con

algunas de las interacciones dobles, correspondientes a la tabla 2.3.2:
A B C D E F G H J K L AB BC CD DE
AB 0 0 -0.33 0.33 0.33 -0.33 -0.33 0.33 -0.33 -0.33 -0.33 1
BC -0.33 0 0 -0.33 0.33 0.33 -0.33 -0.33 0.33 -0.33 -0.33 0 1
CD -0.33 -0.33 0 0 -0.33 0.33 0.33 -0.33 -0.33 0.33 -0.33 -0.33 0 1
DE -0.33 -0.33 -0.33 0 0 -0.33 0.33 0.33 -0.33 -0.33 0.33 0.33 -0.33 0 1
Tabla 2.3.3 Coeficientes de correlación entre los factores y algunas de las interacciones
dobles de un diseño Plackett-Burman PB12 .
En la tabla 2.3.3 notamos que las interacciones dobles están correlacionadas con los
factores que no contienen ninguna de sus letras. Por ejemplo, la interacción AB está
correlacionada con todos los factores con excepción de los factores A y B. Además, los
coeficientes de correlación tienen magnitudes menores que 1. Una interpretación de esto
es que en los diseños Plackett-Burman no geométricos las interacciones se dispersan
entre los factores (no están 100% vinculadas con un solo factor). Esta es una
interpretación interesante, porque de esta forma se refuerza la suposición de que los
factores prevalecen a las interacciones dobles o superiores. Esta suposición es el
principio fundamental en el que se basa el procedimiento de selección de factores que
describiremos en la sección 2.5.
31
2.4 Diseños de Taguchi:
La aparición de los diseños de ortogonales Plackett-Burman (1946) creó una

perspectiva más amplia, ahora se podían hacer experimentos con un gran número de
factores, con una mínima utilización de recursos. Así, para la década de los 50´s, cuando
el Dr. Taguchi entra en escena, la idea de estos diseños ya se había difundido como
práctica experimental. Él reconoce la gran utilidad del concepto de economía de
corridas de estos diseños para su metodología del diseño robusto de parámetros, la
cual desarrolló para resolver diversos problemas de calidad en su trabajo como
ingeniero en el “Laboratorio de Comunicaciones Eléctricas (ECL), de la Nippon
Telegraph and Telephone Corporation” [Taguchi, G., Chowdhury, S., Wu,Y., 2005].
Taguchi se inspira en los diseños ortogonales, pero no los toma en su forma original,
sino que los adapta para que sean consistentes con su filosofía de hacer al proceso
experimental más simple y expedito. Además, crea nuevos diseños considerando más de
2 niveles. Entre los diseños de Taguchi tenemos diseños de 2, 3, 4 y hasta 5 niveles, en
sus formas puras (factores con un mismo número de niveles); y diseños mixtos de 2
niveles con 3, con 4, y con 5 niveles.
Básicamente en los diseños de Taguchi, como en los de Placket-Burman, se aborda

la cuestión de minimizar el número de corridas, mientras se procura minimizar al error
estándar de los coeficientes del modelo (ecuación 2.3.3). Así, para lograr este objetivo,
en estos diseños se tienen las siguientes propiedades:
 Son balanceados (en cada columna, el número de veces que aparecen los niveles
de un factor es el mismo).
 Dos columnas cualesquiera son ortogonales (el coeficiente de correlación
calculado con los valores de dos columnas es cero).
 La constante C jj (ecuación 2.3.3) es mínima.
En la tabla 2.4.1 se presenta un diseño de Taguchi de 2 niveles y 8 corridas,

llamado para abreviar L8  27  . La letra L sugiere que estos diseños son formas
generalizadas de Cuadrados Latinos, el subíndice 8 indica el número de corridas, el
número 2 indica el número de niveles, y el exponente 7 se refiere al número máximo de
factores que se pueden acomodar en el diseño [Taguchi, G., Chowdhury, S, Wu,Y.,
2005].
Corridas 1 2 3 4 5 6 7
1 -1 -1 -1 -1 -1 -1 -1
2 -1 -1 -1 +1 +1 +1 +1
3 -1 +1 +1 -1 -1 +1 +1
4 -1 +1 +1 +1 +1 -1 -1
5 +1 -1 +1 -1 +1 -1 +1
6 +1 -1 +1 +1 -1 +1 -1
7 +1 +1 -1 -1 +1 +1 -1
8 +1 +1 -1 +1 -1 -1 +1
a b -ab c -ac -bc abc
Tabla 2.4.1 Diseño de Taguchi L8(27).
32
En la tabla 2.4.2 mostramos un diseño mixto de 2 y 3 niveles L18  2 1  37  .

Corridas 1 2 3 4 5 6 7 8
1 -1 -1 -1 -1 -1 -1 -1 -1
2 -1 -1 0 0 0 0 0 0
3 -1 -1 +1 +1 +1 +1 +1 +1
4 -1 0 -1 -1 0 0 +1 +1
5 -1 0 0 0 +1 +1 -1 -1
6 -1 0 +1 +1 -1 -1 0 0
7 -1 +1 -1 0 -1 +1 0 +1
8 -1 +1 0 +1 0 -1 +1 -1
9 -1 +1 +1 -1 +1 0 -1 0
10 +1 -1 -1 +1 +1 0 0 -1
11 +1 -1 0 -1 -1 +1 +1 0
12 +1 -1 +1 0 0 -1 -1 +1
13 +1 0 -1 0 +1 -1 +1 0
14 +1 0 0 +1 -1 0 -1 +1
15 +1 0 +1 -1 0 +1 0 -1
16 +1 +1 -1 +1 0 +1 -1 0
17 +1 +1 0 -1 +1 -1 0 +1
18 +1 +1 +1 0 -1 0 +1 -1
Tabla 2.4.2 Diseño de Taguchi L18(21x 37).
Según se observa en la tabla 2.4.2, este es un diseño de 18 corridas, la columna 1

puede acomodar a un factor de 2 niveles, y las restantes 7 columnas (de la 2 a la 8)
pueden acomodar a 7 factores de 3 niveles ( +1, 0, -1).
Para denotar los niveles, el Dr. Taguchi empleó los números 1, 2, 3, 4 y 5. Sin
embargo, en esta explicación persistiremos con el uso de los símbolos (-1) y (+1) para
los diseños de dos niveles, y agregaremos al ( 0 ) como valor central en los diseños que
incluyan factores de 3 niveles. De esta forma, podremos referirnos con más claridad a
las similitudes y a las diferencias respecto a los diseños factoriales fraccionarios RIII
saturados, y a los diseños Plackett-Burman.
2.4.1 Clasificación de los diseños de Taguchi según el número de factores

y niveles:
Los diseños de Taguchi son en total 20, de los cuales 18 de ellos son realmente
arreglos ortogonales. Los diseños L9  2 21  y L23
  3 22  no son ortogonales. Entre los 18
diseños ortogonales tenemos:
 Diseños de 2 niveles: L4  2 3  , L8  27  , L12  2 11  , L16  215  , L32  2 31  , L64  263 
 Diseños de 3 niveles: L9  34  , L27  313  , L81  340 
 Diseños de 4 niveles: L16  4 5  , L64  4 21 
 Diseño de 5 niveles: L25  5 6 
 Diseños mixtos de 2 y 3 niveles: L18  21  37  , L36  211  312  ,
L36  2 3  313  , L54  21  3 25 
33
 Diseño mixto de 2 y 4 niveles: L32  2 1  4 9 

 Diseño mixto de 2 y 5 niveles: L50  2 1  5 11 
Todos estos diseños ya están tabulados, y para su uso práctico sólo basta con
referirse a las tablas de diseño que se encuentran ampliamente publicadas en la literatura
[Taguchi, G., Chowdhury, S, Wu,Y., 2005]. Además, la mayoría de los programas de
diseño experimental ya los tienen incluidos. Sin embargo, con el propósito de tener una
idea general acerca del procedimiento de construcción, haremos la explicación para los
diseños de 2 niveles.
2.4.2 Construcción de diseños de Taguchi de 2 niveles:
Entre los diseños de 2 niveles tenemos diseños cuyo número de corridas son
potencias de 2:
L4  2 3  , L8  27  , L16  215  , L32  2 31  , L64  263 
Además, tenemos un diseño que no cumple con esta propiedad: L12  2 11  .
Veamos primero a los diseños con número de corridas potencias de 2. Estos diseños
son fundamentalmente diseños factoriales fraccionarios RIII saturados. En la siguiente
tabla se muestra la relación entre estos diseños:
ki  pi
2III Taguchi
3 1
2III L4  2 3 
27III 4 L8  27 
15  11
2III L16  2 15 
31 26
2III L32  2 31 
63  57
2III L64  263 
Tabla 2.4.3 Relación entre los diseños de Taguchi de 2 niveles y los diseños RIII saturados.
Los diseños de Taguchi de la tabla anterior se pueden construir a partir de los

diseños RIII con los que están relacionados [Kacker, R. N, Lagergren, E.S, Filluben,
J.J., 1991]. A continuación presentamos el procedimiento de construcción de un diseño
L8  27  usando esta relación:
34
(1) Construya el diseño factorial fraccionario 27 4 partiendo del diseño factorial

completo 2 3 :
a b c ab ac bc abc
-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
(2) Asigne un número de una secuencia de potencias de dos ( 2 i ) a cada uno de los
factores del diseño factorial completo:
1 2 4
a b c ab ac bc abc
-1 -1 -1 +1 +1 +1 -1
-1 -1 +1 +1 -1 -1 +1
-1 +1 -1 -1 +1 -1 +1
(3) Cree una tabla vacía con un
-1 número
+1 +1 de-1renglones
-1 +1 igual
-1 al número de corridas
del diseño de Taguchi ( 8 +1
en nuestro
-1 -1 caso),
-1 y -1con
+1un+1
número de columnas igual
+1 -1 +1 -1 +1 -1 -1
al número de renglones menos 1 ( 7 en nuestro caso):
+1 +1 -1 +1 -1 -1 -1
Corridas +11 +1
2 3
+1 4
+1 5
+1 6
+1 7+1
1
2
3
4
5
6
7
8
(4) Usando como apuntador el número anotado arriba de los factores en el paso 2,
llene las columnas correspondientes en la tabla del paso 3, con los niveles de
los factores:
1 2 4
a b c ab ac bc abc
-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
Corridas +1
1 2-1 3-1 4-1 5-1 +1
6 +1
7
1 -1
+1 -1
-1 +1 -1
-1 +1 -1 -1
2 -1
+1 -1
+1 -1 +1
+1 -1 -1 -1
3 -1
+1 +1
+1 +1 -1
+1 +1 +1 +1
4 -1 +1 +1
5 +1 -1 -1
6 +1 -1 +1
7 +1 +1 -1
8 +1 +1 +1
35
(5) Considerando el número de factores de las interacciones del paso 1. Pase las
columnas de las interacciones a las columnas vacías del paso 4. Si el número
de factores de interacción es par, pase los niveles con el signo contrario:
1 2 4
a b c ab ac bc abc
-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
Corridas +1
1 2-1 3-1 4-1 5-1 +1 6 +1
7
1 -1
+1 -1 +1
-1 -1 -1 +1
-1 -1 -1 -1 -1
-1
2 -1
+1 -1
+1 -1 -1 +1
+1 -1 -1+1 +1 +1
-1
3 -1
+1 +1
+1 +1 +1 -1 +1
+1 -1 +1 +1 +1
+1
4 -1 +1 +1 +1 +1 -1 -1
5 +1 -1 +1 -1 +1 -1 +1
6 +1 -1 +1 +1 -1 +1 -1
7 +1 +1 -1 -1 +1 +1 -1
8 +1 +1 -1 +1 -1 -1 +1
El procedimiento anterior se aplica a cualquiera de los diseños de la tabla 2.4.3, con

la salvedad de que en el paso 5 las interacciones podrían ocupar posiciones distintas
(transpuestas), debido a que la regla de ubicación de las interacciones es ligeramente
más compleja. No obstante, es claro que los diseños de Taguchi de este tipo sólo
cambian las posiciones de las columnas del diseño RIII correspondiente, más algún
cambio de signo de las interacciones, según sea par o impar el número de factores que
las componen.
En cuanto al diseño L12  2 11  , el procedimiento de construcción consiste

simplemente en hacer cambios de signos en el Diseño Placket-Burman PB12
correspondiente, en la totalidad de los niveles de algunas de las columnas, con la
permutación de columnas y renglones. Por lo tanto, un diseño PB12 es funcionalmente
equivalente a un diseño Taguchi L12  2 11  . En la tabla siguiente mostramos ambos
diseños:
PB12 L12
A B C D E F G H J K L 1 2 3 4 5 6 7 8 9 10 11
+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 -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 +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 -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 -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
Tabla 2.4.4 Equivalencia entre los diseños PB12 y L12.
36
Una diferencia que generalmente encontraremos entre los diseños Plackett-Burman

y los Diseños de Taguchi, es que en los primeros, la última corrida está llena de valores
(-1). En los diseños de Taguchi la primera corrida es la que está llena de (-1).
2.4.3 Justificación del uso de los diseños de Taguchi:
Después de lo que acabamos de describir, cabe preguntarse cuál es la razón para

ponerse en el trabajo de hacer todas estas transformaciones. ¿Por qué no usar
simplemente los diseños de Plackett-Burman (en cuanto a los diseños de 2 niveles)?. La
respuesta a esta pregunta está en el uso que dio Taguchi a estos diseños dentro de su
metodología del diseño robusto de parámetros.
En la metodología del diseño robusto de parámetros de Taguchi, que veremos en el

próximo capítulo, el ruido deja de ser un participante furtivo del cual sólo se puede
estimar su varianza. Las causas principales de ruido, en el esquema de diseño robusto,
están identificadas, y pueden controlarse bajo condiciones experimentales. Persiste el
ruido de medición, pero según el fenómeno físico investigado (ej., componentes de un
circuito electrónico), éste ya no es un factor que oculte los resultados (suposición
controversial para la estadística de occidente). Por esta razón, en los experimentos de
diseños robustos se da preferencia a la simplificación de la administración de los niveles
de los factores, respecto a las estrategias tradicionales para la reducción del ruido
experimental. Así, por ejemplo, como en la metodología experimental de Taguchi se
prescinde de la aleatorización [Fowlkes, W.Y., Creveling, C.M., 1995], la atención se
enfoca en aplicar matrices de diseño de fácil implementación. Observemos, por
ejemplo, el diseño mixto de 2 y 3 niveles L18  2 1  37  de la tabla siguiente:
Corridas 1 2 3 4 5 6 7 8
1 -1 -1 -1 -1 -1 -1 -1 -1
2 -1 -1 0 0 0 0 0 0
3 -1 -1 +1 +1 +1 +1 +1 +1
4 -1 0 -1 -1 0 0 +1 +1
5 -1 0 0 0 +1 +1 -1 -1
6 -1 0 +1 +1 -1 -1 0 0
7 -1 +1 -1 0 -1 +1 0 +1
8 -1 +1 0 +1 0 -1 +1 -1
9 -1 +1 +1 -1 +1 0 -1 0
10 +1 -1 -1 +1 +1 0 0 -1
11 +1 -1 0 -1 -1 +1 +1 0
12 +1 -1 +1 0 0 -1 -1 +1
13 +1 0 -1 0 +1 -1 +1 0
14 +1 0 0 +1 -1 0 -1 +1
15 +1 0 +1 -1 0 +1 0 -1
16 +1 +1 -1 +1 0 +1 -1 0
17 +1 +1 0 -1 +1 -1 0 +1
Columnas 1 y 2: 18 +1 +1 +1 0 -1 0 +1 -1
Factorial completo de 2
factores de 2 y 3 niveles, Columnas 2 a 8:
respectivamente, con 3 Las interacciones entre estas columnas se
réplicas distribuyen más o menos uniformemente
Tabla 2.4.5 Asignación de factores en el diseño de Taguchi L18(21x 37).
37
La primera columna (tabla 2.4.5) está dedicada para acomodar a un factor de 2

niveles, que sea difícil (o costoso) de cambiar. Entre factores de este tipo tenemos a la
temperatura. Así, la temperatura sólo deberá cambiar dos veces, de un nivel inferior (-)
a un nivel superior (+), pues es más fácil subir una temperatura que bajarla. La segunda
columna acomoda a un factor de 3 niveles, y junto a la primera columna constituye un
arreglo factorial completo de 2 factores, de 2 y 3 niveles respectivamente, y 3 réplicas.
Las columnas 1 y 2, por lo tanto, permiten obtener la información de la interacción de
los factores que se ubiquen en estas columnas. Esta es una opción que podría ser de
interés para un caso particular estudiado. Las interacciones dobles entre los factores de
las columnas 2 a 8, están distribuidas entre estas mismas columnas. Esta propiedad
permite obtener la información de la importancia relativa de los factores que se ubiquen
en estas columnas.
Así mismo, como el diseño L18  2 1  37  , todos los diseños de Taguchi están
pensados para que den alguna ventaja en su implementación directa sin aleatorizar. El
investigador sólo tendrá que escoger el diseño que mejor se aplique en su caso
particular. Metafóricamente podemos decir que estos diseños son una “paleta de
colores”.
2.5 Experimentos de selección (screening):
El procedimiento para la aplicación de los diseños de selección, y el análisis de los

resultados, es semejante al correspondiente a los diseños factoriales completos y
fraccionarios. La tabla (matriz) de diseño se usa como guía para la aplicación de los
valores de los factores, y para cada combinación de los valores de los factores se mide
la respuesta. El mecanismo es semejante, pero no se aspira a obtener un modelo, sino a
completar un proceso de selección de factores. Los factores que se someterán al análisis
se supone que fueron propuestos siguiendo algún procedimiento basado en la
experiencia, y en el conocimiento teórico del proceso o producto que se pretende
mejorar.
Los resultados de los experimentos de selección se usan como insumos de

herramientas complementarias de análisis, tales como gráficas de efectos principales
(“main effect plots”), diagramas de Pareto para los efectos y gráfica normal de
efectos. Usualmente, los resultados numéricos y gráficos se emplean como referencia
para tomar decisiones acerca de la selección de los factores. Estas decisiones todavía
tendrán un carácter cualitativo, apoyadas en la experiencia de los miembros del equipo
de investigación. No se hace un análisis probabilístico (ej., tabla de ANOVA, valores p
de la significancias de los coeficientes), pues de hecho no se construirá un modelo.
A continuación desarrollaremos un ejemplo en el que haremos la selección de los

factores que afectan a los resultados de un proceso. Por su fácil interpretación,
38
volveremos a usar como herramienta didáctica a la catapulta (figura 1.3.1). Suponga

que los expertos en este proceso se reúnen, y después de varias sesiones de lluvia de
ideas hacen una primera selección de los factores que impactan en los resultados del
proceso (figura 2.5.1).
6
4
5
4 3 Altura
• Posición de 2 del pin
3 Posición
la taza
• Posición de 2 de parada
a liga
1
Medio
1
Máquina Personas ambiente Ángulo de 1

2
3 4 5 6
disparo
Posición de parada . Proyectil

Ángulo . Operario
Posición de la taza Humedad relativa y
Altura del pin Distancia que alcanza el
proyectil luego de
Procedimiento Cinta métrica Papel de aluminio lanzarse, medida desde
estándar de retráctil . para marcar el el extremo frontal de la
operación . impacto . catapulta.
Método Medición Materiales
Fig. 2.5.1 Diagrama de Causa y Efecto para registrar los factores propuestos en sesiones de
lluvia de ideas entre los expertos de la catapulta.
Los factores entre los que habrá que seleccionar y sus correspondientes niveles son:
A: Posición de parada 3 4
B: Ángulo 160° 180°
C: Posición de la taza 4 6
D: Altura del pin 2 4
E: Proyectil (pelota) Golf Goma
F: Operario Del turno Del turno
matutino vespertino
Nota: Los niveles escogidos son adecuados para permitirnos ilustrar el procedimiento.
Sin embargo, en una investigación real, los niveles deberán escogerse de tal forma que
se pueda abarcar todo el rango de valores permitido por los factores, sin peligro, y sin
que el proceso entre a operar en zonas de marcado comportamiento no lineal. Este
paso, por supuesto, requiere que los miembros de equipo de investigación sean expertos
en el tema.
Para hacer el experimento de selección, con los factores y sus niveles escogidos, los
miembros del equipo pensaron usar alguno de los diseños PB8 (tabla 2.4.1), ó uno
PB12 (tabla 2.4.4), ya que ambos diseños pueden acomodar a los 6 factores del
problema. El diseño PB8 es el mejor respecto al ahorro de recurso, puesto que tiene 8
corridas en vez de 12. El diseño PB12 es mejor respecto a la exactitud de los resultados,
gracias a que tiene el mayor número de corridas. El equipo de investigación consideró
39
que una diferencia de apenas 4 corridas no era suficiente costo extra como para
prescindir de la ventaja de unos resultados más exactos (tenemos aquí una situación en
la que se requiere un buen criterio basado en el conocimiento y la experiencia). En la
siguiente tabla mostramos los resultados de los experimentos del diseño PB12
escogido.
Sólo se usan estas columnas
Log(y)
Corrida A B C D E F G H J K L y Ly
1 +1 -1 +1 -1 -1 -1 +1 +1 +1 -1 +1 1.76 0.2455
2 +1 +1 -1 +1 -1 -1 -1 +1 +1 +1 -1 4.03 0.6053
3 -1 +1 +1 -1 +1 -1 -1 -1 +1 +1 +1 3.20 0.5051
4 +1 -1 +1 +1 -1 +1 -1 -1 -1 +1 +1 2.59 0.4133
5 +1 +1 -1 +1 +1 -1 +1 -1 -1 -1 +1 2.62 0.4183
6 +1 +1 +1 -1 +1 +1 -1 +1 -1 -1 -1 2.73 0.4362
7 -1 +1 +1 +1 -1 +1 +1 -1 +1 -1 -1 5.56 0.7451
8 -1 -1 +1 +1 +1 -1 +1 +1 -1 +1 -1 3.54 0.5490
9 -1 -1 -1 +1 +1 +1 -1 +1 +1 -1 +1 2.71 0.4330
10 +1 -1 -1 -1 +1 +1 +1 -1 +1 +1 -1 1.30 0.1150
11 -1 +1 -1 -1 -1 +1 +1 +1 -1 +1 +1 2.40 0.3802
12 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 1.33 0.1239
Media (-) 0.456 0.313 0.346 0.217 0.419 0.408

Media (+) 0.372 0.515 0.482 0.527 0.409 0.420
Efecto -0.084 0.202 0.136 0.311 -0.009 0.013
Tabla 2.5.1 Resultados de los experimentos de selección del ejemplo de la catapulta.
En la tabla 2.5.1 se muestran los resultados de los cálculos de las medias asociadas
a cada columna, para cada nivel del factor, y el valor del efecto correspondiente.
Estos resultados se analizan por medio de 3 herramientas gráficas: Gráfica de efectos
principales, diagrama de Pareto para la magnitud de los efectos, y la gráfica normal de
efectos. Estas gráficas se muestran a continuación:
Grafica de efectos principales: Para un factor determinado, muestra la media de

la respuesta para cada nivel [Shmidt, S., Launsby, R., 2000]. En esta gráfica se
puede apreciar la diferencia de la media (+) respecto a la media (-), y el sentido de
aumento o disminución del efecto.
Log(y)
0.60
0.50
0.40
0.30
0.20
0.10
           
A B C D E F
Fig. 2.5.2 Gráfica de efectos principales para los resultados de los experimento de la catapulta.
40
Diagrama de Pareto de los efectos principales: Para un factor determinado, esta

gráfica permite apreciar la diferencia de relativa de las magnitudes de los efectos
[Shmidt, S., Launsby, R., 2000].
Magnitud de los
efectos principales
0.35 120%
0.3 100%
0.25
80%
0.2
60%
0.15
40%
0.1
0.05 20%
0 0%
D B C A F E
Factores seleccionados
Fig. 2.5.3 Diagrama de Pareto de los efectos principales para los resultados de los
experimento de la catapulta.
Gráfica normal de efectos (estandarizados): Esta es la gráfica de probabilidad

normal para los valores de los efectos. Según Daniel (1959) [Montgomery,D.,
2001], los efectos no significantes siguen una distribución normal. Por lo tanto, en
la gráfica de probabilidad normal, los efectos no significantes estarán cercanos a
una línea que cruza por el punto (0,50%). Los puntos de los efectos significantes
quedarán alejados de esta línea.
Gráfica normal de efectos estandarizados

(la respuesta es y, Alfa = 0.05)
99
95
Cruce por
90
(0,50%) D
D
80
70
B B
Porcentaje
60
C
C
50
40
+
30 F
20
¿?
E
10
5 A
1
-3 -2 -1 0 1 2 3 4 5 6
Efecto estandarizado
Fig. 2.5.4 Gráfica normal para los efectos principales para los resultados de los experimento de
la catapulta.
Al estudiar los resultados de las gráficas de las figuras 2.5.2 a 2.5.4, se decidió
seleccionar sin ninguna duda a los factores B, C y D. En cuanto al factor A, al principio
no hubo total acuerdo, pero se decidió seleccionarlo también, debido a que el
conocimiento teórico del funcionamiento de la catapulta hacía pensar que este factor
podría hacerse significante si se aumentaba la diferencia entre sus valores mínimo y
máximo, lo cual era algo que estaban reconsiderando en el diseño final del producto.
41
3. Metodología del diseño robusto de

parámetros de Taguchi
3.1 Introducción:
La década de los 80´s marcó un cambio en la forma de abordar los problemas de

calidad en Occidente. Durante este periodo convulso los productos japoneses,
especialmente de las industrias automotriz y electrónica, igualaron y superaron las
características de calidad de los productos occidentales semejantes [Juran, J.M.,
Godfrey, A.B., 1999]. Dentro de la crisis de Occidente por fin se escuchan las voces de
los gurús de la calidad, Deming y Jurán, entre otros. No es de extrañar que en este
escenario los ingenieros occidentales voltearan su mirada a lo que estaban haciendo sus
homólogos orientales, y entre ellos el Dr Genichi Taguchi. Para entonces, el Dr.
Taguchi hizo pública su propuesta de diseño y análisis de experimentos, la que ya
había desarrollado y aplicado con éxito en Japón desde algunas décadas atrás. Su
metodología, a menudo llamada diseño robusto de parámetros, llamó la atención a los
profesionales en la mejora de la calidad, en especial por la forma tan precisa como
relacionaba a los parámetros estadísticos (media y varianza) con los costos de la mala
calidad; y por el camino que señaló para la reducción de estos costos, pasando por el
mejoramiento de la calidad.
El Dr. Taguchi introdujo el término de diseño robusto de parámetros para

nombrar su metodología, enfocada en la reducción de la variabilidad del producto
mediante una elección adecuada de los niveles de los llamados factores de control, de
tal forma que el producto se hiciera insensible a los cambios de otros factores no
controlados (factores de ruido) bajo condiciones normales de uso. Los factores de ruido
frecuentemente son variables ambientales, tales como las condiciones de humedad, las
propiedades de la materia prima, y el envejecimiento del producto. Los factores de
ruido han de ser controlables durante el proceso de investigación y desarrollo. Esta
robustez respecto a los factores de ruido sólo puede incorporarse en la etapa de diseño
del producto, que por supuesto, es la etapa en la que el diseño de experimentos hace su
mayor contribución.
42
3.2 Variabilidad Funcional y Calidad:
La mala calidad del producto se relaciona con las pérdidas económicas y con la
disminución del mercado de un producto. Desde el punto de vista de la manufactura, la
calidad se interpreta a menudo como la conformidad con las especificaciones. Sin
embargo, el Dr. Taguchi propuso una visión diferente de la calidad, que la relaciona con
el costo y la pérdida de recursos, no sólo considerando al fabricante en el momento de la
producción, sino abarcando integralmente al consumidor y a la sociedad en su conjunto.
La pérdida del fabricante la constituyen los costos de producción adicionales que se

generan hasta el punto de que un producto sea enviado al mercado, más los costos de
garantía. Llegando el producto al mercado, son los clientes, y la sociedad en general los
que asumen el costo de la mala de calidad. Inicialmente, el fabricante paga los costos de
garantía, según dijimos, pero una vez transcurrido el periodo de garantía, el cliente ha
de pagar por la reparación del producto o, en el peor de los casos, asumir la pérdida
cuando la reparación no es factible. Adicional a estos costos se presentan otros costos
indirectos, tanto para el fabricante como para el consumidor, difíciles de contabilizar,
como resultado de una reacción negativa de los clientes, por las molestias e
insatisfacción, y por el tiempo y dinero gastado. Como resultado, la reputación de la
empresa se daña, y, finalmente, la cuota de mercado disminuye.
El crecimiento real viene del mercado, por la eficiencia del manejo de los costos y
por el logro de la satisfacción del cliente. La percepción de pérdida del cliente debido a
la mala calidad del producto se devuelve al fabricante como pérdida a largo plazo, en
los casos menos exigentes. Con todo esto en consideración, el Dr Taguchi define la
calidad como:
Calidad son las pérdidas que el producto causa a la sociedad después de que se
entrega <al mercado>, excluyendo las pérdidas ocurridas mientras se cumple con sus
funciones intrínsecas [Taguchi, G., 1986].
Esta definición, según admitió el propio Dr. Taguchi [Taguchi, G., 1986], puede ser
entendida (o malentendida) en dos formas. Primero porque su planteamiento parece
significar exactamente lo opuesto a lo que usualmente se entiende por calidad. Algunas
personas tienen la creencia de que la calidad debe ser considerada como un valor. Sin
embargo, para el Dr. Taguchi, un valor es un concepto subjetivo, sujeto a la idea
particular que cada quien tenga del valor en cuestión. La determinación de la calidad del
producto como un valor es un problema de mercadeo y de planeación de producto muy
importante para la empresa, esto no está en discusión, pero no es un problema de
ingeniería. Esta es la razón por la que el Dr. Taguchi se opuso a tratar a la calidad como
un valor, desde el punto de vista ingenieril. La definición de calidad que propuso el
Dr. Taguchi es susceptible a ser medida, ya que tiene una relación inversa con las
43
pérdidas: A menores pérdidas mayor calidad. Es por lo tanto, una definición práctica
para el abordaje matemático del problema.
El segundo aspecto de la definición de calidad tiene que ver con el significado de la

palabra pérdida. En el contexto de esta definición las pérdidas se clasifican en dos tipos
[Taguchi, G., 1986]:
 Pérdidas causadas por la variabilidad de la función.

Ejemplo: Falta de estabilidad en la dirección de un automóvil, ocasionada por
defectos de las llantas.
 Pérdidas causadas por los efectos colaterales perjudiciales.
Ejemplo: Los accidentes causados por falta de señalización de las calles, o por
un uso irresponsable del vehículo, todo lo cual es ajeno a la funcionalidad del
vehículo.
Al control de calidad (punto de vista ingenieril) no le concierne la reducción de las

pérdidas que el producto pueda infligir a la sociedad mientras se cumplan con sus
funciones intrínsecas. La cuestión de qué funciones la sociedad debería permitir en un
producto es un problema que cae dentro del dominio psicológico, y los valores
culturales.
3.3 El argumento del Dr. Taguchi para reducir la variabilidad:
Una de las virtudes del Dr. Taguchi era su creatividad en la formulación de

ejemplos simplificados para transmitir sus ideas. Entre sus renombrados ejemplos, para
ilustrar la relación entre las pérdidas y la variabilidad funcional, parafrasearemos aquí el
caso de una fábrica de camisas, sobre la relación entre la desviación del tamaño del
cuello con las pérdidas [Taguchi, G., 1986] (ver figura 3.3.1):
Fig. 3.3.1 Tamaño el cuello de camisas [Taguchi, G., 1986, p. 14].
44
Para un cliente habituado a comprar un tamaño particular de camisa, de 40 cm., por

ejemplo:
 A medida que el tamaño del cuello es mayor o menor que 40 cm., mayor será la
probabilidad de que un cliente se sienta incómodo con la camisa.
 Dependiendo de qué tanta incomodidad sienta el cliente, éste podrá optar por
comprar la camisa o no comprarla.
 Si después de un tiempo, la camisa aún no se vende, habrá que rematarla o
descartarla (pérdida para el negocio).
 Si el cliente compra la camisa, el grado de incomodidad que pueda sentir
implicará una pérdida para él (pérdida social). Esta pérdida será mínima cuando
el tamaño del cuello sea igual al valor requerido (40 cm.).
Para simplificar el problema, el Dr. Taguchi postula la existencia de una función

L  y  continua con la que se puede calcular la pérdida $ total en la que se incurre según
el tamaño real ( y ) del cuello de la camisa. La expansión de una serie de Taylor de esta
función alrededor del tamaño ( m ) requerido por el cliente se puede expresar
teóricamente como sigue:
L  m  L  m 
L  y   L  m   y m   y  m   ......
2
(3.3.1)
1! 2!
Por definición, y por simple sentido común, la evaluación de L  y  en y  m es
igual a cero. Además, considerando que L  y  toma su valor mínimo en y  m ,
podemos decir que la evaluación de la primera derivada L  y   0 . Por lo tanto, en la
ecuación 3.3.1 sólo nos quedan por determinar los términos cuadrático y superiores. Si
consideramos que la evaluación se hará para un valor de y cerca de m, podemos
desestimar a los términos superiores al término cuadrático. Así:
L  m 
L  y   k  y  m  , donde k =
2
(3.3.2)
2!
15 $
Pérdidas $
por unidad Pérdida
conforme nos mínima = 0
alejamos del valor Pérdida por unidad k (y –m)2
óptimo
Tamaño del cuello

Límite inferior 40 cm. Límite superior
de las camisas (y)
= 39.5 cm. = 40.5 cm.
Valor óptimo (m)
Fig. 3.3.2 Función de pérdida de calidad de Taguchi.
45
El Dr. Taguchi continúa con el desarrollo de este ejemplo, y nos propone un

procedimiento para el cálculo de la constante k, si se incluyen en el análisis a los límites
superior e inferior de tolerancia (figura 3.3.2) alrededor del tamaño ( m ) requerido. No
obstante, nosotros nos detendremos aquí para concentrarnos en las implicaciones
prácticas de la ecuación 3.3.2.
La ecuación 3.3.2, llamada función de pérdida de calidad, nos permite estimar en

forma individual el costo de cada camisa, según sea la desviación del tamaño del cuello
alrededor de m. Si contáramos con n camisas, cada una con un tamaño de cuello
yi , i = 1,...,n , podríamos calcular el promedio de las pérdidas por camisa como sigue:
1 n
L  k  yi  m 
2
(3.3.3)
n i 1
n
Sumando y restando a la media y  1  yi , y reorganizando la ecuación 3.3.3:
n i 1
 
n
k
   yi  y    y  m    k   yi  y 2  2  yi  y  y  m    y  m 2
2 n 2
L
n i 1 n i 1
k n k n n
   yi  y             yi  y 
2 2
y m 2 y m
n i 1 n i 1 i 1
n
 n 
  yi  y     yi  y 
2 2
k  
k  n  y  m    k  i 1   y  m 
i 1 2 2
(3.3.4)
n n   n 
 
 
 ŷ  m 
2
̂ 2
Para un valor suficientemente grande de n, podemos decir que se cumplen las
equivalencias indicadas por los paréntesis de llaves en la ecuación 3.3.4. Así:
L  k ˆ 2   ˆy  m  
2
(3.3.5)
 
Esta ecuación concisa, llamada función de pérdida promedio de calidad, es la guía
fundamental de la metodología de mejora de la calidad que nos propuso el Dr. Taguchi.
Esta forma de describir cómo se producen las pérdidas contrastaba con la forma
tradicional de hacerlo, en la que simplemente se consideraba a la proporción de
productos que cumplían con las especificaciones justo antes de ser entregados, bajo la
simple lógica de pasa, o no pasa, según la característica de calidad considerada esté, o
no esté, dentro de los límites de las especificaciones.
El Dr. Taguchi fue un visionario y promotor de una nueva y revolucionaria forma

de ver la calidad. Siempre que haya variación (eso es lo que nos dice ̂ 2 ), o que haya
desviación de la media respecto a la meta (lo que nos dice ŷ  m ) existirán pérdidas.
46
Los ingenieros de calidad cuentan ahora con una estrategia fundamental para
enfrentarse a los problemas de calidad. No importa la industria (manufactura o servicio)
que se considere, todos los métodos de mejora de la calidad que se apliquen deberán
[Taguchi, G., Chowdhury, S, Wu, Y., 2005]:
1) Siempre que sea posible, eliminar toda fuente de variabilidad; y cuando no,
habrá que robustecer al proceso contra la variabilidad.
2) Asegurar a los parámetros de diseño para que la característica de calidad no
desvíe su media de desempeño respecto al valor óptimo definido en la etapa de
diseño (fig. 3.3.3).
L  k ˆ 2   ˆy  m  
2
 
m
1
Para reducir la pérdidas:

m
2 1) Reduzca la variabilidad
2) Dele a la meta
Fig. 3.3.3 Pasos básicos del método de mejora de la calidad de Taguchi.
3.4 Control de calidad antes de la salida del producto al mercado:
La variabilidad de la función de un producto es causada por diversos factores

llamados genéricamente factores de error o ruido. Según el Dr. Taguchi, existen tres
tipos principales de ruido [Taguchi, G., 1986]:
1) Ruido externo: Son las variables del medio ambiente, o las condiciones de uso
que afectan a la función de un producto. Como ejemplo de este tipo de ruido
tenemos la temperatura, la humedad, vibraciones del sitio donde el producto está
montado, el polvo, los diferentes usuarios del producto, etc.
2) Ruido de deterioro o ruido interno: Son los cambios que se producen por efecto
del paso del tiempo durante el almacenaje y/o el uso, que ocasionan que una o
más características de calidad se alejen de sus metas funcionales.
3) Ruido de unidad a unidad: Diferencias entre unidades que son producidas con
las mismas especificaciones.
47
El control de estos tipos de ruido se realiza en dos etapas con los métodos
siguientes:
Etapa: Método:
Diseño del producto y Control de calidad fuera de línea

del proceso de producción
Producción y distribución Control de calidad en línea
Fig. 3.4.1 Etapas para el control del ruido y los métodos aplicables según Taguchi.
3.4.1 Control de calidad fuera de línea (Ingeniería Robusta):
Tiene dos partes: diseño del producto, y diseño del proceso de manufactura
[Taguchi, G., 1986].
Diseño del producto:
o Diseño del sistema/concepto: Seleccionar el mejor diseño de sistema/concepto y

conjunto de tecnologías, entre todas las posibles alternativas que permitan el
logro del objetivo de la función.
o Diseño de parámetros: Determinar los valores óptimos de los parámetros que

afectan al desempeño (robustez y logro de metas) para el conjunto de
conceptos/tecnologías. El diseño de parámetros es el proceso de identificar y
determinar los valores de los parámetros de diseño que minimizan la sensibilidad
del diseño a las fuentes de variación.
o Diseño de tolerancias: Encontrar el balance óptimo de compromiso (trade-off)

entre el costo de la pérdida de calidad debido a la variación, y el costo del
conjunto de componentes y materiales tecnológicos que se requerirán. Este
diseño se relaciona con la determinación de las especificaciones de tolerancia.
Las especificaciones de tolerancia determinan los límites de tolerancia que se
emplearán en los esquemas de diseño, y que serán utilizados en el control de
calidad durante la manufactura (control de calidad en línea).
Diseño del proceso de manufactura:
o Diseño del sistema/concepto: Seleccionar el mejor proceso de producción entre

todas las posibles alternativas.
48
o Diseño de parámetros: Determinar los valores óptimos de los parámetros que

afectan el desempeño (robustez y logro de metas) del proceso de producción
seleccionado.
o Diseño de tolerancias: Determinar las especificaciones de tolerancia para los

parámetros que afectan la calidad y el costo de los procesos de producción.
3.4.2 Control de calidad en línea:
Después de que el proceso de producción y las condiciones de operación se hayan

determinado, subsistirán las siguientes fuentes de variabilidad en el producto:
 Variabilidad en materiales y componentes.

 Deriva del proceso, desgaste de las herramientas, fallas de las máquinas.
 Variabilidad en la ejecución.
 Error humano.
Estas fuentes de variación tienen que ver con el control de calidad durante la
producción normal, o control de calidad en línea. Tenemos tres formas de control de
calidad en línea [Taguchi, G., 1986]:
1) Diagnóstico del proceso y ajustes: También llamado control de proceso. El

proceso es diagnosticado en forma periódica. Si todo está en orden, la
producción continua. Si no está en orden, < la producción se interrumpe
mientras > se busca la causa; y cuando se encuentra la causa, la producción
reinicia. Alternativamente, se pueden hacer ajustes preventivos cuando se
diagnostica que habrá alguna falla inminente.
2) Predicción y corrección: También llamado control. Una característica

cuantitativa, se mide en forma periódica, y los valores medidos se usan para
estimar el valor de la media de la característica del producto, asumiendo que la
producción continúa sin ajustes. Si la diferencia del valor estimado respecto a la
meta es significativa, se ajustará el nivel del factor de corrección del proceso
que corresponda para reducir la diferencia.
3) Medición y acción: También llamado inspección. Cada unidad manufacturada es

medida, y si no está dentro de las especificaciones, se re-trabaja o se segrega.
Este método de control de calidad tiene que ver sólo con el producto, mientras
que los métodos (1) y (2) tienen que ver con el proceso.
49
3.5 La Función de Pérdida de Calidad:
La función de pérdida de calidad (ecuación 3.3.2), que se dedujo en la sección

anterior para el caso concreto del tamaño de cuellos de camisa, nos permitió ver a nivel
conceptual, la relación de las pérdidas económicas con los valores reales de una
característica de calidad del producto. En la práctica, para simplificar el uso e
interpretación de esta ecuación, se manejan 3 expresiones distintas básicas, según la
meta m que se quiera lograr para la característica “ y ” [Taguchi, G., Chowdhury, S, Wu,
Y, 2005]:
1) Mientras más cercano del valor nominal es mejor: Cuando la característica “ y ”

puede variar para ser menor o mayor que la meta m, y cuando se pretende que
“ y ” esté tan cerca de m como se pueda.
2) Mientras menor es mejor: Cuando se pretende que la característica “ y ” sea tan
pequeña como se pueda, y la característica sólo puede tomar valores positivos.
3) Mientras mayor es mejor: Cuando se pretende que la característica “ y ” sea tan
grande como se pueda, y la característica sólo puede tomar valores positivos.
También se menciona otra opción nombrada como la opción (1), pero con la
variante de que el comportamiento de la función de pérdida es asimétrica respecto a la
característica “ y ”.
3.5.1 Nominal es mejor:
Este es exactamente el caso que estudiamos en el ejemplo del tamaño del cuello de
la camisa. Por supuesto, podemos dar otros ejemplos:
 Control de llegada de un tren a la estación.

 Control del diámetro interno de una tuerca.
 Control de la cantidad de un tinte para producir un color específico.
 Control de tiempo de horneado de un pastel.
En todos estos casos la función de pérdida de calidad y el promedio

correspondiente tienen la misma forma general:
L  y   k  y m
2
Función de pérdida de calidad: (3.5.1)
L  k ˆ 2   ˆy  m  
2
Función de pérdida promedio de calidad:   (3.5.2)
50
3.5.2 Menor es mejor:
Como ejemplos de este caso tenemos:
 La fuga de radiación en un horno de microondas.

 Número de defectos en una imagen.
 Polución producida por la combustión de un motor.
 Nivel del ruido externo que entra a un cuarto de grabación musical.
Este caso es una forma particular del caso mientras más cerca del valor nominal es
mejor, en donde se tiene la condición de que la característica “ y ” sólo puede adoptar
valores positivos, y donde la meta m = 0.
Nota: Realmente, para que la serie de Taylor (ec. 3.3.1) correspondiente pueda
converger habría que considerar m  0 .
La función de pérdida de calidad y el promedio correspondiente es semejante al

caso del valor nominal. Si definimos m = 0, las funciones son:
L y  k  y
2
Función de pérdida de calidad: (3.5.3)
Función de pérdida promedio de calidad: L  k ˆ 2  ˆy 2  (3.5.4)
3.5.3 Mayor es mejor:
Como ejemplos de este caso tenemos:
 La fortaleza de un adhesivo permanente.

 La capacidad de tracción de un neumático.
 El recorrido por litro de combustible consumido.
 La resistencia a la corrosión de la carrocería de un automóvil.
Los dos casos anteriores tienen una meta específica, m en el primer caso, y cero en
el segundo. Bajo estas condiciones es posible pensar en la expansión de una serie de
Taylor, tal como se explicó con la ecuación 3.3.1. En el caso presente, decir que
mientras mayor es mejor es equivalente a decir que la meta está en el infinito, lo cual es
indefinido. No es posible, por lo tanto, aplicar una serie de Taylor. Para salvar el
obstáculo el Dr. Taguchi recurrió a una expansión de Laurent:
L    1 L    1
L  y   L      2  ...... (3.5.5)
1! y 2! y
51
Para tener cero pérdidas en el caso hipotético de que la característica ( y ) crezca

indefinidamente:
Lim L  y   0
y 
Además, considerando que L  y  toma su valor mínimo en y   , podemos decir

que la evaluación de la primera derivada L     0 . Por lo tanto, en la ecuación 3.5.5
sólo nos quedaría por determinar a los términos cuadrático inverso y superiores. Si
consideramos que la evaluación se hará para un valor de y   , podemos desestimar a
los términos superiores al término cuadrático. Así:
L    1 k L   
L y   2  2 , donde k =
2! y y 2!
Si contáramos con n unidades de producto, cada una con sus valores de su
característica yi , i = 1,...,n , podríamos calcular el promedio de las pérdidas por unidad
como sigue:
k n 1
L 
n i 1 yi2
En resumen:
k
Función de pérdida de calidad: L y  (3.5.6)
y2
k n 1
Función de pérdida promedio de calidad: L 
n i 1 yi2
(3.5.7)
3.6 La Razón Señal-Ruido (S/N):
Aunque la función de pérdida es un concepto valioso que nos da pistas acerca de lo

que se debe hacer para robustecer a un producto, desafortunadamente tiene deficiencias
prácticas [Fowlkes, W.Y., Creveling, C.M. ,1995]. Por ejemplo, la constante k debe
calcularse usando la información de las pérdidas ocurridas después del diseño del
producto, información que usualmente es difícil de conseguir. En su forma original, por
lo tanto, la función de pérdida no es apropiada para la optimización del diseño de
parámetros. Sin embargo, la estructura matemática de esta función es la base para la
definición de una métrica clave de robustez: La razón señal-ruido (S/N, “signal to noise
ratio”).
El concepto de la razón S/N procede del campo de la Ingeniería de las

Comunicaciones, y la idea de su aplicación en el campo de Ingeniería de Calidad surge
precisamente porque el Dr. Taguchi era Ingeniero Eléctrico. La razón S/N original, es
un concepto que mide la energía en términos de potencia de la señal transmitida (S)
52
respecto a la potencia de la interferencia o ruido (N, “noise”) [Haykin, S., 2009], según
se ilustra en la figura 3.6.1.
 Potencia Señal 
Señal S/N = 10× Log  
 Potencia Ruido 
R
R La razón S/N se expresa en
decibeles, por eso se extrae el
R logaritmo base 10.
R
R Ruido
Mientras más grande sea la razón S/N, mayor será la capacidad del sistema de
recepción para “entender” la señal (sonido, televisión, de radio, etc.) transmitida.
Fig. 3.6.1 La razón señal-ruido (S/N).
Considerando este concepto (figura 3.6.1), un buen sistema de comunicación debe

tener una razón S/N alta para que el mensaje se pueda entender. El Dr. Taguchi pensó
entonces en una analogía entre el diseño de sistemas de comunicación y el diseño de
productos (procesos):
Sistemas de Comunicación: Producto (Proceso):
Ruido Variabilidad de la característica (varianza)

Señal Valor esperado de la característica (media)
Fig. 3.6.2 Analogía entre el ruido y la señal de los sistemas de comunicación con la
variabilidad y valor esperado de la característica de un proceso.
Esta es una analogía que sirve de guía, pero no es una regla absoluta para la
formulación de las expresiones de las razones S/N que se aplican en Ingeniería de
Calidad. El Dr. Taguchi adapta este concepto para facilitar su aplicación e interpretación
de los resultados para la optimización de productos. Es importante destacar que este
concepto ha sido controversial desde un principio porque muchos matemáticos
estadísticos no le ha quedado claro bajo qué circunstancias deberá usarse [León, R.V.,
Wu, C.F.J.,1989] (tema desarrollado en el Capítulo 4).
3.6.1 Razón S/N estática vs razón S/N dinámica:
Existen dos clases amplias de razones S/N: Estáticas y Dinámicas.
Razones S/N para experimentos estáticos:
Cuando la respuesta esperada del producto / proceso tiene una meta específica, fija
(figura 3.6.3). Este es el grupo de razones más estudiadas. En este tipo de experimentos
es muy importante hacer una selección apropiada de la razón S/N. La selección
53
dependerá del problema físico, la experiencia, y de la función particular. Se tienen las

razones según el tipo de función de pérdida que hemos estudiado, menor es mejor,
mayor es mejor y nominal es mejor ; y para otros casos especiales, como ventana de
operación. Las razones S/N estáticas son útiles típicamente donde sólo hay una variable
de respuesta.
Troqueladora
y
La meta siempre es
la misma
Fig. 3.6.3 Experimentos estáticos.
Razones S/N para experimentos dinámicos:
Cuando la respuesta esperada del producto / proceso tiene una meta que varía
conforme a un factor (o factores) conocido, el cual adopta valores cambiantes según se
requiera (figura 3.6.4). El objetivo de los métodos dinámicos es optimizar la
característica de calidad de un sistema de tal forma que pueda generar un rango de
salidas. Un caso dinámico tiene una gama de valores que se desea optimizar. Como
ejemplo del tipo de sistemas en donde aplican las razones S/N dinámicas tenemos:
 Control de una distancia
 Cambio de dirección
 Cambio de velocidad
 Medición de un terremoto
Flujo de
gasolina La meta varía
Hundimiento del pedal del

acelerador
Fig. 3.6.4 Experimentos dinámicos.
54
3.6.2 Propiedades ideales de la razón S/N:
Antes deducir las expresiones para el cálculo de la razón S/N que propuso el Dr.
Taguchi, necesitamos definir las propiedades que deben tener estas expresiones para que
nos sirvan para la optimización de un producto. Estas propiedades son [Fowlkes, W.Y.,
Creveling, C.M. ,1995]:
1) La razón S/N debe reflejar la variabilidad de la característica causada por los

factores de ruido.
2) La razón S/N debe ser independiente de los ajustes que se hagan a la media de
la característica.
3) La razón S/N debe ser útil para hacer comparaciones.
4) La razón S/N debería tener una expresión simple de suma de factores, sin
interacciones.
Para entender la ventaja de estas propiedades ideales, considere la figura 3.6.5.
Factores de
Ruido
A ŷ  y+k A A kB B
Factores Producto
de control B
(ó proceso)
C  S/ N  = SN + qB B+ qC C
y , k A , k B , SN , qB y qC son constantes
Fig. 3.6.5 Diagrama de entrada-proceso-salida de un sistema de experimentos estáticos de

Taguchi.
El sistema (figura 3.6.5) es afectado por dos tipos de factores, los factores de
control, y los factores de ruido. Los factores de control (A, B y C) son los parámetros
del producto (o del proceso) cuyos valores se pueden asignar convenientemente para
optimizar el desempeño del producto. Los factores de ruido son factores internos o
externos no controlables bajo condiciones normales de operación que interfieren en el
sistema “furtivamente”, son impredecibles. Los factores de ruido entran en escena luego
de que el producto es diseñado, durante su fabricación, almacenaje, y durante su uso.
Bajo condiciones experimentales algunos de los factores de ruido podrán controlarse.
Durante la fase de diseño los diseñadores podrán ejecutar experimentos de

optimización. Los experimentos consistirán de cambios intencionados en los valores de
los factores de control, y los factores de ruido críticos controlables bajo condiciones
experimentales. En la estructura de diseño experimental del Dr. Taguchi (sección 3.8)
tendremos dos tipos de respuestas que considerar, la media (valor esperado), y la razón
S/N. Se construirá un modelo para la media y otro para la razón S/N (figura 3.6.5).
55
Ambos modelos se construirán en función de los factores de control, los factores de

ruido no aparecerán en los modelos de la media y la razón S/N (figura 3.6.5).
Debido a la estructura del diseño experimental (sección 3.8), los factores de ruido
no afectarán al modelo de la media ( ŷ ), pero sí lo harán en el modelo de la razón S/N,
aunque que no aparecerán explícitamente, estarán inmersos en las constantes que
surgirán en el modelo de la razón S/N. Esto explica el sentido de la propiedad 1: La
razón S/N refleja la variabilidad de la característica causada por los factores de ruido.
En el modelo de la media ( ŷ , figura 3.6.5) se observa que el valor de ŷ puede

ajustarse con el factor A, y notamos que este factor no aparece en el modelo de la razón
S/N. El ajuste de ŷ se puede hacer con el factor A sin que al hacerlo se produzca un
cambio en la razón S/N, por esta razón al factor A se le conoce como factor de ajuste.
La existencia de al menos un factor de ajuste ilustra el significado de la propiedad 2: La
razón S/N debe ser independiente de los ajustes que se hagan a la media de la
característica.
Considerando la analogía del Dr. Taguchi (figura 3.6.2), mientras mayor sea la
razón S/N mejor será el desempeño del sistema. Esto nos permite escoger entre las
distintas combinaciones de los factores de control B y C (figura 3.6.5). Aquella
combinación que maximice a la razón S/N será la mejor. Con esto ilustramos el
significado de la propiedad 3: La razón S/N debe ser útil para hacer comparaciones.
Finalmente, en la figura 3.6.5 tenemos la situación hipotética en la que la razón S/N

puede modificarse mediante los factores B y C. Notamos que en la ecuación
correspondiente no existen interacciones, lo cual permite simplificar la optimización del
producto. A esto se refiere precisamente la propiedad 4: La razón S/N debería tener una
expresión simple de suma de factores, sin interacciones.
El cumplimiento de estas propiedades nos permite aplicar el procedimiento general

de 2 pasos que nos dio el Dr. Taguchi (figura 3.6.6). Usando como ejemplo el diagrama
de la figura 3.6.5. El paso 1 consistirá en definir los valores de los factores B y C para
maximizar la razón S/N, reduciendo con ello a la variabilidad, lo cual puede ser a costa
de empeorar la situación de la media. En el paso 2 daríamos un valor apropiado al factor
de ajuste A para que se logre la meta de la media, sin que ello afecte a la razón S/N.
56
L  k ˆ 2   ˆy  m  
2
 
m
1
Para reducir la pérdidas:

m
2 1) Reduzca la variabilidad
2) Dele a la meta
Fig. 3.6.6 Pasos básicos del método de mejora de la calidad de Taguchi (bis fig. 3.3.3).
3.6.3 Procedimiento general para definir la razón S/N:
Aunque, como veremos, el Dr. Taguchi nos dio las expresiones básicas para el
cálculo de la razón S/N, según el tipo de meta (cero, en un valor específico, o en el
infinito), no estamos restringidos a trabajar solamente con estas expresiones. De hecho,
en la práctica, las expresiones básicas del Dr. Taguchi no siempre permitirán cumplir
con las propiedades ideales presentadas en la sección anterior. Por lo tanto,
eventualmente necesitaremos definir nuestras propias ecuaciones, para lo cual nos
convendrá seguir un procedimiento general consistente con las propiedades. Este
procedimiento se presenta a continuación [Fowlkes, W.Y., Creveling, C.M., 1995]:
1) Considerar la función de pérdida promedio que aplique, sin tomar en cuenta a la

constate k. A la expresión sin esta constante la llamaremos desviación cuadrática
media (MSD, “mean square deviation”). Por ejemplo, si tenemos una meta
específica m (nominal es mejor): MSD  ˆ 2   ˆy  m  .
2
2) Cuando tenga sentido hacerlo, considerando al MSD, formular una expresión para
la razón S/N que sea independiente de los ajustes que se hagan para lograr la meta
m de la media (propiedad 2, sección 3.6.1).
3) La expresión de la razón S/N se transformará a decibeles (tomado el logaritmo de

base 10 multiplicado por 10). Esta trasformación tiene el propósito de reducir la
posibilidad de que surjan interacciones entre los factores de control*, cuando se
deduzca el modelo de la razón S/N (propiedad 4, sección 3.6.2). En el siguiente
apartado hacemos una explicación complementaria para demostrar el efecto de la
transformación logarítmica.
*Nota: Esta es una justificación que hace Box sobre la transformación logarítmica, con la
que Phadke no está de acuerdo ( ver sección 4.3, [Nair, V., 1992] ).
57
Suponga que cierta característica está en función con las variables x, y:

f  x, y  = 2+4 x+4 y+ xy+0.5 x 2 +0.5 y 2
En esta ecuación tenemos una interacción doble xy, y términos cuadrados x 2 y y 2 .
Estos términos dificultan los ajustes, por lo que la teoría expuesta aconseja hacer una
transformación logarítmica. Tomaremos el logaritmo natural:
g  x, y   ln  f  x, y  = ln 2+4 x+4 y+ xy+0.5 x 2 +0.5 y 2 
En la práctica la función g  x, y  deberá deducirse mediante un experimento en el que

usualmente sólo se obtendrá una aproximación lineal. Siendo este un ejemplo en el que
conocemos a la función exacta, podemos deducir los términos lineales que se obtendrían
en el experimento, mediante el desarrollo de una serie de Taylor hasta los términos
cuadráticos e interacciones dobles. Haremos los cálculos alrededor del punto x=4, y=4:
g  x, y   g  4,4  + g x  4,4  x 4  + g y  4,4  y  4   g x y  4,4  y  4  y  4 
+0.5 g xx  4,4  x 4  +0.5 g yy  4,4  y  4 
2 2
Evaluando la función en el punto x=4, y=4:

g  4,4   ln 66   4.1896
Evaluando las derivadas parciales en el punto x=4, y=4:
2 2
g x  4,4    0.1818... g y  4,4    0.1818...
11 11
2
1  12 
g x y  4,4       0.0179
66  66 
2 2
1  12  1  12 
g xx  4,4       0.0179 g yy  4,4       0.0179
66  66  66  66 
Reemplazando en la serie de aproximación de Taylor:

g  x, y   4.1896 +0.1818  x 4  +0.1818  y  4   0.0179  y  4  y  4 
+0.5  0.0179  x 4  +0.5  0.0179  y  4 
2 2
Resolviendo:
g  x, y   2.1622+0.325 x+0.325 y  0.0179 xy 0.00895 x2  0.00895 y 2
Para entender la ventaja de la transformación logarítmica debemos considerar que

la transformación se hace para “romper” a las interacciones y a los términos
cuadráticos… ¿Será cierto esto en el presente caso?. En la siguiente figura se muestra
un resumen de los resultados de este ejemplo. Se excluyen del análisis a los coeficientes
constantes.
58
Función original: Función transformada

aproximada
f  x, y  = 2+4 x+4 y g  x, y   2.1622+0.325 x+0.325 y
 xy+0.5 x 2 +0.5 y 2 0.0179 xy  0.00895 x 2  0.00895 y 2
Exacto del
Magnitud Magnitud del
coeficiente 2 coeficiente
x 4 40% x 0.32504 47.39%
y 4 40% y 0.32504 47.39%
xy 1 10% xy 0.017906 2.61%
x 2
0.5 5% x2 0.00895 1.30%
y 2
0.5 5% y2 0.00895 1.30%
10 100% 0.685886 100%
Fig. 3.6.7 Efecto de la transformación logarítmica en la simplificación del modelo.
Nótese que la proporción de la interacción doble xy pasa de 10% a 2.6%, y que los
términos cuadráticos pasan cada uno de 5% a 1.3%. El porcentaje de disminución de
estos términos pasó a los términos simples. Para fines prácticos, en la función
transformada podrá prescindirse de las interacciones y de los cuadrados.
3.6.4 Deducción de las expresiones de las razones S/N para experimentos

estáticos:
Nominal es mejor – Tipo I:
En este caso la media y la desviación estándar de la característica de calidad varían

linealmente entre sí, independientemente del valor que adopten uno o más factores de
control, considerando que se aspira a lograr una meta m > 0. Por ejemplo, suponga que
“y” es la distancia a la que el arquero B (siendo B alguno de 2 arqueros) lanza la flecha
(figura 3.6.8).
y1  y2  y3
B
s1  s2  s3
A s y1 y2 y3
CV 
y s1 s2 s3
Fig. 3.6.8 Caso típico en el que la desviación estándar varía proporcionalmente a la media.
59
Suponga además que la extensión de la cuerda del arco es el factor A (variable

continua). Es de esperar que para un arquero particular, la variabilidad “s” aumentará
con la distancia “y”, y que el valor de CV (coeficiente de variación) sea diferente entre
arqueros (B). Además parece que la distancia “y” dependerá de la extensión A, y que
CV será indiferente de extensión de A (al menos por lo que concierne a este ejemplo).
Así:
s
CV B = , constante respecto a A (3.6.1)
y
Aplicaremos ahora los pasos de la sección 3.6.3.
Paso 1:
La función del MSD correspondiente es:
MSD  ˆ 2   ˆy  m 
2
(3.6.2)
Paso 2:
Se requiere independizar a la razón S/N de los ajustes para lograr la meta.
Reconociendo las siguientes igualdades:
ˆ = s ŷ = y (3.6.3)
Sustituyendo en la ecuación 3.6.2:
MSD  s 2   y  m 
2
Dividiendo ambos lados por y 2 :

2 2
MSD  s   m 
    1  (3.6.4)
y2 y  y
Es fácil notar que si invirtiéramos a esta expresión obtendríamos la razón de un
valor esperado ( y ) entre una variable que contiene variabilidad ( MSD ), lo que tendría
algún parecido con la analogía que hace el Dr. Taguchi (figura 3.6.2). Sin embargo, para
no complicar el análisis en esta etapa, dejaremos la expresión como está. Salvo la
inversión mencionada, esta expresión podría servir como razón S/N si cumpliera con las
propiedades (sección 3.6.2). No obstante, vemos que si se ajusta la media,
aparentemente también se estaría cambiando la evaluación de la ecuación 3.6.4, lo cual
incumpliría la propiedad 2, al menos.
Vamos a suponer que contamos con los factores de control apropiados. Con
algunos de estos factores podremos maximizar la razón S/N (invirtiendo la
ecuación 3.6.4, tentativamente), y al menos uno de los factores servirá como factor de
ajuste (según asumimos en la ecuación 3.6.1). Digamos que tenemos un factor de ajuste
llamado A (la extensión del arco). Bajo estas condiciones, sabemos que un cambio en el
valor del factor de ajuste A no cambiará a la razón S/N. Suponga que ajustamos al
factor A a un valor tal que y  m , entonces tendremos que la razón S/N seguirá siendo
la misma. Si hacemos esto, la razón m / y será igual a 1, con lo que la ecuación 3.6.4 se
simplifica:
60
2
MSD  sa 
  (3.6.5)
m2 m
Nótese que en esta ecuación hemos sustituido a s por sa . Esto es para aclarar que
bajo la condición especial de y  m , s adopta un valor específico. La expresión se ha
simplificado bastante, pero ahora tenemos un valor sa que debemos asegurar que está
cumpliendo con las propiedades.
Considerando la ecuación 3.6.1, tenemos que entre la desviación estándar y la

media existe una relación de proporcionalidad directa. Así:
sa s
CV   (3.6.6)
m y
Donde CV es independiente del factor de ajuste A, s es un valor arbitrario de
desviación estándar, y sa es el valor que adopta la desviación estándar cuando y  m .
Reemplazando a  sa / m  por  s / y  de la ecuación 3.6.6, en la ecuación 3.6.5:
2
MSD  s 
  (3.6.7)
m2 y
A fin de tener una expresión consistente con la analogía del Dr. Taguchi (figura 3.6.2),
al invertir la ecuación anterior:
2
m2 y
  (3.6.8)
MSD  s 
En esta ecuación se tiene que la razón  y/ s  es constate respecto al factor A, bajo el
supuesto que hicimos en la ecuación 3.6.1. Por lo tanto se estará cumpliendo con las
propiedades 1, 2 y 3.
Paso 3:
Para ayudar al cumplimiento de la propiedad 4 se hará la trasformación a decibeles
de la ecuación 3.6.8. La expresión resultante es la razón S/N buscada:
 y2 
S / N  10 log  2  (3.6.9)
s 
Es importante aclarar que esta ecuación se ha conseguido aplicando un
conocimiento previo del sistema en cuestión. Por ejemplo, hemos asumido que s es
proporcional a y , y que existe un factor de ajuste A, el cual no afecta al coeficiente de
variación CV. Estos supuestos se deben verificar en la práctica. Si no se cumplieran será
necesario reconsiderar la expresión de la razón S/N escogida.
61
Nominal es mejor – Tipo II:
En este caso la media y la desviación estándar de la característica varían

independientemente entre sí, siempre y cuando sólo se tengan variaciones de un
subconjunto de N factores de ajuste (que pueden cambiar a la media), de un total de M
factores de control. Además, la meta podrá adoptar valores positivos y negativos.
Como ejemplo de este tipo de casos tenemos:
 Control de temperatura alrededor de un valor nominal.
 Dimensiones de partes (tornillos, tuercas, etc.).
 Voltaje de una fuente de poder.
 Dimensiones de moldeado de partes plásticas.
Paso 1:
MSD  ˆ 2   ˆy  m 
2
(3.6.10)
Paso 2:
Se requiere independizar a la razón S/N de los ajustes para lograr la meta.
Reconociendo las siguientes igualdades:
ˆ = s ŷ = y (3.6.11)
Sustituyendo en la ecuación 3.6.2:
MSD  s 2   y  m 
2
Para cumplir con las propiedades 1, 2, y 3 (sección 3.6.3) simultáneamente,

podemos tomar como razón S/N simplemente a la varianza s 2 :
MSDIA  s 2 (3.6.12)
2
Se cumple con la propiedad 1 porque s es inmediatamente la variabilidad de la
característica. Además, si asumimos que existe un factor de ajuste A (que por lo tanto
no afecta a la razón S/N), este factor podrá tomar cualquier valor sin afectar a MSDIA
(ecuación 3.6.12). Nótese que por eso hemos puesto el subíndice IA (independiente de
ajuste) en MSDIA. Por lo tanto la expresión de la ecuación 3.6.12 cumple con la
propiedad 2. Además, esta expresión nos sirve para comparar (propiedad 3), pues entre
2
dos valores de s podremos decir que el menor valor es el mejor.
Paso 3:
S / N  10 log  s 2  (3.6.13)
El signo menos que precede a la fórmula (ecuación 3.6.13) se dispone para
mantener un estándar en la interpretación de la razón S/N. De esta forma, se podrá decir
que un aumento de la razón S/N implica una reducción en la variabilidad.
62
Menor es mejor:
En este caso la característica sólo puede adoptar valores positivos y la meta es cero.
Los factores de control tienen efecto para aumentar o disminuir a la media y a la
desviación estándar en forma simultánea. Si aumenta la media, aumenta la desviación
estándar, o viceversa. Aquí hay una diferencia con respecto a nominal es mejor, en
donde media y desviación estándar pueden cambiarse por separado. En la sección 3.5.2
mencionamos algunos ejemplos de este tipo.
Paso 1:
MSD  ˆ 2  ˆy 2
(3.6.14)
Sin embargo, en este caso carece de sentido práctico separar a las componentes de
la función de pérdida promedio relativas a la media y la desviación estándar, porque
justamente se espera que ambas componentes disminuyan simultáneamente. Por lo
tanto, en vez de usar la expresión de la ecuación 3.6.10, se acostumbra usar la
expresión de la sumatoria de la ecuación 3.3.3, tomando en cuenta que m = 0:
1 n
MSD   yi 2 (3.6.15)
n i 1
Paso 2:
Este paso pide independizar a la razón S/N de los ajustes para lograr la meta. Sin
embargo, en este caso se espera que los factores de control actúen disminuyendo
simultáneamente a la media y a la desviación estándar (hipotéticamente). Por lo tanto,
este paso se exceptúa.
Hasta aquí sólo se podrá cumplir con las propiedades 1 y 3. La propiedad 2

(independencia de la razón S/N de los cambios de la media) no se aplica, y de hecho no
es necesario aplicarla.
Paso 3:
1 n 
S / N  10 log   yi 2  (3.6.16)
 n i 1 
El signo menos que precede a la fórmula se dispone para mantener un estándar en
la interpretación de la razón S/N. De esta forma, siempre se podrá decir que un aumento
de la razón S/N implica una reducción en la variabilidad.
63
Mayor es mejor:
En este caso la característica sólo puede adoptar valores positivos y la meta está en
el infinito. Los factores de control tienen efecto para aumentar o disminuir a la media y
la desviación estándar en forma simultánea, pero en dirección contraria. Si aumenta la
media, disminuye la desviación estándar, o viceversa. Aquí hay una diferencia con
respecto a nominal es mejor, en donde media y desviación estándar pueden cambiarse
por separado. En la sección 3.5.3 mencionamos algunos ejemplos de este tipo
Paso 1:
1 n 1
MSD  
n i 1 yi 2
(3.6.17)
Paso 2:
Este paso pide independizar a la razón S/N de los ajustes para lograr la meta. Sin
embargo, como los factores de control actúan (hipotéticamente) de tal forma que al
aumentar a la media disminuye la desviación estándar, este paso se exceptúa.
Hasta aquí sólo se podrá cumplir con las propiedades 1 y 3. La propiedad 2

(independencia de la razón S/N de los cambios de la media) no se aplica, y de hecho no
es necesario aplicarla.
Paso 3:
1 n 1 
S / N  10 log   2  (3.6.18)
 n i 1 yi 
El signo menos que precede a la fórmula se dispone para mantener un estándar en
la interpretación de la razón S/N. De esta forma, siempre podremos decir que un
aumento de la razón S/N implica una reducción en la variabilidad.
3.6.5 Deducción de la expresión de la razón S/N para experimentos

dinámicos:
Los métodos dinámicos abordan la cuestión de la optimización de sistemas

alrededor de una función, no de un número. En otras palabras, el método optimiza al
sistema sobre un rango de valores de salida, considerando que se tiene un parámetro
independiente para ajustar la salida. Por ejemplo, en el sistema de inyección de gasolina
en la cámara de un motor de combustión interna, tenemos una función lineal entre el
64
flujo de gasolina y el hundimiento del pedal del acelerador (figura 3.6.8). El flujo
de gasolina es el resultado de la evaluación de la función que queremos estabilizar, y el
hundimiento del pedal es el factor que actúa sobre la función para que cambie su
resultado, (puede haber más de un factor de este tipo) y se le conoce como factor de
señal. Nuestra intención es asegurar que siempre tengamos la misma función, una
función lineal en este caso (ecuación 3.6.19).
y=  M (3.6.19)
Para lograrlo, necesitamos que la pendiente  sea siempre la misma. Para casos
como este no tenemos una versión dinámica de la función de pérdidas que nos guíe en
la definición de una razón S/N. No obstante, se puede decir que la versión dinámica de
la razón S/N está cercanamente relacionada al caso estático nominal es mejor Tipo I. La
ecuación 3.6.9 que dedujimos para este caso, se acerca bastante a la analogía que hiciera
el Dr. Taguchi [Fowlkes, W.Y., Creveling, C.M. ,1995]:
 Poder dela media   y2 

S/ N = 10 Log    10 Log  2
 Poder dela variabilidad alrededor dela media  s 
En forma similar para el caso dinámico, la razón S/N puede definirse

conceptualmente como:
 Poder dela pendiente   2 

S/ N = 10 Log   = 10 Log   (3.6.20)
 Poder dela variabilidad alrededor dela línea   MSE 
Flujo de La meta varía

gasolina
(y )

Hundimiento del pedal del
acelerador (M)
Fig. 3.6.8 Experimentos dinámicos (bis fig. 3.6.4).
Donde MSE (mean square error) es el error cuadrático medio de la regresión entre
la salida y el parámetro de ajuste. En el ejemplo de la figura 3.6.8 nos referimos al flujo
de gasolina y al hundimiento del pedal, respectivamente.
Como vemos, en el caso dinámico, la definición de la razón S/N es una definición

operacional. No obstante, también deberá pasar por el tamiz de las propiedades
presentadas en la sección 3.6.2.
65
En la expresión de la razón S/N de la ecuación 3.6.20 se cumple la propiedad 1 (la

razón S/N debe reflejar la variabilidad…), puesto que el MSE contiene la variabilidad.
Si asumimos que existe un factor de ajuste, digamos A, que permite modificar al valor
de la pendiente  , sin cambiar el valor de la razón S/N, se estaría cumpliendo con la
propiedad 2 (la razón S/N debe ser independiente de los ajustes que se hagan a la
media). Dados dos valores de 1 y  2 , ambos cumpliendo con sus especificaciones
respectivas, con la ecuación 3.6.20 podremos saber que condición tiene mayor calidad,
según cuál sea la razón S/N mayor, lo que estaría cumpliendo con la propiedad 3 (la
razón S/N debe ser útil para hacer comparaciones). Finalmente, el cumplimiento de la
propiedad 4 (la razón S/N debe tener una expresión simple) está apoyado con la
transformación a decibeles.
3.7 Selección de la característica de calidad, de los factores de

ruido y de los factores de control:
Como en todo proyecto de experimentos, en el diseño robusto de parámetros debe

desarrollarse un proceso de investigación acerca del fenómeno sobre el cual se harán los
experimentos, para conocer los antecedentes, qué características se usaron, qué factores
se consideraron, qué errores se cometieron y a qué conclusiones se llagaron. Sería
imperdonable realizar un experimento que trate de explicar un fenómeno que ya fue
explicado previamente, o volviendo a cometer los mismos errores. Esta investigación y
una clara definición del problema que en la actualidad se viene confrontando, es la base
para establecer los objetivos experimentales, y con ello la selección adecuada de las
variables experimentales: característica de calidad, factores de control, los factores de
señal (para el caso dinámico), y factores de ruido.
Una valoración exitosa del desempeño de un producto o proceso pasa primero por
la identificación de la característica de calidad que resuma la función que más se tiene
en estima por parte del usuario. Esta característica estará afectada por parámetros cuyas
condiciones en el producto final están en nuestras manos, estos son los factores de
control; y por factores internos o externos que no podemos controlar, llamados factores
de ruido. Es imprescindible saber cuáles son estos factores, pues entre ellos estarán las
variables independientes que manipularemos en el experimento, para cuantificar las
causalidades y determinar las condiciones óptimas.
En los sistemas dinámicos, el comportamiento del sistema está determinado,

además de los factores de control, por los factores de señal, los cuales cambiarán a
discreción de los requerimientos del supra sistema (el usuario, por ejemplo), y al hacerlo
cambian el valor de la respuesta.
66
La siguiente figura muestra como todos estos elementos se integran en el sistema

[Phadke, M., 1989].
Factores de
Ruido
M1
Factores Producto
M Respuesta medida
de señal 2
(ó proceso)
M3 (Característica de calidad)
A B C
Factores de control
Fig. 3.7.1 Diagrama de entrada-proceso-salida de un sistema dinámico.
3.7.1 Selección de la característica de calidad:
A la respuesta medida de un diseño, en el diseño robusto de parámetros, se le

conoce como característica de calidad. El término calidad se incluye en la
denominación para enfatizar la importancia de la característica principal que el cliente
reconoce. La característica de calidad es la respuesta que se mide para cada
combinación de los factores de control y de ruido (y factores de señal, en el caso
dinámico).
El Dr. Taguchi y sus colaboradores [Taguchi, G., Chowdhury, S, Wu, Y, 2005] han
destacado la gran importancia que tiene la respuesta escogida en la existencia de
interacciones entre los factores de control que se consideren en un experimento.
Algunas interacciones surgen de transformaciones energéticas (por su naturaleza, la
energía es una cantidad física que implica productos). Como ejemplo de tales
características tenemos la intensidad del sonido y la potencia eléctrica. Las interacciones
no son necesariamente malas, y muchas características de calidad estimadas por los
clientes contienen mucha interacción. No obstante, lo recomendable es que la
característica se pueda modelizar con la mínima participación de interacciones. Bajo
condiciones ideales el modelo de la característica y de su razón S/N debería tener la
forma general siguiente [Taguchi, G., Chowdhury, S, Wu, Y, 2005]:
y = f1  A + f 2  B  + f 3 C  ...+error (3.7.1)
A esta forma se le conoce como el modelo aditivo, donde “y” es la respuesta (o la razón
S/N) y A, B, C…, son los factores de control. Si el término de error es pequeño,
67
entonces el modelo aditivo es aceptable. Existen varias razones por las que el modelo
aditivo es deseable, por ejemplo:
 El número de corridas experimentales puede reducirse debido a que no hay
interacciones.
 Los resultados son más fáciles de interpretar.
 Los diseños puede resistir a los cambios de alguno de los parámetros de diseño
sin sufrir efectos notables en la calidad.
 Los diseños son fáciles de implementar y optimizar debido a la ausencia de las
restricciones que podrían imponer las interacciones.
Las propiedades [Fowlkes, W.Y., Creveling, C.M.,1995] deseables en la

característica de calidad que se escoja son:
 La característica debe ser continua, cuantitativa y fácil de medir:

Las medidas cuantitativas continuas permiten discriminar entre las pequeñas
mejoras de calidad. Las características que son fáciles de medir así mismo
facilitan la realización práctica del experimento.
 La característica debería tener un cero absoluto (sólo valores positivos):

La temperatura dada en grados Kelvin es un ejemplo de este tipo; los grados
Celsius y Farenheit, por otro lado, no lo son. Esta propiedad es especialmente
importante en los diseños dinámicos, y en los diseños nominal es mejor tipo I.
En estos casos los modelos de la razón S/N serán los mejores, porque se logra
independizar a los comportamientos de la media y de la razón S/N.
 La característica debería tener una relación aditiva (no interactiva), o al

menos consistente con los efectos de los factores:
Como se describió en la ecuación 3.7.1 lo ideal es que la característica tenga un
comportamiento resultante de la suma de los efectos independientes de los
factores de control (figura 3.7.2 izquierda), por las razones que describimos.
Cuando esto no sea posible, al menos debería lograrse que la característica
tenga un comportamiento consistente, monotónico (siempre creciente, o
siempre decreciente). Con un comportamiento consistente queremos decir que
se acepta la existencia de cierto nivel de interacción. Por ejemplo (figura 3.7.2,
derecha), suponiendo que tenemos dos factores de control A y B, con algún
nivel de interacción entre ellos, y suponiendo además que nos interesa
maximizar la respuesta. Si la respuesta máxima de A se produce con el mismo
nivel de A, no importa cuál sea el valor de B; y si además la respuesta máxima
de B se produce con el mismo nivel de B, sin importar cual sea el valor de A,
se mantiene entonces una consistencia con la que se podrá trabajar.
68
Aditividad del efecto de Dos factores de 3 niveles con

dos factores, de 2 niveles: interacción, con resultados
consistentes: B1
y B1 y B2
B2 B3
A1 A2 A1 A2 A3
Fig. 3.7.2 Diagramas de interacción (basados en las figuras 8.10 y 8.11 de

Fowlkes y Creveling,1995).
 La característica debería ser completa (cubrir todas las dimensiones de la

función ideal):
Una respuesta completa provee toda la información requerida para describir a
la función ideal. Una sola característica debe ser suficiente para medir el
desempeño de la función. Los casos en que se piense que se requiere más de
una característica típicamente estarán enfocados en síntomas más que en la
función.
 La característica debería ser fundamental (relacionada a funciones físicas

básicas):
Una respuesta es fundamental si no mezcla diferentes mecanismos de
producción, y si no es influida por factores fuera del proceso que se esté
optimizando. Esta propiedad se refiere a los mecanismos y procesos que se
tienen durante la producción. Por ejemplo (figura 3.7.3), suponga que los
clientes de televisores con pantalla LCD piden que el color de la imagen sea
real. Físicamente podemos pensar que existe una característica capaz de medir
la “pureza del color” reproducido. Desafortunadamente, la pureza del color es
una característica demasiado amplia, que depende de la señal de la imagen que
llega al televisor, de la circuitería interna del televisor (la cual a su vez está
compuesta de varios sub-sistemas), y de la pantalla de LCD. Esto quiere decir
que debemos subdividir el problema en funciones de interés más básicas. No se
trata de tener varias características para una sola función, sino de tener una
característica para cada función básica.
69
Bloque 1 Bloque 3
Señal de Pantalla LCD

Video
Bloque 2 Bloque 4
Energía
eléctrica
Fig. 3.7.3 Ejemplo simplificado de los bloques de un televisor LCD.
¿Hasta dónde debemos llegar en el desglose para decidirnos por un nivel

fundamental? … Esta pregunta no se puede contestar genéricamente. En la
práctica dependerá del proceso o producto, y del conocimiento colectivo que
tengan los miembros del equipo de diseño.
3.7.2 Selección de los factores de ruido:
La selección de los factores de ruido es crítica para el éxito del diseño robusto.
Según vimos al inicio de la sección 3.4, los factores de ruido pueden clasificarse en:
 Ruido externo.
 Ruido de deterioro o ruido interno.
 Ruido de unidad a unidad.
Medio
Máquina Personas ambiente
Apagones Destreza
de energía ____ del cliente_____ Temperatura_
Salud de
Factor de ruido 2 los operarios__ Humedad relativa
Característica
de calidad
Ausencia imprevista Descalibración Impureza de la
de algún procedimiento . no detectada__. materia prima__ Material usado por los clientes
Factor de ruido 3 Factor de ruido 1 Factor de ruido 4 ___en el uso normal del producto
Método Medición Materiales
Fig. 3.7.4 Diagrama de causa y efecto para la identificación de factores causantes de efectos
no controlados en la característica de calidad.
70
La identificación de los factores de ruido no debe hacerse con unos pocos

especialistas. Para hacer una selección apropiada se requiere un equipo
multidisciplinario y multifuncional. Se realiza con preferencia haciendo sesiones de
lluvia de ideas, aplicando herramientas de trabajo en equipo para la mejora de calidad
(por ej., diagrama de causa y efecto, figura 3.7.4) [Pyzdek, T, 2003].
Luego de identificar a los factores de ruido, los factores han de clasificarse según
las categorías anteriores (externo, interno, y unidad a unidad). Cada categoría de ruido
tiene sus métodos especializados para atacarlos. Entre los métodos más efectivos de
abordar a los factores de ruido externo tenemos la metodología del diseño robusto de
parámetros. Los factores de ruido interno se controlan principalmente mediante la
selección entre opciones de sistemas, de componentes y materiales; lo cual se da en el
proceso de diseño y en el proceso de manufactura (en la selección de los proveedores, y
el control en la entrega). Los factores de ruido unidad a unidad se controlan
principalmente durante el proceso de manufactura. Complementariamente, entre los
métodos para mejorar al proceso de manufactura (al menos en lo concerniente a la
selección de máquinas y herramientas) también se aplica la metodología del diseño
robusto de parámetros.
Para la aplicación de la metodología del diseño robusto de parámetros se requiere

hacer una selección de los factores de ruido externo más críticos y que sean
reproducibles bajo condiciones experimentales. Por ejemplo (ver figura 3.7.4), factores
como la temperatura, la humedad y los materiales usados por los clientes en el uso
normal del producto, se pueden reproducir bajo condiciones experimentales. Esta
selección se hace empleando el mejor criterio y la metodología de trabajo que el equipo
decida. La recomendación práctica es que se haga una selección preliminar de un
máximo de 11 factores [Fowlkes, W.Y., Creveling, C.M., 1995]. Los factores
seleccionados se someterán luego a un procedimiento de selección más riguroso
realizando experimentos de factores de ruido.
Factores de Ruido se cambian

bajo condiciones experimentales
1 2 3 4 5 6 7
L8 -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
Respuesta medida
+1 +1 -1 +1 -1 -1 +1
(Característica de calidad)
y
0.60
A 0.50
de control
0.40
Factores
B Producto 0.30
C (ó proceso) 0.20
0.10
D            
1 2 3 4 10 11
Los factores de control

(perillas) se dejan en
sus valores nominales
Fig. 3.7.5 Diseños factoriales de selección para la selección de factores de ruido.
71
Los experimentos de factores de ruido son experimentos que se ejecutan aplicando

los diseños factoriales de selección que estudiamos en el capítulo 2. Mientras se hagan
estos experimentos los factores de control (o de señal, en los diseños dinámicos)
deberán fijarse en sus valores nominales (figura 3.7.5).
Usualmente se emplean diseños de Taguchi, en donde el más preferido es el

L12(211). Este diseño tiene capacidad para acomodar hasta un máximo de 11 factores de
ruido. Se escogen diseños de Taguchi por su poder para contrarrestar los efectos de las
interacciones, las cuales se distribuyen con bastante uniformidad entre todas las
columnas de factores, de tal forma que en cada columna se destacarán los efectos
principales debidos a los factores. Se prefieren los diseños de Taguchi respecto a los de
Plackett-Burman, debido a que la estructura de los primeros es de más fácil
implementación (sección 2.4.3), sin aleatorización.
3.7.3 Selección de los factores de control:
Los factores de control que requieren seleccionarse para los experimentos estáticos
del tipo nominal es mejor, y para los experimentos dinámicos, son de dos tipos:
 Factores que al variar afectan únicamente a la media de la respuesta, llamados
factores de ajuste (“tuning factors”).
 Factores que al variar afectan principalmente a la razón S/N, aunque podrían
afectar también a la media de la respuesta.
La acción conjunta de este tipo de factores permitirá la aplicación de los dos pasos
fundamentales del método de Taguchi:
1) Maximizar la razón S/N.
2) Alcanzar la meta.
En los experimentos estáticos del tipo menor es mejor se requieren factores que
maximicen a la razón S/N y que simultáneamente minimicen la media de la respuesta.
En forma contraria, en los experimentos estáticos del tipo mayor es mejor se requieren
factores que maximicen a la razón S/N y que simultáneamente maximicen la media de
la respuesta. En estos experimentos los pasos del método de Taguchi se reducen a un
solo paso, maximizar la razón S/N, pues logrado esto, también se logra el objetivo
complementario de minimizar o maximizar la media de la respuesta, según el tipo de
experimento.
Típicamente, la selección de los factores de control es una tarea que se basa

principalmente en el conocimiento teórico y práctico del producto o proceso. Es una
selección con menos incertidumbre que el caso de la selección de los factores de ruido.
Consideremos, por ejemplo, el caso estudiado de los experimentos con la catapulta
(figura 3.7.6):
72
Modelo físico
F  
6
4
5
3

• Posición de
4 Altura
del pin
rB
3 Posición 2
IO  = rF F   Sen   Cos  
la taza
de parada
• Posición de
a liga
2
1
mgrB rF
1
rG
1
2
3 4 5 6
  MgrG +mgrB  Sen  
MgrG 
Ángulo de
disparo
F   : Fuerza ejercida por la banda elástica, rG : Radio desde el origen al centro de

en función del ángulo  . gravedad de la estructura del brazo y la taza
M : Masa de la estructura del brazo y la taza. rF : Radio desde el origen al punto donde se
ejerce la fuerza F  
m: Masa del proyectil (pelota)
rB : Radio desde el origen al punto donde se
g: Constante de gravedad a nivel encuentra la taza.
del mar, 9.8 m/s2 I O : Momento de inercia de toda la estructura del
brazo, la taza y el proyectil.
Fig. 3.7.6 Desarrollo matemático parcial del modelo físico de la catapulta.
Asumiendo que somos los diseñadores de este producto (la catapulta), como
expertos que somos podremos deducir algunas expresiones matemáticas (figura 3.7.6)
que nos ayudarán a hacer nuestra selección de los factores de control. Supondremos que
la variable respuesta es la distancia “y” a la que cae el proyectil. Así, según la distancia
a la que cae el proyectil sea fija, o a discreción del usuario, nuestro diseño podrá ser
estático o dinámico, respectivamente. Para simplificar, asumiremos que se trata de un
diseño estático. De esta forma, considerando las ecuaciones del modelo teórico,
nosotros, como diseñadores, podremos proponer la hipótesis de la existencia de una
zona (espacio de diseño) de operación lineal de la distancia “y” con el ángulo  . El
lanzamiento del proyectil con la catapulta es semejante al ejemplo del lanzamiento de la
flecha (figura 3.6.8), por lo tanto, podemos deducir que habrá un coeficiente de
variación CV idealmente constante con la distancia “y”, y en consecuencia CV también
será constante con respecto al ángulo  . Todo lo cual nos hace concluir que nuestro
diseño será estático “nominal es mejor” tipo I, donde la variable  podrá servirnos
como factor de ajuste (no afecta a la razón S/N). Con razonamientos de este tipo habría
que identificar otros factores de control que sirvan para la minimización de la razón
S/N.
Todo este proceso de selección de factores se basa en hipótesis sustentadas

teóricamente y por la experiencia. La prueba concluyente la tendremos cuando hagamos
los experimentos para la optimización de parámetros. Para mejorar nuestro criterio
experto, los autores Fowlkes y Creveling (1995) nos hacen algunas recomendaciones,
las cuales resumimos en los siguientes puntos:
 Es imperativo que exista suficientes factores de control para que algunos de

ellos sirvan para maximizar la razón S/N. Se recomienda de 6 a 8 factores de
control siempre que sea posible.
73
 La selección de factores de ajuste es relativamente fácil para los expertos.

 Es muy recomendable seleccionar 3 niveles para los factores de control
cuantitativos. Esto ayuda expandir la región de experimentación y permite
estudiar la curvatura de la respuesta.
 Es muy importante definir una separación amplia entre los niveles de los
factores que permita la obtención de grandes efectos, de esta forma se
contrarresta a la variación experimental. Recordar que en un diseño robusto de
parámetros no se aleatorizan las corridas.
 No se requiere que los niveles estén uniformemente espaciados. El análisis de
los resultados experimentales de un diseño robusto se realiza principalmente
mediante gráficas, no se construyen modelos.
 Escoger niveles dentro de un rango en donde se espera aprender algo, y excluir
los niveles que se conoce que no serán de utilidad.
 Si es posible, los factores seleccionados deberían permitir la exploración de
nuevas oportunidades de mejora.
 En la escogencia de los factores de control, utilice su conocimiento del tema
para mejorar la eficiencia de la prueba y evitar las interacciones.
3.8 Estructura del diseño experimental robusto de parámetros:
Por lo que hemos dicho hasta ahora, está claro que el “enemigo” es la variabilidad.
Un sistema ideal es aquel que no tiene pérdidas, y que por lo tanto no tiene variabilidad.
En contraste, en el mundo real la variabilidad siempre está presente. La estrategia
general del Dr. Taguchi para combatir a este enemigo es: Disminuir la variabilidad y
lograr la meta. En la concepción de Taguchi, no debemos esperar a que el producto
salga al mercado para reaccionar luego apagando fuegos, debemos ser proactivos y
prevenir la ocurrencia de estos fuegos [Taguchi, G., Chowdhury, S, Wu, Y, 2005].
La estrategia de Taguchi viene acompañada con un plan de acción para atacar a la

variabilidad en su cuna, en el proceso de diseño, este plan es la metodología del diseño
robusto de parámetros. La primera parte de este plan se trató precisamente de la
identificación de la característica de calidad, de los factores de ruido, y de los factores
de control, todo lo cual ya vimos. Ahora veremos una nueva (y controversial) estructura
de diseño experimental que nos permitirá obtener una descripción del comportamiento
de la media, y de la razón S/N, en los diseños estáticos; y una descripción para el
comportamiento de la pendiente  , y de la razón S/N, en los sistemas dinámicos. La
optimización del producto se hará con las descripciones resultantes, que se presentarán
en forma gráfica para facilitar la interpretación.
74
3.8.1 Las interacciones, un concepto clave en la reducción de los efectos

del ruido:
Hasta ahora hemos estado insistiendo en que deben evitarse las interacciones entre
los factores de control en los “modelos” (a nivel conceptual, pues no se construyen
modelos) de la media y de la razón S/N. No se ha dicho nada respecto a las
interacciones cruzadas entre los factores de control y los factores de ruido, pues de
hecho no se pretende obtener un “modelo” que incluya a las interacciones (figura 3.6.5).
Sin embargo, estas interacciones están en el núcleo del mecanismo de reducción de la
sensibilidad a la variabilidad, o maximización de la razón S/N [Taguchi, G.,
Chowdhury, S, Wu, Y, 2005]. Para ilustrar el punto, considere el caso hipotético de la
siguiente figura.
Factor de ruido
R
A
Factores Producto
B ŷ
de control (ó proceso)
C
Factores fijos en sus

valores nominales
Fig. 3.8.1 Diagrama de entrada-proceso-salida con factores de control y de ruido.
Suponga que realizamos un experimento con el factor de ruido R (tal vez la

temperatura) y el factor de control A, dejando fijos a los factores de control B y C.
Suponga que los resultados experimentales fueron los que se muestran a continuación:
R A RA y
-1 -1 +1 20.00
-1 +1 -1 8.00
+1 -1 -1 12.00
+1 +1 +1 24.00
Media (-) 14.00 16.00 10

Media (+) 18.00 16.00 22
Efecto 4.00 0.00 12.00 y  16.00
Tabla 3.8.1 Diseño factorial completo y resultados para un problema hipotético con un factor
de control y otro de ruido.
75
La gráfica de interacción y el modelo matemático correspondiente es:
Gráfica de
y Interacción
30
R(-) R(+)
16
15
ŷ  16  2R  6RA
-1 +1
1
 A
3
Fig. 3.8.1 Gráfica de interacción para un problema hipotético de un factor de control y otro de
ruido.
En esta gráfica es claro que si el factor de control A toma el valor de -1/3 (unidades
codificadas), la respuesta “y” mantendrá un valor de 16, para cualquier valor que adopte
el factor de ruido R: El producto se habrá hecho robusto ante las variaciones del ruido.
Suponga ahora que alguno (o ambos) de los factores B y C pueden actuar como
factores de ajuste (sus cambios no afectan a la razón S/N). En este caso, la respuesta “y”
podrá situarse en el valor deseado sin afectar a la razón S/N.
En la metodología del diseño robusto de parámetros realmente no se obtiene la

ecuación de interacción con factores de ruido como la que hemos visto en este ejemplo,
pero este es el mecanismo que se asume está funcionando en el trasfondo cuando
maximizamos a la razón S/N.
76
3.8.2 Arreglo cruzado para experimentos estáticos:
Considere arreglo de diseño que presentamos en la siguiente tabla, la cual

corresponde al formato básico empleado en los experimentos estáticos de Taguchi:
RC -1 +1 +1 -1
Arreglo interno Arreglo externo
RB -1 +1 -1 +1 (factores de Ruido)
(factores de Control) RA -1 -1 +1 +1
Corrida A B C D E F G H 1 2 3 4 S/N y
1 -1 -1 -1 -1 -1 -1 -1 -1
2 -1 -1 0 0 0 0 0 0
3 -1 -1 +1 +1 +1 +1 +1 +1
4 -1 0 -1 -1 0 0 +1 +1
5 -1 0 0 0 +1 +1 -1 -1
6 -1 0 +1 +1 -1 -1 0 0
7 -1 +1 -1 0 -1 +1 0 +1
8 -1 +1 0 +1 0 -1 +1 -1
9 -1 +1 +1 -1 +1 0 -1 0
10 +1 -1 -1 +1 +1 0 0 -1
11 +1 -1 0 -1 -1 +1 +1 0 Resultados
12 +1 -1 +1 0 0 -1 -1 +1 experimentales
13 +1 0 -1 0 +1 -1 +1 0
14 +1 0 0 +1 -1 0 -1 +1
Cálculos
15 +1 0 +1 -1 0 +1 0 -1
16 +1 +1 -1 +1 0 +1 -1 0
17 +1 +1 0 -1 +1 -1 0 +1
18 +1 +1 +1 0 -1 0 +1 -1
Tabla 3.8.2 Arreglo cruzado para experimentos estáticos.
En el arreglo anterior se identifican 5 secciones:
 Arreglo interno: Matriz de diseño con los factores de control que se han
seleccionado para el experimento. Se trabaja con diseños de Taguchi.
 Arreglo externo: Matriz de diseño con los factores de ruido cuyos efectos en la
respuesta se pueden controlar bajo condiciones experimentales, pero no bajo
condiciones normales de aplicación. Se trabaja con diseños de Taguchi.
 Resultados experimentales: Respuestas de la característica de calidad medidos
para cada combinación horizontal de los factores de control, cruzados con cada
combinación vertical de los factores de ruido.
 S/N: Razón señal-ruido usada como medida de la variabilidad. Es un cálculo con
los resultados experimentales del renglón correspondiente.
 y : Media de los resultados del renglón correspondiente.
Esta tabla se asemeja a una tabla de diseño de experimentos convencional, y en

efecto, salvo el arreglo externo y la columna S/N (razón S/N), todo lo demás se
interpreta de la misma manera. El arreglo externo es una simulación, en ambiente de
laboratorio, de las condiciones más extremas en las que podrán encontrarse los factores
de ruido. Las combinaciones de los factores de ruido se leen verticalmente. En la
columna S/N se anotan los cálculos de la razón S/N con los resultados experimentales
del renglón correspondiente, aplicando la fórmula apropiada según el tipo de diseño
(nominal es mejor, menor es mejor, o mayor es mejor).
77
La perturbación que ejercen los factores de ruido es intencionalmente mucho mayor

que el error experimental. Esta es una particularidad de los diseños de Taguchi que hace
innecesaria la aleatorización de las corridas de experimentación, lo que es consistente
con la filosofía de simplificar los experimentos.
3.8.3 Arreglo cruzado para experimentos dinámicos:
Considere arreglo de diseño que presentamos en la siguiente tabla, la cual

corresponde al formato básico empleado en los experimentos dinámicos de Taguchi:
Arreglo ortogonal de los factores de ruido

Arreglo externo
Secuencia de niveles del factor de señal
M 1 1 1 1 2 2 2 2 3 3 3 3
Arreglo interno RB -1 +1 -1 +1 -1 +1 -1 +1 -1 +1 -1 +1
(factores de Control) RA -1 -1 +1 +1 -1 -1 +1 +1 -1 -1 +1 +1
Corrida A B C D E F G H 1 2 3 4 5 6 7 8 9 10 11 12 S/N ̂
1 -1 -1 -1 -1 -1 -1 -1 -1
2 -1 -1 0 0 0 0 0 0
3 -1 -1 +1 +1 +1 +1 +1 +1
4 -1 0 -1 -1 0 0 +1 +1
5 -1 0 0 0 +1 +1 -1 -1
6 -1 0 +1 +1 -1 -1 0 0
7 -1 +1 -1 0 -1 +1 0 +1
8 -1 +1 0 +1 0 -1 +1 -1
9 -1 +1 +1 -1 +1 0 -1 0
10 +1 -1 -1 +1 +1 0 0 -1 Resultados
11 +1 -1 0 -1 -1 +1 +1 0 experimentales
12 +1 -1 +1 0 0 -1 -1 +1 Cálculos
13 +1 0 -1 0 +1 -1 +1 0
14 +1 0 0 +1 -1 0 -1 +1
15 +1 0 +1 -1 0 +1 0 -1
16 +1 +1 -1 +1 0 +1 -1 0
17 +1 +1 0 -1 +1 -1 0 +1
18 +1 +1 +1 0 -1 0 +1 -1
Tabla 3.8.3 Arreglo cruzado para experimentos dinámicos.
En el arreglo anterior se identifican 5 secciones:
 Arreglo interno: Matriz de diseño con los factores de control que se han
seleccionado para el experimento. Se trabaja con diseños de Taguchi.
 Arreglo externo: Está compuesto por un renglón con los niveles distribuidos
entre los límites de operación del factor de señal, y por un arreglo ortogonal para
los factores de ruido. Cada nivel del factor de señal se combina con un mismo
patrón del arreglo ortogonal de factores de ruido.
 Resultados experimentales: Respuestas de la característica de calidad medidos
para cada combinación horizontal de los factores de control, cruzados con cada
combinación vertical de los factores de ruido y de señal.
 S/N: Razón señal-ruido usada como medida de la variabilidad. Es un cálculo con
los resultados experimentales del renglón correspondiente.
78
 ̂ : Pendiente estimada de la relación lineal entre la respuesta y el factor señal.

Se calcula con los datos de la respuesta de cada renglón asociados a los niveles
del factor de señal.
El arreglo externo es una composición de los niveles del factor de señal con los
factores de ruido. Las combinaciones del factor de señal y los factores de ruido se leen
verticalmente. En la columna S/N se anotan los cálculos de la razón S/N hechos con los
resultados experimentales del renglón correspondiente, aplicando la ecuación:
 2  (3.8.1)
S/ N = 10 Log  
 MSE 
El factor de señal se recomienda que sea de al menos 3 niveles. Los factores de
ruido deberían tener 2 niveles, o a lo más 3 niveles [Fowlkes, W.Y., Creveling,
C.M.,1995]. El diseño ortogonal de los factores de ruido ha de ser factorial completo
para 2 factores de ruido; o algunos de los diseños de Taguchi, para más de 2 niveles.
No obstante, debido al considerable número de experimentos, lo usual es trabajar con
unos pocos factores de ruido, con sólo un factor si es posible.
En la figura siguiente mostramos el procedimiento general de cálculo del análisis

regresión lineal simple (Draper, N., Smith, H., 1988) que se realiza para cada renglón.
M 1 1 1 1 2 2 2 2 3 3 3 3
RB -1 +1 -1 +1 -1 +1 -1 +1 -1 +1 -1 +1
RA -1 -1 +1 +1 -1 -1 +1 +1 -1 -1 +1 +1
Corrida A B C D E F G H 1 2 3 4 5 6 7 8 9 10 11 12 S/N ̂
1 -1 -1 -1 -1 -1 -1 -1 -1
2 -1 -1 0 0 0 0 0 0
3 -1 -1 +1 +1 +1 +1 +1 +1
4 -1 0 -1 -1 0 0 +1 +1 78 85 75 91 153 165 158 169 236 252 239 250 21 81
5 -1 0 0 0 +1 +1 -1 -1
6 -1 0 +1 +1 -1 -1 0 0
M y
1 78 y
1 85 y vs M
1 75 300
1 91 250
ˆ  81
2 153
200
2 165 MSE  48.36
2 158 150
2 169 100
̂
3 236 50
3 252
3 239
0 M
0 0.5 1 1.5 2 2.5 3 3.5
3 250
Fig. 3.8.2 Cálculos de los resultados ̂ y MSE de un análisis de regresión lineal simple, para
cada renglón.
Con los resultados de ̂ y MSE de la regresión lineal se puede calcular el valor de

la razón S/N correspondiente al renglón:
 2   812 
S/ N = 10 Log    10 Log    21.32
 MSE   48.36 
79
3.9 Caso de estudio de diseño robusto de parámetros:
Conocidos los diferentes componentes de un diseño robusto de parámetros:

 Factores de control
 Factores señal
 Factores de ruido
 Razón S/N
 Media
 Arreglo matricial de análisis
Ya estamos listos para resolver un caso típico. Para este fin consideraremos un
ejemplo del libro Design of Experiments Using The Taguchi Approach de Ranjit, R.
(2001), ejemplo 12.4, página 384.
Los ingenieros de una fábrica de productos de plástico moldeado requieren

optimizar la producción de botellas plásticas. Han identificado 6 factores de control de
2 niveles, y 3 factores de ruido de 2 niveles. Los valores máximos y mínimos que
definieron son los siguientes:
Factores de control:
Min Max
A Temperatura de inflado 250° C 290° C
B Presión de inflado 60 psi 100 psi
C No se usa
D Velocidad de moldeado 2.5 rpm 3.5 rpm
E Peso de la base 4.25 oz. 5.60 oz.
F Diseño Actual Modificado
G Peso de la espaldilla 0.4 oz. 0.6 oz.
Tabla 3.8.4 Definición de los niveles mínimo y máximo para los factores de control,
Ranjit, R., 2001, ejemplo 12.4.
Factores de ruido:
Min Max
RC Temperatura del enfriador Ambiente Fria
RB Proveedor del material Prov. 1 Prov. 2
RA Marca de la máquina Marca A Marca B
Tabla 3.8.5 Definición de los niveles mínimo y máximo para los factores de ruido,
Ranjit, R., 2001, ejemplo 12.4.
En la planta se usan varias marcas de máquinas para realizar el mismo trabajo en el

proceso. La materia prima para el proceso se consigue de diferentes proveedores y se
espera que presente muy pocas diferencias en su composición química. Por razones de
la estrategia comercial, la selección de una sola marca para las máquinas, y un solo
proveedor para la materia prima, no se cree que sea una buena opción.
80
Considerando la cantidad de factores y número de niveles definidos, para el arreglo

interno se usará un diseño L8, y para el arreglo externo, un diseño L4. La variable de
respuesta es la resistencia a la compresión de las botellas, en libras de fuerza, hasta
antes de romperse. Se quiere que esta resistencia sea la mayor que se pueda lograr. Así,
el diseño robusto de parámetros será del tipo mayor es mejor. Luego de realizar los 32
experimentos (8x4) se obtuvieron los resultados de la siguiente tabla:
RC -1 -1 +1 +1
Arreglo interno Arreglo externo
RB -1 +1 -1 +1
(factores de Control) (factores de Ruido)
RA -1 +1 +1 -1
Corrida A B C D E F G 1 2 3 4 S/N
1 -1 -1 -1 -1 -1 -1 -1 30 33 36 32 30.248 32.75
2 -1 -1 -1 +1 +1 +1 +1 36 40 44 41 32.027 40.25
3 -1 +1 +1 -1 -1 +1 +1 30 28 27 25 28.73 27.5
4 -1 +1 +1 +1 +1 -1 -1 44 36 28 33 30.602 35.25
5 +1 -1 +1 -1 +1 -1 +1 24 28 32 29 28.88 28.25
6 +1 -1 +1 +1 -1 +1 -1 52 44 36 43 32.599 43.75
7 +1 +1 -1 -1 +1 +1 -1 32 24 16 29 27.095 25.25
8 +1 +1 -1 +1 -1 -1 +1 46 43 40 38 32.345 41.75
Tabla 3.8.6 Arreglo cruzado de experimento estáticos y los resultados.
Los factores asignados a las columnas del arreglo interno, y a los renglones del
arreglo externo, son los que aparecen en la tabla 3.8.4 y 3.8.5 respectivamente. La
columna C del arreglo interno no se usa (ver nota a continuación).
Nota: La selección de la columna C para que se quedara sin usar, no fue al azar.
Los “ingenieros” (una ficción de nuestro ejemplo) tenían la sospecha de que existía
alguna interacción entre las columnas A y B (“temperatura de inflado” y la “presión
de inflado”, respectivamente). Como es sabido, para una masa de gas constante, en
un volumen constante, la temperatura y la presión son directamente proporcionales
(ley de Gay-Lussac). En nuestro caso, la temperatura y la presión se administran de
tal forma que los niveles de estos factores se encuentran en una relación ortogonal,
lo que suprime cualquier problema de colinealidad natural entre ellos, y
entendemos que esto ha sido posible gracias a modificaciones apropiadas en
función de algún volumen, o quizás alguna válvula de escape. Sin embargo, todo el
esfuerzo en tratar de mantener la ortogonalidad entre los factores, según los
“ingenieros”, pudo ocasionar la aparición de efectos de interacción en el modelo de
la respuesta o de la razón S/N. Como sabemos, las interacciones no son deseables
en los diseños de Taguchi, por diversos problemas prácticos. Por esta razón,
considerando que en el diseño L8 sobraba una columna, se escogió la columna C
para dejarla sin asignación de factores, de tal forma que el efecto medido aquí se
pudiera interpretar como procedente de la interacción de los factores A y B
(temperatura y presión), ya que la columna C de diseño L8 se obtiene del patrón de
interacción de A y B (sección 2.4.2). Existe también confusión con las
interacciones DG y EF, pero los “ingenieros” no creían que estas interacciones
estuvieran presentes. Cuando se realicen los experimentos, se harán pruebas para
determinar si la interacción AB es realmente significante.
81
Como el análisis de los resultados lo haremos mediante el software Minitab 15,

aprovecharemos la oportunidad para hacer la descripción del procedimiento de uso de
este software:
1. Acceda al menú de creación de diseño, y escoja un tipo de diseño de 2 niveles

para el arreglo interno, con 7 factores. Aunque el ejemplo es de 6 factores de
control, definimos 7 factores para tener libertad de escoger las columnas que
asignaremos a los factores. Acceda a los sub-menús señalados por los botones
“Diseños” y “Factores”.
Menú principal de creación del diseño
Fig. 3.8.3 Acceso al menú de “Creación de diseño de Taguchi”, Minitab 15 ®.
2. Complete las acciones indicadas para especificar el diseño y dar los detalles de
los niveles de los factores.
1 2
Anote aquí los nombres y niveles correspondientes de cada

factor del arreglo interno. Entre los niveles anotados sólo
deberá dejar un espacio, no ponga comas. Para simplificar,
nosotros pondremos los niveles -1 y +1.
Fig. 3.8.4 Llenado de los sub-menús “Diseño” y “Factores” del menú de “Creación de
Diseño de Taguchi”, Minitab 15 ®.
82
3. Regresando al menú principal de creación de diseño (figura 3.8.3), y oprimiendo

el botón “Aceptar”, en la hoja de trabajo se creará el diseño especificado:
Tabla 3.8.7 Resultados en la “Hoja de trabajo” generados luego de la creación de un diseño de

Taguchi, Minitab 15 ®.
4. En la hoja de trabajo agregaremos las columnas Y1 a Y4, y anotaremos los

resultados experimentales de la tabla 3.8.6:
Tabla 3.8.8 Llenado de las columnas de resultados (Y1…Y4) en la “Hoja de trabajo”

(Minitab 15 ®) , con los datos de la tabla 3.8.6.
Nota: En Minitab no es necesario agregar el arreglo externo, el cual

podemos imaginar que se encuentra sobre las columnas Y1 a Y2 (tabla 3.8.8),
así como se encuentra en la tabla 3.8.6.
5. Acceda al menú de creación de análisis, y dentro de éste, acceda a los sub-menús

señalados por los botones “Análisis”, “Opciones” y “Almacenamiento”.
Menú principal de análisis:
1 2
Fig. 3.8.5 Acceso al menú de “Analizar de diseño de Taguchi”, Minitab 15 ®.
83
6. Complete las acciones indicadas para los sub-menús mencionados:
1 2
En este caso se requiere que la respuesta

tenga el mayor valor posible.
3
Fig. 3.8.6 Llenado de los sub-menús “Opciones” y “Almacenamiento” del menú de “Analizar
diseño de Taguchi”, Minitab 15 ®.
Sub-menú “Análisis”: Son instrucciones de los resultados que se desean

obtener.
Sub-menú “Opciones”: Aquí se especifica el tipo de diseño.
Sub-menú “Almacenamiento”: Son instrucciones para indicar los
resultados que se desean obtener tabulados en la “Hoja de trabajo”.
84
7. Regresando al menú principal de análisis (figura 3.8.5), y oprimiendo el botón

“Aceptar”, en la carpeta de “Sesión” (tabla 3.8.9), y en la “Hoja de trabajo”
(tabla 3.8.10) se desplegarán los resultados especificados. También se
desplegarán las gráficas de efectos de la media y de la razón S/N (figura 3.8.7
y figura 3.8.8).
Tabla 3.8.9 Resultados en la carpeta “Sesión” de Minitab ®.
En esta tabla tenemos los promedios de la respuesta asociados a cada nivel del
factor, siendo “Delta” el valor absoluto de la diferencia máxima entre los
promedios (definición que se cumple para cualquier número de niveles que
tengan los factores). Por ejemplo, para los resultados de la razón S/N de la
“Velocidad de moldeado” (en recuadro rojo, tabla 3.8.9), Delta = 3.16 es la
diferencia de 31.89 menos 28.74 (no se aprecia exacto, debido a que Minitab
hace los cálculos con todos los decimales). Otro resultado útil aquí es el renglón
“Clasificar”, el cual señala el rango de importancia del factor, donde “1” señala
al factor más importante, según la magnitud de “Delta”. Por ejemplo, para la
razón S/N el factor más importante es “Velocidad de moldeado”.
85
 4 1 
S / N  10  Log   2  y
 i 1 yi 
Tabla 3.8.10 Resultados en la “Hoja de trabajo” de Minitab ®.
Esta es una tabla (arriba) de resultados complementarios en la que se entregan

los cálculos de la media y de la razón S/N para cada combinación de los
factores de control, y los factores de ruido que se aplicaron para cada columna
Y1 a Y2.
Fig. 3.8.7 Gráfico de efectos principales para las razones S/N, Minitab ®.
Fig. 3.8.8 Gráfico de efectos principales para los efectos principales, Minitab ®.
86
En las figuras 3.8.7 y 3.8.8, los factores más destacados son los que están
marcados con una elipse (Minitab no pone esta marca). Aquí también se puede
apreciar el sentido del efecto. Por ejemplo, la “velocidad de moldeado” tiene una
relación creciente con la razón S/N; y la “presión de inflado”, y el “peso de la
base” tienen una relación decreciente. Notamos, además, que el factor C
(denotado “no se usa”) tiene un efecto no destacado, por lo que se rechaza la
sospecha de los “ingenieros” acerca de la interacción AB (“temperatura de
inflado” y “presión de inflado”).
8. Tomar una decisión acerca de la acción de mejora, empezando primero por

ajustar a los factores de control para maximizar la razón S/N; y segundo,
ajustando a los factores de control para aproximarse al valor deseado de la
respuesta. En este ejemplo, la razón S/N se maximiza poniendo nivel -1 en el
factor “presión de inflado”, poniendo en nivel +1 al factor “velocidad de
moldeado”, y poniendo nivel -1 en el factor “peso de la base”.
Afortunadamente, para maximizar la respuesta de la resistencia a la compresión,
habrá que hacer lo mismo para estos mismos factores, lo cual es justo lo que
debería ocurrir en un diseño del tipo mayor es mejor.
Acerca de los demás factores que no resultaron significantes, podemos asignar

los niveles que mejor nos convengan, aplicando los criterios generales de
rapidez, conveniencia y bajo costo.
Los parámetros del diseño robusto serán:
Min Max
A Temperatura de inflado 250° C 290° C
B Presión de inflado 60 psi 100 psi
C No se usa
D Velocidad de moldeado 2.5 rpm 3.5 rpm
E Peso de la base 4.25 oz. 5.60 oz.
F Diseño Actual Modificado
G Peso de la espaldilla 0.4 oz. 0.6 oz.
Tabla 3.8.11 Parámetros del diseño robusto del proceso.
La temperatura de inflado de 250° C se escogió para ahorrar costo de consumo de

energía, el diseño modificado se escogió por su atractivo comercial, y el peso de la
espaldilla se escogió de 0.4 oz., para reducir problemas de contaminación ambiental.
Con estos niveles, se puede obtener los resultados de la respuesta “y” y de la razón S/N,
simplemente buscando la combinación correspondiente de los factores significantes
B (-1), D(+1) y E(-1). Notamos que nuestro análisis lo podemos confirmar fácilmente
porque las combinaciones requeridas de los factores significantes B, D y E se
consideraron en nuestro diseño. En la tabla 3.8.12 podemos encontrar los valores
máximos de la media de la respuesta (MEDIA1) y de la razón S/N (RELSR1).
87
A B C D E F
Tabla 3.8.12 Resultados de los cálculos de la media y de la razón S/N por combinación de
factores de control, según aparecen en la “Hoja de trabajo” de Minitab ®.
En este ejemplo hemos podido hacer la verificación de las conclusiones de nuestro

análisis gracias a que contábamos con las combinaciones de los factores
correspondientes. Usualmente no tendremos tanta suerte, y en estos casos habrá que
construir el modelo aproximado “sin interacciones” usando los resultados de los
experimentos. Por ejemplo, usando los resultados de la tabla 3.8.9:
Modelo de la razón S/N:
S/ N-B = 29.69  30.94 = 1.25 S/ N-D = 31.89  28.74 = 3.15
S/ N-E = 29.65  30.98 = 1.33 SN  30.32
Así:
     
S/ N  SN +  S/ N-B
 B+ 
S/ N-D
 D+ 
S/ N-E
E
 2   2   2 
 1.25   3.15   1.33 

 30.32    B+   D   E  30.32  0.625 B+1.575 D 0.665 E
 2   2   2 
Modelo de la respuesta y:
Procediendo semejantemente a lo hecho para el modelo de la razón S/N, se puede

encontrar el modelo de la respuesta “y”:
ŷ  34.34  1.905 B+5.905 D 2.095 E
Experimentos de confirmación:
Como paso final se realizará al menos una corrida (experimentos de confirmación)

con los niveles asignados a los factores de control, para verificar que la respuesta y la
razón S/N sean aproximadamente iguales a los valores predichos, con las condiciones
de ruido del arreglo externo. Si encontráramos diferencias significativas entre los
valores predichos y los observados de la razón S/N, el modelo correspondiente no sería
aditivo. En este caso, tendríamos que replantear todo lo hecho, hasta que finalmente se
logre establecer la aditividad requerida.
88
4. Crítica y alternativas al diseño robusto

de parámetros de Taguchi:
4.1 Introducción:
La propuesta del diseño robusto de parámetros de Taguchi representaba no sólo una

forma de proteger al producto o al proceso contra el ruido, sino una nueva forma de
interpretar los problemas de calidad y su solución. La calidad deja de ser un concepto
que llama nuestra atención sólo cuando el producto llega al mercado. La calidad se
puede ahora atender desde la mesa de diseño, tomando acciones proactivas antes de que
los problemas aparezcan. Todo esto fue muy inspirador, y más aún tomando en cuenta
el momento histórico en que tales ideas se dieron a conocer (la crisis económica de los
80´s). No obstante, luego del entusiasmo inicial por las ideas del Dr. Taguchi, vino el
cuestionamiento de las bases teóricas que las sustentan [Nair, V., 1992]. Un
cuestionamiento que ha tenido una gama actitudes, desde la simple objeción destructiva
de que no se tienen bases estadísticas, hasta el señalamiento constructivo de los
problemas con sus soluciones alternativas. Así, gracias a la controversia en torno a las
ideas de Taguchi, ha ido evolucionando un conjunto de alternativas al enfoque, algunas
de las cuales abordaremos en el presente capítulo.
4.2 El Dr. Taguchi y sus colaboradores ante la controversia de su

propuesta metodológica:
Para empezar, en esta sección comentaremos acerca de la aceptación y rechazo de

la comunidad académica e industrial de Estados Unidos, por las ideas del Dr. Taguchi,
según lo reconocieron el propio Dr. Taguchi y sus colaboradores. Al respecto, a
continuación presentamos una traducción de una sección del libro Taguchi’s Quality
Engineering Handbook [Taguchi, G., Chowdhury, S, Wu, Y, 2005 ], pag. 159.
“Tan pronto como el caso de estudio de la Bell sobre fotolitografía fue publicado
en 1983, la metodología para el diseño industrial de experimentos fue reconocida
por la comunidad estadística de E.U. Desde ese tiempo han aparecido muchos
artículos sobre la metodología de Taguchi, en revistas y publicaciones científicas,
tales como Quality Progress, Quality, Journal of Quality Technology, Tecnometrics, Quality
Engineering and Quality Observers. En todos estos medios, la metodología de Taguchi
ha causado un tremendo debate y controversia. Algunas personas han dado
mucho apoyo y han demostrado su entusiasmo, algunas han estado en contra y
89
han sido antagónicas, y otras han sido neutrales. Las respuestas positivas
encontradas en estos artículos se pueden resumir como sigue:
1. La función de pérdida de calidad y su filosofía son concepto valiosos.

2. Los métodos son útiles para el análisis y para optimizar la variabilidad.
3. Los arreglos internos y externos son designaciones útiles.
4. La optimización en dos pasos es un concepto valioso.
5. Lograr que los ingenieros realicen experimentos balanceados/ortogonales es
una gran contribución.
6. Las herramientas de DOE son fáciles para el uso de los ingenieros.
7. Esta es una llamada de alerta al movimiento de calidad en las industrias de
Estados Unidos <Occidente>.
8. La predicción y la confirmación es consistente con el ciclo Planear-Hacer-
Verificar-Actuar <ciclo de Deming-Shewhart>.
Como críticas (antagónicas) tenemos:
1. Taguchi ignora las interacciones entre los factores.

2. Taguchi ignora las interacciones entre los factores de control.
3. Es cuestionable la validez del análisis de acumulación para los datos de
atributos.
4. Es cuestionable la validez de la razón S/N para las respuestas nominal es
mejor.
5. Es cuestionable la validez de la razón S/N para las respuestas menor es mejor y
mayor es mejor.
6. Faltan pruebas estadísticas en el diseño de parámetros.
7. No se usa la teoría de la distribución.
8. Taguchi no provee un modelo.
9. Taguchi no cree en los <profesionales en> estadística.
10. Taguchi ha hecho contribuciones, pero hay una mejor forma de hacer lo
que él está tratando de hacer.”
Mientras este debate tuvo lugar, el Dr. Taguchi se dedicó a visitar periódicamente a
empresas de Estados Unidos como Xerox, Ford, ASI, Bell, ITT, General Motors y
muchas otras compañías, contribuyendo al logro de cuantiosos ahorros. Hizo numerosas
presentaciones en conferencias y simposios. Y en todos estos escenarios comentó que su
método se estaba usando mal. Su método estaba pensado para robustecer productos y
procesos en forma proactiva, y no para resolver problemas de calidad <reactivamente>.
Su metodología no debería usarse para apagar fuegos, sino para prevenirlos.
En la siguiente sección resumiremos algunas de las opiniones en pro y en contra de

metodología de Taguchi.
90
4.3 Opinión de la comunidad académica:
En 1992, una década después de que Occidente conociera la metodología de

Taguchi, Vijayan Nair de los Laboratorios Bell AT&T organizó un panel de discusión
[Nair, V., 1992], para exponer las ideas que se tenían sobre el tema. Para entonces ya
se habían hecho muchas investigaciones tendientes a integrar los principios del diseño
robusto de parámetros con las técnicas estadísticas que estaban bien establecidas en el
momento. Al respecto, el Dr. Taguchi y sus colaboradores sentían que estas
investigaciones no estaban bien encaminadas, y que reflejaban una falta de comprensión
de los principios de ingeniería que sustentan la metodología.
Este debate se organizó en torno a temas de discusión generales, sobre los cuales
cada participante dio su opinión. A continuación presentamos un resumen de los aportes
que cada participante hizo en cada tema.
Nota: Cuando lo consideramos necesario para facilitar el resumen, entre los

símbolos “ <…>”, hemos agregado nuestra interpretación condensada de lo que en
forma más extensa explica el panelista.
A. Comentarios generales:
Esta sección contiene comentarios introductorios.
Madhav Phadke:
El diseño robusto adiciona una nueva dimensión al diseño experimental estadístico,

enfocándose explícitamente en las siguientes preocupaciones de los diseñadores de
productos y procesos:
 ¿Cómo reducir económicamente la variación de la función del producto en el
ambiente de uso del cliente?
 ¿Cómo asegurar que las decisiones de optimización tomadas en el laboratorio
sean igualmente válidas en el ambiente de manufactura y en el ambiente del
cliente?
En el abordaje de estas preocupaciones, en un diseño robusto se usan formalismos
matemáticos de diseño estadístico experimental, pero el proceso de pensamiento es
diferente en muchas formas.
Shin Taguchi:
El objetivo de diseño de parámetros es muy diferente al de un estudio científico

puro. El objetivo de diseño de parámetros no es la caracterización del sistema, sino el
logro de la robustez. La ciencia pura procura descubrir las relaciones de causalidad y
entender el mecanismo de cómo ocurren las cosas. En ingeniería, sin embargo, se
91
procura el logro de los resultados necesarios para satisfacer al cliente. Más aún, el costo
y el tiempo son asuntos muy importantes para los ingenieros. La ciencia es para explicar
la naturaleza, mientras que la ingeniería es para utilizarla.
Anne Shoemaker y Kwok Tsui:
Debemos enfatizar que el diseño robusto es un problema sobre una propiedad que
se espera lograr en un producto, o en un proceso de manufactura, y que no implica un
método de solución específica. El objetivo es diseñar un sistema para acomodar un
rango amplio de variación de las entradas. Taguchi se merece el crédito de haber
destacado la importancia de este problema en la producción de productos competitivos.
El método de solución apropiado para conducir un diseño robusto depende del área
de aplicación. < Para estos investigadores no se trata de aplicar sólo un tipo de diseño.
El método de Taguchi aplica muy bien en ciertos casos, mientras que en otros casos es
preferible la aplicación de otras alternativas >.
George Box:
Parece que la estrategia experimental de Taguchi está concebida para conseguir la

combinación óptima de factores en el primer intento < one shot >. Aunque el objetivo
inmediato podría ser éste, la meta final debe ser con seguridad el mejor entendimiento
del sistema de ingeniería… Por lo tanto, estoy en profundo desacuerdo con la opinión
de Shin Taguchi que declara que el ingeniero no necesita “descubrir las relaciones de
causalidad y entender el mecanismo de cómo ocurren las cosas”. Creer esto es descartar
la forma en que el ingeniero piensa…Sería un error serio tomar tales ideas como
representativas del punto de vista de los japoneses en general.
Thomas Lorenzen:
Se ha afirmado por alguien que Taguchi inventó el diseño robusto. < Este panelista
pone en duda esta afirmación, porque desde los años 40 ya se ha estado aplicando esta
idea en la producción agrícola, donde se requiere un crecimiento uniforme para
maximizar la producción, sin importar las condiciones del clima y del suelo >…No hay
duda, sin embargo, de que Taguchi popularizó la idea en la comunidad ingenieril, y que
esta es su gran contribución.
Raghu Kacker:
La contribución de Taguchi en el diseño de parámetros se puede dividir en cuatro

categorías, ordenadas según importancia: filosofía de calidad, metodología de
ingeniería, diseño de experimentos, y análisis de datos.
92
…Taguchi ha reconocido la diversidad de los roles de los factores experimentales.

Los ha clasificado desde el punto de vista ingenieril en factores de: control, ruido, señal,
ajuste, indicativo y bloque. Cada tipo de factor tiene un significado ingenieril
importante. Este marco generalizado para los experimentos ha sido < de gran utilidad >
para cerrar la brecha entre la ingeniería y la estadística.
Jerome Sacks y William Welch:
Tenemos pocos desacuerdos con los objetivos de diseño de parámetros. Sin

embargo, hay varios aspectos de su formulación e implementación que no nos gustan.
Los arreglos cruzados interno y externo a menudo conducen a un número prohibitivo de
observaciones. Más aún, los datos obtenidos después de un considerable esfuerzo
experimental se usan ineficientemente. Por ejemplo, el colapso de los datos para obtener
la razón S/N está con seguridad desperdiciando información importante. También
tenemos pocos ejemplos de Taguchi en los que se aplican más de una característica de
calidad; esto es muy poco realista según nuestra experiencia.
B. Reducción de la variación mediante diseño de parámetros y

el papel de los factores de ruido:
Raymond Myers y Geoffrey Vining:
Antes de la introducción del diseño de parámetros de Taguchi al principio de los

80´s, nuestra comunicación con los ingenieros acerca de los métodos estadísticos no se
refería suficientemente al rol de la varianza del producto o del proceso. Había una
mentalización concentrada en la media de la respuesta de interés. El diseño de
parámetros se puede usar para comunicar al usuario que debe considerar las fuentes de
variabilidad. El establecimiento apropiado de las condiciones de operación debe
minimizar la variabilidad, mientras se logra que la media esté en la meta, o procurando
un balance apropiado entre la media y la variabilidad. La suposición clásica de la
homogeneidad de la variabilidad sólo debería hacerse cuando sea realmente
convincente.
El énfasis que Taguchi dio a la variabilidad también ha provocado investigaciones

en el área de la dispersión de los efectos y la modelización de la varianza. Nadie podría
decir que Taguchi introdujo la modelización de la varianza, de la misma forma como no
se puede decir que él inventó la noción de pérdida del error al cuadrado. Sin embargo, la
atención dada por Taguchi a estos conceptos ciertamente influyó a Box y Meyer (1986),
a Nair y Pregibon (1988), a Carrol y Ruppert (1988), y a muchos otros.
93
Raghu Kacker:
El diseño de parámetros no es un método de aplicación universal. Se refiere a casos

especiales de variación cuyos efectos se pueden mitigar mediante cambios en las
condiciones de los factores de control. El éxito del diseño de parámetros depende de dos
condiciones. Primero, deben existir ciertas interacciones entre los factores de control y
los factores de ruido. Segundo, el ingeniero debería ser hábil para identificar a los
factores que están involucrados en tales interacciones. Estas oportunidades no deberían
ser raras, pero ciertamente no son universales.
Shin Taguchi:
…Las interacciones entre los factores de control y los factores de ruido se usan para
reducir la variabilidad. Aún las interacciones más débiles contribuyen grandemente en
la reducción de la variabilidad.
Cuando tengamos muchos factores de ruido, puede ser difícil estudiar todos los
efectos. En este caso, se podrá hacer una composición de los factores de ruido (de los
factores de ruido que estén correlacionados) que tengan condiciones extremas… Los
diseños robustos para un factor de ruido compuesto tienden a ser también robustos para
todos los demás < factores de > ruido.
Jeff Wu:
El diseño de parámetros de Taguchi para la reducción de la variación es un método

muy original. Se propone el uso de un arreglo (externo) de ruido para hacer una
variación sistemática de los factores de ruido; el arreglo de ruido se cruza con el arreglo
< interno > de control, y el arreglo del producto se usa para la experimentación…
Como una alternativa más económica, varios autores, incluyendo Shoemaker, Tsui
y Wu (1991), han sugerido el uso de un formato de arreglo combinado, que tenga un
arreglo único para acomodar a ambos tipos de factores. El tamaño del arreglo
combinado puede ser mucho menor que el tamaño del producto de los arreglos de ruido
y de control.
El uso que dio Taguchi a los factores de ruido es una contribución vital. Si las
variables importantes de ruido se usan en el proceso experimental, la variabilidad
reflejada es más realista…
Nosotros a menudo confiamos en la aleatorización para capturar la variabilidad

natural del proceso. Un ingeniero intuitivamente conoce que la variabilidad no es
constante para las diferentes combinaciones del diseño. Si las variables de ruido son
94
importantes, pero no una parte sistemática del diseño experimental, una porción
principal de la variabilidad podría capturarse al azar, indirectamente, y por lo tanto
ineficientemente. El arreglo externo es un medio para caracterizar la variabilidad del
proceso en cada combinación del arreglo interno…
Anne Shoemaker y Kwok Tsui:
Debido a que los niveles de los factores de ruido no representan muestras aleatorias
de las distribuciones de los factores de ruido, la varianza muestral calculada con el
arreglo de ruido no es una buena estimación de la varianza poblacional. En vez de esto,
la varianza muestral debería interpretarse como una medición rudimentaria de la
sensibilidad a los factores de ruido presentes en el arreglo de ruido.
C. El papel de las interacciones, la razón S/N, y la selección

de la característica de calidad:
Madhav Phadke:
El rol de las interacciones se ha debatido vigorosamente desde que la metodología

de Taguchi para el diseño experimental robusto de productos y procesos fuera
presentada en los Estados Unidos. En la literatura estadística persiste una percepción de
que el método de Taguchi asume que las interacciones no existen, y de que por lo tanto
el método es acientífico. La falta de suficiente literatura en inglés, el estado evolutivo de
la metodología, y la falta de entendimiento de los asuntos de ingeniería, en algunos
miembros de la comunidad estadística, han sido parte de las causas de los malos
entendidos y del debate.
En el diseño robusto de productos/procesos, lo primero que debemos hacer es

dividir a los factores que afectan a la salida del producto en dos categorías: factores de
control (C) y factores de ruido (R). Las interacciones entre estos factores se pueden
dividir en tres categorías: factores de control entre sí (C x C), factores de control con
factores de ruido (C x R), y factores de ruido entre sí (R x R). Durante el diseño de
parámetros, uno se interesa por escoger los niveles de los factores de control de tal
forma que la respuesta del producto sea menos sensible a los factores de ruido, y de que
se pueda hacer el ajuste para lograr la meta apropiadamente. Para hacer esto se emplean
las interacciones C x R. Las interacciones R x R tienen muy poca importancia para
hacer al desempeño del producto insensible a los factores de ruido.
¿Cuál es el rol de la interacciones C x C en la reducción de la sensibilidad de la

respuesta del producto? ¿Existen las interacciones C x C? Si es así, ¿cómo deberían ser
manejadas? Estas preguntas son la fuente de la controversia y del debate.
95
El método de diseño robusto de <parámetros> de Taguchi aborda el problema de

las interacciones entre los factores de control en una forma filosóficamente diferente a
la metodología clásica de diseño experimental. La presencia de interacciones grandes
C x C se considera no deseable por varias razones:
i. Primero, la presencia de interacciones implica que se requerirá un número

más grande de experimentos para estudiar a los factores de control.
ii. Segundo, la presencia de grandes interacciones C x C hace difícil la división
de las tareas para el diseño de un producto complejo en varias tareas
pequeñas (sub-sistemas) que podrían ser investigadas simultáneamente por
diferentes equipos de ingenieros. < Las interacciones > son muy
inconvenientes para la disminución del tiempo de desarrollo, y para la
mejora de la productividad de I&D. También hacen difícil el re-uso de sub-
sistemas de diseño en otros productos. En consecuencia, los costos globales
de I&D se hacen grandes y los intervalos de desarrollo son más lagos.
iii. Tercero, y lo más importante, la razón de buscar la aditividad tiene que ver
con la habilidad de transferir el diseño del laboratorio a la manufactura, y
eventualmente al campo (al cliente). Las condiciones bajo las que se
conducen los experimentos también pueden considerarse como un factor de
control con tres valores: laboratorio, manufactura, y uso del cliente. Si se
tienen interacciones fuertes C x C durante los experimentos en el
laboratorio, será altamente probable que los factores de control que
interactúan entre sí, también interactuarán con las condiciones de
experimentación. En este caso, las condiciones óptimas de laboratorio
podrían no ser óptimas bajo las condiciones de manufactura, o del uso del
cliente. Entonces, la razón de los rechazos o de re-trabajos podría volverse
alta; podría ser necesario hacer cambios costosos de diseño; el producto
podría fallar en el campo antes de lo esperado…
Por lo anterior, deberá hacerse todo lo necesario para eliminar o minimizar las
interacciones C x C, mediante una juiciosa selección de la característica de calidad (la
respuesta usada en diseño robusto), de la función objetivo que será maximizada (la
razón S/N), los factores de control y sus niveles… La escogencia apropiada de estos
elementos constituye un gran esfuerzo en la realización de un diseño robusto de
parámetros. Estas tareas requieren conocimiento ingenieril acerca del proyecto
específico, y conocimiento de la metodología del diseño robusto… Si un ingeniero no
fuera capaz de eliminar las interacciones, deberá continuar con la búsqueda de otras
formulaciones del problema, o aceptar el riesgo de enviar un diseño defectuoso hacia el
siguiente paso de realización del producto. No existen reglas que puedan garantizar la
ausencia de interacciones. Esto debe hacerse caso por caso, y aun, a veces, por ensayo y
error.
96
Shin Taguchi:
La eficiencia y la efectividad de las actividades de ingeniería dependen

grandemente de lo que es medido como datos. En general, las características de
atributos y otras que tratan con la noción de “menor es mejor”, o “mayor es mejor” son
solamente síntomas de variabilidad o desempeño. Estas características tienden a inducir
interacciones fuertes y adversas. Es mejor usar características relacionadas a la energía,
del tipo “nominal es mejor”. Y todavía es mejor usar características dinámicas.
Thomas Lorenzen:
Una declaración que me causa una inmensa pesadumbre en las consultas con
ingenieros es: Si la variable de respuesta es escogida para reflejar la energía de salida, o
un fundamento físico, no habrá interacciones entre factores de control que tengan que
considerarse en el diseño, o el análisis de los datos…
Tengo varios problemas con esta declaración. Primero, considerando que variables
de respuesta diferentes influirán con certeza en la complejidad del modelo requerido, ni
la energía de salida medible, ni el fundamento físico necesitan ser aditivos, < o
podríamos asegurar que son aditivos >. Lo siento, se necesitan las interacciones.
Segundo, las interacciones de factores de control con factores de ruido son necesarias
para mejorar la robustez. La diferencia entre los factores de control y los factores de
ruido es debida a una definición, todo depende de si el factor se puede controlar a bajo
costo o no, dentro de la fábrica. < El panelista es escéptico acerca de la necesidad de
que la característica escogida refleje la energía de salida o un fundamento físico, para
asegurar su aditividad >.
Raghu Kecker:
…Se afirma que cuando los efectos de los factores de control son aditivos […], las
combinaciones óptimas logradas en condiciones de laboratorio muy probablemente se
mantendrán óptimas durante la manufactura, y durante las condiciones de uso del
cliente; de otra forma no se podrá hacer una extrapolación < de los resultados > a las
condiciones de manufactura y de uso.
Este argumento falla al no considerar que el proceso de diseño raramente se realiza

en el vacío. Un proceso de diseño bien manejado debería acceder a la experiencia con
el producto o el proceso. El uso efectivo de tal información en el diseño estadístico, y en
el análisis de los experimentos, es el método racional para < decidir si se pueden >
extrapolar los resultados.
97
Jerome Sacks y William Welch:
La motivación de Taguchi por ignorar las interacciones entre los factores de control
pareciera ser la economía en el esfuerzo experimental, en vez de < demostrar > que es
seguro hacer tal cosa. La economía < requerida > está forzada por la ineficiencia del
arreglo cruzado de su diseño experimental. Para cada combinación de factores de
control (arreglo interno), se hacen observaciones en todas las combinaciones de los
factores de ruido del arreglo (externo) de ruido. < Los panelistas comentan que es
posible reducir aún más el número de experimentos mediante la aplicación de un arreglo
único que contenga tanto a los factores de control como a los factores de ruido [Welch,
W., Yu, T.K., Kang, S., Sacks, J., 1988] >.
D. Análisis de Datos: ¿Uso de razones S/N, Transformaciones

de datos, o Modelos Lineales Generalizados?
Madhav Phadke:
A diferencia de lo que se ha propuesto en alguna literatura estadística […], la

selección de la razón S/N no es un ejercicio para la determinación de una
transformación de los datos que estabilice la varianza. Esta selección es un proceso
para la identificación de la relación ideal entre el factor señal y la característica de
calidad, y para la evaluación de la sensibilidad a los factores de ruido mediante la
función ideal escogida.
George Box:
Supongamos que el efecto de un factor de ajuste en la respuesta “y” es

multiplicativo. Su efecto en log(y) sería aditivo, sin embargo, uno no debería
preocuparse acerca de su efecto en la varianza de log(y) cuando se ajuste al factor para
conseguir la media de log(y) cercana al valor de la meta ( < el logaritmo estabiliza a la
varianza cuando el factor es multiplicativo, recordar el patrón de corneta >). Entonces, a
pesar del alegato de Madhav Phadke, es claro que en este caso la transformación
logarítmica desacopla los efectos en la dispersión y en la localización, de tal forma que
se simplifica encontrar la condición x0 que simultáneamente ubique al proceso en la
meta y minimice la dispersión alrededor de la meta.
98
E. Uso de arreglos combinados y modelización directa de la respuesta:
Se ha hecho esfuerzos para integrar los principios del diseño robusto de parámetros
de Taguchi con las técnicas estadísticas reconocidas. Un número de autores ha
propuesto tratar a los factores de ruido como factores de diseño, usando una matriz
única de diseño, y modelizando a la respuesta directamente como una función de los
factores de control y los factores de ruido.
Varios autores, incluyendo a Vining y Myers (1990) han combinado los principios
de diseño de parámetros de Taguchi con la metodología convencional de superficie de
respuesta […]. Este método incorpora las ideas útiles de diseño de parámetros sin las
dificultades asociadas a la metodología de Taguchi.
El método postula un modelo único y formal del tipo: ŷ = f  x,z  , donde x y z

representan las condiciones de las variables de control y de ruido, respectivamente.
Esta función contiene términos principales de las variables de control y de ruido, y de
todas las interacciones apropiadas. Las variables de ruido son tratadas como efectos
fijos, aun cuando en el proceso actúan como efectos aleatorios.
99
4.4 Combinación de las filosofías de Taguchi y la superficie de

respuesta: Un método de respuesta dual
El panel de discusión organizado por Nair [Nair, V., 1992], que resumimos en la
sección anterior, dejó claro que existen casos que pueden abordarse con la metodología
de Taguchi, que en general serán aquellos casos en donde pueda afirmarse que la razón
S/N es una función aditiva de los factores de control, sin interacciones. Para los demás
casos requerirá aplicarse alguna otra metodología que permita incluir a las interacciones
en el análisis. Las propuestas comentadas en este panel coincidían en las ventajas de
aplicar una metodología combinada de la filosofía de Taguchi con el método de
Superficie de Respuesta, trabajando con sólo un arreglo para economizar recursos. Así
mismo, desde entonces, muchos otros autores han destacado la ventaja de modelizar a la
media y la varianza. Al respecto, a continuación haremos un resumen razonado del
método propuesto por Myers, Montgomery, y Anderson-Cook, en su libro “Response
Surface Methodology – Process and Product Optimization Using Designed
Experiments”, 2009. Un método que en la actualidad se ha convertido prácticamente en
el estándar alternativo a la metodología de Taguchi.
La metodología de superficie de respuesta (“response surface methodology”, RSM)

aplicada en la implementación de un diseño robusto de parámetros, mantiene la idea
fundamental de optimización mediante la minimización de la desviación cuadrática
media (“mean square deviation”, MSD), concepto promovido por la función de pérdida
de Taguchi (ecuación 3.3.5):
L  k  ˆy  m   ˆ 2 
2
 
 
E  MDS  = Ez  y  x , z  - m   = E  y  x , z  - m  VarZ  y  x , z 
2 2
(4.4.1)
 
Donde “y” es la respuesta, m es la meta, y donde x y z son variables vectoriales que

representan a los factores de control y a los factores de ruido respectivamente. Para el
análisis de un diseño robusto se ha adoptado un modelo plausible:
y  x , z   0 + x'  + x' Bx + z'  + x' z +  (4.4.2)

Donde:
0 : Coeficiente escalar constante.
x'  : Término constituido por sumas de rx factores xi multiplicados por
coeficientes respectivos  i , 1 ≤ i ≤ rx , siendo rx es número de
factores de control considerados.
100
2
x ' Bx : Término constituido por la suma de los rx factores cuadráticos xi más las
rx rx -1 / 2 interacciones dobles, cada factor e interacción multiplicados
por coeficientes respectivos tomados de la matriz B .
z'  : Término constituido por sumas de rz factores z j multiplicados por
coeficientes respectivos γ j , 1 ≤ j ≤ rz , siendo rz es número de los
factores de ruido considerados.
x' z : Suma de todas las interacciones dobles posibles entre los factores de
control y los factores de ruido. Cada interacción está multiplicada por un
coeficiente  ij organizados en la matriz  .
: 
Variable de error gausiano N 0,2 . 
Para ilustrar el significado de la ecuación 4.4.2, suponga que contamos con dos
factores de control x1 y x2 , y con dos factores de ruido z1 y z2 . El modelo expandido
para el valor esperado de un caso particular podría ser:
ŷ  x , z  = 30.37  2.92 x1  4.13 x2 +2.60 x12 +2.18 x22 +2.87 x1 x2

+2.73 z1  2.33 z2 +2.33 z3
0.27 x1 z1+0.89 x1 z2 +2.58 x1 z3+2.01x2 z1+1.43 x2 z2 +1.56 x2 z3
En esta ecuación se aprecian términos lineales simples de los factores de control,

interacciones dobles entre los factores de control, términos cuadráticos de los factores
de control, términos lineales simples de los factores de ruido, y las muy importantes
interacciones dobles entre factores de control y los factores de ruido. No se especifican
términos cuadráticos para los factores de ruido.
Suposiciones subyacentes en la deducción de modelo de respuesta dual:
Como se especificó, en la ecuación 4.4.2 se está asumiendo que el error  es

 
gausiano N 0,2 . Destacamos que la suposición de varianza constante para  implica
que cualquier condición en que la varianza del proceso no sea constante se origina en la
incapacidad para controlar a los factores de ruido.
Con respecto a los factores de ruido se requiere asumir que, si bien estos factores no
se pueden controlar, sí contamos con información estadística básica respecto a ellos.
Conocemos cuál es la media  z j y la desviación estándar  z j de cada factor de ruido.
101
Con este conocimiento la relación entre los valores reales y codificados para un
experimento en 3 niveles de estos factores será:
Valor real Valor codificado
 z j  q z j -1
z j 0
 z j  q z j +1
donde q es un factor de escala que el investigador deberá definir de acuerdo a su
conocimiento del proceso. En lo que sigue, para simplificar el análisis, se asumirá que el
valor de q es el mismo para cada factor de ruido, y que las variables de ruido son
independientes entre sí. Con esto:
E z   0 , Var  z   2z I rz (4.4.3)
Donde I rz es una matriz identidad rz × rz , 2z  1 / q 2 , y z representa valores codificados.
Nota: La ecuación 2z  1 / q 2 no está en el libro citado de Myers y Montgomery. Esta

ecuación la hemos deducido a partir de la relación entre los valores codificados y los
valores reales. A continuación la demostración correspondiente:
Consideremos el diagrama que muestra la relación entre los valores reales y los
codificados:
 Max  Min   Max  Min 
   
 2   2 
Valor zR Min  Min  Max  Max

Real  
 2 
Valor
Codificado zC -1 0 +1
Considerando este diagrama, se puede deducir que la ecuación que relaciona a los
valores codificados con los valores reales es:
 Max  Min   2 
zC    +  zR (4.4.4)
 Max  Min   Max  Min 
Sabiendo que los valores máximo y mínimo reales están dados por  zR  qzR ,
reemplazando y simplificando en la ecuación 4.4.4, tenemos:
Z 1
zC   + R
zR (4.4.5)
q Z q Z R R
Aplicando el operador de varianza esperada a la expresión de zC de la ecuación 4.4.5:

2
 Z 1   1  1 1
Var  zC   Var   R + zR     Var  zR   2 2   Z R  2
2
(4.4.6)

 q Z R q Z R   q Z R  q  ZR q
102
Las superficies de respuesta de la media y de la varianza:
Tomaremos el valor esperado de la respuesta y la varianza esperada, asumiendo que

sólo varían el error  y los factores de ruido zi . Aplicaremos los operadores
correspondientes en la ecuación 4.4.2:
Ez  y  x , z   E 0 + x'  + x' Bx + z'  + x' z + 
 0 + x'  + x' Bx (4.4.7)
El resultado es un
Varz  y  x , z   Varz 0 + x'  + x' Bx + z'  + x' z +  escalar, y por lo
tanto la transpuesta
 Varz  z + x' z +   Varz   ' z + x' z +  es equivalente.
 Varz   '+ x '   z  +  2
   '+ x '  Varz  z    '+ x '   +  2 (4.4.8)

Reemplazando a Varz  z  de la ecuación 4.4.3 en la ecuación 4.4.8:

Varz  y  x , z      '+ x '   2z I rz    '+ x'   +  2
 2z   '+ x '    + x  +  2
 2z l  x  l  x  +  2 (4.4.9)
donde l  x     + x  .
La ecuación 4.4.7 es la superficie de respuesta para la media del proceso, y la

ecuación 4.4.9 es la superficie de respuesta para la varianza del proceso.
Si tomamos el gradiente de la ecuación 4.4.2, respecto a z :
 y  x ,z  
  0 + x '  + x ' Bx + z'  + x ' z +  
z z
 
  z'  + x' z    z'  + z'  ' x 
z z

=   + x  z =   + x  I rz    + x  (4.4.10)
z
Observando la ecuación 4.4.9 y la ecuación 4.4.10, notamos que:

 y  x ,z 
 l  x     + x  (4.4.11)
z
103
Una interpretación práctica de la ecuación 4.4.11 es que mientras más pequeñas

sean las componentes de este gradiente, menor será nuestra capacidad para lograr la
reducción de la varianza de la respuesta. Si por algún motivo este gradiente fuera 0 , no
habrá un problema de diseño robusto de parámetros.
Los modelos ideales de superficie de respuesta, ecuaciones 4.4.7 y 4.4.9, en la

práctica deberán estimarse. La ecuación de estimación correspondiente, como es usual,
será:
ŷ  x , z   b0 + x' b + x' B
ˆ x + zc + x' 
ˆz (4.4.12)
Esta ecuación de estimación se puede conseguir desarrollando una serie de
experimentos factoriales de 3 niveles para los factores de control, y de 2 ó 3 niveles
para los factores de ruido. Con el fin de ahorrar recursos se usan diseños CCD (Box-
Behnken), preferiblemente. Para resumir, nosotros omitiremos esta explicación.
Luego de obtener el modelo general de estimación (ecuación 4.4.12), se deducen

los modelos estimados de la media de la respuesta, y de la varianza:
Ez  y  x , z   
ˆ z  y  x , z   b0 + x' b + x' B
ˆx (4.4.13)

Varz  y  x , z    ˆ c+
ˆ 2z c '+ x '  
ˆ x + 
ˆ2 (4.4.14)
En vista de la equivalencia encontrada en la ecuación 4.4.11, la ecuación de la

superficie de respuesta para la varianza del proceso también se puede expresar como
sigue:
  y  x ,z  
rz 2
Varz  y  x , z      
2
 +
2
(4.4.15)
 zi 
z
i 1 
Procedimiento general de análisis para la solución de las dos superficies de

respuesta:
Tan pronto tengamos las ecuaciones de superficie de respuesta para la media y

varianza del proceso, el problema se torna en un ejercicio matemático de optimización,
que puede facilitarse con el uso de software . El orden a seguir ya no es tan rígido como
en un diseño robusto de parámetros de Taguchi (ej. primero se reduce la varianza y
luego se busca la media). Según el caso, tendremos que usar nuestro ingenio.
104
Una manera de hacer la optimización, podría ser, por ejemplo, establecer un rango de
valores dentro de los cuales aceptaríamos que estuviera la media de la respuesta, y
escogiendo un valor específico m dentro de este rango. Hecho esto, la regla de
optimización podría ser la siguiente:
Min Varz  y  x,z  , bajo la restricción de que Ez  y  x , z    m
x
Se realiza la minimización, y se procede sistemáticamente con otro valor de m dentro

del rango establecido, hasta que se logre una minimización aceptable de la varianza.
Debe considerarse que podríamos tener situaciones ideales < como las pretendidas
en los diseños robustos de Taguchi >, en las que se identifiquen factores que sólo
afecten a la superficie de respuesta de la media, pero no así a la superficie de respuesta
de la varianza, los que se conocen como factores de ajuste. Si tuviéramos un caso como
este, el procedimiento a seguir sería primero lograr la minimización de la varianza de la
respuesta, sin restricciones de meta, luego de lo cual se aproximaría la media a la meta
deseada mediante los factores de ajuste. Observando la ecuación 4.4.9, en este caso la
varianza podrá minimizarse si se resuelve el sistema de ecuaciones contenido en la
siguiente expresión matricial:
ˆ x  0
c+ (4.4.16)
Notando que ̂ es una matriz rx  rz , en este sistema de ecuaciones tenemos 3

situaciones particulares:
 Si rx  rz , la ecuación 4.4.16 podrá cumplirse a lo largo de una línea o de un
plano.
 Si rx  rz , habrá solución en exactamente un punto.
 Si rx  rz , la ecuación 4.4.16 podría no tener solución.
Es importante verificar si la región de la solución (punto, línea o plano) está

contenida en el espacio de diseño de las variables experimentales.
105
4.5 Investigaciones actuales sobre diseño robusto de parámetros:
La corriente actual de diseño robusto de parámetros va principalmente en dirección

de la propuesta de diseño que combina las metodologías de Taguchi y de Superficie de
Respuesta, aunque ha habido otras propuestas novedosas. A continuación presentamos
los resúmenes de algunas investigaciones destacadas.
Robust optimization in simulation: Taguchi and Response

Surface Methodology
[Dellino,G., Kleijnen, J., Meloni, 2010]

Optimización Robusta en simulación: Metodologías de Taguchi y Superficie de Respuesta
Se presenta una investigación en la que se estudia un proceso simulado por

computadora del comportamiento del inventario mientras es manejado por la
administración, quien toma la decisión de en qué momento hacer los pedidos de
abastecimiento según el criterio de punto de re-orden. La investigación mide la
respuesta según se aplique la metodología clásica o un nuevo criterio de decisión
basado en una metodología desarrollada de optimización robusta, consistente en el uso
combinado del punto de vista de Taguchi (identificación de factores de control y
factores de ruido), y la metodología de superficie de respuesta de George Box [Box, G.,
Behnken, D., 1960]. Se emplea la metodología combinada descrita por Myers y
Montgomery, la cual se mejora aún más, mediante las técnicas de bootstrapping,
Programación Matemática, y fronteras de Pareto. La aplicación de esta nueva
metodología da una solución semejante a la obtenida con el modelo clásico del Punto de
Re-orden, cuando se considera un ambiente conocido, pero los resultados son
notoriamente diferentes cuando se considera un ambiente desconocido (ruido). En este
último caso, las variables ambientales se usan como factores de ruido, por ejemplo la
demanda. Las variables de control son variables administrativas como la cantidad de
compra.
Los investigadores vislumbran la posibilidad de mejorar su método mediante la

aplicación de modelos de Kringing, como alternativas a los modelos de superficie de
respuesta. Proponen además un ajuste a su método para que pueda aceptar eventos
discretos.
106
A weighted metric method to optimize multi-response robust problems

[Noorossana, R., Ardakani, M. K., 2009]
Un método de métrica ponderada para optimizar problemas de
robustez de respuestas múltiples
En un problema de diseño robusto de parámetros (“robust parameter design”,

RPD), el experimentador está interesado en determinar los valores de los factores de
control que hacen que las respuestas sean robustas o insensibles a la variabilidad de los
factores de ruido. La metodología de superficie de respuesta (“response surface
methodology”, RSM) es uno de los métodos efectivos que se pueden emplear para este
propósito. Dado que la calidad de los productos o procesos suele evaluarse a través de
varias características de calidad o respuestas, debería prestarse más atención al diseño
de parámetros de respuestas múltiples para mejorar la calidad de varias respuestas al
mismo tiempo. Hay varios métodos de optimización en el área de toma de decisiones de
objetivos múltiples (“multi-objective decision-making”, MODM) que podrían utilizarse
para este propósito. En el artículo, los investigadores revisan algunas de estas técnicas
de optimización, y se considera el método de la métrica ponderada para determinar
los valores óptimos de los factores de control.
Método de métrica ponderada (método LP ):
El método LP ( que se expone en los artículos [Asgharpour, M. J., 1998], [Deb.

K., 2001] y [Hwang, C. L., Masud, A. S. Md., 1979] ) es una de las técnicas de
optimización que combina múltiples objetivos en un solo objetivo. El método consiste
en la minimización de la distancia ponderada LP de cualquier solución f  x  a la
 
solución ideal f x max j :
1/ p
k p
 
LP =  w j f  x max j   f  x  
 j=1 
donde w j es una ponderación no negativa asignada a cada función objetivo por el que
tomador de decisiones. El valor de p es la importancia dada a las desviaciones. La
solución ideal de una respuesta particular es la que se obtendría resolviendo el problema
de optimización de esta respuesta por separado. Las optimizaciones se realizan
aplicando el método de superficie de respuesta. Luego habrá que proceder para buscar
una localización x que, al aplicarla a las funciones de cada respuesta, minimice el valor
de LP , el cual se calcula sumando las contribuciones ponderadas correspondientes a
cada una de las k respuestas. En el artículo se da un ejemplo que explica con claridad la
aplicación de este método.
107
Dynamic Multi-Response Experiments by

Bacpropagation Networks and Desirability Functions
[Chang, H.H, 2006]
Experimentos de respuestas dinámicas múltiples aplicando redes de retro-propagación
y funciones de conveniencia
El método de diseño robusto < de Taguchi > se aplica a una variedad de casos
industriales incluyendo tanto los problemas de las características estáticas y dinámicas.
El problema estático intenta obtener el valor de una característica de calidad de interés
tan cerca como sea posible a un valor objetivo fijo; el problema dinámico tiene como
objetivo hacer que las respuestas se aproximen a valores objetivo flotantes que
dependen de la señal de entrada de valores asignados por el operador del sistema.
Aunque el método de diseño robusto tiene amplias aplicaciones en la práctica, es difícil
de utilizar en problemas de respuestas múltiples, especialmente en sistemas
dinámicos. La recomendación habitual para la optimización de un sistema con
respuestas múltiples se deja a juicio de los ingenieros y, por lo tanto, con la introducción
del juicio humano, aumenta la incertidumbre en el proceso de toma de decisiones.
En esta investigación el autor propone un enfoque basado en redes neuronales de

retro-propagación, y funciones de conveniencia < [Castillo, E., Mongomery, D.,
McCarville, D., 1996] >, para el diseño de optimización de parámetros de respuestas
dinámicas múltiples. Se ha desarrollado una novedosa medición de desempeño de
respuestas múltiples aplicando una función de conveniencia que integra a varios tipos
diferentes de respuestas dinámicas en un único índice. El enfoque propuesto emplea una
red neuronal de retro-propagación para construir el modelo de respuesta del sistema
respuestas dinámicas múltiples, mediante el entrenamiento con los datos
experimentales. El modelo de respuesta se utiliza entonces para predecir todas las
posibles respuestas múltiples del sistema, mediante la presentación de combinaciones
completas < de los valores de los > parámetros. Mediante la evaluación de la medición
del rendimiento de las predicciones de las respuestas dinámicas múltiples, se puede
mejorar el ajuste de los parámetros maximizando el índice único. Un ejemplo ilustrativo
se analiza para demostrar la eficacia del enfoque propuesto.
108
Bibliografía:
1) Box, G., Behnken, D. “Some New Three Level Designs for the Study of
Quantitative Factors”. Technometrics Vol 2, No. 4, 1960.
2) Box, G. Signal to Noise Ratios, Performance Criteria and Transformation ,
Center for Quality and Productivity Improvement, University of Wisconsing-
Madison, Report No. 26, July 1987.
3) Box, G., Hunter, J.S., Hunter, W.G. Statistics for Experimenters – Design,
Innovation and Discovery, 2nd Ed., Wiley, 2005.
4) Castillo, E., Mongomery, D., McCarville, D. Modified Desirability Functions
for Multiple Response Optimization, Journal of Quality Technology, Vol. 28,
No. 3, October, 1996.
5) Chang, H.H. Dynamic Multi-Response Experiments by Backpropagation
Networks and Desirability Functions, Journal of the Chinese Institute of
Industrial Engineers, Vol. 23, No. 4, pp. 280-288, 2006.
6) Dellino,G., Kleijnen, J., Meloni, C. Robust optimization in simulation:
Taguchi and Response Surface Methodology, International Journal of
Production Economics, www.elsevier.com/locate/ijpe, 2010.
7) Draper, N., Smith, H. Applied Regression Analysis, 3rd Ed, Wiley, Wiley &
Son, 1998.
8) Fowlkes, W.Y., Creveling, C.M. Engineering Methods for Robust Productivity
Design, Addison-Wesley, 1995.
9) Haykin, S. Communications Systems, 5th Ed., Wiley, 2009.
10) Juran, J.M., Godfrey, A.B. Juran’s Quality Handbook, 5th Ed., McGraw Hill,
1999.
11) Kacker, R. N, Lagergren, E.S, Filluben, J.J . Taguchi’s Orthogonal Arrays Are
Classical Designs of Experiments, Journal of Research of the National Institute
of Standards and Technology, Vol. 96, Number 5, Sep-Oct 1991.
12) León, R.V., Wu, C.F.J. A Theory of Performance Measures in Parameter
Design, IIQP Research Report RR-89-05, April 1989.
13) Maindonald, J., Braun, W. J. Data Analysis and Graphics Using R: An
Example-Based Approach, 3th Ed., Cambridge Series in Statistical and
Probabilistic Mathematics / Cambridge University Press, 2010.
14) Myers, R., Montgomery, D., Anderson-Cook, C. Response Suface
Methodology – Process and Product Optimization Using Designed
Experiments, 3th Ed, Wiley 2009.
15) Montgomery, D. Design and Analysis of Experiments, 8th Ed, Wiley, 2012.
16) Montgomery, D., Runger, G. Applied Statistics and Probability for Engineers,
2nd Ed, Wiley, 2010.
17) Nair, V. N. Taguchi´s Parameter Desing: A Panel Discussion,Center for
Quality and Productivity Improvement, University of Wisconsin,
Report No. 79, Marzo 1992.
109
18) Noorossana, R., Ardakani, M. K. A weighted metric method to optimize multi-

response robust problems,Journal of Industrial Engineering International, Vol.
5, No. 8, 10-19, January 2009.
19) Phadke, M. Quality Engineering Using Robust Design, Prentice Hall, 1989.
20) Pyzdek, T., The Six Sigma Handbook, McGraw Hill, 2003.
21) Plackett, R.L., Burman, J.P. The Design of Optimun Multifactorial
Experiments, Biometrika, Vol. 33, No. 4 (Jun., 1946).
22) Ranjit, R. Design of Experiments Using The Taguchi Approach: 16 Steps to
Product and Process Improvement, Wiley & Son, 2001.
23) Shmidt, S., Launsby, R. Understanding Industrial Designed Experiments, 4th
Ed., Air Academy Press & Associates, 2000.
24) Taguchi, G. Introduction to Quality Engineering, Asian Productivity
Organization, 1986.
25) Taguchi, G., Chowdhury, S, Wu, Y . Taguchi Quality Engineering Handbook,
John Wiley & Sons, Inc., 2005.
26) Shomaker,A, Tsui, K, Wu,C.F. Economical Experimentation Methods for
Robust Parameters Designs, 1989.
27) Welch, W., Yu, T.K., Kang, S., Sacks, J. Computer Experiments for Quality
Control by Parameter Design, Department of Statistics, University of Illinois
at Urbana-Champaign, Report #4, February 1988.
110

Taguchi y Mezclas

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Taguchi y Mezclas

Cargado por

Copyright:

Formatos disponibles

Universidad de Granada

Departamento de Estadística e Investigación Operativa

Máster Universitario en Estadística Aplicada

Trabajo de Fin de Máster:

Autor: Publio Darío Cortés Carvajal

Dedicado a mi amada esposa Raquel, a mi hijo Darío Manuel, a mis

Agradezco a la Universidad de Granada por la invaluable oportunidad que

Y muy especialmente, agradezco a la Dra. María Dolores Ruiz Medina,

1. Diseños factoriales fraccionarios 1

2 Diseños factoriales de selección 21

3. Metodología del diseño robusto de parámetros de Taguchi 42

4. Crítica y alternativas al diseño robusto de parámetros de Taguchi 89

El material está concebido para usarse como referencia avanzada para

El Capítulo 1 está dedicado a los diseños factoriales fraccionarios.

 Design and Analysis of Experiments [Montgomery, D., 2010].

En el desarrollo de este capítulo se presentan algunos ejemplos

El Capítulo 2, diseños factoriales de selección, es una continuación al

En este capítulo nuestras principales referencias bibliográficas son:

También recurrimos a los artículos:

El Capítulo 3 es un poco diferente a los anteriores, seguimos

La idea del producto nace de las necesidades de los clientes, lo cual es

Para la detección la variabilidad no deseable, Taguchi propone el nuevo

Las principales referencias bibliográficas de este capítulo son:

Al final de este capítulo resolvemos un problema típico de

En el Capítulo 4 continuamos con el tema de diseño robusto, pero

En nuestra exposición presentamos los dos lados de la controversia,

En el artículo publicado por Nair se recogen las opiniones de los más

Para concluir el capítulo presentamos tres artículos en los que

1. Diseños factoriales fraccionarios

Los diseños factoriales completos, dado el número de niveles (usualmente 2 ó 3),

 Reducir el número de corridas, manteniendo el número de factores.

1.2 Diseños factoriales fraccionarios 2k-p:

Esta es la estrategia menos compleja para la reducción del número de corridas en

1.2.1 Diseño factorial medio de 4 factores y 2 niveles (24-1):

Como primer paso consideraremos el desarrollo del exponente de la potencia

niveles y 3 factores (A, B y C) [Shmidt, S., Launsby, R, 2000], según se muestra en la

Figura 1.2.1 Construcción de un diseño factorial medio 24-1.

Puesto que nuestro diseño es realmente de 4 factores, y no de 3, necesitamos un

La asignación a la interacción triple, y no a algunas de las interacciones dobles

Hecha la asignación de la columna para el factor D, para conseguir las columnas

Construcción de las columnas de las

Corrida A B C D AB AC AD BC BD CD ABC BCD ACD ABD ABCD

Tabla 1.2.1 Columnas de las interacciones de un diseño factorial medio 24-1.

1.2.2 Confusión (aliasing) en los diseños factoriales fraccionarios:

AB = CD ABC = D ABCD = I =Vector de1s

En el ejemplo que acabamos de desarrollar (figura 1.2.1) asignamos el factor D a la

f  x, y   f  a,b   f x  a,b  x a   f y  a,b  y  b  (1.2.1)

Interacción doble Términos cuadráticos

Por analogía, podemos relacionar el número de términos que se multiplican en el

1.2.3 Resolución de un diseño factorial fraccionario de 2 niveles:

La resolución de un diseño factorial medio es igual al número de letras que

D =AB A=BD B=AD

Además, las interacciones dobles con el factor C estarían confundidas con

AC=BDC BC=ADC DC=ABC

El factor C estaría confundido con la interacción cuádruple: C=ABCD

En un diseño factorial fraccionario general 2k-p, diferente al diseño factorial medio,

G = ABCD F = ACD E = ABC

Así tendríamos 3 palabras de definición: ABCDG, ACDF, y ABCE ( ¿dos

La resolución del un diseño factorial fraccionario es igual al número de letras que

Para representar en forma abreviada las propiedades de un modelo factorial

La resolución de un diseño permite saber rápidamente cuáles son las confusiones

RII Contienen efectos principales totalmente Preferiblemente, no debería usarse.

RIII No contienen efectos principales confundidos Usado para la selección de un número

RV No tiene efectos principales en “aliasing” con Diseño recomendado para construir