Clase1-Alumno - 2022 - FinalRevisado

Diseño de experimentos
para la industria
2022
Mag. Daniel Obregón
Six Sigma Green Belt
1
Programa
Tema 2
Tema 1 Tema 3 Tema 4
Diseño de
Introducción Softwares Caso de estudio
experimentos
(3 h) (7 h) (3 h)
(8 h)
Diseño por
Fundamentos de bloques Aplicación de DoE
DoE Programas en su empresa.
Diseño factoriales: estadísticos
Completos y
Fraccionados
Metodología para
la aplicación de Exposición
Diseños
DoE Ejercicios:
• Plackett-Burman
• Taguchi • Factoriales
completos
Herramientas • Superficie de
y fraccionados Examen
estadísticas respuestas
• Taguchi
• Mezclas
DoE para la industria - Mag. Daniel Obregón 2

INTRODUCCIÓN

Programa del curso
Tema 2 Tema 4
Tema 1 Tema 3
Diseño de Caso de
Introducción Softwares
experimentos estudio
Diseño por
Fundamentos de bloques Aplicación de DoE
DoE Programas en su empresa.
Diseño factoriales: estadísticos
Completos y
Fraccionados
Metodología para
la aplicación de Exposición
Diseños
DoE Ejercicios:
• Plackett-Burman
• Taguchi • Factoriales
completos
Herramientas • Superficie de
y fraccionados Examen
estadísticas respuestas
• Taguchi
• Mezclas

INTRODUCCIÓN

Introducción
Diseño de experimentos
Conjunto de pruebas en las cuales se realizan
cambios voluntarios a los parámetros de control de
un proceso o sistema, cuyo objetivo es observar e
identificar las razones de los cambios en la variable
de estudio o respuesta y cuantificarla.

Introducción
Motivación
✓Todo tipo de industrias puede usar DoE.
✓Donde hay productos y procesos se puede aplicar
DoE.
✓Se puede maximizar los retornos cuando se aplica
en investigación y desarrollo de productos (ahorro).
✓Se puede aplicar para mejorar los procesos de
producción en la industria.
✓Diseño de experimentos enseñado en cursos de Six
Sigma de Green Belt a Black Belt.
Objetivo
✓Comprender los principios del DoE.
✓Conocer definiciones básicas.
✓Establecer la metodología para aplicar un DoE

exitoso.
✓Conocer las herramientas estadísticas para realizar

un DoE.
✓Presentación de caso Volkswagen.

Introducción
¿Por qué no se aplica DoE?

• Limitaciones
• Estadística: Los cursos se enfocan en ´la teoría de probabilidad,
(distribución de probabilidad).
• Se busca una solución rápida con beneficios a corto tiempo
realizando ensayos de un factor a la vez.
• No hay preparación estadística para introducir e implementar
técnicas de mejora de calidad como DoE y Taguchi. Se requiere
programas intensivos de entrenamiento y mostrar las
aplicaciones exitosas de tales técnicas.
• Muy poca comunicación entre el mundo académico e industrial.
• La mayoría de los sistemas de software comerciales no
proporcionan ninguna orientación para clasificar y analizar los
problemas relacionados con la calidad del proceso de
fabricación y/o no hay personal capacitado para el uso de los
softwares.

Introducción
Estadística
Proceso de aprendizaje inductivo-deductivo

Introducción
Desarrollo de DoE
http://www-history.mcs.st-andrews.ac.uk/Biographies/Fisher.html
Ronald Fischer
• Británico genetista y estadista. Experimentación
en el área agrícola.
• Desarrollo el método ANOVA. Statistical Methods
for Research Workers (1925)
• Definió los principios básicos del DoE:
aleatorización, realización de réplicas y la
formación de bloques.
• 1918-1920: Aumentó de la producción de trigo
empleando dos fertilizantes distintos (Fisher &
Mackenzie – 1923).
• 1923: Efecto del abono en diferentes tipos de
papa. Encontró que existe una gran variación de
la producción según el tipo de abono empleado.
Sin embargo, no hay variación significativa en la Sir Ronald Fisher
respuesta según la especie de papa. (1890-1962)
Introducción
Representación esquemática de un proceso “Black Box”
Ronald Fischer, “The design of Experiments”, 1935

Introducción
Desarrollo de DoE
http://www-history.mcs.st-and.ac.uk/Biographies/Box.html
George Box
• Químico y estadístico británico.
Durante la II Guerra mundial fue
llamado para realizar estudios de
exposición de animales a gas
venenoso pero sus resultados eran
muy variables y se interesó por la
estadística.
• Desarrollo el método de superficies
de respuesta (MSR) – 1953-1955.
• Experimentos industriales distintos de
sus contrapartes agrícolas: inmediatez
y secuencialidad.
George Box
DoE para la industria - Mag. Daniel Obregón
(1919-2013) 13
Introducción
Desarrollo de DoE
Genichi Taguchi
• Ingeniero y estadístico japonés.
Genichi Taguchi fue un líder en el
fomento de una conciencia de control
de calidad.
• El enfoque Taguchi fue una nueva
estrategia de experimentación en la
cual el utilizaba una forma modificada
y estandarizada de DoE.
• A pesar que se había desarrollado
mucho la estadística con la
introducción de DoE por Fischer en Genichi Taguchi
1920 y el trabajo de Taguchi en 1940, (1924-2012)
era muy raro su uso en las industrias.

Introducción
Desarrollo de DoE
Bill Smith
• Motorola 1985: Generó reporte que
relacionaba la calidad de un producto
y los reprocesos que habían sido
necesarios.
• La reducción de inconformidades
(mejora de la calidad) de los
productos logro una mejor
satisfacción del cliente.
• El reto se convirtió en crear un modo
de eliminar defectos.
• Smith creo un proceso de cuatro
etapas: Medir, analizar, mejorar y
controlar.
Bill Smith
(1929 – 1993)
Fundamentos
Un factor a la vez (OFAT, one-factor-at-time)

Ejemplo
• ¿Por qué no es la mejor estrategia ir moviendo las
variables una a una cuando se trata de estudiar
cómo estas afectan a una respuesta?
65 gramos 82 gramos
Fijar temperatura Fijar tiempo

130°C (usual) 100 min (óptimo)

Fundamentos
OFAT vs DoE
¿Se determinaron las
condiciones óptimas de
producción?
No se alcanzó el óptimo.
La estrategia uno a la vez

es fácil de entender y no
cuesta convencer a las
personas en realizarlo.
Curvas de nivel que representan la cantidad de producto
¿Encontramos el
obtenido en función de t (min) y T (°C).
rendimiento máximo?
Fundamentos
UN FACTOR A LA VEZ
• Proporciona falsos óptimos

• Estrategia lenta para obtener el óptimo. Se puede determinar un
nuevo tiempo que maximice la respuesta empleando la
temperatura encontrada y volver a hacer lo mismo con el
tiempo.
• No detecta interacciones entre los factores lo cual es crucial para
entender como las variables afectan la respuesta.

Fundamentos
Componentes de los diseños de experimentos (DoE)
Factor
Un factor es una variable que se considera, por
conocimiento del objeto de estudio, que puede tener un
efecto sobre la respuesta de interés.
Nivel
Valor al cual se establece cada factor en el experimento.
Cuando cada factor es establecido en sus niveles en un
ensayo experimental lo llamamos tratamiento o
combinación de tratamiento.

Fundamentos
Matriz de diseño o solo diseño

Arreglo formado por diferentes tratamientos que serán realizados.
Factores
Temperatura Tiempo Tipo de Medida de
N°
(°C) (min) mantequilla crujiente
1 200 20 A 7,9
Tratamientos
2 220 20 A 9,7
3 200 25 A 7,5
4 220 Niveles
25 A 9,2
5 200 20 B 6,4
6 220 20 B 8,4
7 200 25 B 7,3
8 220 25 B 9,0

Fundamentos
MÉTODOS ESTADÍSTICOS
• Dificultades mitigadas
• Error experimental
• Confusión: Correlación y causalidad
• Complejidad de los efectos estudiados
Importante: Como aplicar las técnicas estadísticas.

Informarse lo más posible del problema.
El método es una importante ayuda, no
reemplaza la experiencia del experimentador.

Fundamentos
DISEÑO DE EXPERIMENTOS
• El diseño estadístico de experimentación se refiere al proceso

para planear el experimento de tal forma que se recaben datos
adecuados que puedan analizarse con métodos estadísticos que
llevarán a conclusiones validas y objetivas.
• El enfoque estadístico es necesario si se quieren sacar
conclusiones significativas de los datos.

Fundamentos
Tipos de diseños de experimentos

Enfocados en determinar:
• Factores principales,
• Interacciones
• Optimización del proceso. Superficie de
Diseño Taguchi, respuesta
Plackett-Burman /Diseños óptimos
Factoriales • Solo son • Diseño central
fraccionados consideradas las compuesto
interacciones (Box_Wilson)
• Se selecciona • Diseños
Factoriales una fracción de
principales.
Box_Behnken.
completos las posibles
• Dos niveles combinaciones
Diseño • Máximo (+1)

mínimo (-1)
por
bloques

Fundamentos
ORTOGONALIDAD
Diseños factoriales y fraccionados.

• Un diseño experimental con k factores y n
observaciones, con 2 niveles por cada factor, se conoce
como diseño factorial de nivel 2.
• El número de observaciones “n” en cada experimento es
determinado tomando el número de niveles (2) elevado
al número de factores. Por ejemplo: n = 2k.
• Las observaciones se analizan como un solo
experimento para proporcionar evaluaciones
matemáticamente independientes (ortogonales) de los
efectos de cada factor bajo estudio.
Fundamentos
Propiedad de ortogonalidad
N° A: Temperatura (°C) B: Tiempo (min) A B

1 200 20 -1 -1
2 220 20 +1 -1
3 200 25 -1 +1
Términos
4 220 25 +1 +1
5 200 20 -1 -1
codificados
6 220 20 +1 -1
7 200 25 -1 +1
8 220 25 +1 +1
𝐴 × 𝐵 = −1 × −1 + +1 × −1 + −1 × +1 + +1 × +1 + −1 × −1
+ +1 × −1 + −1 × +1 + +1 × +1
𝐴 × 𝐵 = +1 − 1 − 1 + 1 + 1 − 1 − 1 + 1
𝐴×𝐵 =0
Fundamentos
BLOQUES
• Se realiza similares ensayos en bloques (grupos).
• Los bloques pueden ser lotes de materias primas,
operadores diferentes, diferentes vendedores, etc.
Ejemplo: Un experimento en un proceso químico requiere

dos lotes de materia prima para realizar el ensayo
experimental completo. A fin de minimizar los
efectos de la variabilidad lote a lote, necesitamos
tratar el lote de materia prima como un factor de
ruido. En otras palabras, el lote de materia prima
formará parte de un bloque.

Fundamentos
Tres conceptos claves
Bloques
Aleatoriedad
Réplicas

Fundamentos
MEJORANDO LA EFICIENCIA MEJORA: RESISTENCIA DE

CON BLOQUES ACERO
• Pueden ser bloques de diferentes • Un experimento de 8 ensayos es
turnos, diferentes maquinas o seleccionado pero solo es posible
materias primas. hacer cuatro experimentos por
• Por ejemplo, un metalurgista día. Por tanto, cada días es
desea mejorar la resistencia de tratado como un bloque distinto,
un componente específico de con el propósito de reducir la
acero. variación del día a día.
• ¡IMPORTANTE! Los ensayos
experimentales dentro del
bloque deben ser lo más
homogéneo posible.

Fundamentos
BLOQUES: FISCHER Y LA CEBADA

• Las fuentes de variación conocidas producidas
por cambios de personal, materiales o
maquinaria se pueden eliminar empleando la
técnica que desarrollo Fischer.
• En su casa en Minnesota en los años 30, hizo
crecer cebada en 10 cosechas distintas ubicados
en 6 sitios distintos. Dentro de cada bloque de
tierra, plantó cebada en ubicaciones aleatorias.
La producción varió considerablemente debido a
variaciones en el suelo, clima, pero la
clasificación del tipo de cebada permaneció
constante.
DoE para la industria - Lic. Daniel Obregón 30

Fundamentos
BLOQUES:
Diseño de experimentos:
Split plot vs Aleatorio completo
Tipo de arado. Tipo de pesticida.
Hard-to-change: factores difíciles de variar

Fundamentos
ALEATORIEDAD EVALUACIÓN
• Asegura que todos los niveles • ¿Cuál es el costo asociado con
de un factor tienen la misma el cambio de niveles de los
posibilidad de ser afectados factores?
por el ruido del factor. • ¿Cuál es el tiempo establecido
• Algunos factores son difíciles entre ensayos?
de controlar por su costo o • ¿Cuántos factores en el
tiempo requerido (uso experimento son caros o
restringido de la aleatoriedad). difíciles de controlar?
• ¿Dónde establecemos factores
cuyos niveles son difíciles de
cambiar de uno a otro nivel?

Fundamentos
ALEATORIEDAD DE ENSAYOS
• Realizar los ensayos en orden aleatorio.

• Reducir el sesgo, margen de error (bias) que se
induce en el experimento.
• El sesgo se puede deber a factores
incontrolables o ruido, como edad de una
máquina, cambios de materia prima, cambios
de la humedad relativa, cambios de la
temperatura, etc.
DoE para la industria - Lic. Daniel Obregón 33

Fundamentos
RÉPLICAS
• Proceso por el cual se realizan los ensayos en una secuencia

aleatoria.
• Permite estimar el error experimental.
• Estimador del efecto factor/interacción más preciso.
• Debe ser justificado en términos de tiempo y costo.

Fundamentos
Caso
Los ingenieros de control de calidad diseñan dos experimentos, uno con
repeticiones y otro con réplicas, para evaluar el efecto de las configuraciones
sobre la calidad.
Repeticiones
Los operadores establecen los factores en niveles predeterminados,
completan una corrida de producción y miden la calidad de cinco productos.
Luego establecen los equipos en nuevos valores, completan otra corrida de
producción y miden la calidad de cinco productos.
Réplicas
Los operadores establecen los factores en niveles predeterminados,
completan una corrida de producción y toman una medición de calidad.
Luego establecen la configuración de los equipos, completan otra corrida de
producción y toman una medición de calidad.
En orden aleatorio, los operadores utilizan cada combinación de valores de
factores cinco veces y toman una medición en cada corrida.

Fundamentos
ALIAS O CONFUSIÓN
• Influencia combinada de dos o más

efectos de factores en un solo efecto
medible.
• Estructura “alias” o patrón
“confounding”.
• No se puede estimar los efectos del
factor y sus interacciones
independientemente.

Fundamentos
COMPRENDER EL EFECTO ALIAS/CONFUSIÓN
• La estimación de los efectos principales no puede ser

separado de las interacciones.
• El impacto negativo del uso de “alias” puede ser evitado

escogiendo un diseño fraccionado de alta resolución, pero el
costo del factor crecerá debido al gran tamaño del
experimento.
• El reto aquí es encontrar un balance entre el tamaño del

experimento y la información ganada del experimento.
• En inglés se conocen como “aliasing/confounding”.

Fundamentos
RESOLUCIÓN DE DISEÑO
• Grado en el que los efectos

principales están “aliased” con los
efectos de interacciones (dos
factores o más) es representado por
la resolución del correspondiente
diseño.
• Diseño de Resolución III y IV.

Fundamentos
INTERACCIONES CLAVES
EN EL PROCESO
• Las interacciones entre

los factores o
parámetros de un
proceso son de gran
preocupación para
muchos ingenieros y
gerentes.

Fundamentos
Interacciones claves en el proceso

• CASO: Soldadura de una placa de circuito impreso.
• Objetivo: Reducir el número de defectos en las uniones
de soldadura de 410 ppm.
• Consideran 3 factores con dos niveles para cada uno.
• Inician con un ensayo de un factor a la vez (OVAT, one
value at time).
A. Jiju. Design of experiments for Engineering and Scientist. 2003.

Fundamentos
INTERACCIONES CLAVES EN EL PROCESO
Nivel Nivel mayo

Etiqueta Parámetro Unidad
Menor (-1) (+1)
Densidad de
A g/c/c 0,85 0,90
flujo
Velocidad de
B Ft./min 4,5 5,5
transportador
Temperatura de
C °C 230 260
soldadura

Fundamentos
CASO:
Soldadura de una placa de circuito impreso.
Resultados de un factor a la vez (OFAT)
Ensayo Respuesta
A B C
(orden) (ppm)
1 -1 -1 -1 420
2 +1 -1 -1 370
3 +1 +1 -1 410
4 +1 +1 +1 350
Sí trabajo al nivel más alto de A disminuye los defectos en 50.

Sí trabajo al nivel más alto de Ay B disminuyen los defectos en 10.
Si trabajo al nivel más alto de A, B, C disminuye los defectos en 70.
¿puedo definir que condiciones son las más adecuadas?
Fundamentos
CASO:
Soldadura de una placa de circuito impreso.
Resultados de un factorial completo de 23
Ensayo Ensayo Respuesta
A B C
(orden) (aleatorio) (ppm)
1 5 -1 -1 -1 420 – 412
2 7 +1 -1 -1 370 - 375
3 4 -1 +1 -1 310 - 289
4 1 +1 +1 -1 410 – 415
5 8 -1 -1 +1 375 – 388
6 3 +1 -1 +1 450 – 442
7 2 -1 +1 +1 325 – 322
8 6 +1 +1 +1 350 – 340
Fundamentos
Interacciones
• Las interacciones ocurren cuando el efecto de un
parámetro del proceso depende del nivel de otro
parámetro del proceso.
Coded Coefficients
Term Effect Coef SE Coef T-Value P-Value VIF

Constant 374.56 1.87 200.10 0.000
A 38.88 19.44 1.87 10.38 0.000 1.00
B -58.88 -29.44 1.87 -15.73 0.000 1.00
C -1.12 -0.56 1.87 -0.30 0.771 1.00
A*B 28.38 14.19 1.87 7.58 0.000 1.00
A*C 4.12 2.06 1.87 1.10 0.303 1.00
B*C -20.63 -10.31 1.87 -5.51 0.001 1.00
A*B*C -49.87 -24.94 1.87 -13.32 0.000 1.00

Fundamentos
A- = (416+381.5)/2 y (299.5+323.5)/2
Densidad de flujo (A)

+1 398.75 y 311.5
A+ = (372.5+446)/2 y (412.5+345)/2
-1 409.25 y 378.75
A- A+
Velocidad A B Respuesta (ppm) A B Respuesta (ppm)
-1 -1 416 -1 -1 416
del transportador 1 -1 372.5 1 -1 372.5
(B) -1
1
1
1
299.5
412.5
-1
1
1
1
299.5
412.5
-1 -1 381.5 -1 -1 381.5
Interacción sinérgica 1 -1 446 1 -1 446
-1 1 323.5 -1 1 323.5
1 1 345 1 1 345

Fundamentos
Densidad de flujo (A)

+1 A- = (412+289)/2 y (388+322)/2
357.75 y 352.5
-1 A+ = (372.5+412.5)/2 y (446+345)/2
392.5 y 395.5
Temperatura de
soldado A- A+
(C) A C Respuesta (ppm) A C Respuesta (ppm)
-1 -1 416 -1 -1 416
Poca interacción* 1 -1 372.5 1 -1 372.5
-1 -1 299.5 -1 -1 299.5
1 -1 412.5 1 -1 412.5
-1 1 381.5 -1 1 381.5
1 1 446 1 1 446
-1 1 323.5 -1 1 323.5
1 1 345 1 1 345

Factor D
Factor E
Interacción antagónica

Fundamentos
GRADOS DE LIBERTAD
• Número de comparaciones independientes y razonables que

pueden hacerse a un conjunto de datos.
• En DoE, el número de grados de libertad asociado a un proceso
variable es igual a la cantidad de niveles de un factor menos uno.
• Ejemplo:
• Asumir que se ha realizado un experimento de ocho ensayos y
cada ensayo se ha replicado dos veces. El número de
observaciones en este caso es igual a 16 y el grado de libertad
15 (16 - 1 = 15).

Fundamentos
SE REQUIERE
• Habilidad para planear.
• Habilidades estadísticas.
• Habilidades de trabajo en equipo.
• Habilidades ingenieriles.

METODOLOGÍA

Fundamentos
Metodología sistemática el diseño de experimentos

• Barreras para una aplicación exitosa de DOE.
• Metodología
• Etapa de planeamiento
• Etapa de diseño
• Etapa de desarrollo (Ejecutar)
• Etapa de análisis
Algunas herramientas prácticas para hacer un experimento
exitoso
• Claro entendimiento del problema
• Equipo de trabajo / Intercambio de ideas
• Selección de características de calidad medibles o de respuestas para el
experimento
• Selección de un apropiado diseño de experimentos
• Experimentación
• Aleatoriedad DoE para la industria - Mag. Daniel Obregón 51
Metodología
La aplicación de DOE requiere:
✓Habilidad para planear.
✓Habilidades estadísticas.
✓Habilidades de trabajo en equipo.
✓Habilidades ingenieriles.

Metodología
Etapas de desarrollo del proyecto

Planear Diseñar Ejecutar Analizar
• Definir el • Seleccionar el • Ejecución de • Análisis e

problema DOE más experimentos interpretación
• Objetivos apropiado de resultados
• Establecer • Considerar
factores número de
(niveles) y la experimentos,
respuesta alias y
• Sistema de resolución de
medición DOE

Metodología
Planear
ENTENDER EL PROBLEMA
• Hay una falta de compresión del problema

mismo.
• Un objetivo bien definido permite seleccionar
el mejor diseño de experimento
• Todos deben tener claro el objetivo y su rol en
el experimento.

Metodología
Planear
SELECCÍON DEL PROBLEMA
• Involucrar y comprometer a la gerencia desde el
inicio del proyecto.
• Considerar el retorno de la inversión.
Disminuir las quejas de los clientes y
aumentar su satisfacción produce un alto
retorno a largo tiempo.
• Alcance del proyecto, si el proceso es muy
complicado es mejor dividirlo en subprocesos.
• Tiempo requerido para completar el proyecto.
Un proyecto que no ha sido culminado es una
pérdida.

Metodología
Planear
PLANEAR
• Exposición clara y breve del problema.

• Establecer un objetivo especifico y medible que
pueda producir valor en la compañía.
• Desarrollo de nuevos productos.
• Mejorar desempeño de un proceso/producto.
• Reducir la dispersión existente de un proceso.
• Formar un equipo de trabajo.

Metodología
Planear
EQUIPO DE TRABAJO
• Beneficiarios del proyecto: Personas que

aceptan las recomendaciones para mejorar más
allá de los resultados claves.
• Proveedor de partes/materiales. Si el material
es un factor en el experimento se debe
consultar con los proveedores e incluirlos en
el equipo.
• Participación directa. Personas involucradas
en el diseño, validación, calidad, producción y
operadores.

Metodología
Planear
EQUIPO DE TRABAJO
• Se requiere un conjunto de conocimientos
estadísticos, planeamiento, ingeniería,
comunicación y habilidades de trabajo en
equipo.
• Identificar los factores y número de niveles.
• Desarrollar un espíritu de equipo y actitud
positiva.
• ¿Quién será responsable y como apoyará?
• ¿Cuánto tiempo se requiere para entregar
resultados?

Metodología
Planear
SELECCIÓN DE RESPUESTA O CLASIFICACIÓN DE
CARACTERÍSTICA VARIABLES
•Respuestas variables como •Determinar si son
longitud, espesor, diámetro, etc, controlables o no controlables
proveen más información que (ruido).
respuestas de atributos tales •Variables no controlables
como malo/bueno, pasa/falla o (temperatura, materia prima,
si/no. etc) que pueden ser
•Se requiere del conocimiento minimizadas empleando
de la ingeniería del proceso, efectivamente los principios
datos históricos, análisis de de DoE (bloques,
causa efecto y un intercambio aleatorización y replicación).
de ideas.

Metodología
Planear
NIVELES e INTERACCIONES
• La cantidad de niveles depende de la naturaleza de la
variable del proceso: cualitativa (tipo de catalizador, materia
prima) o cuantitativa (temperatura, presión).
• Si se espera una función no lineal se sugiere usar 3 o más
niveles.
• Lista de todas las interacciones de interés
• Las interacciones pueden ser vistas como un efecto.
• El tamaño del experimento depende del número de
factores que son estudiados y de interacciones que son de
interés para el experimentador.

Metodología
Planear
NIVELES e INTERACCIONES
Factores Niveles Respuesta
Características de
Variables de Condiciones de
salida (producto
entrada operación
final)
Horno Temperatura
Ejemplo de
características:
Azúcar # Tazas
Sabor
Harina # Tazas
Olor
Consistencia
Huevos # de huevos

Metodología
Diseñar
SELECCIONAR DISEÑO
• Diseño
• Selección de características de calidad
• Número de factores e interacción
• Complejidad de cada diseño empleado
• Validación estadística y efectividad
• Grado de robustez del producto/proceso
• Comprender fácilmente y implementación
• Naturaleza del problema (o objetivo del
experimento)
• Limitaciones de costo y tiempo.

Metodología
Clasificación y selección de diseños

experimentales
Comparar dos o más Completamente al azar
tratamientos
Bloques completos al azar
Cuadrados latino y grecolatino
Estudiar el efecto de Factoriales 2k
varios factores sobre
una o más variables Factoriales 3k
de respuestas
Factoriales fraccionados 2k-p
Optimización de Modelo de primer orden Factoriales 2^k y 2k-p
procesos Plakett-Burman
Simplex
Modelo de segundo orden Composición central
Box-Behnken
Factoriales 3^k y 3^(k-p)
Robustos Arreglos ortogonales (factoriales)
Arreglos internos y externo (Taguchi)
Mezclas Simplex-reticular
Simplex con centroide
Con restricciones
Axial

Metodología
Diseñar
SISTEMA DE MEDICIÓN
• La respuesta o cualidad debe ser medida de manera
directa e indirecta. El sistema de medición debe ser:
Exactitud Precisión Estabilidad Capacidad
Medida de la
No debe ser
dispersión de
Cercanía influenciado Cuando están
los resultados
entre el valor adversamente libres de
de varias
medido y el por el sesgos o
observaciones
valor real o de operador o sensibilidad
y no se
referencia. cambios (Jiui Antony).
relaciona con
ambientales.
el valor real.
Metodología
Diseñar
RESPUESTA
• Característica de desempeño de un producto

que es más critica para el cliente y
frecuentemente refleja la calidad del producto.
• Usar características de calidad (o respuestas)
que sean medibles con precisión y que sean
estables.
• Si es un proceso complejo seleccionar
características a un sub nivel y desarrollar
experimentos en este nivel antes de tratar de
optimizar el sistema completo.

Metodología
1. Extrusión. 1. Reducir la merma post 1. Merma.

2. Producción de extrusión del recubrimiento 2. Tensión de
resortes. de un cable. resorte.
Respuesta apropiada
Objetivo del experimento
3. Enchapado de 2. Reducir la variabilidad de la 3. Espesor de
oro. tensión del resorte. enchapado.
3. Reducir la variación en el
Tipo de proceso
4. Producción de 4. Voltaje de corte.

tubos para espesor del enchapado.
5. Dureza Rockwell.
monitores de TV. 4. Reducir la variación del
desempeño de los cañones de 6. Resistencia de la
5. Pieza fundida a soldadura.
troquel. electrones del TV.
5. Aumentar la dureza del 7. Fuerza de
6. Soldadura con tracción de cable.
gas inerte de componente.
metal. 6. Reducir la alta tasa de
7. Unión de cables. desperdicios por uniones mal
soldadas.
7. Reducir la alta tasa de
cables rotos.

Metodología
Ejecutar
EJECUTAR
• El primer paso es separar lo vital de lo trivial.

• Los experimentos de cribado (screening)
reducen el número de factores o procesos
claves a un numero limitado de ensayos
experimentales.
• No más del 25% del presupuesto
experimental debe ser usado en la primera
fase.

Metodología
Ejecutar
ETAPAS
• Antes:
• Selección de un lugar adecuado.
• Disponibilidad de materiales.
• Evaluación monetaria costo/beneficio.
• Durante:
• La persona responsable del experimento debe estar
presente durante todo el experimento.
• Monitorear ensayos experimentales.
• Registrar los valores de respuesta observados en una
hoja de datos o directamente en la computadora.

Metodología
Analizar
OBJETIVOS A ALCANZAR
• Posibles objetivos a alcanzar:

• Determinar los parámetros que afectan el desempeño
promedio del proceso o influyen en la variabilidad.
• Determinar los niveles del diseño que producen un optimo
desempeño (condiciones más favorables).
• Determinar si es posible nuevas mejoras.

Metodología
Verificar
ENSAYOS CONFIRMATORIOS
• Verificar los resultados del experimento realizando ensayos de
confirmación
• Si los objetivos no son encontrados algunas posibles causas
puede ser:
• Mala elección del diseño experimental
• Mala elección de las respuesta o característica del
experimento.
• No se identificaron los factores importantes
• Presencia de un efecto no lineal de los factores en la respuesta
• Inadecuado control de los factores de ruido
• Falta de experiencia en el uso de análisis estadístico
CASO
VOLKSWAGEN

CASO VOLKSWAGEN
CASO VOLSKWAGEN-Navarra
• Definir :
• Proceso de soldadura láser de los laterales
de un coche y el techo.
• Alta tecnología usada y poco conocimiento
acerca de la técnica. Es frecuente la
aparición de poros en la soldadura (fallas).
Las fallas son detectadas por controles
visuales y exigen un re trabajo (tiempo y
calidad).

CASO VOLKSWAGEN
DEFINIR
• Selección de equipo de trabajo: Gerente de sección de
chapistería.
• Formulación del problema: mejorar el proceso de soldadura
láser.
• Se observa fallas que representar un problema por:
• Estructural: Afecta resistencia de la unión.
• Estética: Afectan la principal razón para elegir dicha soldadura
que era mejores acabados. Además, como posteriormente se
pintan los coches, pueden aparecer burbujas.
• Impermeabilidad: El nivel de coches con poros es de 3% que se
estimo en 33600 euros de costo al año (daños por corrosión).

CASO VOLKSWAGEN
DEFINIR
• Documentar información importante:
• Diagrama de flujo.
• Elegir respuesta:
• % de cordones izquierdos defectuosos de 2 puertas y %
de cordones derechos defectuosos de 2 puertas.
• Objetivo:
• Disminuir el % de cordones defectuosos en un 50% y
adquirir conocimiento del proceso.

CASO VOLKSWAGEN
IDENTIFICAR CLASIFICAR
FACTORES FACTORES
• Lluvia de ideas. Surgieron 40 • Según experiencia del grupo de
factores. trabajo y evaluado el costo de
• Realización de diagrama de excesivas variables.
afinidad para agrupar los factores y • Potencia: Potencia de robot,
quedaron 19 factores. mayor potencia mayor energía de
• Construcción de diagrama causa- soldadura.
efecto. • Corriente: Corriente programada
de pre-calentamiento (dar
energía a la soldadura).
• Limpieza de los laterales, con un
trapo con alcohol.
• Limpieza de techo, con soplado al
aire.

CASO VOLKSWAGEN
MEDIR MEDIR
• Estrategias para algunos factores. • Describir conocimiento actual
• Los factores principales se podían • Ensayos de un facto a la vez
controlar. previos.
• Dentro de los once factores que • Se sabía que los factores
podrían generar ruido, tres se interactuaban entre sí pero no
podían control, y se estableció como.
recurrir a la aleatorización para • Un aumento de la energía
prevenir la influencia del resto. provocaba muchos poros pero su
ausencia no permitía hacer una
soldadura.
• No se conocía exactamente si el
modo de limpieza era favorable o
no.

CASO VOLKSWAGEN
• Determinar Rangos y Niveles
Factores primarios Rangos/Niveles Símbolo

Potencia 2700-3500 W A
Corriente 2000-4200 W B
Limpieza de los No limpiar / C
laterales Limpiar
Limpieza del techo Sin soplado / Con D
soplado

CASO VOLKSWAGEN
PRE ANALIZAR
• Cantidad fijada por gerencia fue de 20 días de

producción.
• Se empleó un diseño factorial fraccionado.
• Resolución IV
• Sin punto centrales ( por la presencia de dos
factores cualitativos, limpieza).
• Aleatorizar el orden de los experimentos.

CASO VOLKSWAGEN
Software Minitab

CASO VOLKSWAGEN

CASO VOLKSWAGEN
Análisis de varianza (ANOVA)
Determinación de los factores influyentes en mi respuesta

Efectos Derecha Efectos Izquierda
Factores influyentes (valor p < 0.05): Corriente (B) e interacción AB (Potencia-

Corriente). Se decide limpiar el techo (D). Por el contrario, no sé ve influencia en la
limpieza de los laterales (C).

Herramientas analíticas
DISTRIBUCIÓN NORMAL Si se lanzan

repetidamente un dado
6ൗ de seis caras, la
1 frecuencia de obtener de
5ൗ 5ൗ 6ൗ 1 a 6 será igual (Fondo).
1 2 2 Pero, si lanzo un par de
4ൗ 4ൗ 4ൗ 5ൗ 6ൗ dados, la probabilidad de
1 2 3 3 3 obtener en promedio 1 o
3ൗ 3ൗ 3ൗ 3ൗ 4ൗ 5ൗ 6ൗ 6 es muy reducida. Solo
1 2 3 4 4 4 4 hay una combinación
2ൗ 2ൗ 2ൗ 2ൗ 2ൗ 3ൗ 4ൗ 5ൗ 6ൗ para obtener un
1 2 3 4 5 5 5 5 5 promedio de 1 y tres
modos de obtener 2: (1,
1ൗ 1ൗ 1ൗ 1ൗ 1ൗ 1ൗ 2ൗ 3ൗ 4ൗ 5ൗ 6ൗ
1 2 3 4 5 6 6 6 6 6 6 3), (2, 2) o (3, 1).
DOE simplified. Practical Tools for effective

experimentation. Mark J. Anderson &
Lanzar un dado (fila del fondo) versus lanzar un par de dados Patrick J. Whitcomb. CRC Press.
(pirámide superior).
DISTRIBUCIÓN NORMAL
• Considerar que su proceso es lanzar los dados y obtienes

50 resultados mostrados en la tabla.
• El valor que más aparece es 7 (moda) o media (promedio).
• Para obtener información de variabilidad se calcula un
rango (diferencia de respuesta más alta y más baja).
• Un parámetro estadístico más eficiente es la varianza. La
varianza se usa para medir variabilidad o dispersión de la
distribución.

RESULTADO CUENTA NÚMERO (N) PRODUCTO

12 X 1 12
11 X 1 11
10 XXXXX 5 50
9 XXXX 4 36
8 XXXXXXXX 8 64
7 XXXXXXXXXXX 11 77
6 XXXXXXX 7 42
5 XXXXXX 6 30
4 XXXX 4 16
3 XX 2 6
2 X 1 2
Suma 346
DOE simplified. Practical Tools for effective

σ𝑛𝑖=1(𝑌1 − 𝑦)
ത 2 experimentation. Mark J. Anderson &
𝑠= = 4,77 = 2,18 Patrick J. Whitcomb. CRC Press.
𝑛−1
DISTRIBUCIÓN NORMAL
• Se puede lanzar 50 veces más los dados, la media variada un

poco alrededor de 7, considerando la desviación de las medias,
la variación se conoce como error estándar de las medias.
• El error estándar se hace más pequeño mientras el número de
muestras se incrementa.
• Mientras más pruebas hagas más precisa será la respuesta.
• El intervalo de confianza se calcula usando el valor t.
• En la figura se observa que la mayoría de individuos (68%) para
una población dada cae dentro de una desviación estándar de la
media (punto cero).

Valor F
Pensar en F como una razón señal (causada por diferentes

tratamiento) versus el ruido.
Si el tratamiento no tiene efecto entonces la razón F será
cercana a 1.
El valor p se vuelve un indicador de línea base bueno de
significancia.
Cuando el valor F es muy grande y el valor p cae debajo de
0,05 entonces se puede decir con 95% de confianza que uno o
más de los tratamientos esta teniendo un efecto en la
medición de la respuesta.
2
𝑛𝑠𝑌ത Variación entre el grupo
𝐹= 2
𝑆𝑐𝑜𝑚𝑏𝑖𝑛𝑎𝑑𝑎 Variación dentro de los grupos

Gráfica de distribución F
5 grupos y 15 muestras en total
Fuente de variación Grados de libertad

p-value contenido en valor F Factor (Entre) 5-1 = 4
Error (dentro) 15-5=10
F = 4,4810
p-value = P (F > 4.481) =0.0248
alfa = 0.05, p-value = 0.0248
p-value menor a 0.05
p-value “área bajo la curva”
p-value área 0.05 0.0248
F grande y valor-p menor a 0.05 SI hay EFECTO

https://opentextbc.ca/introstatopenstax/chapt
er/facts-about-the-f-distribution/
Alfa = 0.05
Hipótesis nula, nivel de
significancia y nivel de confianza
• p-value = P (F > 4.481) =0.0248
• alfa = 0.05, p-value = 0.0248
• p-value menor a 0.05
Se rechaza la hipótesis nula si la probabilidad es más
baja (p-value) a alfa, 0.05.
Hipótesis nula:
No hay efecto
Alfa = 0.05, nivel de significancia Hipótesis alternativa:

1-alfa = 0.95, nivel de confianza Si hay efecto

Gráfica de distribución F
4 grupos y 20 muestras en total
Fuente de variación Grados de libertad

p-value mayor al área del valor F Factor (Entre) 4-1 = 3
Error (dentro) 20-4=16
F = 2.23
p-value = P (F > 2.23) =0.1241
alfa = 0.01, p-value = 0.1241
p-value mayor a 0.01
p-value área 0.1241 0.01

NO hay EFECTO
https://opentextbc.ca/introstatopenstax/chapt
er/facts-about-the-f-distribution/
Alfa = 0.01

Hipótesis nula, nivel de
significancia y nivel de confianza
• p-value = P (F > 2.23)
=0.1241 Hipótesis nula:
• alfa = 0.01, p-value = No hay efecto
0.1241
Hipótesis alternativa:
• p-value mayor a 0.01 Si hay efecto
Se rechaza la hipótesis nula Importante en la validación de
si la probabilidad es más métodos de ensayos. Pruebas entre
analistas.
baja (p-value) a alfa, 0.01.
Alfa = 0.01, nivel de significancia x 100 % = 1 %

1-alfa = 0.99, nivel de confianza x 100 % = 99%
EJEMPLOS COMPARATIVOS SIMPLES

Frecuencia de distribución para 56 lanzadas de dados.
Resultado Blanco (1) Azul (2) Verde (3) Morado (4)
6 6/6 6/6 6/6 6
5 5 5 5 5
4 4 4/4 4/4 4
3 3/3/3/3/3 3/3/3/3 3/3/3/3 3/3/3/3/3 𝑛𝑠𝑌2ത
𝐹= 2
2 2/2/2 2/2/2/2 2/2/2/2 2/2/2/2/2 𝑆𝑐𝑜𝑚𝑏𝑖𝑛𝑎𝑑𝑎
1 1/1 1 1 1
Promedio 3,14 3,29 3,29 2,93
Var. (s2) 2,59 2,37 2,37 1,76
(3,14 − 3,1625) 2 + (3,29 − 3,1625) 2 + (3,29 − 3,1625) 2 +(2,93 − 3,1625) 2

𝑛𝑠𝑌2ത
=
4−1 DOE simplified. Practical Tools for effective
2 2,59 + 2,37 + 2,37 + 1,76 experimentation. Mark J. Anderson &
𝑆𝑐𝑜𝑚𝑏𝑖𝑛𝑎𝑑𝑎 = = 2,28 Patrick J. Whitcomb. CRC Press.
4
(3,14 − 3,1625) 2 + (3,29 − 3,1625) 2 + (3,29 − 3,1625) 2 +(2,93 − 3,1625) 2

𝑛𝑠𝑌2ത
= = 0,29
4−1
2 2,59 + 2,37 + 2,37 + 1,76
𝑆𝑐𝑜𝑚𝑏𝑖𝑛𝑎𝑑𝑎 = = 2,28
4
Grados de libertad relativo a

Distribución F (5%) – grados de
libertad relativo a grupos de
𝑛𝑠𝑌2ത muestra (p< 0,05)
𝐹= 2
𝑆𝑐𝑜𝑚𝑏𝑖𝑛𝑎𝑑𝑎 1 2 3
las observaciones
14×0,029
𝐹= = 0,18 40 4,085 3,232 2,606
2,28
60 4,001 3,150 2,758
120 3,920 3,072 2,680
DADOS OK
No hay un cambio en el resultado por el tipo de color empleado.
Ejemplos comparativos simples

Frecuencia de distribución para 56 lanzadas de dados del doctor.
𝑛𝑠𝑌2ത
Resultado Blanco (1) Azul (2) Verde (3) Morado (4) 𝐹= 2
6 6 6/6/6 6/6/6/6/6/6 6
𝑆𝑐𝑜𝑚𝑏𝑖𝑛𝑎𝑑𝑎
5 5 5/5 5/5/5/5/5 5/5
4 5 4/4/4 4 4/4/4
3
2
3/3
2/2/2/2/2
3/3/3/3
2
3 3
2/2
DADOS
1
Promedio
Var. (s2)
1/1/1/1
2.50
2.42
1
3.93
2.38
1
4.93
2.07
1/1/1/1/1
2.86
3.21
NO
𝐹=
𝑛𝑠𝑌2ത
=
14 × 𝑉𝑎𝑟(2,50; 3,93; 4,93; 2,86)
=
14 × 1,21
= 6,71
PASAN
2
𝑆𝑐𝑜𝑚𝑏𝑖𝑛𝑎𝑑𝑎 𝑀𝑒𝑑𝑖𝑎(2,42; 2,38; 2,07; 3,21)
Hay un cambio en el resultado por el tipo de color empleado.

2,52
PRUEBA
𝑛𝑠𝑌2ത
𝐹= 2
𝑆𝑐𝑜𝑚𝑏𝑖𝑛𝑎𝑑𝑎
• F = cociente de dos varianzas (valor estadístico F en honor a Fischer)
• 𝑛𝑠𝑌2ത = suma de cuadrados medios (entre grupos)
• Variabilidad debido al azar y el efecto del tratamiento
2
• 𝑆𝑐𝑜𝑚𝑏𝑖𝑛𝑎𝑑𝑎 = suma de cuadrados medio (dentro del grupo)
• Variabilidad debido al azar
• Pensar en F como una razón señal (causada por diferentes
tratamiento) versus el ruido.
• Si el tratamiento no tiene efecto entonces la razón F será cercana a 1.

Observación:
Sí el Valor F pequeño entonces el
Valor-p es grande y puede ser
mayor a 0,05.
𝑣𝑎𝑙𝑜𝑟 − 𝑝 = 𝑓(𝐹)
1 1 𝑥−𝜇 2
− Función de
𝑓 𝑥 = 𝑒 2 𝜎
𝜎 2𝜋 densidad de una
distribución
normal
En DoE se busca:
Los factores que generen un cambio
en el resultado. 𝑥−𝜇
Es decir: 𝑝 𝑥 ≤ 𝑎 = 𝑝(𝑧 ≤ )
𝜎
Valor F grande y Valor-p pequeño. Área debajo de la curva hasta un valor z =a
Media x = 0 y desviación = 1
Valor-p menor a 0,05 es significativo.
• El valor p se vuelve un indicador de línea base bueno de

significancia.
• Cuando el valor F es muy grande y el valor p cae debajo de
0,05 entonces se puede decir con 95% de confianza que uno o
más de los tratamientos esta teniendo un efecto en la
medición de la respuesta.

ANOVA para el diseño factorial axb

Suma de Grado de
Fuente Cuadrados medios Valor F Valor-p
cuadros libertad
CM(A)
Efecto A SC(A) (a-1) CM(A)/CM(E) P(𝐹 > 𝐹0𝐴 )
=SC(A)/(a-1)
CM(B)
Efecto B SC(B) (b-1) CM(A)/CM(E) P(𝐹 > 𝐹0𝐵 )
=SC(B)/(b-1)
MS(AB)
Efecto AB SC(AB) (a-1)(b-1) CM(A)/CM(E) P(𝐹 > 𝐹0𝐴𝐵 )
=SC(AB)/(a-1)(b-1)
Error SCE ab(n-1) CME
Total SCT abn-1

Gráfica normal de probabilidad
• Me permite Gráfica Normal de probabilidad

de efectos estandarizados
• Identificar las variables
más influyentes en mi
proceso.
• Validar el modelo
mediante:
• Análisis de ANOVA
• Análisis de residuos
• Optimización de
procesos |Efecto estandarizado|
Diseños factoriales

Gráfica normal de probabilidad
1.0 1.0
0.04
Densidad de probabilidad
Probabilidad acumulada
Probabilidad acumulada
0.8 0.8
0.03
0.6 0.6
0.02
0.4 0.4
0.01
0.2 0.2
0.0 0.00 0.0

-4 -2 0 2 4 -4 -2 0 2 4
Efecto estandarizado Efecto estandarizado

Bibliografía
• A. Jiju. Design of experiments for Engineering and

Scientist. 2003.
• Barker T. Quality by experimental Design. 2005.
• Ruxton , G. and N. Colegrame. Experimental design
for the life Sciences. 2010.
• Martin Tanco. Metodología para la aplicación del
diseño de experimentos (DoE) en la industria.
Memoria para optar el grado de Doctor.
Universidad de Navarra. 2008.

EVALUACIÓN

Evaluación
TRABAJO FINAL
• Parte de su calificación es la resolución de
problemas usando DOE.
• La exposición del caso de estudio representa el 60%
de la nota de evaluación.
• Exposición se realizará el día 27 y 29 de setiembre
previa coordinación.
• Evaluación en línea, 30 de setiembre de 8 a 9pm.

Evaluación
• Seleccionar un caso de estudio según su área de

interés.
• El caso de estudio puede ser elaborado a partir de datos
propios del alumno.
• En caso el alumno no cuente con la información
necesaria podrá elegir un tema propuesto por el
profesor (próxima sesión selección de tema a evaluar
para inicio de trabajo Final).
• El trabajo podrá realizarse de manera individual o
grupal (máximo 3 integrantes).

Clase1-Alumno - 2022 - FinalRevisado

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

Clase1-Alumno - 2022 - FinalRevisado

Cargado por

Copyright:

Formatos disponibles

Diseño de experimentos

DoE para la industria - Mag. Daniel Obregón 2

DoE para la industria - Mag. Daniel Obregón 3

DoE para la industria - Mag. Daniel Obregón 4

DoE para la industria - Mag. Daniel Obregón 5

DoE para la industria - Mag. Daniel Obregón 6

✓Comprender los principios del DoE.

✓Conocer definiciones básicas.

✓Establecer la metodología para aplicar un DoE

✓Conocer las herramientas estadísticas para realizar

✓Presentación de caso Volkswagen.

¿Por qué no se aplica DoE?

DoE para la industria - Mag. Daniel Obregón 9

Proceso de aprendizaje inductivo-deductivo

DoE para la industria - Mag. Daniel Obregón 10

Representación esquemática de un proceso “Black Box”

Ronald Fischer, “The design of Experiments”, 1935

DoE para la industria - Mag. Daniel Obregón 14

Un factor a la vez (OFAT, one-factor-at-time)

Fijar temperatura Fijar tiempo

DoE para la industria - Mag. Daniel Obregón 17

La estrategia uno a la vez

• Proporciona falsos óptimos

DoE para la industria - Mag. Daniel Obregón 19

Componentes de los diseños de experimentos (DoE)

DoE para la industria - Mag. Daniel Obregón 20

Matriz de diseño o solo diseño

DoE para la industria - Mag. Daniel Obregón 21

Importante: Como aplicar las técnicas estadísticas.

DoE para la industria - Mag. Daniel Obregón 22

• El diseño estadístico de experimentación se refiere al proceso

DoE para la industria - Mag. Daniel Obregón 23

Tipos de diseños de experimentos

Diseño • Máximo (+1)

DoE para la industria - Mag. Daniel Obregón 24

Diseños factoriales y fraccionados.

N° A: Temperatura (°C) B: Tiempo (min) A B

Ejemplo: Un experimento en un proceso químico requiere

DoE para la industria - Mag. Daniel Obregón 27

Tres conceptos claves

DoE para la industria - Mag. Daniel Obregón 28

MEJORANDO LA EFICIENCIA MEJORA: RESISTENCIA DE

DoE para la industria - Mag. Daniel Obregón 29

BLOQUES: FISCHER Y LA CEBADA

DoE para la industria - Lic. Daniel Obregón 30

Tipo de arado. Tipo de pesticida.

Hard-to-change: factores difíciles de variar

DoE para la industria - Mag. Daniel Obregón 32

• Realizar los ensayos en orden aleatorio.

DoE para la industria - Lic. Daniel Obregón 33

• Proceso por el cual se realizan los ensayos en una secuencia

DoE para la industria - Mag. Daniel Obregón 34

DoE para la industria - Mag. Daniel Obregón 35

• Influencia combinada de dos o más

DoE para la industria - Mag. Daniel Obregón 36

COMPRENDER EL EFECTO ALIAS/CONFUSIÓN

• La estimación de los efectos principales no puede ser

• El impacto negativo del uso de “alias” puede ser evitado

• El reto aquí es encontrar un balance entre el tamaño del

• En inglés se conocen como “aliasing/confounding”.

DoE para la industria - Mag. Daniel Obregón 37

• Grado en el que los efectos

DoE para la industria - Mag. Daniel Obregón 38

• Las interacciones entre