TpicosdeCalidad

1.DISEODEEXPERIMENTOS
Estrategiadeexperimentacin
Los experimentos son realizados por los investigadores en prcticamente todos los
campos,usualmenteparadescubriralgosobreunprocesoparticularosistema.Literalmenteun
experimentoesunapruebaounaseriedepruebasenlasquecambiosintencionadossonhechosa
las variables de entrada de un proceso o sistema para que podamos observar e identificar las
razonesdecambiosquepodranserobservadasenlavariablederespuesta.
Esta unidad es sobre planeacin y realizacin de experimentos y sobre el anlisis de
resultadosdetalformaqueconclusionesvlidasyobjetivaspuedanserechas.Elenfoqueesen
experimentosdeingeniera,fsicaycienciasqumicas.Eningenieralaexperimentacinjuegaun
papel importante en el diseo de nuevos productos, desarrollo de procesos de manufactura y
mejora de procesos. El objetivo en muchos casos podra ser el de desarrollar un proceso
robusto, que es, un proceso que es afectado en forma mnima por fuentes externas de
variabilidad.
Suponga que un ingeniero en metalurgia est interesado en estudiar el efecto de dos
procesos diferentes de endurecimiento de metales, aceite y agua salada sobre una aleacin de
aluminio. El objetivo del experimento es determinar qu solucin produce el mximo
endurecimientodeestaparticularaleacin.Elingenierodecideasignarunnmerodealeaciones
a cada solucin y determinar la dureza de cada aleacin despus de ser enfriada. La dureza
promediodelosespecmenestratadosencadasolucinserusadaparadeterminarculsolucin
esmejor.
A medida que consideramos este simple experimento, un nmero de preguntas
importantessenosvienenalamente:
1. Sonestasdossolucioneslosnicosmediosdeenfriamientodeposibleinters?
2. Hay otros factores que podran afectar la dureza que deberan ser investigados o
controladosenelexperimento?
3. Cuantasaleacionesdeberanserprobadasencadatipodesolucin?
4. Como deberan asignarse las aleaciones a cada solucin y en qu orden debera ser
colectadalainformacin?
5. Quemtododeanlisisdeinformacindeberaserusado?

6. Qudiferenciadeladurezapromedioobservadaentrelasdossolucionesdeberaser
consideradacomoimportante?
Todasestaspreguntasytalvezotrasdebernsercontestadassatisfactoriamenteantesde
queserealiceelexperimento.
Encualquierexperimento,losresultadosyconclusionesquesepuedenderivardependen
engranmedidadelamaneraenquelainformacinfuerecabada.Paraejemplificarestosuponga
queelingenierousaespecmenesaunatemperaturadadaylosenfraconaceiteyespecmenesa
otratemperaturaquelosenfraconagua.Ahora,cuandoladurezapromedioescomparada,el
ingenieronosabradecircuntodeladiferenciaeselresultadodelassolucionesycuantodela
diferencia es el resultado de la temperatura de la aleacin. As el mtodo de coleccin de
informacinafectademaneranegativalaconclusinquepuedederivarsedelexperimento.
En general los experimentos son usados para estudiar el desempeo de sistemas y
procesos. El sistema o proceso puede ser representado por el modelo mostrado en la figura 1.
Podemos visualizar el proceso como una combinacin de mquinas, mtodos, gente y otros
recursosquetransformanalgunaentrada(porlogeneralunmaterial)enunasalidaquetieneuna
omsrespuestasobservables.Algunasdelasvariablesx1,x2,.xnsoncontrolablesmientrasque
otras z1, z2,..zn son no controlables (aunque podran ser controlables para propsitos de
experimentacin).Losobjetivosdeunexperimentopodranincluir:
1. Determinarquevariablessonlasmsinfluyentessobrelarespuestay
2. Determinar a qu nivel colocar las xs influyentes de tal modo que y est casi
siemprecercadelvalornominaldeseado
3. Determinar a qu nivel colocar las xs de tal modo que el efecto de las zs se
minimice

Los experimentos usualmente involucran varios factores, el objetivo de la persona que

conduceelexperimento(experimentador)esdeterminarlainfluenciadeestosfactoressobrela
variablederespuestadelsistema.Elenfoquegeneralparaplanearyconducirelexperimentose
llamaestrategiadeexperimentacin.Hayvariasestrategiasqueelexperimentadorpodrausar,
ilustraremosalgunasconelsiguienteejemplo:
Imaginequeaustedlegustajugargolf,algunosdelosfactoresquepodraninfluenciarsu
scoreson:

Eltipodepalodegolfempleado(grandeoregular)

Eltipodepelotadegolfusada

Caminarycargarelequipodegolfousarunvehculoparatransportarseporelcampo

Beberaguaobebercervezamientrasjuega

Jugarenlamaanaojugarenlatarde

Jugarcuandohacecalorocuandohacefrio

Eltipodezapatosdegolf

Jugarconvientooenundacalmado

Hay otros factores que podran ser incluidos pero asumiremos que estos son los de
inters,enformaadicionalybasadoenexperiencia,usteddecidequelosfactores5al8pueden
ser ignorados porque su efecto es tan pequeo que no tienen valor prctico. Los ingenieros y
cientficoavecestomanestetipodedecisionesenexperimentosreales.
Enfoquedemejorsuposicin:Seseleccionaunacombinacinespecificadelosfactores
que el experimentador considera producirn el mejor resultado, se hacen pruebas y se ve que
sucede.Esteenfoqueesusadofrecuentementeenprcticadebidoaquelosexperimentadoresy
cientficotienenunconocimientoprofundodelsistemaqueseestestudiando.
Enfoque de un factor a la vez: Consiste en seleccionar un punto de partida para los
niveles de los factores, despus se varia cada factor en forma sucesiva sobre su rango con los
otrosfactoresmantenidosfijosenelpuntodepartida.Despusdequelaspruebassecompletan,

una seria de grficos son construidos mostrando como la variable de respuesta es afectada al
cambiarcadafactorconlosotrosmantenidosfijosenelpuntodepartida.

Lamayordesventajadelaestrategiadeunfactoralavezesquenoconsideracualquier
posible interaccin. Una interaccin es la falla de un factor de producir el mismo efecto
sobrelarespuestaadiferentesnivelesdeotrofactor.Lafigura13muestraunainteraccin
entre el tipo de palo de golf, grande o regular (overzise or regular driver) y el tipo de bebida,
aguaocerveza(W=agua,B=cerveza).

Lasinteraccionesentrefactoressonmuycomunesysisepresentan,laestrategiadeun
factor a la vez usualmente producir resultados pobres. Mucha gente no reconoce esto y por
consecuenciaexperimentosdeunfactoralavezsoncorridosconfrecuencia.Algunosindividuos
dehechopiensanqueestaestrategiaestrelacionadaalmtodocientficooqueesunprincipio
validodeingeniera.
El enfoque correcto para trabajar con varios factores es conducir un experimento
factorial. Esta es una estrategia de experimentacin en la que los factores son variados todos
juntosenlugardeunoalavez.Elconceptodeexperimentofactorialessumamenteimportante.
Para ilustrar como un experimento factorial puede realizarse considere el ejemplo del golf y
supongaqueestamosinteresadosennicamentedosfactores,eltipodepalodegolfyeltipode
pelota.Lafigura1.4muestraelexperimentofactorial.
Note que el experimento factorial tiene ambos factores a dos niveles y todas las
combinaciones posibles de los niveles de los factores son usadas en el diseo.
Geomtricamente las 4 corridas forman las esquinas de un cuadro. Este tipo de experimento
factorialesllamadodiseofactorial22(dosfactoresconcadaunodeellosadosniveles).Debido
a que el jugador tiene la oportunidad de jugar 8 corridas, un plan razonable sera jugar dos
rounds de golf para cada combinacin de los niveles los factores. Esto significa que hemos
replicado el experimento. Este diseo experimental permitira al experimentador investigar los
efectos individuales de cada factor (o los efectos principales) y determinar si los factores
interactan.

Lafigura1.5amuestralosresultadosdelexperimentofactorialdelafigura14.

Losefectossoncalculadosdelasiguientemanera:

Losresultadosdeesteexperimentofactorialindicanqueelefectodeltipodepalodegolf
esmsgrandequeefectodeltipodebolaodelainteraccin.Unanlisisestadsticodeterminara
silosotrosdosefectos(tipodepelotaointeraccin)difierendecero.
Podemosextenderelexperimentofactorialatresfactores,supongaquesedeseaestudiar
los efectos del tipo de palo de golf, tipo de pelota y tipo de bebida. Asumiendo que los tres
factorestienendosniveles,elexperimentoresultantesemuestraenFigura16.Notequehay8
combinaciones de los niveles de los tres factores las cuales pueden ser representadas
geomtricamentecomolasesquinasdeuncubo.Estediseoesconocidocomodiseofactorial
23.Debidoaquesolosepuedenjugar8roundsdegolf,esteexperimentorequerirqueunround
degolfseacorridoparacadacombinacindenivelesocadaesquinadelcubo.

La figura 17 ilustra como 4 factores podran ser investigados usando un experimento

factorial24.

Enformageneralsihaykfactores,cadaunoadosniveles,eldiseofactorialrequera2k
corridas.Amedidaqueelnmerodefactoresseincrementa,elnmerorequeridodecorridasse
incrementasignificativamente,porejemploundiseocon10factoresrequerir1024corridas.
Afortunadamente es usualmente innecesario correr todas las posibles combinaciones de
nivelesdelosfactores,undiseofactorialfraccionalesunavariacindeldiseofactorialenel
que solo una parte o fraccin de las corridas es echa. Factoriales fraccionados son usados
extensivamenteeninvestigacinindustrialydesarrolloascomoenmejoradeprocesos.
Lafigura18muestraundiseofactorialfraccionadoparaelejemplodelgolf(versin
con cuatro factores). Este diseo requiere solo 8 corridas en lugar de las 16 originales y se
denomina fraccin de una mitad. S usted pudiera solo jugar 8 rounds de golf, este sera un
excelentediseoenelcualpodramosestudiarlos4factores.Estediseoproporcionarabuena
cantidaddeinformacinsobrelosefectosprincipalesascomodesusinteracciones.

Aplicacionestpicasdediseodeexperimentos
Los mtodos de diseo experimental han encontrado una amplia aplicacin en muchas
disciplinas. En efecto, podramos ver la experimentacin como parte del proceso cientfico y
como una de las forma es que aprendemos sobre como los sistemas y procesos trabajan.
Generalmente aprendemos a travs de una serie de actividades en las que hacemos conjeturas

sobre un proceso, desarrollamos experimentos para generar informacin sobre el proceso y

despususamoslainformacindelexperimentoparaestablecernuevasconjeturas,queconducen
anuevosexperimentos,yassucesivamente.
El diseo de experimentos es una herramienta de importancia crtica en el mundo
ingenieril para la mejora del desempeo de procesos de manufactura. Tambin tiene extensa
aplicacin en el desarrollo de nuevos procesos, La aplicacin de las tcnicas de diseo
experimentalenetapastempranaspuedenresultaren:

Mejoraenelrendimientodeprocesos

Reduccindelavariabilidadydesempeomscercanoalosrequerimientosobjetivoo
nominales

Reduccindeltiempodedesarrollo

Reduccindecostosgenerales
Losmtodosdediseoexperimentaltambinjueganunimportanterolenlasactividades

deingenieradediseo,dondenuevosproductossondesarrolladosyproductosexistentesson
mejorados.Algunasaplicacionesdediseoexperimentaleningenieradediseoincluyen:

Evaluacinycomparacindeconfiguracionesbsicasdediseo

Evaluacindealternativasdemateriales

Seleccindeparmetrosdediseodetalformaqueelproductotrabajebienbajouna
ampliavariedaddecondiciones,quesearobusto

Determinacindeparmetrosclavedediseodelproductoqueimpacteneldesempeo
delmismo
El uso del diseo experimental en estas reas puede resultar en productos que son ms

fciles de manufacturar, productos que tienen un desempeo y confiabilidad superiores, costos

msbajosdeproduccinytiemposdedesarrolloydiseodelproductomscorto
Nomenclatura:
Definicionesbsicasdediseoexperimentalincluyen:unidadexperimental,tratamiento,
nivel,factor,errorexperimental,efectoprincipaleinteraccin.

Unaunidadexperimentaleslaentidadfsicaalacualeltratamientoesaplicado

Un tratamiento es una combinacin de condiciones experimentales aplicada a una

unidad experimental. Los tratamientos son aplicados a las unidades experimentales a
travsdeniveles,dondenivelimplicacantidadomagnitud(sinnimodecorrida)

Unfactoresunadelasvariablesbajoelcontroldelexperimentador,lacualesvariada
sobrediferentesunidadesexperimentales

Elerrorexperimentalsedefinecomolasfuentesincontrolablesdevariabilidadenlos
resultados,queocurrenaleatoriamenteduranteelexperimento

Un efecto principal es el efecto de un factor sobre una variable dependiente y una

interaccineselefectocombinadodedosomsfactoressobrelavariablederespuesta

Principiosbsicosdeexperimentacin:
Los tres principios bsicos de diseo experimental son replicacin, aleatorizacin y
bloqueo.
Por replicacin nos referimos a la repeticin o duplicacin del experimento, lo cual
permitealexperimentadorobtenerunaestimacinindependientedelerrorexperimentalyprovee
demejoresestimacionesdelosefectosdelosfactores.
Laaleatorizacinserefierealaasignacinaleatoriadelasunidadesexperimentalesalos
tratamientos
El bloqueo es una tcnica de diseo empleada para mejorar la precisin con la que las
comparacionesentrelosfactoresdeinterssonhechas.Confrecuenciaelbloqueoesusadopara
reducir o eliminar la variabilidad transmitida por factores de ruido. Un bloque es un grupo de
condiciones relativamente homogneas, el experimentador divide las observaciones en grupos
quesoncorridosencadabloque.
Otrasdospropiedadesimportantesincluyenortogonalidadybalance
Ortogonalidad:Enmatemticasdosvectoressonortogonalessisonperpendiculares,es
decir, si forman un ngulo recto. La ortogonalidad en diseo de experimentos implica que los
vectores son independientes o no correlacionados y por lo tanto proporcionan diferente
informacinaldiseo.

Balance:Undiseoesbalanceadocuandocadaniveldefactorocurreelmismonmero
devecesdentrodecadafactor.Lapropiedaddebalanceimplicaquelacolumnaidentidadola
columnade1sesortogonalacadaefecto.

Ramasimportantesdeldiseoexperimental:
La siguiente figura es una representacin de algunas ramas importantes del diseo
experimental. Los diseos ortogonales regulares incluyen el 2kp, y 3kp, que son construidos
usando el criterio de aberracin mnima, este criterio asegura que un diseo de resolucin R
tieneelmnimonmerodeefectosprincipalescorrelacionadosconinteraccionesdeordenR1,el
mnimonmerodeinteraccionesde2factorescorrelacionadosconinteraccionesdeordenR2y
assucesivamente.
LosdiseosortogonalesnoregularesincluyenPlacketBurmanyarreglosortogonales,
son aquellos que no pueden ser representados como cubos o hipercubos, algunas veces son
llamados diseos no geomtricos. Comparados con los diseos regulares, los diseos no
regularestienenunestructuradealiasesmscomplicadaperopuedenproveermsflexibilidad
encuantoanmerodecorridas.
Losdiseosdesuperficiederespuestatienencomopropsitoelajustarunasuperficiede
respuesta paramtrica. Los diseos ptimos proveen de optimalidad de acuerdo a un criterio
especfico.

ElDISEO2k
Los diseos factoriales son usados ampliamente en experimentos que involucran varios
factores.Existenvarioscasosespecialesdeldiseofactorialgeneralquesonimportantesporque
son ampliamente usados en investigacin y porque forman la base de otros diseos de
considerablevalorprctico.
Elmsimportantedeestoscasosespecialeseselquecontienekfactores,concadaunoa
dosniveles.Estosnivelespuedensercuantitativos,comodosnivelesdetemperatura,presino
tiempo,opodransercualitativos,comodosmquinas,dosoperadoresotalvezlapresenciao
ausencia de un factor. Una rplica completa de un diseo 2k requiere 2 2 .. 2 = 2k
observacionesyesllamadodiseofactorial2k.
Eldiseo2kesparticularmentetilenetapastempranasdeexperimentacin,cuandohay
muchosfactoresaserinvestigados.Estediseoproveeelnmeromspequeodecorridascon
lasquekfactorespuedenserestudiadosenundiseofactorialcompleto.Porconsecuenciaestos
diseossonampliamenteusadosenexperimentosdefiltradodefactores.
Dadoquehaysolodosnivelesparacadafactor,nosotrosasumimosquelarespuestaes
aproximadamente lineal sobre el rango de los factores escogidos. En muchos experimentos de
filtradodefactores,cuandoestamosenunpuntoinicialenelestudiodelprocesososistema,esto
esusualmenteunasuposicinrazonable.
Eldiseo22
Elprimerdiseoenlaserie2kesquecontienesolodosfactores,digamosAyB,cadauno
adosniveles.Estediseoesllamadodiseofactorial22.Losnivelesdelosfactoressonllamados
arbitrariamentebajoyalto.Considereelsiguienteejemploenelqueseinvestigaelefecto
delaconcentracindelreactivo(factorA)yelefectodelacantidaddelcatalizador(factor
B)sobreelrendimientodeunprocesoqumico.

Losefectospromedioestndadospor:

Magnitudydireccin

ElefectodeAespositivo,loquesugierequeincrementarA(concentracindelreactivo)
de 15% a 25% producir un incremento en el rendimiento. El efecto de B (cantidad de
catalizador) es negativo, lo que significa que si se incrementa la cantidad de catalizador al
proceso,sereducirelrendimiento.Elefectodelainteraccinpareceserpequeoconrespectoa
losdosefectosprincipales.

Contrastes:
Uncontrasteeselefectototaldeunfactor.Porejemplo,ElcontasteparaelfactorAesta
dadopor:

Sumadecuadrados:
La suma de cuadrados del contraste es igual al contraste dividido por el total de
observaciones.

Lasumadecuadradostotalsecalculausando:

Haciendoclculos(tip:y2indicasumatoriadelasyselevadaalcuadrado)

AnlisisdeVarianza

Modeloderegresinlineal

OtrosmtodosparaanalizarFactorialesnoreplicados(MtododeLenth)
Elprocedimientoestndardeanlisisparafactorialesnoreplicadosdedosnivelesesel
graficodeprobabilidadnormaloseminormaldelosestimadoresdelosefectos.Sinembargolos
diseos no replicados son tan ampliamente usados en la prctica que muchos procedimientos
formalesdeanlisishansidopropuestosconelobjetodesuperarlasubjetividaddelosgrficos
deprobabilidadnormal.
HamadayBalakrishnan(1998)compararonalgunosdeestosmtodos.Ellosencontraron
queelmtodopropuestoporLenth(1989)tienebuenpoderparadetectarefectossignificativos.
Tambin es fcil de implementar y como resultado est empezando a ser implementado en
paquetesdesoftware.Acontinuacinsedescribeelmtodo.

1) Obtengaestimadoresdelosefectos

2) Obtengavaloresabsolutosdelosestimadoresdelosefectos

21.625
3.125
9.875
14.625
0.125
18.125
16.625
2.375
0.375
1.125
1.875
4.125
1.625
2.625
1.375

3) Obtengalamedianadelosvaloresabsolutosdelosestimadoresdelosefectos

Column1
Mean
6.641666667
StandardError 1.916169708
Median
2.625
Mode
#N/A
StandardDeviation
7.421293367
SampleVariance 55.07559524
Kurtosis
0.549691501
Skewness
1.036917727
Range
21.5
Minimum
0.125
Maximum
21.625

4) Multipliquelamedianapor1.5paraobtenerelvalorSo
So=1.5*2.625=3.9375
5) MultipliqueSopor2.5paraobtenerunvalorlmite
Valorlmite=2.5*3.9375=9.84375

6) Filtreaquellosvaloresabsolutosdelosestimadoresdelosefectosqueseanmenoresal
valorlimite

3.125
0.125
2.375
0.375
1.125
1.875
4.125
1.625
2.625
1.375

7) Obtengalamedianadelosefectosfiltradosenelpasoanterior

Column1
Mean
1.875
StandardError
0.389087251
Median
1.75
Mode
#N/A
StandardDeviation 1.230401922
SampleVariance 1.513888889
Kurtosis
0.218352832
Skewness
0.342526248
Range
4
Minimum
0.125
Maximum
4.125
Sum
18.75
Count
10

8) Multipliquelamedianaobtenidaenelpasoanteriorpor1.5paraobtenerPSE
PSE=1.5*1.75=2.625

9) ObtengaMEutilizandolasiguientefrmula: ME t0.025,d * PSE ,dondelosgradosde

libertadsecalculanconod=m/3,ymeselnmerodecontrastes
Paraestecaso:d=15/3=5
ME t0.025,5 * PSE =2.571*2.625=6.7488=6.75

10) UtiliceMEparadeterminarlosefectossignificativos,aquellosqueexcedanenmagnitud
aME,enestecasison:
A,C.D,AC,yAD

Residuosyadecuacindelmodelo
Elmodeloderegresinpuedeserusadoparaobtenerlosvalorespredichosoajustadosde
y en los cuatro puntos del diseo. Los residuos son las diferencias entre los valores
observadosylosvaloresajustadosdey.Porejemplo,cuandolaconcentracindelreactivoest
enelnivelbajo(x1=1)yelcatalizadorestanivelbajo(x2=1),elrendimientopredichoes:

Haytresobservacionesparaestacombinacindetratamientosylosresiduosson:

Losotrosvalorespredichosyresiduossoncalculadosdelamismamanera.Paraelnivelaltode
concentracindelreactivoynivelbajodelcatalizador

Paraelnivelbajodeconcentracindereactivoyelnivelaltodelcatalizador

Finalmenteparaelnivelaltodeambosfactores

LaFigura62presentaungrficodeprobabilidadnormaldelosresiduosyungrficodelos
residuos contra los valores predichos. Los grficos parecen satisfactorios, el primer grafico
sigueunalnearectaloqueindicaquelainformacinvienedeunprocesonormalyelsegundo
nomuestraunatendencia,loqueindicaquelavarianzaesconstante.

Eldiseo23
Supongaquehaytresfactores,A,BandC,cadaunoadosniveles.Eldiseoesllamado
diseo factorial 23 y existen 8 combinaciones de tratamientos que pueden ser mostradas
geomtricamentecomouncubo.

Existen en realidad tres notaciones diferentes que son ampliamente usadas para las
corridas de un 2k. La primera contiene signos positivos y negativos y es llamada notacin
geomtrica.Lasegundausaetiquetasdeletrasminsculasparaidentificarlascombinaciones
de tratamientos, estos smbolos tambin representan el total de las observaciones en esa
combinacin particular de tratamientos. La ultima notacin usa ceros y unos para denotar
cuandoelfactorestaennivelaltoobajo.

Ejemplo61
Considere el siguiente ejemplo en el que se presenta un estudio sobre el efecto del
porcentajedecarbonacin,presindellenadoyvelocidaddelalneasobrelaalturadellenado
deunrefresco.LainformacinsemuestraenlaTabla64yFigura66

Losefectosdelosfactoressonestimadosdelasiguientemanera:

Lassumasdecuadradossecalculandelasigueintemanera:

Unrezumendelasestimacionesdelosefectosestdadopor

Lacolumnaetiquetadaporcentajedecontribucinmideelporcentajedecontribucin
decadatrminodelmodeloalasumatotaldecuadrados.Elporcentajedecontribucinesuna
medida informal pero efectiva para guiarnos con respecto a la importancia relativa de cada
trminodelmodelo.Notequelosefectosprincipalesdominanesteprocesoycorrespondenal87
por ciento de la variabilidad total mientras que la interaccin AB abarca nicamente el 3 por
ciento.Elanlisisdevarianzapuedeserusadoparaconfirmarlamagnituddeestosefectos.

Notequelosefectosprincipalessonaltamentesignificativos(todostienenvaloresPmuy
pequeos).LainteraccinABessignificativasiseusaraunniveldesignificanciadel10%,por
lotantoexisteunaligerainteraccinentreelniveldecarbonacinylapresin.

Modeloderegresinysuperficiederespuesta
Elmodeloderegresinparapredecirladesviacinenlaalturadelllenadoes:

Dondelasvariablesxi,x2yx3representanA,ByCrespectivamente

SalidadeComputadora(DesignExpert)
1) Todoslostrminosenelmodelo

2) Sololostrminossignificativos

R2Estadstico
Debajo de la tabla de anlisis de varianza, varios estadsticos para R2 estn presentes. La
ordinariaR2secalculacomo:

Este estadstico mide la proporcin de la variabilidad total que es explicada por el

modelo.Unproblemapotencialconesteestadsticoesquesiempreseincrementaamedidaque
losfactoressonaadidosalmodelo,aunsiestosfactoresnosonsignificativos.LaR2ajustadase
definecomo:

El cual es un estadstico que es ajustado por el tamao del modelo, es decir, el nmero de
factores. La R2 ajustada puede de echo reducirse si factores no significativos son agregados al
modelo.
PRESSEstadstico
El estadstico PRESS (Prediccin Error Sum of Squares) es una medida de cmo el
modelo podr predecir nueva informacin y se calcula a partir de los errores de prediccin
obtenidos al predecir el ith punto de informacin con un modelo que incluye todas las
observacionesexceptolaobservacinith.UnmodeloconunvalorPRESSpequeoindicaque
elmodeloesunbuenpredictor.LaR2deprediccinescalculadacomo:

Estoindicaqueelmodelocompletosercapazdeexplicarel74%delavariabilidadenlanueva
informacin.

Replicasimpledeldiseo2k
Aun para un nmero moderado de factores, el nmero total de combinaciones de los
tratamientos en un diseo 2k es grande. Por ejemplo, un diseo 25 tiene 32 combinaciones de
tratamientos,undiseo26tiene64combinacionesdetratamientosyassucesivamente.Debidoa
quelosrecursossonusualmentelimitados,elnmeroderplicasqueelexperimentadorpuede
emplear podra estar restringido. Frecuentemente los recursos disponibles permiten solo una
rplicadelexperimento.
Un riesgo obvio al realizar un experimento que contiene solo una corrida en cada
combinacin de tratamientos es que podramos estar ajustando un modelo al ruido. Lo que
significaquesilarespuestayesaltamentevariable,conclusioneserrneaspodranresultardel
experimento.Estasituacinesilustradaenlafigura69a.Enestafiguralalnearectarepresenta
el verdadero efecto del factor. Sin embargo debido a la variabilidad aleatoria presente en la
variablederespuesta(representadaporlabandaengris)elexperimentadorenrealidadobtiene
lasdosmedidasrepresentadasporlospuntosobscuros.Porconsecuencia,elefectoestimadoes
cercanoaceroyelexperimentadorhallegadoaconclusioneserrneasconrespectoaestefactor.
Ahora, si hay menos variabilidad en la respuesta, la probabilidad de una conclusin
errnea ser ms pequea. Otra forma de asegurar que estimaciones confiables de los efectos
seanobtenidasesincrementarladistanciaentrelosnivelesbajoyaltodelfactor,comoseilustra
enlaFigura69b.Notequeenestafiguraelincrementoenladistanciaentrelosnivelesbajoy
altodelfactorresultaenunaestimacinrazonabledelverdaderoefectodelfactor.

Laestrategiadeunarplicasimpleesfrecuentementeusadaenexperimentosdefiltrado
defactorescuandoexistenmuchosfactoresbajoconsideracin.
Unarplicasimpledelexperimento2kesfrecuentementellamadofactorialnoreplicado.
Con solo una rplica no hay estimacin interna del error (o error puro). Un enfoque para el
anlisisdeexperimentosnoreplicadosesasumirqueciertasinteraccionesdeordensuperiorno
sonimportantesycombinarsumediadecuadradosparaestimarelerror.
Un mtodo de anlisis atribuido a Daniel (1959) consiste en examinar un grfico de
probabilidad normal de las estimaciones de los efectos, los efectos que no son significativos
estnnormalmentedistribuidos,conmediaceroyvarianza 2 ytendernacaeralolargode
unalnearectaenestegrfico,mientrasquelosefectossignificativostendrnmediasdiferentes
deceroynocaernalolargodelalnearecta.Deestamaneraelmodelopreliminarcontendr
los efectos que son aparentemente diferentes de cero, basado en el grfico de probabilidad
normal. Los efectos que son aparentemente no significativos son combinados como una
estimacindelerror.

Laadicindepuntoscentralesenel2k
Una preocupacin comn en el uso de factoriales de dos niveles es la suposicin de
linealidad en los efectos de los factores. A menudo perfecta linealidad es innecesaria y el 2k
trabajarabienauncuandoestasuposicinnoseadeltodocorrecta.Enefectohemosnotadoque
si las interaccione son aadidas a los efectos de primer orden (ecuacin 626) tendremos un
modeloquepresentaraciertacurvaturaenlafuncinderespuesta.

Esta curvatura es el resultado de la torsin del plano ejercida por las interacciones.
Existirn situaciones en las que la curvatura en la funcin de respuesta no es adecuadamente
modeladaporlaecuacin626,entalescasosunmodelolgicoaconsiderares:

jj
Donderepresentaefectospurosdesegundoordenoefectoscuadrticos.Laecuacin
627esllamadaunmodelodesuperficiederespuestadesegundoorden.
Cuando corremos un experimento factorial con dos niveles usualmente anticipamos ajustar el
modelodelaecuacin626perodebemosestarconsientesqueelmodelodesegundoordendela
ecuacin 627 es en realidad ms apropiado. Existe un mtodo de replicacin de ciertos
puntosenunfactorial2k queproveerciertaproteccincontralacurvaturadelosefectos
de segundo orden y permitir obtener una estimacin independiente del error. El mtodo
consisteenaadirpuntoscentralesal2k.Estemtodoconsisteenaadirnreplicasenelcentro
deldiseo.Unraznimportanteparaaadirlospuntosenelcentroesporqueestosnoafectanla
estimaciones de los efectos en el 2k cuando aadimos los puntos centrales asumimos que los
factoressoncuantitativos.

El procedimiento es el siguiente, digamos quey F es el promedio de las observaciones de los

_

yC
puntosfactorialesdeldiseoyeselpromediodelasn
ccorridasenelcentrodeldiseo.Sila
_

diferenciaentreespequea,entonceslospuntoscentralesestncercadelplanoquepasa
yF yC

a travs de los puntos factoriales y no existe curvatura. Por otro lado, si la diferencia es
significativalacurvaturaestpresente.Unasumadecuadradosparalacurvaturacuadrticapura
conunsologradodelibertadestdadapor:

DondenFeselnmerodepuntosfactorialeseneldiseo.Estacantidadpuedesercomparadaala
media de cuadrados del error para probar la curvatura cuadrtica. Ms especficamente lo que
tratamosdeprobarsonlashiptesis.

Peroanmsimportante,silospuntosfactorialeseneldiseonoestnreplicados,unopodra
usarlosncpuntoscentralesparaconstruirunaestimacindelerrorconnc1gradosdelibertad.
Ejemplo:

BLOQUEOYCONFUSINENELDISEOFACTORIAL2k
Introduccin
Hay muchas situaciones en las que es imposible realizar todas las corridas de un
experimento factorial 2k en condiciones homogneas. Por ejemplo, un lote de materia prima
podra no ser suficiente para realizar todas las corridas. En otros casos, sera deseable variar
deliberadamente las condiciones experimentales para asegurarse de que los tratamientos son
igualmente efectivos (es decir, que son robustos) sobre diferentes situaciones que seran
encontradasenlaprctica.Porejemplo,uningenieroqumicopodraestarinteresadoencorrer
unexperimentopilotocondiferenteslotesdemateriasprimasporquelsabequediferenteslotes
demateriasprimasdediferentecalidadsonprobablementeusadosenlasoperacionesnormales
delproceso.
La tcnica de diseo usada en estas situaciones es el bloqueo. En este captulo nos
concentraremosenalgunastcnicasespecialesdebloqueoeneldiseofactorial2k.

Bloqueodeundiseofactorial2kreplicado
Supongaqueundiseofactorial2khasidoreplicadonveces.Siexistennreplicas,cada
grupodecondicionesnohomogneasconstituyeunbloqueycadareplicaescorridaenunode
losbloques.Lascorridasdentrodecadabloque(oreplica)seranhechasenordenaleatorio.
Ejemplo
Considereun22con3rplicasenelquesolo4pruebasexperimentalespuedenserhechasa
partirdeunlotedemateriaprima.Estosignificaquetreslotesdemateriaprimasernrequeridos
paracorrerlastresrplicasdeestediseo(Tabla71).

El anlisis de varianza para este diseo bloqueado se muestra en la Tabla 72, todas las
sumasdecuadradossoncalculadasexactamentecomoenundiseoestndarnobloqueado.La
sumadecuadradosdelosbloquessecalculausadolostotalesdelosbloques i .

Confusindel2kendosbloques
Suponga que deseamos correr una rplica simple de un 2k. Cada una de las 4
combinacionesdetratamientosrequiereciertacantidaddemateriaprimaycadalotedemateria
primaessolosuficienteparaprobardoscombinacionesdetratamientos.Porlotanto,doslotesde
materia primas son requeridos. Si los lotes de materia prima son considerados como bloques,
entoncestenemosqueasignardosdelascombinacionesdetratamientosacadabloque.
La figura 71 a) muestra un posible diseo para este problema, note que las
combinaciones de las diagonales son asignadas a diferentes bloques el bloque 1 contiene las
combinaciones de tratamientos (1) y (ab) y el bloque 2 contiene las combinaciones a y b. El
ordenenquelascombinacionessoncorridasdentrodecadabloqueesaleatorioyelordenenque
decidimoscualbloquedebercorrerseprimeroestambinaleatorio.

NotequeambosfactoresAyBnoestnsiendoafectadosporelbloqueoporqueencada
bloque hay un signo positivo y uno negativo para cada factor, lo que significa que cualquier
diferenciaentreelbloque1y2conrespectoalosefectosprincipalessecancela.Sinembargo
debidoaquelascombinacionesaby(1)estnenelbloque1yaquelascombinacionesayb

estnenelbloque2,elefectosdelbloqueylainteraccinsonidnticos,loquesignificaqueAB
estconfundidoconlosbloques.
Otraformadeverloesalanalizarlastablasdesignospositivosynegativosdeldiseo22.
En esta tabla podemos ver que tocas las combinaciones de tratamientos que tienen signos
positivosenABsonasignadasalbloque1,mientrasquetodaslascombinacionesdetratamientos
quetienensignosnegativosenABsonasignadasalbloque2.Esteenfoquepuedeserusadopara
confundirtrminosdeldiseoconbloques.Laprcticamscomnesconfundirlainteraccinde
ordenmsaltoconbloques.

Esteesquemapuedeserusadoparaconfundircualquierdiseo2kendosbloques.Como
unsegundoejemploconsidereundiseo23endosbloques.Supongaquedeseamosconfundirla
interaccin ABC con bloques. La Tabla 74 muestra como las combinaciones de tratamientos
quesonnegativasenABCsonasignadasalbloque1ylaspositivassonasignadasalbloque2.El
diseo resultante es mostrado en la Figura 72. Una vez ms, el nfasis es puesto en que las
combinacionesdetratamientosdentrodecadabloquesecorranenformaaleatoria.

Ejemplo72:
Considereunejemploenquecuatrofactoresloscualesincluyentemperatura(A),presin
(B),concentracindeformaldehido(C)ynivelderemocin(D)sonestudiadosenunaplanta
qumica para determinar su efecto sobre el nivel de filtracin de un producto. Usaremos este
ejemploparailustrarlosconceptosdebloqueoyconfusinenundiseonoreplicado.
Haremos dos modificaciones al experimento, primero suponga que los las 16
combinacionesdetratamientosnopuedensercorridasusandounsololotedemateriaprima.El
experimentadorpuedecorrer8combinacionesdetratamientosporcadalote,loquesignificaque
un 24 confundido en 2 bloques parece ser apropiado. El mtodo apropiado es confundir la
interaccinABCDconlosbloques.EldiseoesmostradoenlaFigura74a).
EsfcilverificarquelascombinacionesdetratamientosquesonpositivasenABCDson
asignadasalbloque1ylasnegativassonasignadasalbloque2.Lasegundamodificacinesque
introduciremos artificialmente un efecto de bloque de tal forma que la utilidad del bloque sea
demostrada.Supongaquecuandoseleccionamoslosdoslotesdemateriasprimasunodeelloses
de menor calidad y como resultado la respuesta ser 20 unidades ms pequea. El lote de
materiaprimademalacalidadseconvierteenellote1yeldebuenacalidadseconvierteen

el lote 2 (no importa cual llamemos lote 1 o lote 2). La figura 74 b) muestra la respuesta
observada

Elefectodelosbloquessecalculadelasiguientemanera:

Si no se hubiese introducido el efecto del bloque, el efecto de la interaccin ABCD

hubierasidoABCD=1.375perocomointroducimosunefectodebloqueiguala20,elefecto
de la interaccin se combina con el efecto del bloque, por lo tanto ABCD = 1.375 + (20) =
18.625.Latabla76muestralosefectosdelosdemsfactoresylosporcentajesdecontribucin

ANOVAtarea
Formassugeridasdebloqueo:

Factorialesfraccionados
Losexperimentadoresamenudoutilizandiseosfactorialesde2nivelesparainvestigar
el efecto de varios factores simultneamente. El nmero total de corridas requeridas por un
diseo factorial completo 2k se incrementa geomtricamente a medida que el nmero de k
factores se incrementa. Esto hace ms deseable el uso de diseos factoriales fraccionados para
reducir el nmero de corridas. Los diseos factoriales fraccionados usan el hecho de que los
sistemasyprocesossonprincipalmenteafectadosporefectosprincipaleseinteraccionesdebajo
orden(principiodeescasesdeefectos).Elconceptoessimpleperoaltamentebeneficiosoporque
permite al experimentador confundir los efectos de interacciones de orden superior con
interaccionesdebajoordenoinclusiveconefectosprincipalesconelobjetodereducirelnmero
decorridas.Laprdidadeinformacinproporcionadaporlasinteraccionesdeordensuperiores
usualmentejustificadaporlosahorrosendinero,tiempoyrecursosquesegeneran.

Tabla1.Nmerodecorridasytrminosqueesposibleestimaralhacerelfactorialcompleto

LaTabla2muestraundiseofactorial23enelquelossignospositivosynegativosdela
interaccinABCsonagrupadosyusadosparadividireldiseooriginalendosfraccionesdado
quelainteraccinABCesusadaparadividireldiseoendospartes,estainteraccinesllamada
generador. La fraccin que contiene los signos positivos en ABC es llamada fraccin
principal.Enformaadicional,elgrupodecolumnasquesonidnticasalacolumnaidentidad
(columnade1seneldiseo)esllamadolarelacindefinidora,enestecasoI=ABC.


Tabla2:Fraccinprincipalyfraccinalternativa
FactorialEffects

Alternate
Fraction

Principal
Fraction

Treatment
I

AB

AC

BC

ABC

Combination
a
b
c
abc

+
+
+
+

+
+

+
+

+
+
+
+

ab
ac
bc
(1)

+
+
+
+

+
+

+
+

+
+

Unaconsecuenciadeusardiseosfactorialesfraccionadoseslaconfusinenlosefectos,
loquesignificaqueunonopuedediferenciarentreelefectodedosomscolumnasdebidoaque
losmismosnivelesdefactoresfueronusadosduranteelexperimento.Esteconceptoesclarosi
comparalascolumnasAyBCenlafraccinprincipaldelaTabla2.
Laestructuradealiasesesunarreglquemuestralaformaenquelostrminosdeldiseo
quedan confundidos unos con otros. La estructura de aliases se obtiene al multiplicar cada
termino del diseo por cada termino o palabra de la relacin definidora. Por ejemplo, si
multiplicamosAporABCsegeneraA*ABC=A2*BC=I*BC=BC,estosignificaqueelfactor
AestacorrelacionadoconlainteraccinBC.
Lafraccinresultanteesunamitaddeundiseofactorial23yseconocecomoundiseo
fraccionado231conrelacindefinidoraI=ABC.Sielexperimentadorhubiesedecididousarla
fraccinalternativa(consignosnegativosenABC)eldiseoresultantehubiesesidoun231con
relacindefinidoraI=ABC.
Sidosinteraccionesdeordensuperiorsonusadascomogeneradoresesposibleconstruir
cuartaspartesdeundiseousandolascorridasconsignospositivosparalosgeneradores.Para
diseos que contienen un nmero muy grande de factores es posible generar octavas y
dieciseisavas partes sin embargo la estructura de aliases de estas fracciones se vuelve muy
complicada.
Muchos paquetes de software son capaces de crear fracciones en forma automtica, as
comodeproporcionarlaestructuradealiases.Laestructuradealiasesparaeldiseoanteriorse

muestraenlaFigura1.NotequeelefectodeAquedaconfundidoconlainteraccinBC,elefecto
deBconACyeldeCconAB.
[Intercept]=Intercept+ABC
[A]=A+BC
[B]=B+AC
[C]=C+AB

Figura1.Estructuradealiases

LaTabla3muestralosgeneradoresrecomendadosparaconstruircualquierfraccin.

Tabla3.Generadoresrecomendados

Losexperimentosfraccionadossebasanentresideasclave:
1. Principiodeesparcidaddeefectos:Cuandohayvariasvariableselsistemaoprocesoes
probablementeinfluenciadoprincipalmenteporalgunosdelosefectosprincipalese
interaccionesdebajoorden
2. Lapropiedaddeproyeccin:Losdiseosfactorialesfraccionadospuedenser
proyectadosenundiseomsgrandeusandoelsubgrupodefactoressignificativos
3. Experimentacinsecuencial:Esposiblecombinarlacorridasdedosomsfracciones
paraformarundiseomsgrandequeseacapazdeestimarefectosprincipalese
interaccionesdeinters
Resolucin
Unconceptoimportanteeselconceptoderesolucin(Tabla4).Engeneral,laresolucin
deundiseofactorialfraccionaldedosnivelesesigualalnmeromspequeodeletras
encualquierpalabradelarelacindefinidorayesunamedidadelgradodeconfusinenel
diseo.Unaresolucinaltaespreferibleperoimplicamscorridas,porlotantoesmscostosa.
Tabla4.Tiposderesolucin
ResolutionIII

ResolutionIV

Mainaffectsarealiasedwithtwo
factorinteractionsandtwofactor
Twofactorinteractionsarealiased
interactionsmaybealiasedwitheach
witheachother
other

ResolutionV
Twofactorinteractionsarealiased
withthreefactorinteractions

Aberracinmnima
Montgomery (2009) seala que algunas veces la resolucin por s sola no es suficiente
para distinguir entre diseos ya que algunas veces diseos con la misma resolucin tienen
estructurasdealiasesdiferentes.Eldiseoqueminimizaelnmerodepalabrasenlarelacin
definidora que son de longitud mnima es llamado un diseo de aberracin mnima. Al
minimizarlaaberracinenundiseosimplificamoslaestructuradealiasesydejamoslibreslos
efectos ms importantes (efectos principales e interacciones de segundo orden). Investigacin
previarealizadaenestareafuecapazadeidentificarlosgeneradoresqueproducirnundiseo

de aberracin mnima dado un nivel de resolucin deseado. Todos los paquetes de software
utilizanestosgeneradores.ParamayorinformacinveaMontgomery(2009).

Proyecciones:
Lapropiedaddeproyeccinestambinimportante.Esteconceptoafirmaqueundiseo
factorial fraccional puede ser proyectado en un diseo ms fuerte al tomar solo los factores
significativos, es decir, al eliminar columnas en el diseo. Esta situacin ocurre solo si el
subgrupodefactoresseleccionadosnoformaunapalabraenlarelacindefinidora.
Cualquier diseo factorial fraccional de resolucin R contiene diseos factoriales completos
(posiblementereplicados)encualquiersubgrupodeR1factores
Ejercicioarealizarenclase
1) Crearun251
2) EliminarfactorC
3) Mostrarqueeldiseorestanteesun24
4) EliminarlacolumnaD
5) Mostrarqueeldiseorestanteesun23con2replicas

Bloqueodefactorialesfraccionados:3rexamen
Ocasionalmenteundiseofactorialfraccionalrequieretantascorridasquetodasellasno
puedenserhechasencondicioneshomogneas.Enestassituaciones,losfactorialesfraccionados
puedenserconfundidosenbloques.
Para ilustrar el procedimiento general considere el diseo factorial 26 2con relacin
IV

definidora I = ABCE = BCDF = ADEF mostrado en la tabla 810. Este factorial fraccional
contiene 16 combinaciones de tratamientos. Suponga que deseamos correr este diseo en dos
bloques de 8 combinaciones de tratamientos cada uno. Para seleccionar la interaccin a
confundirconlosbloquesutilizamoslaTablaXII(f).Alexaminarlaestructuradealiasesdeeste
diseonosdamoscuentadequehaycadenasdealiasesquecontienensolointeraccionesdetres

factores.LaTablasugiereseleccionarABD(ysusaliases)paraserconfundidosconlosbloques.
Estoproducirlosdosbloquesmostradosenlafigura818.

Ejemplo86
Una mquina de control numrico de 5 ejes es usada para maquinar la hlice de una
turbina de jet. Los perfiles de las aspas son una importante caracterstica de calidad
especficamente, la desviacin del perfil del aspa del perfil especificado en los dibujos de
ingeniera. Un experimento se corre para determinar que parmetros de la maquina afectan la
desviacindelperfil.Los8factoresseleccionadosparaeldiseoson:

La desviacin del perfil es medida usando una mquina y la desviacin estndar de las
diferenciasentreelperfilrealyelperfilespecificadoesusadocomolavariablederespuesta.La

mquina tiene 4 mordazas debido a que existen diferencias significativas en las mordazas, el
ingenierodeprocesossientequelasmordazasdeberansertratadascomobloques.
El ingeniero se siente confiado en que las interacciones de tres factores y las de orden
superior no son muy importantes, pero no desea ignorar las interacciones de dos factores. Dos

28IV 4
28IV3
diseosparecenserapropiados,elcon16corridasyelcon32corridas.Sieldiseode
16 corridas es usado habr muchas interacciones de 2 factores correlacionadas unas con otras,
peroanmsimportante,noesposibleconfundirestediseoen4bloquessinconfundirmuchas
83

interaccionesde2factoresconlosbloques.Porlotanto,elexperimentadordecideusarel 2 IV
con32corridasen4bloquesyaqueestediseoconfundirsolounainteraccinde2factorescon
los bloques. Los generadores se pueden encontrar automticamente usando software como se
muestraenlasiguientefigura.

Yeldiseoresultanteestdadopor:

2.DISEOROBUSTO3rexamen
Unproductorobustoesaquelquetrabajacomosepretendesinimportarlavariacinenel
proceso de manufactura, variacin resultado de la deterioracin y variacin en el uso del
producto.
El diseo robusto o diseo paramtrico robusto (Robust Parameter Design, RPD) es un
principio que enfatiza la apropiada seleccin de niveles de factores de control xi en un
sistema, para hacer al producto robusto a la variabilidad introducida por un segundo grupo de
factoresllamadosfactoresderuidozi.Elsistemapuedeserunprocesoounproducto.
Losfactoresdecontrolsonfactoresquesonfcilesybaratosdecontrolareneldiseodel
productolosfactoresderuidosonfactoresquepodranafectarlarespuestadeintersperoque
son difciles de controlar cuando el producto est siendo manufacturado o cuando est siendo
usadoporelcliente(aunquepuedensercontroladosparapropsitosdeexperimentacin).Estos
factores de ruido son a menudo funciones de condiciones ambientales, por ejemplo, humedad,
propiedadesdemateriasprimas,temperatura,etc.

Losdiseosrobustossondiseosconstruidosconunobjetivoenmente:comprenderque

parmetrosdediseodeproductoyprocesosoncrticosparaelalcancedeunacaractersticade
desempeo con variacin mnima. El diseo de experimentos puede ayudar a determinar estos
parmetros ptimos y por lo tanto ayuda a desarrollar un producto ms robusto (Myers y
Montgomery,2002).
Montgomery (2009) menciona que existen dos objetivos principales: asegurar que la
mediadelarespuestaesteenciertovaloryasegurarquelavariabilidadalrededordeestevalor
seatanpequeacomoseaposible.
*Actividadporequipos
1.2MetodologadeTaguchi
Haydosenfoquesprincipalesparaexperimentacinrobusta:ElenfoquedeTaguchiyel
enfoque tradicional (Box y Bisgaard, 1987). La metodologa de Taguchi para el RPD fue
introducidaaprincipiosdelos80s.Estametodologagiraentornoalusodediseosortogonales
dondeunarregloortogonalqueinvolucravariablesdecontrolsecruzaconunarregloortogonal
quecontienealasvariablesderuido.

Porejemplo,enun2222el22paralasvariablesdecontrolesllamadoelarreglointernoy
el22paralasvariablesderuidosedenominaelarregloexterno.
La metodologa resultante genero mucha discusin y controversia. Parte de la
controversia surgi debido a que la metodologa de Taguchi fue adoptada inicialmente (y
principalmente) por compaas en occidente, y el enfoque estadstico de dicha metodologa no
habasidoadecuadamenterevisado.
Montgomery (2005) seala que aunque los conceptos ingenieriles de Taguchi y el
objetivo general de RPD estn bien fundamentados, existen problemas substanciales con esta
estrategiadeexperimentacinascomoconlosmtodosdeanlisisdeinformacin.Detallesms
especficos en estos asuntos pueden ser encontrados en: Box (1988), Box, Bisgaard and Fung
(1988), Hunter (1985), Montgomery (1999), Myers y Montgomery (2002) y Pignatiello y
Ramberg(1992).
Myers y Montgomery (2002) mencionan que muchos de los diseos sugeridos por
TaguchisondiseosPlackettBurmansaturadosoaproximadamentesaturadosquenopermiten
alexperimentadorestimarlosefectosdelasinteraccionesentrelasvariablesdecontrol.Lafigura
1 muestra un arreglo cruzado que ha sido transformado a su forma estndar, note que ninguna
interaccindecontrolcontrolpuedesercalculadacuandoseusaesteenfoque.
Box(1988)declaraquelosmtodosestadsticosdediseoyanlisisrecomendadospor
Taguchi son a menudo innecesariamente ineficientes y complicados, y cuando sea posible,
deberanserreemplazadosporalternativasmssimplesyeficientes.
En forma adicional, Myers y Montgomery (2002) comentan que la metodologa de
Taguchi podra estar sujeta a controversia, existen muchas situaciones de la vida real en que
funcionabiensiunoestdispuestoaasumirquelasinteraccionesentrelasvariablesdecontrol
nosonsignificativas.Enmuchasreasdeaplicacinestaesunaasuncinsegura,sinembargo
haymuchasreasenqueestasinteraccionesproporcionanunaenormecontribucinalproceso
demodelacin.
Montgomery (2009) menciona que existen dos objetivos esenciales en el RPD: (1)
asegurarqueelvalorpromediodelarespuestaesteenunniveldeseadooenunvalorobjetivo(2)
asegurarse de que la variabilidad alrededor de este valor objetivo sea tan pequea como sea
posible.Amenosqueexistaunainteraccindecontrolporruidonohayunproblemadediseo
robusto.IdentificarymodelarestasinteraccionesesunadelasclavespararesolverelRPD.

1
2
3
4

X1

X2

+
+

X3
+

Z1

Run

X1

X2

Factors
X3
Z1

Z2

Z3

[Intercept]=Intercept+X1X2X3+Z1Z2Z3

Z2
Z3

+
+

*
*
*
*

*
*
*
*

*
*
*
*

*
*
*
*

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

[X1]=X1+X2X3
[X2]=X2+X1X3
[X3]=X3+X1X2
[Z1]=Z1+Z2Z3
[Z2]=Z2+Z1Z3
[Z3]=Z3+Z1Z2
[X1Z1]=X1Z1+X1Z2Z3+X2X3Z1
[X1Z2]=X1Z2+X1Z1Z3+X2X3Z2
[X1Z3]=X1Z3+X1Z1Z2+X2X3Z3
[X2Z1]=X2Z1+X1X3Z1+X2Z2Z3
[X2Z2]=X2Z2+X1X3Z2+X2Z1Z3
[X2Z3]=X2Z3+X1X3Z3+X2Z1Z2
[X3Z1]=X3Z1+X1X2Z1+X3Z2Z3
[X3Z2]=X3Z2+X1X2Z2+X3Z1Z3
[X3Z3]=X3Z3+X1X2Z3+X3Z1Z2

1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

Figura1.Elarreglocruzadoenformaestndar

Hubo varios resultados positivos de la controversia de Taguchi. Primero, los

experimentosdiseadossevolvierondeusocomnenlaindustriaautomotriz,aeroespacial,de
electrnicosydesemiconductoresascomomuchasotrasindustriasquehabanhechopocouso
de esta tcnica. Segundo, la cuarta era del diseo experimental comienza, esta era incluye un
renovadointerseneldiseoestadsticoporinvestigadoresypracticantesascomoeldesarrollo
de muchos nuevos enfoques para experimentacin industrial. Dichos enfoques incluyen
alternativas a los mtodos de Taguchi y permiten tomar su concepto ingenieril y aplicarlo
eficiente y efectivamente. Tercero, la educacin formal en diseo experimental estadstico se
vuelvepartedemuchosprogramasdeingenieratantoanivellicenciaturacomoenposgrado.
1.3.Diseosdearreglocruzado
La metodologa original de Taguchi para el problema RPD gira en torno al uso de un
diseo estadstico para las variables de control y otro diseo estadstico para las variables de
ruido. Despus estos dos diseos se cruzan, lo que significa que cada combinacin de
tratamientos en el diseo para las variables de control se corre para cada combinacin de
tratamientoseneldiseodelasvariablesderuido.Estetipodediseoexperimentalsedenomina
diseodearreglocruzado.

Ejemplo: Considere un experimento en el que cinco factores fueron estudiados para

determinar su efecto sobre la altura libre de una suspensin automotriz. Los factores son: A
(temperaturadehorneado),B(Tiempodehorneado),C(Tiempodetransferencia),D(Tiempode
enfriamiento),E(Temperaturadelaceite).Esteesunproblemarobustoporquelatemperaturadel
aceiteesunavariableruidosa.
LainformacinparaesteexperimentosemuestraenlaTabla1.eldiseoparalosfactores
controlables es un factorial fraccionado 241 con generador D=ABC, este diseo de denomina
arreglointerno.Eldiseoparaelnicofactorderuidoessimplementeun21yesllamadoarreglo
externo.Notequecadaunodelos16puntosdeldiseoestareplicado3veces,resultandoenun
totalde48observaciones.

Unaimportantecaractersticadelarreglocruzadoesqueproporcionainformacinsobre
lasinteraccionesentrefactoresdecontrolyfactoresderuido.Estasinteraccionessoncruciales
parasolucionarelproblemaRPD.
LaTabla12.2presentaotroejemplodeunproblemadeRPDtomadodeByrneyTaguchi
(1987). Este problema involucra el desarrollo de un conector. Existe cuatro variables
controlables, cada una a tres niveles: A (interferencia), B(grueso de la pared del conector),
C(profundidaddeinsercin),D(porcentajedeadhesivo),ytresfactoresderuido,cadaunodos
niveles E(tiempo de acondicionamiento), F(temperatura de acondicionamiento), G( humedad

relativa de acondicionamiento). Note que el diseo para las variables de control es un 342 y el
diseoparalasvariablesderuidoesun23.

1.3.1Anlisisdelarreglocruzado
Taguchi propuso resumir la informacin del arreglo cruzado con dos estadsticos, el
promediodecadaobservacinenelarreglointernoalolargodetodaslascorridasdelarreglo
externoyunestadsticoqueintentabacombinarinformacinsobrelamediayvarianzallamado
ndicedesealruido.Losndicesdesealaruidosonestndiseadosdetalformaqueunvalor
mximodelndiceminimizalavariabilidadtransmitidaporlasvariablesderuido.Despusun
anlisis es realizado para determinar que niveles de los factores controlables resultan en una
mediatancercanamenteposiblealvalorobjetivoyunvalormximodelndicesealruido.
Los ndices de seal a ruido son problemticos porque pueden confundir los efectos de
localizacinydispersinyconfrecuencianoproducenlosresultadosdeseados.
Unanlisismsapropiadoparaelarreglocruzadoesmodelarlamediayvarianza
de la respuesta directamente, donde la media muestral y la varianza muestral para cada
observacin en el arreglo interno son calculadas a lo largo de todas las corridas del arreglo

externo.Porlotanto,escogerlosnivelesdelosfactorescontrolablesparaoptimizarlamediay
simultneamenteminimizarlavariabilidadesunenfoquevalido.
Para ilustrar este enfoque considere el experimento presentado en la Tabla 12.1, las
ltimasdoscolumnasdeestatablamuestranLamediasmustrales y i ylasvarianzasmustrales
si2 para cada corrida en el arreglo interno. La Figura 12.2 es el grafico de probabilidad

seminormal de los efectos para la media. Claramente los factores A, B y D tienen efectos
importantes.Dadoqueestosefectosestncorrelacionadosconinteraccionesdetresfactoreses
razonableconcluirquelosefectospertenecenalosfactoresA,ByDynoalasinteracciones.

Elmodeloparalamediaestdadopor:

y i 7.63 0.12 x1 0.081x2 0.044 x4

Debidoaquelavarianzamuestralnosigueunadistribucinnormal(sinochicuadrada),
esmejoranalizarellogaritmonaturaldelavarianza.LaFigura12.3eselgraficodeprobabilidad
2
seminormaldelosefectosdel in( si ) .ElnicoefectosignificativoesB.

2
Elmodeloparal ln( si ) estdadopor

ln( si2 ) 3.74 1.09 x2

Despusderealizarunaoptimizacinsimultanea(Figura12.4)sellegaalaconclusinde
queelfactorAdebesercolocadoanivelalto,elBa0.63yelDanivelalto.Unadesventajadel
enfoque de modelar la media y la varianza usando el arreglo cruzado es que no toma ventaja
directadelasinteraccionesentrevariablesdecontrolyvariablesderuido.Enalgunassituaciones
puedeenmascararestasrelaciones.Ademsexisteunaaltaprobabilidaddequelavarianzatenga
una relacin no lineal con los efectos controlables y esto puede complicar el proceso de
modelado.

Figura12.4Optimizacinsimultanea

1.4.ResolucinMixta
Elenfoquetradicionalmodelaambasx(variablesdecontrol)yz(variablesderuido)en
el mismo modelo y ha sido llamado un enfoque de modelo de respuesta. Si las variables de
controlsonpredominantementecontinuas,esposibleformarunasuperficiederespuestadualen
queunasuperficiederespuestaparalamediayunasuperficiederespuestaparalavarianzadel
procesosongeneradas.
El enfoque tradicional tambin hace nfasis en la importancia de las interacciones de
control ruido porque estas interacciones determinan la naturaleza de no homogeneidad de la
varianzadelprocesoquecaracterizaelRPD(MyersyMontgomery,2002).Unaclaseimportante
dediseodearreglocombinadoeseldiseoderesolucinmixta.Considereundiseorobusto
con 6 factores a dos niveles, 3 de ellos son factores de control (A, B y C) y 3 de ellos son
factoresderuido(D,EandF).Eldiseoderesolucinmixtaesunafraccinqueesconstruidaal
hacer una correcta seleccin de generadores de tal forma que una resolucin ms alta sea
otorgada a interacciones de control ruido y control control y una resolucin ms baja es
asignadaainteraccionesderuidoruido.

Considere el caso de un diseo de resolucin mixta que asigna resolucin III a

interacciones de ruido ruido. Y resolucin IV al resto de las interacciones. Dicho diseo es
construidoalhacerusodelarelacindefinidoraI=X1X2X3Z1=Z1Z2Z3=X1X2X3Z2Z3. Eldiseoy
suestructuradealiasessonmostradosenlaFigura2.

mixedresolutiondesign
Run26
I 2 X 1
1 1 1
2 1 1
3 1 1
4 1 1
5 1 1
6 1 1
7 1 1
8 1 1
9 1 1
10 1 1
11 1 1
12 1 1
13 1 1
14 1 1
15 1 1
16 1 1

X2
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

X3 Z1 Z2 Z3
1 1 1 1
1 1 1 1
1 1 1 1
1 1 1 1
1 1 1 1
1 1 1 1
1 1 1 1
1 1 1 1
1 1 1 1
1 1 1 1
1 1 1 1
1 1 1 1
1 1 1 1
1 1 1 1
1 1 1 1
1 1 1 1

[Intercept]=Intercept
[x1]=x1
[x2]=x2
[x3]=x3
[z1]=z1+z2z3
[z2]=z2+z1z3ResolutionIII
[z3]=z3+z1z2
[x1x2]=x1x2+x3z1
[x1x3]=x1x3+x2z1
[x2x3]=x2x3+x1z1
[x1z2]=x1z2
[x1z3]=x1z3
[x2z2]=x2z2
[x2z3]=x2z3
[x3z2]=x3z2
[x3z3]=x3z3

Figura2.Undiseoderesolucinmixtaysucorrespondienteestructuradealiases

1.5Seleccindegeneradores
BorkowskyyLucas(1997)proveenuncatlogodegeneradoresdediseosderesolucin
mixta(Tabla1).Elcatalogoseusadelasiguientemanera:Supongaqueunexperimentocon4
factoresdecontrol(A,B,C,D)y3factoresderuido(E,F,G)vaarealizarse.Debidoaqueel
diseocontiene7factores(K=7)y4deestosfactoressoncontrol(C=4),eldiseo7Belcuales
un debera ser usado y los generadores para construir esta fraccin son: F = ABCD and G =
ABCDE.Lacolumnaresolucinserefierealaresolucinentrelosfactoresderuido(eneste
casoresolucinIIIindicaquelosefectosprincipalesdelosfactoresderuidoestnconfundidos
conlasinteraccionesderuidoruido)

Tabla1.GeneradoresdeDiseosdeResolucinMixta(BorkowskyandLucas,1997)

Ejercicio:Determinelaresolucindelossiguientesdiseos(III,IVoV)
Recuerde:
ResolucinIII:MEestncorrelacionadoscon2FI
ResolucinIV:2FIestncorrelacionadascon2FI
ResolucinV:2FIestncorrelacionadascon3FI

[Intercept]=Intercept
[A]=A+BCG+BDH+BEF+CDF+CEH+DEG+FGH
[B]=B+ACG+ADH+AEF+CDE+CFH+DFG+EGH
[C]=C+ABG+ADF+AEH+BDE+BFH+DGH+EFG
[D]=D+ABH+ACF+AEG+BCE+BFG+CGH+EFH
[E]=E+ABF+ACH+ADG+BCD+BGH+CFG+DFH
[F]=F+ABE+ACD+AGH+BCH+BDG+CEG+DEH
[G]=G+ABC+ADE+AFH+BDF+BEH+CDH+CEF
[H]=H+ABD+ACE+AFG+BCF+BEG+CDG+DEF
[AB]=AB+CG+DH+EF
[AC]=AC+BG+DF+EH
[AD]=AD+BH+CF+EG
[AE]=AE+BF+CH+DG
[AF]=AF+BE+CD+GH
[AG]=AG+BC+DE+FH
[AH]=AH+BD+CE+FG

[Intercept]=Intercept
[A]=A
[B]=B
[C]=C
[D]=D
[E]=E
[AB]=AB+CDE
[AC]=AC+BDE
[AD]=AD+BCE
[AE]=AE+BCD
[BC]=BC+ADE
[BD]=BD+ACE
[BE]=BE+ACD
[CD]=CD+ABE
[CE]=CE+ABD
[DE]=DE+ABC

[Intercept]=Intercept+ABD+ACE
[A]=A+BD+CE
[B]=B+AD+CDE
[C]=C+AE+BDE
[D]=D+AB+BCE
[E]=E+AC+BCD
[BC]=BC+DE+ABE+ACD
[BE]=BE+CD+ABC+ADE

[Intercept]=Intercept+AFJ+BGJ+CHJ+DEJ
[A]=A+FJ+BCE+BDH+BFG+CDG+CFH+DEF+EGH
[B]=B+GJ+ACE+ADH+AFG+CDF+CGH+DEG+EFH
[C]=C+HJ+ABE+ADG+AFH+BDF+BGH+DEH+EFG
[D]=D+EJ+ABH+ACG+AEF+BCF+BEG+CEH+FGH
[E]=E+DJ+ABC+ADF+AGH+BDG+BFH+CDH+CFG
[F]=F+AJ+ABG+ACH+ADE+BCD+BEH+CEG+DGH
[G]=G+BJ+ABF+ACD+AEH+BCH+BDE+CEF+DFH
[H]=H+CJ+ABD+ACF+AEG+BCG+BEF+CDE+DFG
[J]=J+AF+BG+CH+DE
[AB]=AB+CE+DH+FG+AGJ+BFJ+CDJ+EHJ
[AC]=AC+BE+DG+FH+AHJ+BDJ+CFJ+EGJ
[AD]=AD+BH+CG+EF+AEJ+BCJ+DFJ+GHJ
[AE]=AE+BC+DF+GH+ADJ+BHJ+CGJ+EFJ
[AG]=AG+BF+CD+EH+ABJ+CEJ+DHJ+FGJ
[AH]=AH+BD+CF+EG+ACJ+BEJ+DGJ+FHJ

[Intercept]=Intercept+ABC
[A]=A+BC
[B]=B+AC
[C]=C+AB

[Intercept]=Intercept
A
B
C
D
E
AB
AC
AD
AE
BC
BD
BE
CD
CE
DE
ABC
ABD
ABE
ACD
ACE
ADE
BCD
BCE
BDE
CDE
ABCD
ABCE
ABDE
ACDE
BCDE
ABCDE

[Intercept]=Intercept
[A]=A+BCE+DEF
[B]=B+ACE+CDF
[C]=C+ABE+BDF
[D]=D+AEF+BCF
[E]=E+ABC+ADF
[F]=F+ADE+BCD
[AB]=AB+CE
[AC]=AC+BE
[AD]=AD+EF
[AE]=AE+BC+DF
[AF]=AF+DE
[BD]=BD+CF
[BF]=BF+CD
[ABD]=ABD+ACF+BEF+CDE
[ABF]=ABF+ACD+BDE+CEF

Ejercicio:Creareldiseoderesolucinmixtasugeridoenlaseccin4(utilizarelsoftware,
cambiarlosgeneradoresycreareldiseo)

A
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

B
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

C
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

D
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

E
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

F
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

G
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

[Intercept]=Intercept+EFG
[A]=A
[B]=B
[C]=C
[D]=D
[E]=E+FG
[F]=F+EG
[G]=G+EF
[AB]=AB+CDF
[AC]=AC+BDF
[AD]=AD+BCF
[AE]=AE+AFG
[AF]=AF+AEG+BCD
[AG]=AG+AEF
[BC]=BC+ADF
[BD]=BD+ACF
[BE]=BE+BFG
[BF]=BF+ACD+BEG
[BG]=BG+BEF
[CD]=CD+ABF
[CE]=CE+CFG
[CF]=CF+ABD+CEG
[CG]=CG+CEF
[DE]=DE+DFG
[DF]=DF+ABC+DEG
[DG]=DG+DEF
[ABE]=ABE+CDG
[ABG]=ABG+CDE
[ACE]=ACE+BDG
[ACG]=ACG+BDE
[ADE]=ADE+BCG
[ADG]=ADG+BCE

Tarea para el jueves: Obtener la estructura de aliases de aberracin mnima para este
diseo
Ejercicio:MostrarcmoseharaenExcel

1.6.Historiadelacalidad
18001889

1839SefundaenEstadosUnidoslaAmericanStatisticalAssociation(ASA)
1875 La distribucin simtrica descubierta por Moivre en 1733 Se denomina
distribucinnormalporPeirce,FrancisGaltonyLexis.

18901899

La American Statistical Association (ASA) comienza a publicar en 1888 el Journal of

theAmericanStatisticalAssociation(JASA).Seconcentraenaplicacionesestadsticas,
teoraymtodosencienciaseconmicas,sociales,fsicas,deingenieraydelasaludy
sobre nuevos mtodos de educacin estadstica. Libros relativos al avance estadstico
tambinsonrevisadosISSN:01621459
1894 Karl Pearson introduce el mtodo de momentos para analizar distribuciones de
probabilidadqueresultendemezclasdedistribucionesnormales.
1895 K. Pearson llama Histograma literalmente del griego barras dibujadas a la
representacingrficadeunadistribucindefrecuenciasobservadasporintervalos.
1896KarlPearsonproponeunsistemadecurvasdedistribucin.
1896K.Pearsondesarrollalaregresinycorrelacinnormalparaaplicarenproblemas
deherenciagentica.

19001909

1900KarlPearsonpublicalapruebajicuadrada(2)debondaddeajuste.
1901 Francis Galton, Walter Frank Raphael Weldon y Karl Pearson fundan la revista
BiometrikaparaeldesarrollodelaTeoraEstadstica.
1901KarlPearsonpublicaelprimerartculosobrelatcnicadeAnlisisdecomponentes
Principales
1908 en la revista Biometrika William Sealy Gosset bajo el seudnimo de Student
publicaladescripcindeladistribucintdeStudentquesirvedebaseparalaspruebas
dehiptesisparamediascuandoseestimaladesviacinestndar,esunpasofuertepara
lainferenciaestadstica.

19101919

1911 Karl Pearson funda el primer departamento de Estadstica en London College

University
1919 Fisher acepta el trabajo de estadstico en una estacin agrcola impulsado por el
disgusto que tiene Karl Pearson con l. Generar el inicio de la inferencia estadstica
moderna.

19201924

1922PruebaexactadeFisherparatablasdecontingencia
1924WalterShewhartinventalasgrficasdecontrol,ledevuelvealobrerolacapacidad
de tomar decisiones sobre el proceso, usando un ciclo de Planear el trabajo, Hacerlo,
VerificarsiestbienyActuarlacorreccinsinoestbien.Lodescribeenunmemorando
el16demayode1924.
1924JuranconsiguiuntrabajoeneldepartamentodeinspeccindelaWesternElectric
Company,ladivisindefabricacindeAT&TbajolasordenesdeShewhart.

19251929

1925SepublicaellibrodeFisherStatisticalMethodsforResearchWorkers.Adems
del artculo "Applications of "Student's" distribution". Culmina el trabajo previo de
Fisher quien adems del anlisis de la varianza invent la tcnica de mxima
verosimilitudyoriginelconceptodesuficiencia,consistencia,eficiencia,ladistribucin
F,eldiscriminadorlinealdeFisherylainformacindeFisher.
19251926EnWesternElectricsedesarrollan:TablasdemuestreoLTPD,laterminologa
demuestreodeaceptacin(riesgodelconsumidor,riesgodelproducto,probabilidadde
aceptacin,curvasOC,LTPD,muestreodoble).
1927 Deming inicia su colaboracin con Walter A. Shewhart en Laboratorios Bell
(Western Electric). El equipo con Shewhart desarrolla tablas de muestreo de lmite
promediodecalidaddesalida(AOQL)ymuestreomltiple.
1928Seinventaelsistemadecalificacindedemritos.

19301934

1930 Se forma en Estados Unidos el Comit Conjunto Para el Desarrollo de

AplicacionesEstadsticasenDesarrolloyManufacturaporASME,ASTM,AIEE,ASA
yAMS
1931HotellingpublicaunageneralizacinmultivariabledeladistribucintdeStudent.
H.
Kolmogorov matemtico en la Unin Sovitica publica en alemn en 1933 Los
FundamentosdelaTeoradeProbabilidad.
1933 publicacin de On the Problem of the Most Efficient Tests of Statistical
Hypotheses por Jerzy Neyman y Egon Pearson (hijo de Karl Pearson), resume la
evolucin de un intercambio de trabajo que comenz en 1928, es la base del lema de
NeymanPearson.
EnEuropalaintoleranciadelosgobiernostotalitariosexpulsacientficoseintelectuales:
WilliamFellerllegaalaUniversidaddePrinceton,AbrahamWaldalaUniversidadde
Columbia.HermanHartleyyRichardvonMisesvanaLondres.EmilJ.Gumbelescapaa
Francia. Emmy Noether obtiene una posicin temporal en el Bryn Mawr College en
Pennsylvania.

19351939

Fisherpublicaen1935DesignofExperiments,enelcaptulo2estelcasodeladama
queprobabaelt.
1935EgonPearsondesarrollaelestndarbritnicoBS600:1935"AplicacindeMtodos
EstadsticosalaEstandarizacinIndustrialyelControldeCalidad".
1936HotellingpublicaelprimerartculosobreAnlisisdeCorrelacinCannica.
1936MahalanobispublicaladefinicindeladistanciadeMahalanobis.
1936 Wilks publica la distribucin lambda, el equivalente de la distribucin F para el
casomultivariante.
1939DemingeditalasconferenciasdeShewhartsobreControlEstadsticodelProcesoen
laobraStatisticalMethodfromtheViewpointofQualityControl
1939RomigentregasutesisdoctoralenlaUniversidaddeColumbiasobre"Promedios
permisiblesenlainspeccinpormuestreo"
1939 En Suecia Waloddi Weibull propone el uso de la distribucin que lleva ahora su
nombre.Estadistribucinseaplicaampliamenteenlaingenieradeconfiabilidad.

19401944

1940Demingdesarrolladolastcnicasdemuestreoqueseutilizaronporprimeravezen
elCensodeEE.UU.
1940SeformanenInglaterralosgruposdeInvestigacindeOperaciones,formadospor
cientficos,paraasesorarlasoperacionesmilitares.EncabezadosporelfsicoBlackett.
1940SepublicanlastablasdeDodgeyRomig"TablasdeInspeccinporMuestreo"
1941JuranestudiaaVilfredoParetoyproponeelprincipiodePocosvitalesymuchos
triviales,entreotrascosasparaexplicarlascausasdevariacin.
1942 Se publica el American War Standards (American Standards Association ZI.13 )
auspiciado por el Grupo de Investigacin Estadstica formado por: K. J. Arnold, R. F.
Bennett,J.H.Bigelow,A.H.Bowker,C.Eisenhart,H.A.Freeman,M.Friedman,M.A.
Girshick,M.W.Hastay,H.Hotelling,E.Paulson,L.J.Savage,G.J.Stigler,A.Wald,W.
A.Wallis,yJ.Wolfowitz
1942IsaacAsimovcomienzaapublicarlosrelatosdelanovelaFundacin,dondepor
primeravezelhroeesunprofesordeestadstica:HariSeldon.Lanovelasepublicaren
forma de libro en 1951. El personaje aparecer como protagonista en cuando menos 5
novelasms.
1943WaldmiembrodelGrupodeInvestigacinEstadsticaproponesunuevateorade
muestreosecuencial.

19451949

1945 Abraham Wald obtiene permiso del gobierno de Estados Unidos para publicar el
artculosobrelaspruebasdehiptesissecuencialesdesarrolladasporldurantelaguerra
inspiradoporeltrabajodeNeymanyPearson
J.W.Tukeyen1945tomaelpuestodeprofesordeEstadsticaenPrincenton,almismo

tiempoentraatrabajaralosLaboratoriosBellyparticipaentrabajosconelgobierno.
1946LaSociedadAmericanaparaelControldeCalidad(AmericanSocietyforQuality
ControlASQC)seformaenFebrero16.HoyseconocecomoASQ.Publicanlarevista
IndustrialQualityControl.
1946EnLondresseformalaOrganizacinInternacionalparalaEstandarizacinISO,
su sede permanente esta en Ginebra, Suiza. La ISO emite estndares de sistemas de
administracinquedanlosrequerimientosparalossistemasdeadministracindecalidad.
Wilcoxon publica la primera versin de la prueba no paramtrica para comparar dos
distribuciones de forma equivalente a la prueba t para dos muestras independientes en
1947 Mann y Whitney publicarn la prueba extendida para tamaos desiguales de
muestra.
En 1946, R.L. Plackett y J.P. Burman publicaron "El diseo de experimentos ptimo
multifactorial"enBiometrika(vol.33)
Harald Cramr publica Mathematical Methods of Statistics en la Universidad de
Princeton, conjunta la teora estadstica de Fisher con el desarrollo de la teora de
probabilidad.
1948Lastresmayoresencuestadoraspolticaspredicenenbaseamuestreoeltriunfopara
presidente de Estados Unidos del candidato Dewey sobre el candidato Truman, Se
equivocaron.LaEstadsticaesnoticia.

19501954

1950DemingentrenaenJapnacientosdeingenieros,administradoresyestudiososen
elcontroldeprocesosestadsticos(SPC)ylosconceptosdecalidad
1950JuntadeDirectoresdelaJUSEcreelPremioDeming.
1950 Abraham Wald unifico el trabajo sobre teora de estimacin creando una
generalizacinconocidacomoteoradedecisin,dondediferentespropiedadestericas
producendiferentescriteriosparalasestimaciones.
1950SeemiteelestndarmilitaramericanodemuestreodeaceptacinMILSTD105A
1951 Manual de Control de Calidad de Juran, publicado por primera vez en 1951, se
convirtienlaobradereferenciaparalaformacinylagestinenelcampo.
1951BoxyWilsonpublicanelconceptodesuperficiederespuesta.
1952 Se publica la prueba de AndersonDarling por Theodore Wilbur Anderson y
Donald A. Darling, es una prueba estadstica para ver si hay evidencia de que una
muestra de datos no surge de una distribucin de probabilidad dada. Se usa mucho la
versinparaprobarnormalidad.
1954JurandacursosenJapnalaaltagerenciaygerenciamedia,continuarhasta1990
visitandoJapn
Leonard J. Savage Publica The Foundations of Statistics Es la referencia de los
estadsticosBayesianos,presentaunmarcorigurosoalatomadedecisionesestadsticas
basndose en la tcnica de utilidad de Von Neumann Morgenstern y el clculo de
probabilidadsubjetivadeDeFinetti.

19551959

1959 En estados Unidos se desarrolla el estndar MilQ9858a (Quality Program

Requirements),elprimerestndardecalidadparaproveeduramilitar.Establecaloque
tenanquehacerlosproveedoresparalograrconformidadderequerimientos.
ASAyASQpublicandesde1959larevistaTechnometrics.Estrimestralycontribuyeal
desarrolloyusodemtodosestadsticosenlascienciasfsicas,qumicasydeingeniera,
describe nuevas tcnicas estadsticas ilustra aplicacin innovadora de mtodos
estadsticosconocidos,orevisamtodos,dificultadesofilosofasenreasparticularesde
laestadsticaolacienciaISSN:00401706
Tukey publica en 1959 en el primer nmero de Technometrics: Una prueba de dos
muestras, rpida y compacta, a especificacin de Duckworth. Shainin la comercializa
comopruebaBvs.C.

19601964

1960SepublicaelmodeloBoxBehnkenparasuperficiederespuesta.
Genichi Taguchi gana en 1960 el Premio Deming de Japn por su contribucin en la
ingeniera de calidad con el libro Diseo de Experimentos para Ingenieros en la
segundaedicinintroduceelconceptodeSealaRuido.
1961 Los primeros lenguajes generales de simulacin fueron GPSS (General Purpose
Simulations System) en IBM por Geoffrey Gordon y SIMSCRIPT en la corporacin
RANDporHarryMarkowitz.
1962 Tukey invita a Taguchi a visitar Princeton y dar una pltica en Laboratorios Bell,
tienepocoimpacto.
1962KaouruIshikawaintroduceelconceptodeCrculosdeCalidad,extiendeenJapn
la preparacin y ataque a problemas de la calidad a los operadores en el piso (Genba),
hasta antes slo era para niveles gerenciales, publica Genba no QC Shuho donde
aparecenpropuestaslasherramientasbsicasdecalidad:Papeldeprobabilidadbinomial,
diagramacausayefecto,hojadecomprobacin,grficadecontrol,histograma,diagrama
dePareto,diagramadedispersinylaestratificacin.
1964 Juran publica Managerial Breakthrough basado en el trabajo de la antroploga
MargaretMead
1964BoxyCoxpublicanlatransformacinquellevasunombre.

19651969

1965 Prueba Shapiro Wilk para normalidad publicada por Samuel Shapiro y Martin
Wilk
1967JuranpublicaManagementofQualityControl
SPSS (originalmente, Statistical Package for the Social Sciences) fue lanzado en 1968,
desarrolladoporNormanH.NieyHadlaiC.Hull.
1968 La Organizacin del Tratado del Atlntico del Norte (OTAN) adopt las
especificaciones AQAP (Allied Quality Assurance Procedures Procedimientos de
Aseguramiento de Calidad Aliados) estndares para los proveedores del equipo de la
OTAN.

1968LarevistaIndustrialQualityControlsereemplazapordosnuevaspublicaciones
delaASQC,QualityProgressyTheJournalofQualityTechnology.

19701974

Tukeypublicaen1970ExploratoryDataAnalyisis(EDA)
Juranpublicaen1970QualityPlanningandAnalysis
1970 Primera edicin de Time Series Analysis Forecasting and Control por Box y
Jenkins
13deabrilde1970,elmdulodeexploracinlunar,seutilizacomobotesalvavidaspara
quelosastronautasdelamisinalaluna,Apolo13,puedanregresarasalvoalatierra.
Se reconoce en parte que el plan de confiabilidad de Dorian Shainin aseguro que el
modulolunarresistieralosesfuerzosmsalldequesehabaplaneado.
1972JohnANelderyRobertW.Wedderburn,publican"Generalizedlinearmodels"que
generalizalaregresinlineal
1972 Se lanza MINITAB paquete estadstico iniciado por Barbara F. Ryan, Thomas A.
Ryan,Jr.yBrianL.JoinerdePennState.
1972LosDoctoresYojiAkao,ShigeruMizunoyFurukawadesarrollanunamatrizpara
relacionarlasnecesidadesdelclienteylascaractersticasdecalidadenAstillerosKobe,
eseliniciodelamatrizparaelDesplieguedelaFuncindeCalidad(QFD).
1973BoxyTiaopublicanBayesianInferenceinStatisticalAnalysis.
1973BenzcripublicasulibrosobreAnlisisdeCorrespondencia.
1974StephensencuentraqueelestadsticodelapruebaAndersonDarlingtienemayor
potenciaparadetectarnormalidad
1974 La Institucin Britnica de Estndares (BSI) public el estndar BS 5179, Guas
paraAseguramientodeCalidad.

19751979

1975 Dorian Shainin se retira de Rath Strong como vicepresidente y funda su firma de
consultorajuntoconsuhijoPeterShainin.
En Laboratorios Bell (19751976) se inicia en los departamentos de investigacin
estadsticaeldesarrollodellenguajeS,parainteractuarconlosdatosyusarelEDAde
Tukey,JohnChambersyRickBeckerllevarnelesfuerzoalolargodelosaos.
1976 SAS Institute, Inc. Fue incorporado por Anthony J. Barr, James Goodnight, John
SallyJaneT.Helwig.
1976 La Unin Japonesa de Cientficos e Ingenieros (JUSE) encarga a un comit la
bsquedadeherramientasparapromoverlainnovacin,comunicarinformacinyplanear
exitosamenteproyectosLas7nuevasherramientasdecalidadparalaadministracin.
1978BoxconHunteryHunterpublicanStatisticsforExperimenters:AnIntroductionto
Design,DataAnalysis,andModelBuilding
1979EnelReinoUnidosepublicaelestndarBS5750porBSIparatenerundocumento
de contrato comn entre todas las industrias para demostrar que se tena la produccin
concontroldecalidad.

1979AparecelaprimeraHojadeClculoparacomputadora:VisiCalc,hojaspopulares
hansidoLotus123,EXCELyGnumeric.

19801984

1980JuranpublicaUpperManagementandQuality
1980 Taguchi visita nuevamente los Laboratorios Bell (estuvo en 1962, no lo
entendieron) provoca un entusiasmo por sus mtodos y lo adoptan ingenieros en ITT,
Boeing,XeroxyFord
1980Statgraphicsunpaqueteestadsticofuecreadoen1980porelDr.NeilPolhemus.
1981IBMlanzalaprimeracomputadorapersonal,consistemaoperativodeMicrosofty
procesador de Intel. Aunque Atari y Apple haban iniciado, la PC de IBM creo el
mercado.
1981LaboratoriosBelldistribuyeellenguajeestadsticoSparausoeducativo.
1981 Ford Motor Company fue una de las primeras corporaciones estadounidenses a
buscar la ayuda de Deming. Deming no habl de la calidad, sino de gestin. Le dijo a
Fordquelasaccionesdegestinfueronresponsablesde85%detodoslosproblemasen
eldesarrollodemejorescoches.
1981NormanBodekiniciamisionesdehombresdenegociosestadounidensesaplantas
enJapn:descubre:elSistemaToyotadeProduccin
1982DemingpublicaOutofCrisisdondeaparecenexplicadossus14puntos.ElGrupo
de Accin de la Industria Automotriz (AIAG Automotive Industry Action Group) se
fundaen1982porGerentesdeChrysler,FordMotorCompanyyGeneralMotors.
1983 Taguchi es el director ejecutivo del Ford Supplier Institute, despus nombrado
comoAmericanSupplierInstitute
1983NormanBodekinicialaimpresindeobrastraducidasalInglsdelJaponssobrela
gestinJaponesaenlaeditorialProductivity.

19851989

1985 se presentan por Kackar y discuten las ideas de Taguchi en el Journal of Quality
Technology
1985laFundacinNacionaldeCienciadeEE.UU.(NSF)construyeunareddeconexin
decomputadoresdeuniversidades(NSFNET)
1986SepublicaenInglsZeroQualityControl:SourceInspectionandthePokaYoke
SystemdeShigeoShingosedescribeelsistemaapruebadeerrorescomoalternativa
al control estadstico de calidad por uno de los creadores del Sistema Toyota de
Produccin.
1986UnartculoporMainyLanganenlarevistaFortuneidentificacomogursdela
calidad,actuandoenlasempresasgrandesdeEstadosUnidos,a:Deming,Juran,Shainin,
Taguchi,FeigenbaumyCrosby.
15deenero1987,MotoroladirigidaporBobGalvinanuncioficialmenteellanzamiento
deSeisSigmayestablecelametadeSeisSigma:ellogrode3.4defectospormillnde
oportunidades.LaideapartedeBillSmithIngenieroSnioryGerentedeCalidad.

1987 El congreso de EE.UU. establece el premio de calidad The Malcolm Baldrige

NationalQualityAwardconlaASQCcomoadministradorconjunto.
1987 La Organizacin Internacional de Estndares (ISO) publica el estndar de
aseguramiento de calidad ISO 9000:1987 que tiene la misma estructura que el estndar
delReinoUnidoBS5750publicadoporBSI.
1987SedesarrollalaprimerasesinenEE.UU.deKaizenBlitz5dasyunanoche
porlacompaaShingijutsu,fundadaporYoshikiIwatayNakaoquefuerondirectivosde
Toyota. Se realiza en una planta en Bloomfield Connecticut. Promueve y participa
NormanBodek.
1988SeapruebalaconexindelareddecomputadorasdeinvestigacinNSFNETcon
operacionesdeinterscomercial.IniciaelInternet.
1988 aparece el libro azul The New S Language de Becker, Chambers y Wilks Se
redefineellenguajeS.
1988: SPLUS es producido por primera vez por la compaa Statistical Sciences, Inc.
FundadorynicodueoesR.DouglasMartin,profesordeestadsticaenlaUniversidad
deWashington,Seattle.BasndoseenellenguajeSdeLaboratoriosBell.
1988sepublicaenInglsManagementforQualityImprovement(the7newQCtools)
editadoporelDr.ShigeruMizuno,esladescripcindelassieteherramientasdecalidad
paralaadministracin(publicacinoriginalenJaponsen1979,sobreunencargohecho
porlaUninJaponesadeCientficoseIngenierosJUSEen1976).
1988JuranpublicaJuranonPlanningforQuality
1988MotorolaeslaprimeracompaaqueganaelpremionacionaldecalidadMalcolm
Baldridge otorgado por el congreso de EE.UU. Bob Galvin presidente de Motorola
declara: vamos a compartir Seis Sigma con el mundo, y volver a nosotros ... con
nuevasideasynuevasperspectivas
1989: StatLib un servidor abierto en la Universidad Carnegie Mellon para Datos,
SoftwareyNoticiasdelaComunidadEstadstica
PaqueteEstadsticoJMPdesarrolladoenlacompaaSASporJohnSallen1989
1989 En Ingls aparece la traduccin del libro de Shigeo Shingo, acerca del Sistema
Toyota de Produccin: A Study of the Toyota Production System: From an Industrial
EngineeringViewpoint.

19901994

1990 El primer estndar de calidad automotriz publicado por Chrysler, Ford Motor
Company y General Motors Measurement Systems Analysis Reference Manual
(MSA).
1990SepublicaenInglsellibro"QualityFunctionDeployment:IntegratingCustomer
Requirements into Product Design" por Yoji Akao Akao integro el QFD con la
Ingeniera de Valor y el despliegue de costos, la ingeniera de confiabilidad y la
ingeniera de cuello de botella desarrollada por el Dr. Furukawa. El QFD se desarroll
paramejorarlatransicindediseoamanufactura.
1990SepublicaelestudiodelInstitutoTecnolgicodeMassachusetts:Themachinethat
changedtheworld:basedontheMassachusettsInstituteofTechnology5milliondollar
5year study on the future of the automobile encabezado por Womack Las

compaasJaponesasestnbarriendoalmundo,LaproduccinLeaneselarmasecreta
Japonesaenlasguerrasindustriales
1991 CERN una organizacin Europea de Investigacin publicita el proyecto World
WideWeb:WWW.
1991 Se publica en Ingls el libro Hoshin Kanri: Policy Deployment for Succesful
TQM por Yoji Akao, (Hoshin ~ Brjula, Kanri ~ Control, Gestin) Proporciona un
mtodoparaplanear,hacer,controlaryactuarsobrelagestindecalidaddelaempresa
porlaaltagerencia.
1992apareceellibroblancoStatisticalModelsinSdeChambersyHastiequedefini
laversin3dellenguajeS.
1992SediscuteenlarevistaTechnometricslosmtodosdeTaguchi.
1992 Rodeado de un considerable debate de la filosofa, las enseanzas, y la
metodologadeGenichiTaguchienelcampodelaingenieradecalidadsepublicaTop
TenTriumphsandTragediesofGenichiTaguchiporPignatielloyRamberg
1993StatisticalSciencesadquierelalicenciaexclusivaparadistribuirellenguajeSyse
fusionaconMathSoft.
1993 Ross Ihaka y Robert Gentleman (R&R) publican en StatLib el cdigo de un
programaqueemulaellenguajeSbajolasintaxisdeScheme,lollamanR.
1993muereWilliamEdwardsDeming.
1993InicialapublicacindeQualityManagementJournalpublicadaporASQC.
1994SepublicadeformapstumaelltimolibrodeDemingTheNewEconomics:for
Industry,Government,EducationaqusepresentalaideadelSistemadeConocimiento
Profundo
1994SepublicaAnIntroductiontotheBootstrapporBradleyEfronyR.J.Tibshirani
deStanford,ellibroresumeeltrabajodeEfronenremuestreo.
1994SepublicaelestndardeaseguramientodecalidadISO9000:1994.
1994 AIAG fue seleccionado por la Supplier Quality Requirements Task Force de
Chrysler, Ford Motor Company y General Motors para supervisar la publicacin y
distribucin de la QS9000 y manuales relacionados con la calidad y administrar y
sancionar la formacin en QS9000. Este Estndar de Calidad Automotriz es vigente
hastadiciembrede2006,sesubstituyeporelestndarTS16949
LosSeisartculosmscitadosenEstadstica,segnStigler,sonde:Cox,Kaplan,Meier,
Duncan,Box,Dempster,Laird,Rubin,yEfron.

19951999

1995 El Lenguaje R una versin de S, desarrollado originalmente por Ross Ihaka y

RobertGentleman,seponedisponiblebajolalicenciadesoftwarelibre.
1995GeneralElectricdirigidaporJackWelchadoptaSeisSigmadeMotorola.
1995StevenSpear,entoncesestudianteenHarvardBussinessSchool,asignadoaestudiar
elSistemaToyotadeProduccin.Porqulasempresasqueusantodaslasherramientas
dejustoatiempodeToyota,nosonigualesendesempeo?
1996 La American Statistical Association (ASA) inicia el Journal of Statistical
Software publica artculos, reseas de libros, elementos de cdigo y revisiones de
software. Los contenidos estn disponibles gratuitamente en lnea. El cdigo fuente se

publicajuntoconelartculo.
1997 La ASQC retira Control de su nombre y queda como American Society for
Quality(ASQ)sumisinredefinida:promoverlaexcelenciaeneldesempeoenuna
ampliagamadeorganizacionesyactividadesdetodoelmundo.
1997selanzalaversin0.7dePMML(LenguajedeMarcasdeModeloPredictivo)un
lenguaje de marcado basado en XML. Que proporciona una forma estndar para
representarlosmodelosdemineradedatosparaqueestospuedansercompartidosentre
diferentesaplicacionesestadsticas.
1998apareceellibroverdedeJohnM.Chambers(1998),ProgrammingwithData,
quedefinelaversin4deS.
1998,laAsociacinparaMaquinariadeComputo(ACM)otorgosuPremioSoftware
SystemaJohnM.Chambers,elprincipaldiseadordeS.
1998LaASQlanzalarevistaSoftwareQualityProfessional.
1999 Steven Spear y Kent Bowen publican: Decoding the DNA of the Toyota
Production System, en Harvard Business Review. Culmina 4 aos de investigacin
etnogrficadeSpearenlospisosdeToyota,descubreentreotrascosaselusodelciclo
PDCAcomoherramientadeaprendizajeparaoperadores.

20002004

2000muereJohnWilderTukeyenPrinceton,NJ.EE.UU.
2000SalsburgD.publica"TheLadyTastingTea:HowStatisticsRevolutionizedScience
intheTwentiethCentury".EnlaeditorialW.H.Freeman.Unahistoriadedivulgacinde
laEstadsticaenelsigloveinte.
2000 Se publica el libro de Wu y Hamada Experiments: Planning, Analysis, and
Parameter Design Optimization presentan nuevas estrategias para el anlisis de
interaccionesendiseosdeexperimentos.
2000DavidX.Lipublicalafuncincopulagausiana,quefacilitaelclculoderiesgos
muy complejos, permitiendo la expansin de los mercados financieros a niveles no
imaginados.Anignorandolaslimitacionesdelmodelo.
Mikel J. Harry y Richard R. Schroeder en 2000 publican Six sigma: the breakthrough
managementstrategyrevolutionizingtheworld'stopcorporations.
2000laISOpublicaunnuevoestndardecalidadelISO9001:2000,substituyealISO
9000:1994,ahorahayunnfasisenlagestindelproceso.Sepublicanlos8principiosde
administracin de la calidad por el comit tcnico ISO/TC 176 en : ISO 9004:2000
quality management systems guidelines for performance improvements. Los 8
principios son: 1 Enfoque al cliente, 2 Liderazgo, 3 Involucramiento del personal, 4
MtodosdeProcesos,5MtodosdeSistemasparaAdministrar,6MejoraContinua,7
Mtodos con datos para tomar decisiones, 8 Relaciones mutuamente benficas con
proveedores.
2001MathSoftcambiadenombreaInsightfulCorporation,quienahoracomercializaS
plus,deshaceeltratoentreMathSoftyStatisticalSciences,Inc.
2001ASQlanzalapublicacinSixSigmaForumMagazine.
2001RogerHoerldeGeneralElectricdefineloquenecesitasaberunBlackBeltolder
deproyectoenSeisSigma,proponecomosuplementos:

1. Anlisis de Modo y Efecto de Falla (AMEF) (Automotive Industry Action

Group1995b)
2. DiseodeExperimentosGeneral(Box,Hunter,yHunter1978)(Montgomery
2000)
3. EstadsticaGeneral(Walpole,Myers,yMyers1997)
4. Anlisis del Sistema de Medicin Wheeler y Lyday (1990) (Automotive
IndustryActionGroup1990)
5. DiseosdeExperimentosconMezclas(Cornell1990)
6. DesplieguedelaFuncindeCalidad(QFD)(Cohen1995)
7. Regresin(DraperandSmith1998)(Montgomery,Peck,yVining2001)
8. Confiabilidad(MeekeryEscobar1998)
9. MetodologadeSuperficiedeRespuesta(MyersyMontgomery1995)
10. Control Estadstico del Proceso Wheeler y Chambers 1992) (Automotive
IndustryActionGroup1995a)(Montgomery2001)
11. PensamientoEstadstico(HoerlySnee2002)
SeriesdeTiempo(Box,Jenkins,yReinsel1994)
2001LaRoyalStatisticalSocietypublicauncomunicadodenunciandoelmalusodela
estadsticaenelcasodeSallyClarkacusadadeasesinatodesus2hijosrecinnacidos.
Ellafueliberadaen2003despusde3aosdecrcel.
2002SepublicanlosestatutosdelaFundacinRparaelavancedelproyectoR,crear
un ambiente de computacin basndose en el lenguaje R, de computo estadstico, un
lenguajenomuydiferenteaS.
2002selanzaelnuevoestndardecalidadautomotrizISO/TS16949:2002
2002 Anita Tucker con Edmonson y Steven Spear, utilizando el mtodo etnogrfico
aplicadoporSpearenToyotaempiezalaaplicacindelosdescubrimientosdeSpearen
Hospitales,publica"Whenproblemsolvingpreventsorganizationallearning"
2003EnMotorolafusionanlosconceptosdeLeanySeisSigma
2004 Insightful compra el lenguaje S de Lucent Technologies (sucesores de
LaboratoriosBell)por$2millonesdedlares.
2004NormanBodekrecuentasudescubrimientodelmovimientodegestinJaponsen
ellibroKaikaku.

20052009

2006 expira el estndar de calidad automotriz QS 9000 y lo substituye el ISO/TS

16949:2002
2007LiptonyRenniedeMerrillLynchInternationaleditanellibroCreditCorrelation:
LifeAfterCopulas,dndesedenunciaelmalusodelmodelodecopulagausianapara
modelarelriesgomultivariantefinancierodeLi.
2008TIBCOadquiereInsightfulCorporation,quienhacomercializadoelSplus
2008muereJuranalos103aosdeedad
2008sepublicaelestndardeadministracindelossistemasdecalidadISO9001:2008
que substituye al ISO 9001:2000 mayormente es una correccin de lo publicado en el
anterior y para guardar congruencia con el estndar de administracin de sistemas
ambientalesISO14001:2004.Alafechaexistanasociadosademsestndaresasociados

para administracin de sistemas de acuerdo al sector de actividad: Automotriz ISO/TS

16949:2002, Educacin IWA 2:2007, Energa PC 242, ISO 50001, Inocuidad de
alimentosISO22000:2005,SeguridaddeinformacinISO/IEC27001:2005,Cuidadode
la Salud IWA 1:2005, Gobierno Local IWA 4:2009, Instrumentos mdicos ISO
13485:2003,PetrleoygasISO/TS29001:2007,RiesgoISO31000,RecicladodeBarcos
ISO30000:2009,SeguridadencadenadesuministrosISO28000:2007.
2009 Lenguaje Estadstico R en reportaje en New York Times, Analistas de Datos
cautivadosporelPoderdeR.
PMML versin 4.0 fue lanzado en junio de 2009. Un lenguaje de marcado basado en
XMLparaproveerunavadeaplicacionesparadefinirmodelosrelacionadosaminera
dedatosyanlisispredictivos(estadsticayteoradedecisiones)yparacompartirestos
modelos.
2009 Felix Salmon en Wired Magazine culpa a la frmula de Li (Li 2000) de Funcin
GausianadeCopuladeserunadelascausasdelacrisisfinanciera,secitaaTaleb(Taleb
2007). Li regreso a China un ao antes y su empleador, una agencia financiera del
gobierno,nopermitequehagadeclaraciones.
2009 el estndar de calidad automotriz ISO/TS 16949:2002 substituido por ISO/TS
16949:2009
2009 Steven Spear publica Chasing the Rabbit resume su trabajo desde 1995,
Investigandosobremejoraenlasorganizaciones.

2010

Msde2,100paquetesescritosparacomplementaraR

Esta evolucin nos ayuda a comprender de dnde proviene la necesidad de ofrecer una
mayor calidad del producto o servicio que se proporciona al cliente y, en definitiva, a la
sociedad,ycmopocoapocosehaidoinvolucrandotodalaorganizacinenlaconsecucinde
este fin. La calidad no se ha convertido nicamente en uno de los requisitos esenciales del
productosinoqueenlaactualidadesunfactorestratgicoclavedelquedependenlamayorparte
de las organizaciones, no slo para mantener su posicin en el mercado sino incluso para
asegurarsusupervivencia.

1.7FuncinTaguchidePrdida(Fuente1)

Enlosaosochenta,elDr.GenichiTaguchidesarrollenJapnunmtodo
aproximadoparacalcularlasprdidasqueocasionaalasociedadunproducto
demalacalidad.Ensudefinicindelacalidaddejaclaroesteconcepto:"la
prdidaqueunproductocausaalasociedaddespusdeembarcarlo,excepto
lasprdidascausadasporfuncionesintrnsecas".

ParaTaguchi,laprdidadelasociedadincluye

loscostosincurridospornocumplirelproductoconlasexpectativasdelcliente

loscostospornocumplirelproductoconlascaractersticasdefuncionamiento

loscostoscausadosporlosefectospeligrosossecundarioscausadosporelproducto.

Enlasempresasdemanufactura,laFuncinTaguchidePrdidatambinsepuedeaplicarenel
"cumplimientodelasespecificaciones"deunproducto.

1.7.1ModeloTradicionaldeloscostosasociadosenelcumplimientodelasespecificaciones
Muchasempresas,quedansatisfechasoconformescuandolascaractersticasdecalidad
de un producto quedan dentro de las especificaciones. Segn este modelo, errneamente se
piensaquemientrasestamosdentrodelatolerancia,noexistenprdidasasociadas.Supongamos,
por ejemplo, que las especificaciones de un determinado producto es 0,600 0,003. Veamos
ahoracomosereflejaestoenelsiguientegrfico:

1.7.2ModeloFuncinTaguchidePrdida
Perolarealidad,segnTaguchi,esquemientrasmenorsealavariacinconrespectoal
valorobjetivo,mejorserlacalidad.Laprdidaaumenta,comofuncincuadrtica,cuandouno
sealejamsdelvalorobjetivo.Lasiguientegrficailustraesteconcepto:

LaFuncindePrdidaestrepresentadaporlasiguienteecuacin:

dondeL(x)eslafuncindeprdida,xescualquiervalordelacaractersticadelacalidad,Tel
valordeseadoy,kunaconstante.

Nota:Eltrminointrnsecodenotaunapropiedaddealgunacosaoaccinqueesesencialpara
esa cosa o accin y que es totalmente independiente de cualquier otro objeto, accin o
consecuencia.
1.7.3FuncinTaguchidePrdida(Fuente2)
Enunaformasimple,lafuncindeprdidaesunaformademostrarcomounaparteno
perfectamentemanufacturadaresultaenunaperdidaparalacompaa.
Unadefinicinmstcnicacomprende:Representacinparablicaqueestimalaprdida
de calidad expresada en forma monetaria, que resulta cuando la caracterstica de calidad se

desva del valor objetivo. El costo de esta deviacin se incrementa en forma cuadrtica si la
caractersticadecalidadsealejadelvalornominal.
Notequelaperdidadebidaalavariacinesproporcionalalcuadradodeladesviacinde
lacaractersticadedesempeodesuvalornominalmultiplicadoporunaconstante

La prdida puede ser cuantificada por parte. El poder medir la perdida nos motiva a
enfocarnosenreducirlavariacindadoquecomprendemosqueunamnimadesviacindelvalor
nominalresultaenunaperdida.Latendenciaseriatratardemantenerelproductoyelprocesotan
cercanosalvalornominaltantocomoseaposible.Estoeslobeneficialdelametodologade
Taguchi,nosmantieneenfocadosenlanecesidaddelamejoracontinua.
Ejemplodeaplicacindelafuncindecosto(tareadeinvestigacin)

3. Experimentoscon3niveles
Ahoradiscutiremoseldiseo3k,queesunarreglofactorialconkfactorescadaunoa3
niveles.Losfactoreseinteraccionesserepresentanconletrasmaysculas.Ahoranosreferiremos
alosnivelesdelfactorcomobajo,medioyalto.Hayvariasformatosparacodificarlosniveles
sinembargousaremos0parabajo,1paramedioy2paraalto.Cadacombinacindetratamientos
en el 3k ser representada por k dgitos, donde el primer digito indica el nivel del factor A, el
segundoelniveldelfactorByelkdigitoindicaelniveldelfactork.Porejemploenundiseo
32,00representalacombinacindetratamientosconAyBambosanivelbajoy01representala
combinacin de tratamientos con A a nivel bajo y B a nivel medio. Las siguientes figuras
muestranlageometradel32y33respectivamente.

Estesistemadenotacinpodrahabersidousadoeneldiseo2kcon0y1enlugarde1
y +1. En el 2k preferimos usar la notacin de +1 y 1 porque facilita la vista geomtrica del
diseo y porque es directamente aplicable a modelacin, bloqueo y construccin de diseo
fraccionados.
Enelsistema3kcuandolosfactoressoncuantitativosconfrecuenciarepresentamoslos
nivelesbajomedioyaltocon1,0y1respectivamente,estofacilitaelajustedeunmodelode

regresin que relacione la respuesta con los niveles de los factores. El 3k es ciertamente una
posibleeleccinparaalguieninteresadoenlacurvaturadelafuncinderespuesta,sinembargo
dospuntosdebenserconsiderados:
1) El diseo 3k no es la forma ms eficiente de modelar una relacin cuadrtica los
diseodesuperficiederespuestasonunaalternativasuperior.
2) Eldiseo2kaumentadoconpuntoscentralesesunaformaexcelentedeobteneruna
indicacindelacurvatura.Nospermitemantenereltamaoycomplejidaddeldiseo
bajosysimultneamenteobtenerciertaproteccincontralacurvatura.Silacurvatura
fueseimportanteeldiseode2nivelespuedeseraumentadoconpuntosaxialespara
crearundiseocentralcompuesto(Figura636).Estaestrategiadeexperimentacin
esmuchomseficientequecorrerundiseo3kconfactorescuantitativos.

Ejemplo91
Una maquina es usada para llenar contenedores metlicos de 5 galones con jarabe de
refresco.Lavariabledeinterseslacantidaddejarabeperdidodebidoalescurrimiento.Secree
que tres factores influencian el escurrimiento: el diseo de la boquilla dosificadora (A), la
velocidad de llenado (B) y la presin (C). Tres boquillas, tres velocidades de llenado y tres
presiones son escogidas y dos rplicas de un experimento factorial 33 son corridas. La
informacinsemuestraenlaTabla91.

AlrealizarelanlisisdevarianzaenDesignExpertseobtiene:

La velocidad de llenado y la presin son factores cuantitativos. Por lo tanto podramos un

modelo cuadrtico que contenga a los dos factores, presin y velocidad, para cada nivel del
factorcualitativo(tipodediseodelaboquilla)

Cuando se construyen grficos de contornos para un experimento que contiene una

mezcla de factores cuantitativos y cualitativos, no es inusual encontrar que la forma de las
superficiesderespuestaenlosfactorescuantitativossonmuydiferentesacadaniveldelfactor
cualitativo,Cuandoestoocurre,implicaquelascondicionesptimasdeoperacinentrminos
delosfactorescuantitativossonmuydiferentesacadaniveldelosfactorescualitativos.

Experimentosconnivelesmixtos
Hastaahorahemosenfatizadoexperimentosfactorialesyfactorialesfraccionadosenlos
quetodoslosfactorestienenelmismonmerodeniveles.Elsistemade2nivelesdiscutidocon
anterioridadesparticularmentetil.Elsistemadetresnivelespresentadopreviamenteesmucho
menostilporquesondiseorelativamentelargosaunparauntamaoreducidodefactoresy
muchas de las fracciones que se pueden construir tienen una estructura de alises muy
complicada.
Los experimentos factoriales y los factoriales fraccionados de 2 niveles deberan ser la
piedra angular de la experimentacin industrial para desarrollo de productos y procesos,
resolucindeproblemasymejoramientodelacalidad.Existensinembargoalgunassituaciones
enlasqueesnecesarioincluirunfactor(ovarios)quetienenmsde2niveles.Estousualmente
ocurrecuandohayfactorescuantitativosycualitativosenelexperimento.Sitodoslosfactores
fuesen cuantitativos entonces un diseo de 2 niveles con puntos centrales debera ser
empleado.

Optimizacin:
Muchosproblemasdesuperficiederespuestainvolucranelanlisisdevariasrespuestas.
Simultneaconsideracindemltiplesrespuestasinvolucraconstruirunmodelodesuperficiede
respuestaapropiadoparacadarepuestaydespustratardeencontrarunconjuntodecondiciones
de operacin que optimicen todas las respuestas o que al menos las mantiene dentro de los
rangosdeseados.Supongaqueunexperimentadorestinteresadoenoptimizar2respuestasdeun
experimentoquecontiene3,yseleccionalasrespuestasy2yy3,quecorrespondenaviscosidady
pesomolecularrespectivamente.Losmodelosparalaviscosidadypesomolecularestndados
por:

Lassuperficiederespuestaparalaviscosidadestdadapor:

Lasuperficiederespuestaparaelpesomolecularestdadapor:

Un enfoque relativamente sencillo para optimizar varias respuestas que funciona bien
cuandohaysolounaspocasvariablesessobreponerlosgrficosdecontornos.

3566
3386
3205

3025

3746
Viscosidad
PesoMolecular

Por ejemplo, si se deseara maximizar la viscosidad pero que el peso molecular no

rebasaraunvalorde3210grados,entoncesunareginapropiadaseriausaruntiempode80.29y
unatemperaturade174
Un enfoque popular es formular y resolver el problema como un problema de
optimizacinconrestricciones.Podramosformularelproblemacomo:

Maxy2
Sujetoa:
y3 3210

Hay varias tcnicas numricas que podran solucionar este problema. Algunas veces
estastcnicassonllamadasmtodosdeprogramacinnolineal.
Otro enfoque til para optimizacin de respuestas mltiples es el uso de la tcnica de
optimizacinsimultneapopularizadaporDerringerySuich(1980).Suprocedimientohaceuso
de funciones de deseabilidad. El enfoque general es primero convertir cada respuesta yi a una
funcindedeseabilidadindividualdiquevarasobreelrango.

Silarespuestayiestensuvalordeseado,entoncesdi=1,ysilarespuestaestfueradela
regin de aceptacin, entonces di =0. Despus las variables son escogidas para maximizar la
deseabilidadgeneralquesedefinedelasiguientemanera

Las funciones individuales de deseabilidad estn estructuradas como se muestra en las

siguientesfiguras.SielobjetivoTparalarespuestaesunvalormximo,entonces

Cuandoelpesoresiguala1,lafuncindedeseabilidadeslineal.Alescogerr>1seponems
nfasisenestarcercadelvalorobjetivoTyalescoger0<r<1sehacemenosimportanteestar
cerca de dicho valor nominal. Si la el valor objetivo para la respuesta es mnimo entonces
tenemos

Lafuncindedeseabilidadde2ladosasumequeelvalorobjetivoestlocalizadoentre
loslmitesbajo(L)yalto(U)ysedefinecomo:

DesignExpertpuedeserusadoparaoptimizarexperimentos(OptimizacinNumrica)

a) Mayoresmejorb)Menoresmejor

c) Valornominalesmejor

EXPERIMENTACINSECUENCIAL
ANTECEDENTES
La experimentacin secuencial es una estrategia sumamente efectiva cuando se realiza diseo
experimental ya que provee un elemento de eficiencia que es requerido para tener xito. Sin la
experimentacinsecuencialmuchosexperimentosserianinfactiblesdebidoalasobviasrestriccionesen
costos,oundesperdiciodedineroyrecursossiunexperimentocompletodescubrequenohayfactores
significativos. Esta importante rea de investigacin se dedica a encontrar las mejores formas de
combinarlascorridasdedosomsexperimentosparaformarundiseodemayortamaoqueseacapaz
deestimarlosefectosdefactoreseinteraccionesdeinters.
El experimento inicial es generalmente una fraccin que funciona como un experimento
exploratorio en el que el objetivo es determinar las variables que rigen el sistema. El segundo
experimentotienecomoobjetivoresolverambigedadesalclarificarlaestructuradealiasesdeldiseo
combinado. La forma en que las corridas de la segunda fraccin son seleccionadas depende de la
informacinobtenidaapartirdeldiseoinicial,delosobjetivosdelexperimento,delaformaenquela
fraccininicialfueseleccionada(resolucin)yderestriccionesencostos.Porlotanto,unaricavariedad
deesquemasdeexperimentacinsecuencialexisten.
La prctica comn cosiste en correr una fraccin inicial de la ms alta resolucin posible
construida usando el criterio de aberracin mnima. La segunda fraccin es comnmente construida
usandounatcnicadeaumentoestndarconocidacomofoldover(BoxandHunter(2005),Neter(1996),
WuandHamada(2000),Montgomery(2009).Elfoldoverreviertelossignosdeunoomsfactoresdel
diseo inicial en la segunda fraccin Planes de foldover (grupos de columnas cuyos signos deben
invertirse) para un solo factor fueron discutidos inicialmente por Box (1978), estos planes tenan como
propsitodesacoplarunfactorespecficodesusaliases.
Aunque el foldover prob ser una tcnica de aumento popular entre experimentadores, varios
autores sealaron sus deficiencias y comenzaron a desarrollar tcnicas ms eficientes, enfocndose en
reducir el nmero de corridas del foldover mientras obtenan la misma informacin del sistema, como
resultadoelsemifold(correrlamitaddeunfoldover)yelquarterfold(aproximadamentelacuartapartede
unfoldover)fuerondesarrollados.
LasleccionesaprendidasdelosquarterfoldsdesarrolladospararesolucinIVfueronextendidasa
otros tipos de diseos como resolucin III, diseos robustos y diseos de niveles mixtos (Ros, 2009).
Extender la investigacin iniciada para estos tipos de diseos es el principal objetivo de esta
investigacin. A continuacin se presentar a detalle el trabajo realizado en esta rea hasta la fecha as
comolajustificacinparaseguirinvestigadoesteimportanteaspectodeldiseoexperimental.
El foldover es una tcnica de experimentacin secuencial empleada para desacoplar trminos
especficosoparaincrementarlaresolucindeundiseoinicial(usualmenteunafraccin)alaadiruna
segunda fraccin o un grupo pequeo de corridas que es obtenido al cambiar los signos de una o ms
columnas (diseos de dos niveles) o al rotar una o ms columnas (diseos de 3 niveles y de niveles
mixtos) en el diseo inicial. (Box, Hunter, & Hunter (2005), Neter (1996), Wu and Hamada (2000),
Montgomery(2005)).
Lanocindefoldoverapareciaprincipiosdelos50s,unclaroejemploeselartculopublicado
por Box y Wilson (1951). En la terminologa de los autores, un diseo de tipo B (foldover) puede ser
obtenidoalduplicarconsignosinvertidoslamatrizdevariablesindependientesparaeldiseodetipoA
(fraccininicial).En1961BoxyHunterintrodujeronlapalabrafoldoverparanombraraestatcnicay
en 1978 Box, Hunter and Hunter extendieron el concepto a plan de foldover que es el conjunto de
columnas de la fraccin inicial cuyos signos son invertidos en la fraccin de foldover. La estrategia de
foldoveresdiferentedependiendodelaresolucindelafraccininicial(IIIoIV),poresarazn,todoslos
posiblescasosnecesitanserexplicados.

ElprimercasoeselfoldoverdecolumnasimpleparafraccionesderesolucinIII.Montgomery
(2005)presentaunejemplodeunfoldoverparcialaplicadoaunafraccinderesolucinIII.Elfoldoveres
parcialporquelossignossoninvertidosparaunasolacolumna(FactorD)yesaplicadoaundiseode
resolucin III con 6 factores. Box, Hunter y Hunter (2005) presentan la misma tcnica aplicada a un
diseoderesolucinIIIcon7factores,aligualqueenelejemplodeMontgomery,lacolumnainvertida
correspondealfactorD.
El ejemplo proporcionado por Box ser mencionado aqu brevemente para ilustrar el uso de la
tcnica.Lafraccininicialeraunadieciseisavapartedeundiseofactorialcon7factoresyconrelacin
definidora I = ABD = ACE = BCF = ABCG. El experimento revel que las columnas [B] y [D] eran
estadsticamentesignificativas.ElexperimentadorestabainteresadoenestimarelefectodelfactorDlibre
desusaliasesydecidicorrerunasegundafraccinconlossignosparaelfactorDinvertidos.Engeneral,
cuandounafraccinconlossignosdeunfactorinvertidoesaadidaaundiseofactorialfraccionalde
resolucin III o ms alta, el diseo combinado proporcionara estimaciones del efecto de ese factor
principalascomodetodassusinteraccionesde2factores(Montgomery,2009).Lasdosfraccionesson
combinadasparaformarundiseoenquecadafraccinestratadacomounbloque.Larelacindefinidora
completaparaeldiseocombinadopuedeserobtenidausandolareglaparafoldover1desarrolladapor
MontgomeryyRunger(1996).
ElsegundocasoeselfoldoverdecolumnamltipleparafraccionesderesolucinIII.Cuandoseaade
una segunda fraccin con todas las columnas invertidas a una fraccin de resolucin III se rompen las
correlaciones entre los efectos principales y las interacciones de 2 factores. Esta estrategia fue llamada
foldoverdecolumnamltipleporBoxet.al.(2005)yfoldovercompletoporLiandLin(2003).Cuandoel
foldover de columna mltiple es aplicado a un diseo de resolucin III, la combinacin de las dos
fraccionesesalmenosresolucinIV.
Aunque el foldover de columna mltiple es el mtodo preferido para aumentar diseos de
resolucinIII,mejorasaestatcnicahansidohechas.LiyMee(2002)describenunafamiliadediseos
de resolucin III en que la recomendacin usual de invertir todos los factores no es necesariamente la
mejor opcin. Para diseos de esta familia fracciones de foldover alternativas no slo incrementan la
resolucinaIVsinoquetambinseparanalgunasdelasinteraccionesde2factores.Esimportanteestar
conscientes de que existen diseos de resolucin III para los que ms de una fraccin de foldover
incrementarlaresolucindeIIIaIVycuandoestosucedelafraccindefoldoverobtenidaalinvertir
todaslascolumnasesundiseoinferior.
En forma adicional Miller and Sitter (2005) realizaron foldovers de fracciones eficientes no
ortogonalesderesolucinIIIyobtuvierondiseosnoortogonalesderesolucinIV,despuscompararon
estos diseos con sus competidores (diseos de resolucin III ortogonales de igual tamao tales como
factorialesfraccionadosydiseosPlacketBurman).Estosdiseossedesempearontanbienomejorque
sus competidores en trminos de seleccin del modelo correcto cuando unas pocas interacciones de 2
factoresestabanpresentesysedesempearonsignificativamentepeorquelosdiseosderesolucinIIIen
trminosdeidentificarcorrectamentelosefectosprincipales.
El tercer caso involucra el foldover de columna simple para diseos de resolucin IV.
MontgomeryyRunger(1996)mencionanqueunfoldoverdeundiseoderesolucinIVpuedetenerlos
siguientes objetivos: Romper tantas cadenas de interacciones de 2 factores como sea posible, romper
todaslasinteraccionesdedosfactoresenunacadenaespecficayromperlasinteraccionesdedosfactores
que involucran un factor especfico. Para diseos de resolucin IV podemos estimar los efectos
principalesytodaslask1interaccionesdedosfactoresparaunfactoralrevertiresefactor.
El cuarto caso es el foldover de dos columnas para diseos de resolucin IV. Montgomery y
Runger(1996)consideraronfoldoversgeneradosalinvertirlossignosdedosfactores.Ensuanlisisellos
descubrieron que al cambiar los signos de dos columnas en lugar de una, tiene el potencial para
desacoplar ms interacciones de dos factores y afirman que revertir los signos de dos columnas puede
reducirelnmerodetrminoscorrelacionadosenun50%.Esclaroquecuandoelobjetivoesdesacoplar
msinteraccionesdedosfactoresestemtododeberaserpreferido.Enformaadicionalalgunospaquetes

de software consideran diferentes estrategias. Por ejemplo, RS/Discover sugiere revertir los signos del
factorsielgeneradorenelquedichofactorestinvolucradoesunapalabraimpar(LiyLin,2003).
Comouncomentarioadicionalsehamencionadoabundantementeenlaliteraturaqueunfoldover
para resolucin IV no necesariamente separara todas las interacciones de dos factores. Si la fraccin
originalposeeunaestructuradealiasesconmsdedosinteraccionesdedosfactoresencualquiercadena
dealiaseselfoldovernosepararatodaslasinteraccionesdedosfactores.ParadiseosderesolucinIVla
estrategia de invertir los signos de todas las columnas no es directamente aplicable porque el diseo
combinadoresultantetendrelmismonmerodepalabrasde4letras(LiyLin,2003).
El cuarto caso lo constituye el semifold para diseos de resolucin IV. El correr un foldover
completogeneraundiseocombinadocompletamenteortogonalperoplanesdefoldovercompletamente
ortogonalessonconfrecuenciaineficientesenelsentidodequeslolamitaddelosgradosdelibertad
puedenserusadosparaestimacindeefectosprincipaleseinteracciones(Daniel,1962).Danieldiscuti
unampliorangodeesquemasdeexperimentacinsecuencialqueincluyenfraccionesadicionalesqueson
mspequeasquelafraccininicial.Elsugiriaumentarunafraccinde8factoresresolucinIVcon8
corridas adicionales para estimar las siete interacciones de dos factores que involucraban a un factor
especfico. Esta estrategia particular fue llamada semifold por Barnett, Czitrom, John y Leon (1997)
porqueinvolucrabacorrerlamitaddelafraccindefoldover.
Montgomery (2001) seala que un foldover completo para un diseo de resolucin IV es
usualmente innecesario porque generalmente hay solo una o dos (o muy pocas) interacciones
correlacionadas que son de potencial inters. Estas interacciones pueden ser fcilmente desacopladas al
aadirunnmeropequeodecorridasalafraccininicial,unatcnicaconocidacomofoldoverparcial.
MeeyPeralta(2000)consideranquelosdiseosdefoldoverquesiguenaunafraccinderesolucinIV
songeneralmenteineficientesentrminosdegradosdelibertadporqueenlamayoradelassituaciones,
aadirunasegundafraccindetamaondelamismafamilia,proveermenosquen/2gradosdelibertad
adicionales para interacciones de dos factores. El semifold involucra dos pasos, escoger la fraccin de
foldoveryseleccionarlamitaddelascombinacionesdetratamientosparasercorridas.
Barnettet.al.(1997)presentauncasodeestudioenqueunsemifoldesaplicadoaunafraccin
resolucinIVde6factoresseencontrquelainteraccionesAF+DE,AD+EF,AC+BE,yAE+BCeran
significativas.DadoqueelfactorAestabainvolucradoenlascuatrointeracciones,lafraccindefoldover
seobtuvoalrevertirlossignosdeestefactor.Despusslo8corridasadicionalesenlasqueelfactorera
positivofueronutilizadasparacrearelsemifold.Deberecalcarsequefoldoverscompletosparafracciones
deresolucinIVsondignosdeconsideracinsiprecisindelosestimadoresdelosefectosesrequerida
perosonunamalaopcinparaaumentardiseoscuandoelobjetivoesestimarmsefectos.
El quinto caso es el semifold para fracciones de resolucin III. Mee y Peralta (2000) no
recomiendanelsemifoldcomounaestrategiatilparaestimarmsefectosdespusdehabercorridouna
fraccinderesolucinIII,ensulugarellosprefierenelsemifoldcomoelprimerpasodeunaestrategiade
confirmacin.Silosresultadosdelafraccindesemifoldnosonlosesperados,laotramitadpuedeser
corrida,estoaplicatambinafraccionesderesolucinIV.
Li y Lin (2003) estudiaron planes de foldover ptimos para diseos regulares ortogonales con
respecto al criterio de aberracin mnima del diseo combinado. Li, Lin and Ye (2003) extendieron el
anlisisadiseosortogonalesnoregularesusandounaherramientamatemticaconocidacomolafuncin
indicadora.Guo(2006)desarrollplanesdefoldoverptimosparadiseosdenivelesmixtos.
Enalgunassituacionesenlasquehaycadenassimplescorrelacionadas,eldesacoplamientopuede
ser alcanzado en menos corridas que un semifold. Misra (2006) present un mtodo conocido como
QuarterfoldqueseenfocenaadircorridasaunexperimentofactorialfraccionalresolucinIVdedos
niveles. Las corridas fueron aadidas hasta que las cadenas de aliases bajo investigacin se separaron.
SimulacinMonteCarlofueusadaparagenerarinformacinsimulada,5000setsdeinformacinfueron
simuladosparacadamodelousandoSASversin9.1.Unmodeloconocidofueusadoparacompararel
desempeodelostresmtodos(quarterfold,semifoldyfoldover)bajo3condicionesderuido.
Unprocedimientofuediseadoparaaadircorridashaciendonfasisenmantenerlascolumnas
del diseo tan ortogonales como fuese posible. Las columnas de interacciones que necesitaban

desacoplarsefueronidentificadasycorridasadicionalesfueronaadidasparadesacoplarestascadenasen
lugardelosefectosprincipales,enestaformaelnfasisfuepuestoenlascolumnasdeinteraccionesde
dos factores que necesitaban ser desacopladas. Una vez que las corridas para las columnas
correlacionadas fueron determinadas, un algoritmo fue proporcionado para aadir los signos a las
columnas de efectos principales en el diseo. Esta investigacin mostr que en algunas situaciones, el
modelocorrectopuedeserencontradousandomenoscorridasqueunsemifold.
Losprocedimientoshastaahoradescritosusansecuenciasdefraccionesadicionalesdelamisma
familia, En forma adicional, Miller y Sitter (2001) estudiaron foldovers de diseos Placket Burman, un
tipodediseonoregular.Recientemente,MillerySitter(2005)examinaronelusodediseosdefoldover
noortogonalesyDaniel(1962)estudiosecuenciasdefraccionesadicionalesdefamiliasdiferentespero
equivalentes.
La parte previa de estos antecedentes se ha enfocado en experimentacin secuencial aplicada a
diseosregularesdedosniveles.Sinembargoexisteotrotipodediseoquejuegaunpapelimportanteen
laexperimentacinindustrial.Losdiseosfactorialesdenivelesmixtossondiseoscuyosfactorestienen
diferentes nmeros de niveles. Estos diseos son ampliamente usados en experimentos que involucran
factorescuantitativosycualitativos.Losdiseosdenivelesmixtospresentanelmismoproblemaquelos
dedosniveles,quees,cuandoelnmerodefactoresynivelesdefactoresseincrementa,elnmerode
corridas se incrementa dramticamente. En forma adicional, mantener la propiedad de balance requiere
demasiadascorridasenalgunassituaciones.
Existen investigaciones que se ha enfocado en desarrollar fracciones ortogonales o
aproximadamenteortogonalesdediseosdenivelesmixtosfactoriales.Guo(2003)usounnuevocriterio
de optimalidad llamado coeficiente de balance para evaluar la propiedad de balance de la matriz del
diseoycriteriodeoptimalidadJ2modificadoquepuedeserusadoparamedirelgradodeortogonalidad
de matrices de diseo desbalanceadas. Estos criterios fueron combinados en una funcin objetivo a ser
optimizada.Unalgoritmogenticofueutilizadoparaconstruirfraccioneseficientes.
Elpropsitobsicodelalgoritmogenticofueescogerunsubgrupodencorridasdeunamatriz
quecontenatodaslasposiblescombinaciones.Estascorridasconstituyenunapropiadodiseodeniveles
mixtos que optimiza la funcin objetivo. Existe una rica literatura sobre construccin de diseos de
niveles mixtos. Para una revisin completa de los diferentes algoritmos de construccin propuestos por
diferentesautoresveaGuo(2003).
La tcnica de foldover comnmente utilizada para diseos de dos niveles no puede ser
directamente aplicada a los diseos de niveles mixtos porque estos diseos contienes factores con
diferentesnmerosdeniveles.Unmtodoparacrearfoldoversparaestetipodediseosconsisteenrotar
los niveles de los factores. La rotacin cambia cada nivel de factor a un nivel diferente y despus la
fraccinoriginalylafraccindefoldoversejuntanparacrearundiseocombinadoGuo(2006)usoun
criteriollamadondicedebalancegeneralosimplementeGBMparaevaluarycomparardiseos.Conel
criterio de GBM los planes de foldover ptimos fueron encontrados al avaluar todas las alternativas
posibles.Unplandefoldoveresunacombinacindecolumnasaserrotadas.
Note que esta investigacin es similar a la realizada por Montgomery para los diseos de
resolucin IV en la que recomendaciones para cambiar los signos de una o ms columnas son
proporcionadas.Enestecasonocambiamoslascolumnassinoquelasrotamos.Guo(2006)mencionaque
mejoresresultadospodranserobtenidosalbuscarcorridasadicionalesdeldiseofactorialcompleto.
En lo que respecta a diseos robustos la literatura actual no contena ningn trabajo sobre
estrategiasdeexperimentacinsecuencialparadiseosrobustos.Lamayoradeltrabajorealizadoenesta
rea se enfocaba en la metodologa de Taguchi el enfoque de superficie de respuesta o en resolucin
mixta, sin embargo la experimentacin secuencial nunca haba sido parte del anlisis. Ros (2009)
presenta un trabajo que proporciona las bases para realizar experimentos secuenciales de diseos
robustos,steyotrastcnicassernexplicadasacontinuacin.

DEFINICINDEFOLDOVER
Foldover: Tcnica de experimentacin secuencial empleada para desacoplar trminos
correlacionados especficos o para incrementar la resolucin de un diseo inicial (usualmente una
fraccin)alaadirunasegundafraccinoungrupomspequeodecorridasqueesobtenidoalinvertir
los signos de una o ms columnas (diseos de 2 niveles) o al rotar una o ms columnas (diseos de 3
nivelesodiseosdenivelesmixtos)eneldiseoinicial.Undiseoesundiseofoldoversilamatrizde
diseoXpuedeserrepresentadacomo:

Donde el diseo inicial es una matriz de n k cuyos elementos toman valores de 1 para
diseosde2niveles,{0,1,2}paradiseosde3niveleso{0,1,2,3,4}paradiseosdenivelesmixtosy
esunamatrizdemnrenglonesykcolumnasobtenidaalcambiarlossignosde1kcolumnasenD
sieldiseoinicialcontienefactorescon2nivelesoalrotar1kcolumnasinDsieldiseoinicial
contienefactoresconmsde2niveles.
Lanocindefoldoverapareciaprincipiosdelos50s,unclaroejemploeselartculopublicado
porBoxyWilson(1951).EnlaterminologadelosautoresUndiseodetipoBpuedeserobtenidoal
duplicarconsignosinvertidoslamatrizdevariablesindependientesparaeldiseodetipoA.Latcnica
nosellamabafoldoverperoelconceptoesclaramenteelmismo.En1961BoxyHunterintrodujeronla
palabrafoldoveryen1978,Box,HunteryHunterextendieronelconceptoaplandefoldoverquees,el
grupodecolumnascuyossignosseinvierten.
Basadosenestainformacinpodemosconcluirquelatcnicadefoldoveremergiaprincipiosde
los 50s, el concepto de foldover fue formalmente introducido en 1961 y los planes de foldover fueron
introducidosen1978.
Box,G.E.P.&Wilson,K.B.1951,"OntheExperimentalAttainmentofOptimumConditions",Journalofthe
RoyalStatisticalSociety.SeriesB(Methodological),vol.13,no.1,pp.145.
Box,G.E.P.&Hunter,J.S.1961,"The2kpFractionalFactorialDesignsPartI",Technometrics,vol.3,no.3,pp.
311351.
Box,G.E.P.,Hunter,J.S.,&Hunter,W.G.1978,StatisticsforExperimenters,2edn,JohnWileyandSons,Inc.,
Hoboken,NewJersey.

ROTACIN

Paraunacolumnaconlniveles,losnivelesdefactorsonrotadosalreemplazarelithnivelpori+psi
ilpypori+plsii>lp,donde1pl1.Porejemplo,Figura1muestralarotacindeun
factorde5nivelesusandodiferentesvaloresp(Guo,2006,p.44).

Figura1Rotacindeunfactorde5niveles(Guo,2006)

CLASIFICACINDELOSFOLDOVERS
Engeneral,losfoldoverspuedenserclasificadosusandounenfoquedeclasificacinbidimensional
(Figura2)enelqueelejehorizontalrepresentaelnmerodecolumnasquesoninvertidasorotadasenla
fraccin de foldover y el eje vertical representa el nmero de corridas adicionales aadidas al diseo
inicial.

MOTIVACIN,PLANTEAMIENTODELPROBLEMA,OBJETIVOS
Figura2Diferentestiposdefoldovers

Motivacin
Correrunfoldovercompletoparaundiseohacealdiseocombinadocompletamenteortogonal
peroplanescompletamenteortogonalessonconfrecuenciaineficientesenelsentidodequesololamitad
delosgradosdelibertadpuedenserusadosparaestimarefectosprincipaleseinteracciones(Daniel,1962)
Varios autores sealaron esta deficiencia y realizaron investigacin enfocada en reducir el
nmero de corridas del foldover completo mientras obtenan la misma informacin y mantenan tanto
balanceyortogonalidadcomofueseposible.Comoresultado,elsemifold(correrlamitaddeunfoldover)
yelquarterfold(menoscorridasqueunsemifold)fuerondesarrollados.
El conocimiento obtenido en esfuerzos previos de investigacin fue extendido a otros tipos de
diseosytcnicasmseficientesfuerondesarrolladas.Latcnicadeaumentoparadiseosderesolucin
IV desarrollada por Misra (2006) fue adaptada para satisfacer los requerimientos particulares de una
fraccinderesolucinIII,loquediolugaralacreacindelalgoritmoR3.Estealgoritmotambinpuede
serusadoparaaumentardiseosrobustosderesolucinmixta.
Un enfoque de experimentacin secuencial se concentra en los efectos que son significativos o
importantesytieneelpotencialparareducirelnmerototaldecorridasdeldiseocombinadomientras
mantienebuenosnivelesdebalanceyortogonalidad,creandoundiseoigualmenteefectivoperoanms
eficiente.
Enformaadicionallosplanesdefoldoverptimoactualesparadiseosdenivelesmixtospueden
serreducidosalamitadparacrearsemifoldsptimosqueposeenbuenniveldelapropiedaddebalance
para efectos principales e interacciones de 2 factores. Mostrare mejores de desarrollar experimentacin
secuencialparaestos3tiposdediseos(resolucinIII,nivelesmixtosydiseosrobustos)eselobjetivo
deestaunidad.
Planteamientodelproblema
La literatura en esta rea del diseo experimental muestra una tendencia en el desarrollo de
tcnicasdeexperimentacinsecuencialcadavezmseficientes.Unprogresosignificativohasidohecho
desdeeltempranodesarrollodelatcnicaclsicadefoldover.Sinembargo,todavaexistenalgunasreas
en las que el mejoramiento es an posible. Esta unidad se concentrara en presentar las estrategias de
experimentacinsecuencialmsrecientesparadiseosderesolucinIII,denivelesmixtosyrobustos.
Elprimeralgoritmoconsisteenunaseriadepasosestructuradosparaaumentacinsecuencialde
fracciones de resolucin III , hasta aos recientes solo tcnicas generales de aumentacin estaban
disponibles(foldoverysemifold).Unadelasdesventajasdelosmtodosgeneralesesquesonincapaces
dedesacoplarinteraccionesde2factoresunasdeotrascuandosonaplicadosafraccionesderesolucin
III, adems, requieren demasiadas corridas. Un algoritmo para aumentacin secuencial es capaz de
realizar desacoplamiento simultaneo de efectos principales de interacciones de 2 factores y de
interacciones de 2 factores de otras interacciones de 2 factores usando un pequeo grupo de corridas
mientrasseenfocaenmantenerlapropiedaddebalanceyortogonalidadeneldiseocombinado.
Otra rea de oportunidad son los diseos de niveles mixtos, los cuales contienen factores con
diferentesnmerosdeniveles.Estosdiseosrequierenunnmeromuygrandedecorridasparamantener
balance.Latcnicadeaumentacinactualparaestetipodediseoseselplandefoldoverptimo(Guo,
2006).Laprincipaldesventajadelplandefoldoverptimoesquerequiereunnmerodemasiadogrande
de corridas. Si la fraccin inicial contiene 20 corridas por ejemplo, el diseo combinado contendr 40
corridas. El plan de semifold ptimo es capaz de reducir el nmero de corridas a la mitad mientras se
mantienen buenos niveles de balance y ortogonalidad para efectos principales e interacciones de 2
factores.
Paradiseosrobustosesposiblecombinarelenfoquedeexperimentacinsecuencialbasadoenel
algoritmoR3conlatcnicaderesolucinmixtaenunintentodecrearexperimentosmseficientes.

Objetivosdelaunidad

Presentar el algoritmo R3 el cual es un algoritmo que es capaz de agregar corridas en forma

secuencialaunafraccinderesolucinIIIconelobjetodedesacoplartrminosdeintersusando
unnmeromnimodecorridasmientrassemantienetantobalanceyortogonalidadeneldiseo
combinadocomoseaposible
MostrarcomoelalgoritmoR3escapazdedesacoplartrminosdeintersusandomenoscorridas
queunsemifold
Mostrarunacomparacinentrelosresultadosquepodramosesperaralusarestealgoritmoylos
resultadosqueseobtendranalusarlastcnicasgeneralesdeaumentacin(foldoverysemifold)
Obtener conocimiento sobre cunto debe bajar la correlacin entre dos trminos para poder
estimardichostrminosenformaseparada
Mostrarlosplanesdesemifoldptimosparadiseosdenivelesmixtosyexplicarelconceptode
ndicedebalancegeneral
ProporcionarunametodologaparaaumentacindediseosrobustosusandoelalgoritmoR3y
proporcionarlineamientosparamaximizareldesacoplamientodeinteraccionesdecontrol ruido

MTODOSDEAUMENTO

FoldoverdecolumnasimpleparafraccionesderesolucinIII
74

Considereunafraccininicial 2 III conrelacindefinidoraI=ABD=ACE=BCF=ABCG.La

tabla 2 presenta la estructura de aliases. El experimento revelo que las columnas [B] y [D] son
estadsticamentesignificativas.ElexperimentadorestinteresadoenestimarelefectodelfactorDlibre
dealiasesydecidecorrerunasegundafraccinconlossignosparaelfactorDinvertidosLasTablas3y4
muestranlasegundafraccinylaestructuradealiasesconlosefectoscorrespondientes.
74

Tabla1. 2 III FraccininicialTabla2.Estructuradealiasesyefectos

Run
1
2
3
4
5
6
7
8

+
+

+
+

Factors
D
+

+
+

+
+
+
+

E
+

F
+
+

+
+

Response
y
69
52
60
83
71
50
59
88

+
+

Tabla3.FoldoverdecolumnasimpleTabla4.Estructuradealiasesyefectos

Run
1
2
3
4
5
6
7
8

+
+

+
+

+
+
+
+

Factors
D

+
+

+
+

E
+

F
+
+

+
+

+
+

Response
y
47
74
84
62
53
78
87
60

El anlisis del diseo combinado se hace al tomar el promedio de las sumas y diferencias de las
combinacioneslinealesasociadasconlosefectos(Tabla5).


Tabla5.Anlisisdeldiseocombinado
1/2(I+I') =
1/2(II') =
1/2(A+A') =
1/2(B+B') =
1/2(C+C') =
1/2(D+D') =
1/2(E+E') =
1/2(F+F') =
1/2(G+G') =
1/2(AA') =
1/2(BB') =
1/2(CC') =
1/2(DD') =
1/2(EE') =
1/2(FF') =
1/2(GG') =

average
blockeffect
A+CE+FG
B+CF+EG
C+AE+BF
D
E+AC+BG
F+BC+AG
G+BE+AF
BD
AD
DG
AB+EF+CG
DF
DE
CD

=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=

67.3
0.8
2.1
11.1
1.9
24
0.6
0.6
0.87
1.4
0.9
0.9
1.4
1.1
1.6
1.6

Engeneral,siunafraccinconlossignosdeunfactorinvertidosesaadidaaundiseofactorial
fraccionalderesolucinIIIomsalta,eldiseocombinadoproducirestimacionesdelefectoprincipaly
de las interacciones de 2 factores que contengan a dicho factor. En forma alternativa las 16 corridas
puedensercombinadasparaformarunexperimentocombinadoenelquecadaunadelasfracciones(la
inicialyelfoldover)sontratadoscomobloques.Larelacindefinidoraparaeldiseocombinadopuede
sercalculadausandolaregla1parafoldoverdesarrolladaporMontgomery(1996).
Regla 1 para foldover: La relacin definidora para el diseo combinado consiste de aquellos
efectosenlarelacindefinidoradelafraccininicialquenocambiandesignoenlanuevafraccin
La relacin definidora completa para la fraccin original es I = ABD = ACE = AFG = BCF =
BEG=CDG=DEF=ABCG=ABEF=ACDF=ADEG=BCDE=BDFG=CEFG=ABCDEFGyla
relaciondefindoraparalanuevafraccionesI=ACE=AFG=BCF=BEG=ABD=CDG=DEF=
ABCG=ABEF=CEFG=ACDF=ADEG=BCDE=BDFG=ABCDEFG.Deacuerdoalaregla
1parafoldoverlarelaciondefinoradeldisenocombinadoes:I=ACE=AFG=BCF=BEG=ABCG=
ABEF=CEFG.
FoldoverdecolumnamltipleparafraccionesderesolucinIII
AgregaraunfactorialfraccionalderesolucinIIIunasegundafraccincontodaslascolumnas
invertidas rompe las uniones entre los efectos principales y las interacciones de 2 factores. La tabla 6
muestra un ejemplo proporcionado por Montgomery (2009). En este caso las dos fracciones fueron
combinadasenunexperimentoen2bloques.Losresultadosmuestranquedespusdeagregarlasegunda
fraccin, los efectos principales estn completamente desacoplados de las interacciones de 2 factores.
CuandoelfoldoverdecolumnamltipleesaplicadoaundiseoderesolucinIII,lacombinacindelas
dosfraccionesresultaenundiseoqueesalmenosderesolucinIV.
74

Tabla6.El 2 III msfoldoverTabla7.Estructuradealiasesdeldiseo

decolumnamltiplecombinado
Factors/Aliases
[Intercept]=Intercept
[Block1]=Block1+ABD+ACE+AFG+BCF+BEG+CDG+DEF
[Block2]=Block2ABDACEAFGBCFBEGCDGDEF
[A]=A+BCG+BEF+CDF+DEG
[B]=B+ACG+AEF+CDE+DFG
[C]=C+ABG+ADF+BDE+EFG
[D]=D+ACF+AEG+BCE+BFG
[E]=E+ABF+ADG+BCD+CFG
[F]=F+ABE+ACD+BDG+CEG
[G]=G+ABC+ADE+BDF+CEF

Run
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

Block
Block1
Block1
Block1
Block1
Block1
Block1
Block1
Block1
Block2
Block2
Block2
Block2
Block2
Block2
Block2
Block2

A
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

B
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

C
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

Factors
D
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

E
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

F
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

G
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

FoldoverdecolumnasimpleparafraccionesderesolucinIV
Para resolucin IV podemos estimar los efectos principales y todas las k1interacciones de 2
factoresparaunfactoralrevertiresefactor.LaTabla8muestraunfoldoverdecolumnasimpleaplicadoa
u.28IV4. La Tabla 9 muestra la estructura de aliases para el diseo combinado. Note que la cambiar los
signosdelacolumna[A],esposibleestimarelefectodeestefactorydetodaslasinteraccionesdedos
factoresenque[A]estinvolucrado.

8 4

Tabla8.El 2 IV msfoldoverdecolumnasimpleTabla9.Estructuradealiasesdeldiseocombinado
Run
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32

Block
Block1
Block1
Block1
Block1
Block1
Block1
Block1
Block1
Block1
Block1
Block1
Block1
Block1
Block1
Block1
Block1
Block2
Block2
Block2
Block2
Block2
Block2
Block2
Block2
Block2
Block2
Block2
Block2
Block2
Block2
Block2
Block2

+
+

+
+

+
+

+
+

+
+

+
+

+
+

+
+

+
+

+
+
+
+

+
+
+
+

+
+
+
+

+
+
+
+

Factors
D
E

+
+
+
+
+

+
+
+
+

+
+
+
+
+

+
+
+
+

+
+

+
+

+
+

+
+

+
+

+
+

+
+

+
+

+
+

+
+

+
+

+
+

Factors/Aliases
[Intercept]=Intercept
[Block1]=Block1
[Block2]=Block2
[A]=A
[B]=B+CDE+CFH+DFG+EGH
[C]=C+BDE+BFH+DGH+EFG
[D]=D+BCE+BFG+CGH+EFH
[E]=E+BCD+BGH+CFG+DFH
[F]=F+BCH+BDG+CEG+DEH
[G]=G+BDF+BEH+CDH+CEF
[H]=H+BCF+BEG+CDG+DEF
[AB]=AB
[AC]=AC
[AD]=AD
[AE]=AE
[AF]=AF
[AG]=AG
[AH]=AH
[BC]=BC+DE+FH
[BD]=BD+CE+FG
[BE]=BE+CD+GH
[BF]=BF+CH+DG
[BG]=BG+DF+EH
[BH]=BH+CF+EG
[CG]=CG+DH+EF
[ACH]=ACH+ABF+ADG

FoldoverdedoscolumnasparafraccionesderesolucinIV
Montgomery y Runger (1996) consideraron foldovers generados al invertir los signos de 2
columnas.Ensuanlisisdescubrieronquecambiandolossignosde2columnasenlugardeunatieneel
potencialparadesacoplarmsinteraccionesdedosfactoresyafirmanqueelcambiarlossignosdedos
factorespuedereducirelnmerodeinteraccionesde2factoresqueestncorrelacionadasenun50%.La
28IV 4

Tabla10muestraunaumentadoconunfoldoverdedoscolumnas.LaTabla11muestralaestructura
dealiasesdeldiseocombinado

8 4

Tabla10.El 2 IV msfoldoverdedoscolumnasTabla11.Estructuradealiasesdeldiseocombinado
Run
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32

Block
Block1
Block1
Block1
Block1
Block1
Block1
Block1
Block1
Block1
Block1
Block1
Block1
Block1
Block1
Block1
Block1
Block2
Block2
Block2
Block2
Block2
Block2
Block2
Block2
Block2
Block2
Block2
Block2
Block2
Block2
Block2
Block2

+
+

+
+

+
+

+
+

+
+
+
+

+
+

+
+

+
+

+
+
+
+

+
+
+
+

+
+
+
+

+
+
+
+

Factors
D
E

+
+
+
+
+

+
+
+
+

+
+
+
+
+

+
+
+
+

+
+

+
+

+
+

+
+

+
+

+
+

Factors/Aliases
[Intercept]=Intercept
[Block1]=Block1
[Block2]=Block2
[A]=A+BCG+BDH+BEF
[B]=B+ACG+ADH+AEF
[C]=C+ABG+DGH+EFG
[D]=D+ABH+CGH+EFH
[E]=E+ABF+CFG+DFH
[F]=F+ABE+CEG+DEH
[G]=G+ABC+CDH+CEF
[H]=H+ABD+CDG+DEF
[AB]=AB+CG+DH+EF
[AC]=AC+BG
[AD]=AD+BH
[AE]=AE+BF
[AF]=AF+BE
[AG]=AG+BC
[AH]=AH+BD
[CD]=CD+GH
[CE]=CE+FG
[CF]=CF+EG
[CH]=CH+DG
[DE]=DE+FH
[DF]=DF+EH
[ACH]=ACH+ADG+BCD+BGH
[CDE]=CDE+CFH+DFG+EGH

+
+

+
+

+
+

+
+

+
+

+
+

Esclaroquecuandoelobjetivoesdesacoplarmsinteraccionesdedosfactores,estemtododeberaser
preferido.LaTabla12muestralosfoldoverrecomendadosparadesacoplarelmximonmeroposiblede
interaccionesde2factores.EsimportanterecordarqueunfoldoverpararesolucinIVnonecesariamente
separaratodaslasinteraccionesde2factores.Silafraccinoriginaltieneunaestructuradealiasesque
contienemsde2interaccionesde2factoresencualquiercadenadealiases,elfoldovernosepararatodas
lasinteraccionesde2factores.

kp

Tabla12.Algunosfoldoversrecomendadosparadiseos 2 IV (MontgomeryyRunger,1996)
Design
1)2

62

2)2

72

3)2

73

4)2

83

SignReversalforFoldover

Design

onefactor,any

6)2

onefactorfromCEFGonly

7)2

onefactor,any

8)2

onefactor,exceptEorH

93
94
104
105

9)2

SignReversalforFoldover
onefactorfromADHJonly
twofactors,exveptE,orthepairs,AF,BG,CH,DJ
twofactorsneeded
twofactorsneeded

84
ParadiseosderesolucinIVlaestrategiadeinvertirlossignosdetodoslosfactoresnoesdirectamente
twofactors,any
5)2
aplicableporqueeldiseocombinadoresultantetendrelmismonmerodepalabrasde4letras.Porlo
tantounfoldoverdecolumnamltipleescompletamenteintilparafraccionesderesolucinIV

SemifoldparafraccionesderesolucinIII

MeeyPeralta(2000)norecomiendanelsemifoldcomounaestrategiaparaestimarmasefectos
2kIII p
despuesdeun.Ensulugarellosprefierenusarelsemifoldcomoelprimerpasoenunaestrategiade
confirmacion.Silosresultadosobtenidosdespuesdecorrerlafracciondesemifoldnosonlosesperados,
la mitad restante de la fraccion de foldover puede ser aadida (esto aplica tambien a fraciones de
27III 4
resolucionIV).LaTabla13muestraunaumentadoconunsemifold.Elsemifoldseconstruyoal
invertir la columna [A] y selccionar los signos positivos en dicha columna. La Tabla 14 muestra la
estructuradealiasesdeldisenocombinado

74

Tabla13.El 2 III mssemifolden[A]Tabla14.Estructuradealiasesdeldiseocombinado

Run Block
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
10
2
11
2
12
2

A
1
1
1
1
1
1
1
1
1
1
1
1

B
1
1
1
1
1
1
1
1
1
1
1
1

C
1
1
1
1
1
1
1
1
1
1
1
1

Factors
D
1
1
1
1
1
1
1
1
1
1
1
1

E
1
1
1
1
1
1
1
1
1
1
1
1

F
1
1
1
1
1
1
1
1
1
1
1
1

G
1
1
1
1
1
1
1
1
1
1
1
1

Factors/Aliases
[Intercept]=InterceptBDCEFG
[Block1]=Block1+BD+CE+FG
[Block2]=Block2BDCEFG
[A]=A+BD+CE+FG
[B]=B+AD+CF+EG
[C]=C+AE+BF+DG
[D]=D+AD+CG+EF
[E]=E+AE+BG+DF
[F]=F+AG+BC+DE
[G]=G+AG+BE+CD
[AB]=ABAD
[AC]=ACAE
[AF]=AFAG

SemifoldparafraccionesderesolucinIV
Mee y Peralta (2000) consideran que diseos de foldover aplicados a fracciones 2 kp son
IV
generalmenteineficientesentrminosdegradosdelibertadporqueenlamayoradelassituacionesaadir
unasegundafraccindetamaondelamismafamilia,proporcionaramenosquen/2gradosdelibertad
adicionales para interacciones de 2 factores. Barnett et al. (1997) presentan un estudio en el que un
6 2
semifold fue aplicado a un 2 IV y significancia fue encontrada en las interacciones AF+DE, AD+EF,
AC+BE,yAE+BC.DadoqueelfactorAestabainvolucradoenlas4cadenasdealiaseslafraccinde
semifoldseobtuvoalinvertirlosnivelesdeestefactor,despus,sololas8corridasenqueAerapositivo
fueron usadas. La Tabla 15 muestra el diseo y la Tabla 16 muestra la estructura de aliases del diseo
combinado.
Es importante mencionar que foldovers completos para diseos de resolucin IV son vlidos de
considerarsiincrementoenlaprecisindelosestimadoresesimportante,perosonopcionespobrespara
experimentacinsecuencialcuandoelobjetivoesestimarmsefectos.
62

Tabla15.El 2 IV massemifolden[A]Tabla16.Estructuradealiasesdeldiseocombinado
Run
1
2
3
4
5
6
7
8
9
10
11
12
13

Block
Block1
Block1
Block1
Block1
Block1
Block1
Block1
Block1
Block1
Block1
Block1
Block1
Block1

A
1
1
1
1
1
1
1
1
1
1
1
1
1

B
1
1
1
1
1
1
1
1
1
1
1
1
1

Factors
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

E
1
1
1
1
1
1
1
1
1
1
1
1
1

F
1
1
1
1
1
1
1
1
1
1
1
1
1

[Intercept]=InterceptBCEDEF
[Block1]=Block1+BCE+DEF
[Block2]=Block2BCEDEF
[A]=A+BCE+DEF
[B]=B+ACE+CDF
[C]=C+ABE+BDF
[D]=D+AEF+BCF
[E]=E+ABC+ADF
[F]=F+ADE+BCD
[AB]=ABACE
[AC]=ACABE
[AD]=ADAEF
[AE]=AEABCADF
[AF]=AFADE
[BC]=BC+DF+ABC+ADF
[BD]=BD+CF+0.333*ABD+0.333*ACF0.333*BEF0.333*CDE
[BE]=BE+ABE
[BF]=BF+CD+0.333*ABF+0.333*ACD0.333*BDE0.333*CEF

AlgoritmoR4
Considerelafraccindescritaenlatabla17yasumaquelacadenadealiases[AB]=AB+CDresulto
sersignificativa.
EnelalgoritmoR4cadainteraccinpresenteenlacadenadeintersesllamadacolumnai,dondei=
{1,2,3,4}.Porejemplo,silacadenadeinterses[AB]=AB+CD,entoncesABpodrasernombrada
columna1yCDpodrasernombradacolumna2.

2 4IV1

Tabla17.Lafraccin

2 4IV1

A
1
1
1
1
1
1
1
1

B
1
1
1
1
1
1
1
1

C
1
1
1
1
1
1
1
1

D
1
1
1
1
1
1
1
1

[Intercept]=Intercept
[A]=A+BCD
[B]=B+ACD
[C]=C+ABD
[D]=D+ABC
[AB]=AB+CD
[AC]=AC+BD
[AD]=AD+BC
Figura3.Estructuradealiases

Silacadenadealiasessignificativatuvieselaforma[AB]=AB+CG+DH+EFcomoenel
73
casodeundiseno 2 IV ,entoncesABpodriaserllamadacolumna1,CGcolumna2,DHcolumna3yEF
columna4.Elsiguientepasoesdeterminarlascoriidasadicionalesquenecesitanseranadidasaldiseno
inicialconelobjetodedesacoplarestascolumnas.Estascorridashansidopredefinidasysemuestranen
laFigura4.Notequesilacadenadealiasescontiene2columnas,entonces2corridasadicionalesseran

requeridasparamantenerbalance,perosilacedenacontiene3omascolumnas,entonces4corridasseran
necesraiasparamantenerlapropiedaddebalance.

Runs
1
2

2Columns
Column1 Column2
1
1
1
1

Runs
1
2
3
4

3Columns
Column1 Column2 Column3
1
1
1
1
1
1
1
1
1
1
1
1

Runs
1
2
3
4

4Columns
Column1 Column2 Column3 Column4
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

Figura4.Corridasadicionalesparadesacoplar2,3o4columnas

Estascorridassonagregadasenpares,primeroloascorrida1y2ydespues(sisonreuqeridas)las
corridas 3 y 4. Despues de cada aumento un analisis es realizado y el experimentador decide si desea
continuar desacoplando la misma cadena (en este caso anadira las corridas 3 y 4) o si comenzara el
procedimeintodesdeelprincipioconunanuevacadena(enestecasoanadiralascorridas1y2parala
neuvacadena)Elprocedimientoserepitehastaqueelmodelocorrectohasidoidentificado.Enlamayoria
de los casos solo 4 corridas son requeridas para desacoplar una cadena pero si una quinta corrida es
necesitada(paraelcasoenqueestamosdesacoplando3o4columnas),estapuedeseragregadacomola
imagenespejodelatercercorrida,lasextapuedeseragregadacomolaimagenespejodelacuartacorrida
yasisucesivamente.
Unacaracteristicaimportantedeestealgoritmoesquenodicecomoasignarsignosalosefectos
principales en la matriz de diseno. Por ejemplo, considere el experimento 24IV1 descrito en la Tabla 17.
Supongaque2corridasadicionalesserequierenparadesacoplarlacadena[AB]=AB+CD,enlaque
ABesconsideradalacolumna1yCDesconsideradalacolumna2.Despusdequeestas2corridasson
aadidas,lossignosparalosefectosprincipalessedeterminandelasiguientemanera:
ParaeldelacolumnaAB,asignealacolumnaAy+alacolumnaB,parael+
de la columna AB asigne a la columna A y a la columna B. Para el de la columna CD
asigne a C y + a D y para el de la columna CD asigne a la columna C y a la
columnaD.Silamismacadenanecesitamsdesacoplamiento,entonceslascorridas3y4sonagregadas
conlossignosinvertidos.
ParaeldelacolumnaABasigne+alacolumnaAyalacolumnaBparael+de
lacolumnaABasigne+alacolumnaAy+alacolumnaBparaeldelacolumnaCDasigne
+aCyaDyparaeldelacolumnaCDasigne+alacolumnaCy+alacolumnaD.
Si existen efectos principales cuyos signos no dependen de los signos previamente determinados,
entonceslossignosparaestosefectosprincipalesseagreganenordenestndar
Algunascaractersticasimportantesdeestealgoritmoincluyen:
Solucionaunacadenaalavez
Consideracadaterminoenlacadenacomounacolumnaindividual
Poseeunamaneraestructuradadeaadircorridasadicionalesparadesacoplarcadenascon2,3o
4columnas.
Agregalascorridasenpares
Despusdecadaaumentoseanalizaelexperimentoysedeterminasilacadenaanteriornecesita
msdesacoplamientoosiunanuevacadenanecesitaserdesacoplada.
La Figura 5 muestra la secuencia de pasos en que un aumento tpico de una fraccin resolucin IV es
realizada

2 4IV1
Run
1
2
3
4
5
6
7
8
AdditionalRun1
AdditionalRun2

A
1
1
1
1
1
1
1
1

B
1
1
1
1
1
1
1
1

C
1
1
1
1
1
1
1
1

D
1
1
1
1
1
1
1
1

AB
1
1
1
1
1
1
1
1
1
1

CD
1
1
1
1
1
1
1
1
1
1

2 4IV1
Run
1
2
3
4
5
6
7
8
AdditionalRun1
AdditionalRun2

A
1
1
1
1
1
1
1
1
1
1

B
1
1
1
1
1
1
1
1
1
1

C
1
1
1
1
1
1
1
1

D
1
1
1
1
1
1
1
1

AB
1
1
1
1
1
1
1
1
1
1

CD
1
1
1
1
1
1
1
1
1
1

2 4IV1
Run
1
2
3
4
5
6
7
8
AdditionalRun1
AdditionalRun2

A
1
1
1
1
1
1
1
1
1
1

B
1
1
1
1
1
1
1
1
1
1

C
1
1
1
1
1
1
1
1
1
1

D
1
1
1
1
1
1
1
1
1
1

AB
1
1
1
1
1
1
1
1
1
1

CD
1
1
1
1
1
1
1
1
1
1

AlgoritmoR3
Figura5.DeterminacindelossignosparalascolumnasA,B,CyDenbasealossignosdeAByCD
ElalgoritmoR3esunaextensindelalgoritmoR4aplicadadirectamenteafraccionesderesolucinIII.El
mtodoestambinllamadounacadenaalavezporqueencadaaumentoseenfocaendesacoplarla
cadenadealiasesmslargaomssignificativa.Unacadenaesdesacopladaalconsiderarcadaelemento
enlacadenacomounacolumnaindividualyalaadircorridasadicionalesdeacuerdoalalgoritmoR4.
Una vez que los signos para los efectos principales y las interacciones de 2 factores involucrados o

contenidosenlaprimeracadenahansidodeterminados,movemosnuestraatencinalasegundacadenay
repetimoselprocedimiento.
Cuando se utiliza este mtodo, un balance perfecto no puede ser alcanzado en los pasos iniciales. Sin
embargo cuando nuevos grupos de corridas son agregados, los signos para estas nuevas corridas se
determinandetalformaqueelanteriordesbalanceseacorregido,deestamaneraelbalancedeldiseose
mejorasignificativamente.Enlamayoradeloscasosbalanceaproximadopuedeseralcanzadodespus
de realizar el segundo aumento. Experimentacin ha demostrado que en la mayora de los casos la
primeracadenaessuficienteparadeterminarsignosparalamayoradelosefectosylasegundacadena(y
alguna veces una tercera) pueden ser desacopladas al usar los efectos restantes como factores
auxiliares(nosayudanadesacoplarestascadenas)
Despusdecadaaumentolascadenasdealiasessignificativassonidentificadasypriorizadasycorridas
adicionales son determinadas en base a la nueva estructura de aliases del diseo combinado. El
procedimiento se repite hasta que todos los trminos importantes han sido desacoplados y pueden ser
estimadosenformaseparada.ElalgoritmoR3estcompuestodelossiguientespasos:
1) Identifiquelacadenamslarga,lamsimportante,olamssignificativaylaquesiguedeesta.
26III3
Porejemplo,considerelafraccincongeneradoresD=AB,E=ACyF=BC(verTabla20)y
asumaquelosfactores[B],[C]y[F]resultansignificativos.Dadoquetodaslascadenastienesla
mismalongitud,podemosnombrarcadena1y2acualquieradeellas.

2 6III3 concadenassignificativas
[B],[C]y[F]

Tabla20.Lafraccin

2 6III3
A
1
1
1
1
1
1
1
1

B
1
1
1
1
1
1
1
1

C
1
1
1
1
1
1
1
1

D
1
1
1
1
1
1
1
1

E
1
1
1
1
1
1
1
1

F
1
1
1
1
1
1
1
1

AF
1
1
1
1
1
1
1
1

[Intercept]=Intercept
[A]=A+BD+CE
[B]=B+AD+CF
[C]=C+AE+BF
[D]=D+AB+EF
[E]=E+AC+DF
[F]=F+BC+DE
[AF]=AF+BE+CD
Figura6.Estructuradealiases

2) NombrelascolumnasencadacadenadeacuerdoalalgoritmoR4,unefectoprincipalessiempre
nombrado columna 1 y las interacciones de 2 factores columna 2, 3, o 4 respectivamente. El
algoritmoR3puederealizardesacoplamientosimultneodeefectosprincipalesdeinteracciones
de2factoresydeinteraccionesde2factoresdeotrasinteraccionesde2factores.Estealgoritmo
tambinpuedeenfocarseendesacoplarunfactorespecfico,digamosunefectoprincipal,desus
interacciones de 2 factores. Este desacoplamiento es hecho al fijar el efecto principal en la
columna 1 y al nombrar columna 2 en cada aumento a la interaccin ms fuertemente
correlacionada con este efecto principal. La razn de esto es que el desacoplamiento ser ms
fuerte entre las columnas 1 y 2 y ms dbil para cualquier otra combinacin de columnas. La
Tabla21muestraelnombramientodecolumnasparaelexperimentodescritoenlaTabla20.
26III3

Tabla21.Nombramientodecolumnascuandolascadenassignificativasson:[B],[C]y[F]

Chain1

Column1
B

Column2
AD

Column3
CF

Chain2

AE

BF

3) Agregue2corridasadicionalesdeacuerdoalalgoritmoR4paradesacoplarlaprimeracadena(si
estacadenaesigualalacadenaprevia,entonceslascorridas3y4delaFigura4sonagregadas
para mantener balance, de lo contrario las corridas 1 y 2 de la Figura 4 son aadidas) y use la
interacciones de 2 factores para determinar los signos de los efectos principales asociados con
estasinteracciones.Lossignosparalosefectosprincipalessonasignadosenlamismaformaque
enelalgoritmoR4.LaTabla22muestralascorridasadicionalesylaFigura7muestralossignos
paralosefectosprincipales.

63

Tabla22.Lafraccin 2 III aumentadacon2corridasparadesacoplarlaCadena1

2 6III3
A
1
1
1
1
1
1
1
1

B
1
1
1
1
1
1
1
1
1
1

C
1
1
1
1
1
1
1
1

D
1
1
1
1
1
1
1
1

E
1
1
1
1
1
1
1
1

F
1
1
1
1
1
1
1
1

AF
1
1
1
1
1
1
1
1

AD
1
1
1
1
1
1
1
1
1
1

CF
1
1
1
1
1
1
1
1
1
1

2 6III3
A
1
1
1
1
1
1
1
1
1
1

B
1
1
1
1
1
1
1
1
1
1

C
1
1
1
1
1
1
1
1
1
1

D
1
1
1
1
1
1
1
1
1
1

E
1
1
1
1
1
1
1
1

F
1
1
1
1
1
1
1
1
1
1

AF
1
1
1
1
1
1
1
1
1
1

AD
1
1
1
1
1
1
1
1
1
1

CF
1
1
1
1
1
1
1
1
1
1

4) Determinesilasegundacadenapuedeserdesacopladaosiunfactorauxiliarpuedeserutilizado.
Figura7.Asignacindesignosalamatrizdediseo
26III3
NotequeparaeldiseolossignosdeA,D,CyFfuerondeterminadosalusarlossignos
asignados a AD y CF y sol el factor E contina sin ser asignado. En algunos casos el
desacoplamiento de la segunda cadena es realizado directamente al asignar signos a sus
respectivascolumnas.Laasignacindirectaesposiblecuandolascadenasbajoestudiosoncortas
yquedaespacioparadeterminarsignos.Enotroscasos,eldesacoplamientodelasegundacadena

es realizado en forma indirecta al usar un efecto principal para crear un contraste entre sus
columnas(Figura8).

2 6III3
A
1
1
1
1
1
1
1
1
1
1

B
1
1
1
1
1
1
1
1
1
1

C
1
1
1
1
1
1
1
1
1
1

D
1
1
1
1
1
1
1
1
1
1

E
1
1
1
1
1
1
1
1
1
1

F
1
1
1
1
1
1
1
1
1
1

AF
1
1
1
1
1
1
1
1
1
1

AD
1
1
1
1
1
1
1
1
1
1

CF
1
1
1
1
1
1
1
1
1
1

AE
1
1
1
1
1
1
1
1
1
1

BF
1
1
1
1
1
1
1
1
1
1

BC
1
1
1
1
1
1
1
1
1
1

DE
1
1
1
1
1
1
1
1
1
1

Figura8.DesacoplamientodelaCadena2alusarEcomofactorauxiliar

Paraestecasoenparticular,asignarsignosenordenestndaraEcreauncontrasteentreC,AEyBF,sin
embargo el orden estndar no debera ser usado como una regla general. El experimentador deber
intentarcondiferentescombinacionesyescogerlamsapropiada.
5) Realiceelexperimentoparalasnuevascorridas,determinetrminossignificativosycreematrices
xi x j
decorrelacionescuyoselementosson,pararepresentarlascorrelaciones(Tabla23)
n

Tabla23.Matricesdecorrelacionesytrminossignificativosdespusdelprimeraumentodelafraccin
2 6IIIBE3 BF CD CE CF DE DF EF
AB
AC
AD
AE
AF
BC
BD
A
B
C
D
E
F

0
0.2
0.2
0.6
0.2
0.2

0
0.2
0.2
0.2
0.6
0.2

0
0.6
0.2
0.2
0.2
0.2

0
0.2
0.6
0.2
0.2
0.2

0
0.2
0.2
0.2
0.2
0.2

0.2
0
0
0
0
0.8

0.6
0
0
0
0
0

0.2
0
0
0
0
0

0.2
0
0.8
0
0
0

0.2
0
0
0
0
0

0.6
0
0
0
0
0

0.2
0.8
0
0
0
0

0.2
0
0
0
0
0.8

0.2
0
0
0
0.8
0

0.2
0
0
0.8
0
0

AB
AC
AD
AE
AF
BC
BD
BE
BF
CD
CE
CF
DE
DF
EF

AB
1
0.2
0.2
0.2
0.2
0
0
0
0
0
0
0
0
0
0.8

AC
0.2
1
0.2
0.2
0.2
0
0
0
0
0
0
0
0
0.8
0

AD
0.2
0.2
1
0.2
0.2
0
0
0
0
0
0
0.8
0
0
0

AE
0.2
0.2
0.2
1
0.2
0
0
0
0.8
0
0
0
0
0
0

AF
0.2
0.2
0.2
0.2
1
0
0
0.8
0
0.8
0
0
0
0
0

BC
0
0
0
0
0
1
0.2
0.2
0.2
0.2
0.2
0.2
1
0.2
0.2

BD
0
0
0
0
0
0.2
1
0.2
0.2
0.2
1
0.2
0.2
0.2
0.2

BE
0
0
0
0
0.8
0.2
0.2
1
0.2
1
0.2
0.2
0.2
0.2
0.2

BF
0
0
0
0.8
0
0.2
0.2
0.2
1
0.2
0.2
0.2
0.2
0.2
0.2

CD
0
0
0
0
0.8
0.2
0.2
1
0.2
1
0.2
0.2
0.2
0.2
0.2

CE
0
0
0
0
0
0.2
1
0.2
0.2
0.2
1
0.2
0.2
0.2
0.2

CF
0
0
0.8
0
0
0.2
0.2
0.2
0.2
0.2
0.2
1
0.2
0.2
0.2

DE
0
0
0
0
0
1
0.2
0.2
0.2
0.2
0.2
0.2
1
0.2
0.2

DF
0
0.8
0
0
0
0.2
0.2
0.2
0.2
0.2
0.2
0.2
0.2
1
0.2

EF
0.8
0
0
0
0
0.2
0.2
0.2
0.2
0.2
0.2
0.2
0.2
0.2
1

LaTabla23muestralasmatricesdecorrelacioneslascualesproporcionantrestiposdeinformacin:Los
trminosquepuedenserestimadosenelmodeloderegresin([A],[B],[C],[D],[E],[F],y[AF]),los
trminos significativos reportados despus del anlisis ([B], [C] y [F]) y los trminos que estn
fuertementecorrelacionadosconestostrminossignificativos(ADyCFcon[B],AEyBFcon[C]yBC
yDEcon[F]).Notequelaadicindesolodoscorridasnopermitelaestimacindetrminosadicionales
porquelasinteraccionesde2factoresanestnfuertementecorrelacionadasconefectosprincipales.En

forma adicional, la cadena de aliases ms fuertemente correlacionada es [F] porque contiene las dos
correlacionesmslatasde0.8cadauna.Porlotanto,deberemosseguirdesacoplando[F]deBCyDE.
6) Repita el procedimiento comenzando desde el paso 1 hasta que un modelo apropiado sea
encontrado.
Para este caso en particular decidimos continuar desacoplando [F]. Estudios han demostrado que si
continuamos desacoplando una cadena previa, un diseo ms balanceado es alcanzado, pero el
desacoplamientogeneralesmenosefectivo.Porotrolado,simovemosnuestraatencinalacadenams
fuertemente correlacionada, el desacoplamiento es ms efectivo, pero se produce solo un diseo
cercanamentebalanceado.Bsicamentedependedelexperimentadorelcmoproceder.
Tambin es muy importante considerar las corridas aadidas en pasos anteriores cuando se seleccionen
lossignosparalasnuevascorridas.

Tabla24.Nombramientodecolumnascuandolascadenasadesacoplarson[F]y[C]
Chain1

Column1
F

Column2
BC

Chain2

AE

Column3
Newchain
DE
BF

2 6III3 paradesacoplarlaCadena1

Tabla25.Segundoaumentodelafraccin

2 6III3
A
1
1
1
1
1
1
1
1
1
1

B
1
1
1
1
1
1
1
1
1
1

C
1
1
1
1
1
1
1
1
1
1

D
1
1
1
1
1
1
1
1
1
1

E
1
1
1
1
1
1
1
1
1
1

F
1
1
1
1
1
1
1
1
1
1
1
1

BC
1
1
1
1
1
1
1
1
1
1
1
1

DE
1
1
1
1
1
1
1
1
1
1
1
1

2 6III3
A
1
1
1
1
1
1
1
1
1
1

B
1
1
1
1
1
1
1
1
1
1
1
1

C
1
1
1
1
1
1
1
1
1
1
1
1

D
1
1
1
1
1
1
1
1
1
1
1
1

2 6III3
E
1
1
1
1
1
1
1
1
1
1
1
1

F
1
1
1
1
1
1
1
1
1
1
1
1

BC
1
1
1
1
1
1
1
1
1
1
1
1

DE
1
1
1
1
1
1
1
1
1
1
1
1

A
1
1
1
1
1
1
1
1
1
1
1
1

B
1
1
1
1
1
1
1
1
1
1
1
1

C
1
1
1
1
1
1
1
1
1
1
1
1

D
1
1
1
1
1
1
1
1
1
1
1
1

E
1
1
1
1
1
1
1
1
1
1
1
1

F
1
1
1
1
1
1
1
1
1
1
1
1

BC
1
1
1
1
1
1
1
1
1
1
1
1

DE
1
1
1
1
1
1
1
1
1
1
1
1

BF
1
1
1
1
1
1
1
1
1
1
1
1

AE
1
1
1
1
1
1
1
1
1
1
1
1

Figura10.ElusodeAcomofactorauxiliarparacrearuncontrasteentre
2 6III3
Tabla26.Matricesdecorrelacionesytrminossignificativosdespusdelsegundoaumentodelafraccin
Figure9.Asignacindesignosalamatrizdediseo
C,AEandBF
A
B
C
D
E
F

A
1

AB
0.17

B
0.00
1

AC
0.00

C
0.00
0.17
1

D
0.00
0.17
0.17
1

E
0.00
0.17
0.17
0.17
1

F
0.00
0.17
0.17
0.17
0.17
1

AD
0.00

AE
0.00

AF
0.00

BC
0.33

MEvsME

BD
0.33

BE
0.00

BF
0.00

CD
0.17

CE
0.50

CF
0.17

DE
0.17

DF
0.17

EF
0.17

CALIDADYCONFIABILIDAD
Definicindeconfiabilidad

Confiabilidad se refiere a calidad sobre el tiempo. Es correcto decir esto, sin

embargo, la calidad tiene muchos atributos y la confiabilidad es solo uno ms. Una definicin
msmodernaqueprobablementetomaencuentalosasuntosrelacionadosalaformaenlaqueel
clienteusaelproductopodraserexpresadadelasiguientemanera:
Confiabilidad es la probabilidad de que un producto desemperne su funcin sobre su
periodoespecificadodeuso,ybajocondicionesdeoperacinespecificadas,deunamaneraque
cumpleoexcedelasexpectativasdelcliente.
Cada frase de la definicin previa requiere especial atencin. Cada uno de los
componentesdeestadefinicinsediscutirporseparado.
Probabilidad
La confiabilidad es un fenmeno probabilstico. Como tal, podemos hacer uso de
distribuciones de probabilidad para modelar informacin de pruebas e informacin de campo.
Lasfuentesprincipalesdevariacineneldesempeodeunatributo(peronolimitadasaestas)
son
1) Diferenciasenmateriaprimasycomponentessuministrados
2) Diferenciasencomoelproductoesprocesadoyensamblado
3) Diferenciasencomoelclienteusaelproducto
4) Diferenciasenexposicinaestrsqueafectaneldesempeo
Laaceptacindeunanocinprobabilsticadelaconfiabilidad,queadmitelaposibilidad
deunafalla,esunasuntodeintersparalasorganizaciones.
Funcin
La funcin del producto debe ser identificada en etapas tempranas del diseo para
asegurarquelosrequerimientosdelclienteseandiseadosdentrodelproducto.Esimportante
que el cumplimiento de cada funcin sea comprendido en trminos de las expectativas del
cliente.Laidentificacindelafuncinestambinunatareaimportanteenlaetapadeplaneacin
delaconfiabilidad.

Algunasveceselequipodediseofallaalidentificarusospotencialesdeunproductopor
parte de los clientes durante el proceso de diseo. Las funciones escondidas podran ser vistas
comoabusosomalusodelproducto.
1) Usarundesarmadorcomomartillo
2) UsarelvolantedelSUVparajalarsehaciaalasientodelpasajero
Desde un punto de vista legal todas las organizaciones necesitan tomar responsabilidad
detodoslosposiblesusosincorrectosdelproducto
VidaespecificadadelProducto
La vida especificada del producto provee un lapso de tiempo para anlisis. Una
organizacin sin visin podra simplemente disear un producto que sea confiable durante el
periodo de vida especificado. Una organizacin con visin podra escoger una vida de diseo,
queesproporcionalaltiempoalqueelproductoseesperafuncionesdeacuerdoalosparmetros
y condiciones de uso especificados. Dependiendo de la perspectiva del diseador, la vida
especificadapodraestarbasadaencualquieradelossiguientescriterios.

Vida til: La vida econmica estimada del producto. Este trmino es usado en
ingenieraeconmicayfinanzas.Msalldeestepunto,elcostodemantenimientoy
reparacinnojustificaelusocontinuadodelproducto

Vida de Garanta: Desde el punto de vista econmico del fabricante, el producto

debera desempear su funcin apropiadamente en este periodo de tiempo para
minimizar la publicidad negativa. Las compaas que desean tener xito en el
mercadoglobalcomprendenqueesnecesariosatisfacerasusclientesmsalldeeste
periododegaranta.

Vida de Diseo: Las especificaciones en uso deberan ser basadas en informacin

provenientedelclienteydelosmercadoscompetitivos.Esimportanteponerespecial
atencin en el clculo de esta especificacin para asegurar que problemas de
confiabilidad hacia el final de la vida til del producto resulten en excesiva
insatisfaccindelcliente.

CondicionesdeOperacin

Para que un producto se desempee bien, debe estar diseado para realizar su funcin
bajocondicionesdeoperacinquesonrepresentativasdelaformaenlaqueelclienteenrealidad
usaelproducto.Confrecuenciaesdifcilparalosingenierostenerinformacinprecisadeluso
delproducto.Estoconduceaunproductosobreosubdiseado.Elusodemtodosparadiseo
deproductorobustoestilparaasegurareldiseodeunproductocuyodesempeoesinsensible
a combinaciones extremas de factores ambientales. Algunos de los factores que influencian el
desempeoyquedeberansertomadosenconsideracinincluyen:

Factores ambientales como temperatura, humedad, contaminantes atmosfricos y

concentracindesal

Carga,vibracinyotroestrsfsicoqueafecteelrendimientoatravsdeltiempo

Contacto superficie a superficie que pueda causar grietas u otros cambios en la

geometradelasuperficieypropiedadesdelmaterialatravsdeltiempo.

Variaciones de manufactura en materias primas, composicin, y geometra,

configuracionesdeprocesosydesempeodeprocesos

Concentraciones de estrs residual debido a formado, corte, tratamiento trmico y

operacionesdeensamblaje

Otrosfactoresquepodraninducirdesgasteofatiga

VozdelCliente
Ultimadamentedependedelclientedecidirsieldesempeodeunproductoesaceptable.
Cada uno de los tres criterios para evaluar la confiabilidad (funcin, vida especificada y
condicionesdeoperacinespecificadas)debenserevaluadoentrminosdecmoyporcunto
tiempo los clientes usan un producto y lo que ellos experimentan cuando lo usan. En el
competitivo mercado globalizado del siglo 21, la confiabilidad es un importante requisito para
asegurar el xito. Por un lado, cuando los clientes experimentan un desempeo libre de fallas,
estoconduceaunincrementoenlasatisfaccindelclienteyatraenuevoscompradores.Porotro
lado, una pobre confiabilidad se traduce en un deterioro de la satisfaccin del cliente y de su
lealtad.
Por estas razones es importante que el equipo de diseo de producto entienda las
expectativasdelcliente.Lafuncindedesplieguedecal8idad(QFD)esunavaliosaherramienta
para asegurar que la voz del cliente sea correctamente capturada y que un conjunto realista de
requerimientosdedesempeoyconfiabilidadseandesplegados.

QueesunaFalla?
Debido a que la confiabilidad trata con el problema de que una pieza, componente o
subsistemarealicesufuncinatravsdeltiempo,debemosserclarossobreloqueeslafuncin
delproductoysobrecundoesqueocurreunafalla.Sedicequehaocurridounafallacuando
una o ms de las funciones principales del producto dejan de contribuir a la satisfaccin del
cliente.
Lasfallasmsseriasresultancuandounadeficienciaeneldiseodelproductooproceso
nofueidentificadaprevioalaproduccinoliberacindelproducto,entalescasos,esoserrores
de diseo podran resultar en que el producto nunca haya funcionado correctamente o que lo
hayahechoporunperiododetiempohastaquesudesempeosedegradoaunnivelinaceptable.
Losmodelosdescritosaquestntodosbasadosenlasuposicindequeelproductodesempea
perfectamente su funcin en su fecha de liberacin al cliente o a los respectivos canales de
distribucin.

ENFOQUESBSICOSPARAMODELARFENMENOSRELACIONADOSCON
FALLAS

Modelosdecontroldecalidad
Losmodelosdecontroldecalidadsonusadosparaevaluarlacapacidaddelproceso.Sin
embargo,laconexinentrelacapacidaddelprocesoylavidadelproducto(auncuandosesabe
queexiste),noesmuyexacta.Enlaecuacin1.1semuestraelusodeunmodeloprobabilstico
de una caracterstica de calidad X, para modelar una fraccin de no conformidad p. En la
ecuacin11sehaceusodef(x),lafuncindedensidaddeprobabilidaddeX,paramodelarla
probabilidaddesuocurrenciaenelintervalo[LSL,USL]

ModelosdeTiempoparaFalla
Elsegundoenfoqueinvolucraelusodefuncionesdedensidaddeprobabilidadf(t)deuna
variable continua T, la cual denota el tiempo para que se presente una falla, u otra medida
relacionada a edad, ciclos, etc. Este es probablemente el modelo ms ampliamente usado para
describirlaconfiabilidadatravsdeltiempo.F(t),lafuncindedistribucinacumuladaesusada
paracaracterizarlafraccindefallasdelapoblacinencualquierniveldeusot

Es importante darnos cuenta de las limitaciones del uso de un modelo probabilstico como el
sugeridoenlaecuacin12.Cuandousamosestemodeloestamosesencialmentemodelandouna
proporcindefallasF(t)sobreeltiempo.Noestamosmodelandoelmecanismoresponsablede
la falla. Es importante darnos cuenta de que invertir dinero en un sistema para rastrear la
confiabilidadnoconduciraunamejoradelaconfiabilidad.
PruebasdexitoFalla

Durante las pruebas de verificacin del diseo los artculos se someten a pruebas por
periodosdetiempodeterminado.Elnmerodeartculosquesobrevivenofallanlapruebason
registradosycomparadosalosrequerimientos.Ladistribucinbinomialesusadaparamodelar
la distribucin del nmero de artculos que han sobrevivido o fallado una prueba cuando n
artculossesometenaprueba.

La probabilidad binomial bi(r p, n) es la probabilidad de observar exactamente r fallas en un

totaldenpruebasindependientes,conelparmetropdenotandolaprobabilidadindependiente
dequeuncomponenteindividualfalleosobreviva.Elordendeocurrenciadelasnfallasnoes
importante.
Diseoprobabilstico
Elestrsvaraaleatoriamentealolargodeltiempo,ycomotal,nivelesaleatoriosaltosde
estrspuedenllevaraunafallarepentina.Lasfuerzasvarandebidoalprocesodemanufacturay
usodelproductoyporlotantotambinposeenunadistribucin.Deacuerdoaesto,elestrsylas
fuerzas ambos poseen distribuciones. Un modelo conceptual es presentado en la Figura 13.
Talesmodelossonconocidoscomomodelosdediseoprobabilsticos.Lafalladeunelemento
estructuraldebidaalacargaaleatoriaexcesivadesufuerzaderompimientoenunejemplodetal
ocurrencia. Como otro ejemplo considere el desempeo de un dispositivo electrnico como un
capacitorporejemplo,elcualtieneunaresistenciaespecificadaaunniveldevoltajeexcesivo.
Unaocurrenciaaleatoriadeunniveldevoltajequeexcedesuresistenciaresultaraenunafalla.
Conceptualmente,siconsideramosYcomounavariablealeatoriaquedenotalafuerzao
resistencia a la falla y X una variable aleatoria que denota estrs o carga sobre un sistema, la
probabilidaddefallapfpodrasermodeladacomo

ModelosdeDegradacindelDesempeo
PodemosdefinirP(t)comounacaractersticacontinuaobservablequesirveparamodelar
ladegradacindeldesempeooeldaoacumulado.Esunamedidadelgradodeprogresinde
unprocesohaciasufalla.UnmodeloconceptualparalafuncinP(t)esilustradoenlaFigura1
4. Muchos fenmenos de falla debido al desgaste, corrosin, difusin, radiacin, estrs,
relajacin, fisura, etc., pueden ser modelados en esta forma. La identificacin de una medida
adecuadaparaP(t)eselprimerpaso.Elusodeexperimentosdiseadospermitelaidentificacin
de los parmetros de diseo que reducen el ndice promedio de progresin hacia la falla o la
variabilidad asociada alrededor de la media. Las tcnicas de diseo robusto permiten la
identificacin de diseos que son menos sensibles a los efectos de factores de ruido no
controlablesquetiendenaacelerarlaprogresinhacialafalla.

ModelosdeFsicadeFallas

En este enfoque, el ingeniero de confiabilidad busca obtener una comprensin ms

profundadelmecanismodefallaydelasdinmicasqueconducenauneventodefalla.Eneste
casoelingenierobuscacomprenderelefectodelestrs(temperatura,carga,etc.)sobrelavidade
unproducto,usandomodelosbasadosenfsica.Losmodelospuedenserempricos,basadosen
estudioscientficos.

HISTORIADELACONFIABILIDAD

Lahistoriadelcampodelaconfiabilidadpodrasertrazadaalosprincipiosdelos30s
podra ser trazada a los principios de los 30s podra ser trazada a los principios de los 30s
cuando los principios de probabilidad fueron aplicados a problemas relacionados con la
generacin de energa elctrica en Estados Unidos. Durante la Segunda Guerra Mundial
Alemania aplico conceptos bsicos de confiabilidad para incrementar la confiabilidad de sus
cohetesV1yV2.TambindurantelaSegundaGuerraMundialelDepartamentodeDefensade
Estados Unidos reconoci la necesidad de mejoras de confiabilidad de su equipo. Durante el
periodo que data de 1945 a 1950 realizo varios estudios concernientes a las fallas de equipo
electrnico, equipo de mantenimiento y costos de reparacin. Los resultados de estos estudios
sonlossiguientes:

Un estudio realizado por el ejrcito indico que entre dos tercios y tres cuartos del
equipoutilizadoporelejrcitoestababajoreparacin.

Unestudiodelafuerzaareadesarrolladosobreunperiodode5aosreveloquelos
costosdereparacinymantenimientodelafuerzaareafueronaproximadamente10
veceselcostooriginal.

Un estudio de la Armada realizado durante maniobras revelo que el equipo

electrnicoerafuncionalcercadel30%deltiempo

Comoresultadodeestudioscomoeste,elDepartamentodeDefensaestableciuncomit
de confiablidad en 1950. En 1952 este comit se convirti en un grupo permanente llamado
AGREE,ogrupoconsejerodeconfiabilidaddeequipoelectrnico.En1957elgrupoliberosu
reportellamoelreporteAGREE,quefinalmenteresultoenlaliberacindeunaespecificacin
paralaconfiabilidaddeequipoelectrnicomilitar.
En1954unSimposioNacionalsobreConfiabilidadyControldeCalidadsecelebrpor
primera vez en Estados Unidos. Dos aos despus, en 1956, el primer libro comercial sobe
confiablidad fue publicado. El primer programa de maestra en Ingeniera de Confiabilidad de
SistemasfueabiertoenelInstitutodeTecnologadelaFuerzaAreaen1962.

HISTORIADELACALIDAD

La historia del campo de la calidad puede remontarse a los antiguos tiempos de

construccin de las pirmides en el antiguo Egipto (13151090 BC). Durante su construccin
principios relacionados a la calidad fueron seguidos, particularmente en lo que se refiere a la
manodeobra,tamaodelproductoymateriales.Enelsiglo12AD,estndaresdecalidadfueron
establecidosporgremios.
Sinembargoentiemposmodernos(1907)lacompaaWesternElectricfuelaprimeraen
usarprincipiosbsicosdecontroldecalidadendiseo,manufacturaeinstalacin.En1916,C.N.
Frazee de Telephone Laboratories exitosamente aplico enfoques estadsticos a problemas
relacionadosconinspeccinyen1917,G.S.Radfordacuoeltrminocontroldecalidad.En
1924 Walter A. Shewhart de la compaa Western Electric desarrollo grficos de control de
calidad.MsespecficamenteeldesarrollounmemorndumenMayo16de1924quecontena
un bosquejo del grafico moderno de control de calidad. Siete aos ms adelante, en 1931, el
pblicounlibroquellamoControlEconmicodeCalidaddeProductosManufacturados.
En 1944 el diario de Control de Calidad Industrial era publicado conjuntamente por la
UniversidaddeBufaloyelcaptulodelaSociedaddeIngenierosControldeCalidad.En1946la
Sociedad para el Control de Calidad (ASQC) fue formada y este diario se convirti en su voz
oficial.
A lo largo de los aos mucha gente y organizaciones han contribuido al campo de la
calidadyunvastonmerodepublicacionessobreeltemahanaparecido.