INSTITUTO TECNOLÓGICO

DE ORIZABA

DIVISION DE ESTUDIOS DE POSGRADO E

INVESTIGACIÓN
MAESTRÍA EN CIENCIAS EN INGENIERÍA
QUÍMICA

PROPEDÉUTICO

PRESENTA:
CASTRO MENDEZ LILIANA
NAVA PACHECO DIANA
JÚAREZ GARCIA INES ADRIANA

MATERIA:
DISEÑO DE EXPERIMENTOS

DOCENTE:
DRA. LETICIA LOPÉZ ZAMORA

CAPÍTULO 12
“Robust Parameter Design and Process
Robustness Studies”

03 DE JUNIO DE 2019

1
 CONTENIDO

12.1 Introducción .................................................................................................................... 3

12.2 Diseños de matriz cruzada .............................................................................................. 5

12.3 Análisis del diseño de matriz cruzada ............................................................................ 6

12.4 Diseños de matrices combinadas y el enfoque del modelo de respuesta........................ 7

12.5 Selección del diseño experimental ............................................................................... 10

12.5.1 Disminución de la variabilidad del proceso e insensibilización del proceso

respecto de los factores de ruido (robustez). ..................................................................... 10

Conclusión ............................................................................................................................ 11

Bibliografía ........................................................................... Error! Bookmark not defined.

Problemas ............................................................................................................................. 12

2
CAPÍTULO 12

“Robust Parameter Design and Process Robustness Studies”

12.1 Introducción

Una meta importante del mejoramiento de la calidad es incorporar la calidad de diseño en

cada producto y en los procesos por los que éste se fabrica. Los experimentos diseñados
estadísticamente son un elemento importante de esta actividad (Montgomery, 1991).

Por robusto o consistente se entiende que el producto o proceso funciona de manera

consistente como se planeó, y es relativamente insensible a factores difíciles de controlar.
Taguchi se refiere como parámetros de diseños a las tres metas de su método. La filosofía
que Taguchi recomienda es razonable y debe incluirse en el proceso de mejoramiento de la
calidad de toda organización. Sin embargo, Taguchi ha propuesto algunos nuevos métodos
de análisis estadístico de datos y de diseño de experimentos que son innecesariamente
complicados, ineficientes y a veces ineficaces (Ruiz & Rojas , 2000).

Ahora bien, el diseño robusto de parámetros (RPD) es un enfoque que se centra en elegir los
niveles de factores (o parámetros) controlables para lograr que la media de la respuesta de
salida sea a un nivel u objetivo deseado y para asegurar que la variabilidad alrededor de este
valor objetivo sea lo más pequeña posible. Generalmente se denomina estudio de robustez
del proceso.

Genichi Taguchi (ingeniero japonés) propuso un enfoque para resolver el problema de RPD
basado en experimentos diseñados y algunos métodos novedosos para el análisis de los datos
resultantes. La metodología de superficie de respuesta (RSM) surgió como un enfoque para
el problema de RPD que no solo nos permite emplear el concepto de diseño robusto de

3
Taguchi, sino que también proporciona un enfoque más sólido y eficiente para el diseño y
análisis.

La principal contribución de Taguchi fue el reconocimiento de que el diseño experimental y

otras herramientas estadísticas podrían aplicarse al problema en muchos casos. Un aspecto
importante fue su idea de que ciertos tipos de variables causan variabilidad en las importantes
variables de respuesta del sistema.

Nos referimos a estos tipos de variables como variables de ruido o variables incontrolables.
Pueden ser variables de proceso que son difíciles de controlar o mantener en objetivos
específicos.

Una parte integral del problema de RPD es identificar las variables controlables y las
variables de ruido que afectan el rendimiento del proceso o del producto y luego encontrar
las configuraciones para las variables controlables que minimicen la variabilidad transmitida
desde las variables de ruido.

En un problema de diseño robusto, el enfoque generalmente se encuentra en uno o más de

los siguientes:

 Diseñar sistemas que son insensibles a los factores ambientales que pueden afectar el
rendimiento una vez que el sistema se implementa en el campo.

 Diseñar productos para que sean insensibles a la variabilidad transmitida por los
componentes del sistema.

 Diseñar procesos para que el producto manufacturado se acerque lo más posible a las
especificaciones objetivos deseados.

4
  Determinar las condiciones de operación para un proceso de modo que las
características críticas del proceso estén lo más cerca posible de los valores objetivos
deseados y la variabilidad alrededor de este objetivo se minimice.

Taguchi establece que es más barato trabajar en el rediseño de los productos y sus procesos
de fabricación, que, en el control de calidad de los mismos, porque las acciones de mejora de
calidad son más económicas, en cuanto más cercanas estén a la etapa de diseño.

En el diseño robusto de un producto se minimiza su posibilidad de errores, buscando que

tenga mínima variación en las características de calidad importantes para el cliente y en
consecuencia se minimiza el costo de calidad.

12.2 Diseños de matriz cruzada

Debido a que la metodología original de Taguchi para el problema de RPD giraba en torno
al uso de un diseño estadístico para las variables controlables y otro diseño estadístico para
las variables de ruido, estos dos diseños fueron “cruzados”, es decir, cada combinación de
tratamiento en el diseño para las variables controlables se ejecutó en combinación con cada
combinación de tratamiento en el diseño de la variable de ruido. Este tipo de diseño
experimental se denominó diseño de matriz cruzada.

El diseño para los factores controlables es un diseño factorial fraccional 24-1 con generador
D = ABC. Esto se llama el diseño de matriz interna. El diseño para el factor de ruido único
es un diseño 21, y se denomina diseño de matriz externa.

5
 Tabla 12.1 The leaf Spring Experiment

|
El diseño de la matriz cruzada proporciona información sobre las interacciones entre los
factores controlables y los factores de ruido. Una de las claves para un enfoque eficiente y
efectivo para resolver el problema de RPD es enfocarse en identificar y modelar estas
interacciones.

Figura 12.1 The role of the control x noise interaction in robust desing

12.3 Análisis del diseño de matriz cruzada

El diseño de matriz combinada generalmente es mucho más eficiente que la matriz cruzada.
Taguchi propuso que resumiéramos los datos de un experimento de matriz cruzada con dos
estadísticas:

1. El promedio de cada observación en la matriz interna en todas las ejecuciones en la

matriz externa.

6
 2. Una estadística de resumen que intentó combinar información sobre la media y la
varianza, denominada relación señal-a-ruido.

Dichas relaciones de señal a ruido se definen de modo que un valor máximo de la relación
minimiza la variabilidad transmitida desde las variables de ruido. Luego se realiza un análisis
para determinar qué ajustes de los factores controlables dan como resultado la media lo más
cerca posible del objetivo deseado y un valor máximo de la relación señal / ruido.
Las relaciones señal-ruido son problemáticas y pueden resultar en una confusión de efectos
de ubicación y dispersión, y a menudo no producen el resultado deseado de encontrar una
solución al problema de RPD que minimice la variabilidad transmitida.

Modelar la media y la varianza de la respuesta directamente donde la media de la muestra y

la varianza de la muestra para cada observación en la matriz interna se calculan en todas las
ejecuciones en la matriz externa, este es un análisis para un diseño de matriz cruzada.

Las medias y las varianzas de la muestra se calculan sobre los mismos niveles de las variables
de ruido. Cualquier diferencia entre estas cantidades se debe a las diferencias en los niveles
de las variables controlables. En consecuencia, elegir los niveles de las variables controlables
para optimizar la media y al mismo tiempo minimizar la variabilidad es un enfoque válido.

12.4 Diseños de matrices combinadas y el enfoque del modelo de respuesta.

Las interacciones entre factores controlables y de ruido son la clave para un problema de
diseño robusto. Imaginemos que tenemos dos factores controlables x1 y x2 y un solo factor
de ruido z1, suponemos que tanto los factores de control como los de ruido se expresan como
las variables codificadas habituales, es decir, se centran en cero y tienen límites superior e
inferior en + a. Si deseamos considerar un modelo de primer orden que involucra las variables
controlables y de ruido, un modelo lógico es:

𝑦 = 𝛽0 + 𝛽1 𝑥1 + 𝛽2 𝑥2 + 𝛽12 𝑥1 𝑥2 + 𝑦1 𝑧1 + 𝛿11 𝑥1 𝑧1 + 𝛿21 𝑥2 𝑧1 + 𝜖 … 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 1

7
Este modelo tiene los efectos principales de los factores controlables y su interacción, el
efecto principal de la variable de ruido y las interacciones entre las variables controlables y
de ruido, incorpora variables controlables y de ruido, por lo que a menudo se denomina
modelo de respuesta. A menos que uno de los coeficientes de regresión delta 11 y delta 21
no sea cero, no habrá ningún problema de diseño robusto.

Una ventaja importante del enfoque del modelo de respuesta es que tanto los factores
controlables como los factores de ruido se pueden colocar en un solo diseño experimental;
es decir, se puede evitar la estructura de matriz interna y externa del enfoque de Taguchi. Por
lo general, denominamos al diseño que contiene factores controlables y de ruido como un
diseño de matriz combinada.

Asumimos que las variables de ruido son variables aleatorias, aunque son controlables para
propósitos de un experimento, específicamente que las variables de ruido se expresan en
unidades codificadas, tienen un valor esperado de cero y varianza y si hay varias variables
de ruido, tienen cero covarianzas. Tomando el valor esperado de y en la ecuación anterior,
tenemos:
𝐸𝑧 (𝑦) = 𝛽0 + 𝛽1 𝑥1 + 𝛽2 𝑥2 + 𝛽12 𝑥1 𝑥2 … 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 12.2
Donde:
El subíndice z en el operador de expectativa es un recordatorio para tomar el valor esperado
con respecto a ambas variables aleatorias z1=0.

Para encontrar un modelo para la varianza de la respuesta y, usamos el enfoque de

transmisión de error. Primero, expanda la ecuación del modelo de respuesta 12.1 en una serie
de Taylor de primer orden alrededor de z1= 0. Esto da a ecuación siguiente:

𝑑𝑦
𝑦 ≅ 𝑦𝑧=0 + (𝑧 − 0) + 𝑅 + 𝜖
𝑑𝑧1 1
≅= 𝛽0 + 𝛽1 𝑥1 + 𝛽2 𝑥2 + 𝛽12𝑥1 𝑥2 + (𝑦1 + 𝛿11 𝑥1 + 𝛿21 𝑥2 )𝑧1 + 𝑅 + 𝜖
Donde
R es el término restante en la serie de Taylor.

8
Ahora la varianza de y puede obtenerse aplicando el operador de varianza en esta última
expresión (sin R). El modelo de varianza resultante es:

𝑉2 (𝑦) = 𝜎𝑧2 (𝑦1 + 𝛿11 𝑥1 + 𝛿21 𝑥2 )2 + 𝜎 2 … 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 12.3

Las ecuaciones 12.2 y 12.3 son modelos simples para la media y la varianza de la variable de
respuesta de interés.

Tenga en cuenta lo siguiente:

1. Los modelos de media y varianza involucran solo las variables controlables. Esto
significa que potencialmente podemos establecer las variables controlables para
lograr un valor objetivo de la media y minimizar la variabilidad transmitida por la
variable de ruido.
2. Aunque el modelo de varianza involucra solo las variables controlables, también
involucra los coeficientes de regresión de interacción entre las variables controlables
y de ruido. Así es como la variable de ruido influye en la respuesta.
3. El modelo de varianza es una función cuadrática de las variables controlables.
4. El modelo de varianza (a partir de σ 2) es solo el cuadrado de la pendiente del modelo
de respuesta ajustado en la dirección de la variable de ruido.

Para utilizar estos modelos operativamente, podríamos:

1. Realice un experimento y ajuste un modelo de respuesta apropiado, como la Ecuación
12.1.
2. Reemplace los coeficientes de regresión desconocidos en los modelos de media y
varianza con sus estimaciones de mínimos cuadrados del modelo de respuesta y
reemplace en el modelo de varianza por el cuadrado medio residual encontrado al
ajustar el modelo de respuesta.
3. Optimice el modelo de media y varianza utilizando los métodos estándar de
optimización de respuesta múltiple (Montgomery, 2013).

9
12.5 Selección del diseño experimental

Las ideas de Taguchi son impecables bajo el punto de vista de ingeniería, pero presentan
deficiencias graves bajo el punto de vista estadístico que conducen a un número excesivo de
ensayos y a una falta de rigor en las conclusiones. A continuación, se indican algunas
directrices para aplicar el diseño estadístico de experimentos a la resolución de cada uno de
las posibilidades de mejora.

12.5.1 Disminución de la variabilidad del proceso e insensibilización del proceso

respecto de los factores de ruido (robustez).

En estos métodos se utilizan dos matrices, la interior (o matriz de los factores controlables)
y la exterior en la que se presentan las distintas combinaciones elegidos de los factores de
ruido.
El procedimiento de análisis se basa en estimar la variabilidad de los resultados de los
ensayos realizados para cada combinación posible de los factores controlables (fila de la
matriz interior) con las condiciones de los factores de ruido (matriz exterior).
Dado que las matrices utilizadas por Taguchi presentan deficiencias notables, la solución más
inmediata consiste en reemplazar estas matrices por diseños factoriales fraccionales. Si bien
este cambio en sí ya es una mejora sobre el método de Taguchi tradicional, obviamente el
número de ensayos requeridos puede seguir siendo demasiado alto por ser el producto de dos
matrices.
Un procedimiento alternativo (método de la matriz única) y más recomendable consiste en
seleccionar un diseño fraccional, que incluya tanto los factores controlables como los de
ruido. Sin embargo, es preciso asignar los factores siguiendo los criterios siguientes:

Son importantes las interacciones entre factores de control entre sí. Por tanto, debe tratarse
que puedan calcularse sin que estén confundidas con efectos principales.
También son importantes las interacciones entre factores de control y factores de ruido,
porque de esta información podría seleccionarse el nivel del factor de control más adecuado
para que la influencia del ruido sea menor.

10
No son importantes las interacciones de factores de ruido entre sí, porque por definición estos
factores están fuera de nuestro control y no podría aprovecharse una posible interacción. Esto
podría emplearse en el ahorro de ensayos, seleccionando un nivel de fraccionamiento
adecuado. A partir de aquí, el procedimiento de análisis es igual al convencional, pero
completado con el siguiente análisis (Ruiz & Rojas , 2000).

Aplicación del diseño estadístico de experimentos a la mejora de procesos

En general, el enfoque de matriz combinada dará como resultado diseños más pequeños que
se obtendrán con una matriz cruzada. Además, el enfoque de modelado de respuesta permite
la incorporación directa de las interacciones controlables factor-ruido, que generalmente son
superiores a la media directa y modelado de la varianza. Por lo tanto, nuestros comentarios
en esta sección se limitan a matrices combinadas.
Si todos los factores de diseño están en dos niveles, un diseño de resolución V es una buena
opción para un estudio de RPD, ya que permite estimar todos los efectos principales y las
interacciones de dos factores, suponiendo que las interacciones de tres factores y mayores
sean despreciables.

Factorial fraccional estándar: los diseños pueden ser buenas elecciones en algunos casos.
Por ejemplo, con cinco factores, este diseño requiere 16 carreras. Sin embargo, con seis o
más factores, los diseños estándar son bastante grandes.
El diseño de este paquete para siete factores, que requiere 30 corridas. Este diseño se adaptará
a cualquier combinación de variables controlables y de ruido. totalizando siete y permite los
siete efectos principales y todas las interacciones de dos factores entre estos factores a
estimar.

Conclusión

De acuerdo con lo mencionado anteriormente, podemos concluir que la técnica de Diseños

Robustos permite la obtención de productos de elevada calidad y bajo coste y estas técnicas
pueden aplicarse con ventaja combinando las ideas originales de Taguchi con técnicas
estadísticas clásicas.

11
Problemas

Ejercicio 12.2
Considere el experimento de llenado de botellas en el problema 6-18. Supongamos que el
porcentaje de carbonatación (A) es una variable de ruido (σ2z = en unidades codificadas).

a) Ajustar el modelo de respuesta a estos datos. ¿Hay un problema de diseño robusto?

Obteniendo el análisis de varianza para este caso se tiene que:

Fuente GL SC Ajust. MC Ajust. Valor F Valor p

A 1 36.0000 36.0000 57.60 0.000
B 1 20.2500 20.2500 32.40 0.000
C 1 12.2500 12.2500 19.60 0.002
A*B 1 2.2500 2.2500 3.60 0.094
A*C 1 0.2500 0.2500 0.40 0.545
B*C 1 1.0000 1.0000 1.60 0.242
A*B*C 1 1.0000 1.0000 1.60 0.242
Error 8 5.0000 0.6250
Total 15 78.0000

Buscando la F1,8=5.32
Se tiene que los factores significativos para este caso son los efectos principales A, B y C ya que el
valor de F respectivamente es mayor al encontrado en tablas de 5.32. y también el valor de P es
menor que el nivel de significancia. Cabe resaltar que el efecto de AB puede ser ligeramente
significativo ya que su valor de p es muy cerca del nivel de significancia.

Respondiendo al inciso, debido a que el factor de ruido A es significativo, y la interacción AB es

moderadamente significativa, existe un problema de diseño robusto

12
Removiendo los efectos que no significativos el análisis de varianza queda de la siguiente manera:

Fuente GL SC Ajust. MC Ajust. Valor F Valor p

Modelo 4 70.750 17.6875 26.84 0.000
Lineal 3 68.500 22.8333 34.64 0.000
A 1 36.000 36.0000 54.62 0.000
B 1 20.250 20.2500 30.72 0.000
C 1 12.250 12.2500 18.59 0.001
Interacciones de 2 términos 1 2.250 2.2500 3.41 0.092
A*B 1 2.250 2.2500 3.41 0.092
Error 11 7.250 0.6591
Falta de ajuste 3 2.250 0.7500 1.20 0.370
Error puro 8 5.000 0.6250
Total 15 78.000

Se puede observar que los factores principales siguen siendo significativos respecto al valor de P
siendo menor que el nivel de significancia de 0.05, con una nueva F estadística de 4.84 (obtenida de
la tabla del apéndice IV) menor a la calculada. Sin embargo, el efecto AB sigue siendo levemente
significativo. El modelo tiene un ajuste del 84.33% y es el siguiente:

Resumen del modelo

R-cuad. R-cuad.
S R-cuad. (ajustado) (pred)
0.811844 90.71% 87.33% 80.33%

Ecuación de regresión
respuesta = 1.000 + 1.500 A+ 1.125 B + 0.875 C+ 0.375 A*B

b) Encuentre el modelo medio y el modelo de varianza o el POE

Siguiendo la forma de la ecuación del modelo encontrado en el inciso anterior y sabiendo
de antemano que la variable A no se puede controlar además de conocer el modelo para este
caso el modelo de la media y el gráfico de contorno se muestran a continuación:

Respuesta= 1+ 1.125 B + 0.875 C

13
Donde se observa que para tener una mínima desviación poniendo atención a estos dos factores
controlables se requieren condiciones de C y B en valores bajos.

14
En el gráfico de superficie se observa que para tener poca desviación se debe correr el
experimento con valores bajos de los factores controlables.

c) Encuentre un conjunto de condiciones que resulten en una desviación media de llenado lo

más cerca posible a cero con la varianza mínima transmitida.
Las condiciones de operación para que haya desviación media cercana a cero son las que se
muestran a continuación en el gráfico de contorno. Donde se observa que el área con color
azul claro es donde habrá menos variación y mejor respuesta.

15
Ejercicio 12.3

Considere el experimento en el problema 11.12. Suponer que la temperatura es una variable de

ruido. Ajustar modelos de respuesta para ambas respuestas. ¿Existe un problema de diseño robusto
con respecto a ambas respuestas? Encuentre un conjunto de condiciones que maximicen la
conversión con actividad entre 55 y 60 y que minimicen la variabilidad transmitida desde la
temperatura.

Datos del ejercicio 11.2

16
Análisis de Varianza para conversión
Fuente GL SC Ajust. MC Ajust. Valor F Valor p
A 1 14.44 14.44 0.65 0.439
B 1 222.96 222.96 10.02 0.010
C 1 525.64 525.64 23.63 0.001
A*A 1 48.47 48.47 2.18 0.171
B*B 1 124.48 124.48 5.60 0.040
C*C 1 388.59 388.59 17.47 0.002
A*B 1 36.12 36.12 1.62 0.231
A*C 1 1035.12 1035.12 46.53 0.000
Los efectos con valor de p menor
B*C 1 120.13 120.13 5.40 0.043 a al nivel de significancia de 0.05
Error 10 222.47 22.25 son los más influyentes para
ambas respuestas.
Falta de ajuste 5 56.47 11.29 0.34 0.869
Error puro 5 166.00 33.20 Se observa que para conversión
Total 19 2778.20 el efecto de B es significativo al
contrario de en la respuesta de
actividad.
Análisis de Varianza para actividad Por lo tanto, existe un problema
Fuente GL SC Ajust. MC Ajust. Valor F Valor p de diseño robusto con respecto a
A 1 175.352 175.352 56.42 0.000 la respuesta de conversión
debido a la importancia del
B 1 0.885 0.885 0.28 0.605
factor B, la temperatura y la
C 1 67.912 67.912 21.85 0.001 interacción BC. Sin embargo, la
A*A 1 10.046 10.046 3.23 0.102 temperatura no es significativa
en el análisis de la segunda
B*B 1 0.081 0.081 0.03 0.875
respuesta, la actividad.
C*C 1 0.047 0.047 0.02 0.905
A*B 1 1.201 1.201 0.39 0.548
A*C 1 0.011 0.011 0.00 0.953
B*C 1 0.781 0.781 0.25 0.627
Error 10 31.079 3.108
Falta de ajuste 5 27.426 5.485 7.51 0.023
Error puro 5 3.653 0.731
Total 19 287.278

17
 Los modelos de ajuste para ambas respuestas son los siguientes

Resumen del modelo conversión

R-cuad. R-cuad.
S R-cuad. (ajustado) (pred)
4.71669 91.99% 84.79% 75.66%

Ecuación de regresión Conversión

Conversión = 81.09 + 1.03 A + 4.04 B + 6.20 C - 1.83 A*A + 2.94 B*B - 5.19 C*C + 2.13 A*B
+ 11.37 A*C - 3.87 B*C

Resumen del modelo actividad

R-cuad. R-cuad.
S R-cuad. (ajustado) (pred)
1.76292 89.18% 79.45% 25.36%

Ecuación de regresión actividad

Actividad = 59.850 + 3.583 A + 0.255 B + 2.230 C + 0.835 A*A + 0.075 B*B + 0.057 C*C
- 0.388 A*B - 0.037 A*C + 0.312 B*C

Se observa que para la respuesta actividad no se obtuvo un buen ajuste así que se remueven
los efectos no significativos del modelo obteniendo lo siguiente:

Análisis de Varianza reducido para actividad

Fuente GL SC Ajust. MC Ajust. Valor F Valor p
A 1 175.352 175.352 82.34 0.000
C 1 67.912 67.912 31.89 0.000
A*A 1 9.939 9.939 4.67 0.046
Error 16 34.074 2.130
Falta de ajuste 11 30.421 2.766 3.78 0.077
Error puro 5 3.653 0.731
Total 19 287.278

18
 Resumen del modelo actividad
R-cuad. R-cuad.
S R-cuad. (ajustado) (pred)
1.45933 88.14% 85.91% 63.02%
Ecuación de regresión en actividad
Actividad = 59.948 + 3.583 A + 2.230 C + 0.823 A*A

La información anterior se corrobora con los paretos para ambas respuestas donde se observa que
factores son los mas influyentes.

19
Las siguientes gráficas correspondiente identifican una región donde la conversión se maximiza, la
actividad está entre 55 y 60, y la variabilidad de la temperatura transmitida se minimiza.

En el gráfico de optimización de respuesta observamos que se requiere un limite inferior de 51 y

un máximo de 97 para maximizar la conversión por lo que nos apoyamos con el gráfico de
contorno superpuesto el cual nos da las condiciones que requerimos.

En minitab tenemos que colocar los objetivos para los que deseamos las condiciones:

20
Se puede observar que las condiciones para lograr esto, es el área remarcada en color blanco para
las variables controlables de A y C, y recordando que B es la variable (temperatura difícil de
controlar).
Para A tenemos aproximadamente un rango de -0.4 a 0.5 y para C de -0.5 a 1 en variables
codificadas respectivamente.

21
Bibliografía
Montgomery, D. C. (1991). Diseño y análisis de experimentos . México D.F.: Grupo editorial
Iberoaméricana .
Montgomery, D. C. (2013). Design and analysis of experiments. Wiley: John Wiley & Sons, Inc.
Ruiz, A., & Rojas , F. (2000). Diseños Robustos: Aplicaciones a la mejora de procesos. Anales de
mecanica y electricidad, (Vol. 77, No. 1, pp. 8-12).

22