Professional Documents
Culture Documents
CALIDAD
DISEO ROBUSTO
Un producto robusto es aquel que trabaja como se pretende sin importar la variacin en el
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
factores llamados factores de ruido zi. El sistema puede ser un proceso o un producto.
Los factores de control son factores que son fciles y baratos de controlar en el diseo del
producto; los factores de ruido son factores que podran afectar la respuesta de inters pero que
son difciles de controlar cuando el producto est siendo manufacturado o cuando est siendo
usado por el cliente (aunque pueden ser controlados para propsitos de experimentacin). Estos
factores de ruido son a menudo funciones de condiciones ambientales, por ejemplo, humedad,
propiedades de materias primas, temperatura, etc.
Los diseos robustos son diseos construidos con un objetivo en mente: comprender que
parmetros de diseo de producto y proceso son crticos para el alcance de una caracterstica de
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
media de la respuesta este en cierto valor y asegurar que la variabilidad alrededor de este valor
sea tan pequea como sea posible.
Por ejemplo, en un 2222 el 22 para las variables de control es llamado el arreglo interno
y el 22 para las variables de ruido se denomina el arreglo externo.
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
haba sido adecuadamente revisado.
Montgomery (2005) seala que aunque los conceptos ingenieriles de Taguchi y el
objetivo general de RPD estn bien fundamentados, existen problemas substanciales con esta
estrategia de experimentacin as como con los mtodos de anlisis de informacin. Detalles ms
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
Taguchi son diseos Plackett-Burman saturados o aproximadamente saturados que no permiten
al experimentador estimar los efectos de las interacciones entre las variables de control. La figura
1 muestra un arreglo cruzado que ha sido transformado a su forma estndar, note que ninguna
interaccin de control control puede ser calculada cuando se usa este enfoque.
Box (1988) declara que los mtodos estadsticos de diseo y anlisis recomendados por
Taguchi son a menudo innecesariamente ineficientes y complicados, y cuando sea posible,
deberan ser reemplazados por alternativas ms simples y eficientes.
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
funciona bien si uno est dispuesto a asumir que las interacciones entre las variables de control
no son significativas. En muchas reas de aplicacin esta es una asuncin segura, sin embargo
hay muchas reas en que estas interacciones proporcionan una enorme contribucin al proceso
de modelacin.
Montgomery (2009) menciona que existen dos objetivos esenciales en el RPD: (1)
asegurar que el valor promedio de la respuesta este en un nivel deseado o en un valor objetivo (2)
asegurarse de que la variabilidad alrededor de este valor objetivo sea tan pequea como sea
posible. A menos que exista una interaccin de control por ruido no hay un problema de diseo
robusto. Identificar y modelar estas interacciones es una de las claves para resolver el RPD.
1
2
3
4
X1
+
+
X2
+
+
X3
+
+
Z1
Run
X1
X2
Factors
X3
Z1
Z2
Z3
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
Una importante caracterstica del arreglo cruzado es que proporciona informacin sobre
las interacciones entre factores de control y factores de ruido. Estas interacciones son cruciales
para solucionar el problema RPD.
La Tabla 12.2 presenta otro ejemplo de un problema de RPD tomado de Byrne y Taguchi
(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(profundidad de insercin), D(porcentaje de adhesivo), y tres factores de ruido, cada uno dos
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 34-2 y el
diseo para las variables de ruido es un 23.
externo. Por lo tanto, escoger los niveles de los factores controlables para optimizar la media y
simultneamente minimizar la variabilidad es un enfoque valido.
Para ilustrar este enfoque considere el experimento presentado en la Tabla 12.1, las
ltimas dos columnas de esta tabla muestran La medias mustrales y i y las varianzas mustrales
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. Dado que estos efectos estn correlacionados con interacciones de tres factores es
razonable concluir que los efectos pertenecen a los factores A, B y D y no a las interacciones.
Debido a que la varianza muestral no sigue una distribucin normal (sino chi cuadrada),
es mejor analizar el logaritmo natural de la varianza. La Figura 12.3 es el grafico de probabilidad
seminormal de los efectos del in(si2 ) . El nico efecto significativo es B.
262
[Intercept] = Intercept
[x1] = x1
[x2] = x2
[x3] = x3
[z1] = z1 + z2z3
[z2] = z2 + z1z3 Resolution III
[z3] = z3 + z1z2
[x1x2] = x1x2 + x3z1
[x1x3] = x1x3 + x2z1
[x2x3] = x2x3 + x1z1
[x1z2] = x1z2
[x1z3] = x1z3
[x2z2] = x2z2
[x2z3] = x2z3
[x3z2] = x3z2
[x3z3] = x3z3
debera ser usado y los generadores para construir esta fraccin son: F = ABCD and G =
ABCDE. La columna resolucin se refiere a la resolucin entre los factores de ruido (en este
caso resolucin III indica que los efectos principales de los factores de ruido estn confundidos
con las interacciones de ruido ruido)
[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
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
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
Tarea para el jueves: Obtener la estructura de aliases de aberracin mnima para este
diseo
Ejercicio: Mostrar cmo se hara en Excel
los costos incurridos por no cumplir el producto con las expectativas del cliente
los costos causados por los efectos peligrosos secundarios causados por el producto.
Nota: El trmino intrnseco denota una propiedad de alguna cosa o accin que es esencial para
esa cosa o accin y que es totalmente independiente de cualquier otro objeto, accin o
consecuencia.
desva del valor objetivo. El costo de esta deviacin se incrementa en forma cuadrtica si la
caracterstica de calidad se aleja del valor nominal.
Note que la perdida debida a la variacin es proporcional al cuadrado de la desviacin de
la caracterstica de desempeo de su valor nominal multiplicado por una constante
La prdida puede ser cuantificada por parte. El poder medir la perdida nos motiva a
enfocarnos en reducir la variacin dado que comprendemos que una mnima desviacin del valor
nominal resulta en una perdida. La tendencia seria tratar de mantener el producto y el proceso tan
cercanos al valor nominal tanto como sea posible. Esto es lo beneficial de la metodologa de
Taguchi, nos mantiene enfocados en la necesidad de la mejora continua.
Ejemplo de aplicacin de la funcin de costo (tarea de investigacin)
Optimizacin:
Muchos problemas de superficie de respuesta involucran el anlisis de varias respuestas.
Simultnea consideracin de mltiples respuestas involucra construir un modelo de superficie de
respuesta apropiado para cada repuesta y despus tratar de encontrar un conjunto de condiciones
de operacin que optimicen todas las respuestas o que al menos las mantiene dentro de los
rangos deseados. Suponga que un experimentador est interesado en optimizar 2 respuestas de un
experimento que contiene 3, y selecciona las respuestas y2 y y3, que corresponden a viscosidad y
peso molecular respectivamente. Los modelos para la viscosidad y peso molecular estn dados
por:
Un enfoque relativamente sencillo para optimizar varias respuestas que funciona bien
cuando hay solo unas pocas variables es sobreponer los grficos de contornos.
3746
3566
3386
3205
3025
Viscosidad
Peso Molecular
Max y2
Sujeto a:
y3 3210
Hay varias tcnicas numricas que podran solucionar este problema. Algunas veces
estas tcnicas son llamadas mtodos de programacin no lineal.
Otro enfoque til para optimizacin de respuestas mltiples es el uso de la tcnica de
optimizacin simultnea popularizada por Derringer y Suich (1980). Su procedimiento hace uso
de funciones de deseabilidad. El enfoque general es primero convertir cada respuesta yi a una
funcin de deseabilidad individual di que vara sobre el rango.
La funcin de deseabilidad de 2 lados asume que el valor objetivo est localizado entre
los lmites bajo (L) y alto (U) y se define como:
Design Expert puede ser usado para optimizar experimentos (Optimizacin Numrica)
a) Mayor es mejor
b) Menor es mejor
EXPERIMENTACIN SECUENCIAL
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
experimentacin secuencial muchos experimentos serian infactibles debido a las obvias restricciones en
costos, o un desperdicio de dinero y recursos si un experimento completo descubre que no hay factores
significativos. Esta importante rea de investigacin se dedica a encontrar las mejores formas de
combinar las corridas de dos o ms experimentos para formar un diseo de mayor tamao que sea capaz
de estimar los efectos de factores e interacciones de inters.
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
experimento tiene como objetivo resolver ambigedades al clarificar la estructura de aliases del diseo
combinado. La forma en que las corridas de la segunda fraccin son seleccionadas depende de la
informacin obtenida a partir del diseo inicial, de los objetivos del experimento, de la forma en que la
fraccin inicial fue seleccionada (resolucin) y de restricciones en costos. Por lo tanto, una rica variedad
de esquemas de experimentacin secuencial existen.
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
usando una tcnica de aumento estndar conocida como foldover (Box and Hunter (2005), Neter (1996),
Wu and Hamada (2000), Montgomery (2009). El foldover revierte los signos de uno o ms factores del
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
propsito desacoplar un factor especfico de sus aliases.
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
resultado el semifold (correr la mitad de un foldover) y el quarterfold (aproximadamente la cuarta parte de
un foldover) fueron desarrollados.
Las lecciones aprendidas de los quarterfolds desarrollados para resolucin IV fueron extendidas a
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
como la justificacin para seguir investigado este importante aspecto del diseo experimental.
El foldover es una tcnica de experimentacin secuencial empleada para desacoplar trminos
especficos o para incrementar la resolucin de un diseo inicial (usualmente una fraccin) al aadir una
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)).
La nocin de foldover apareci a principios de los 50s, un claro ejemplo es el artculo publicado
por Box y Wilson (1951). En la terminologa de los autores, un diseo de tipo B (foldover) puede ser
obtenido al duplicar con signos invertidos la matriz de variables independientes para el diseo de tipo A
(fraccin inicial). En 1961 Box y Hunter introdujeron la palabra foldover para nombrar a esta tcnica y
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
foldover es diferente dependiendo de la resolucin de la fraccin inicial (III o IV), por esa razn, todos los
posibles casos necesitan ser explicados.
El primer caso es el foldover de columna simple para fracciones de resolucin III. Montgomery
(2005) presenta un ejemplo de un foldover parcial aplicado a una fraccin de resolucin III. El foldover es
parcial porque los signos son invertidos para una sola columna (Factor D) y es aplicado a un diseo de
resolucin III con 6 factores. Box, Hunter y Hunter (2005) presentan la misma tcnica aplicada a un
diseo de resolucin III con 7 factores, al igual que en el ejemplo de Montgomery, la columna invertida
corresponde al factor D.
El ejemplo proporcionado por Box ser mencionado aqu brevemente para ilustrar el uso de la
tcnica. La fraccin inicial era una dieciseisava parte de un diseo factorial con 7 factores y con relacin
definidora I = ABD = ACE = BCF = ABCG. El experimento revel que las columnas [B] y [D] eran
estadsticamente significativas. El experimentador estaba interesado en estimar el efecto del factor D libre
de sus aliases y decidi correr una segunda fraccin con los signos para el factor D invertidos. En general,
cuando una fraccin con los signos de un factor invertido es aadida a un diseo factorial fraccional de
resolucin III o ms alta, el diseo combinado proporcionara estimaciones del efecto de ese factor
principal as como de todas sus interacciones de 2 factores (Montgomery, 2009). Las dos fracciones son
combinadas para formar un diseo en que cada fraccin es tratada como un bloque. La relacin definidora
completa para el diseo combinado puede ser obtenida usando la regla para foldover 1 desarrollada por
Montgomery y Runger (1996).
El segundo caso es el foldover de columna mltiple para fracciones de resolucin III. Cuando se aade
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
foldover de columna mltiple por Box et.al. (2005) y foldover completo por Li and Lin (2003). Cuando el
foldover de columna mltiple es aplicado a un diseo de resolucin III, la combinacin de las dos
fracciones es al menos resolucin IV.
Aunque el foldover de columna mltiple es el mtodo preferido para aumentar diseos de
resolucin III, mejoras a esta tcnica han sido hechas. Li y Mee (2002) describen una familia de diseos
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
resolucin a IV sino que tambin separan algunas de las interacciones de 2 factores. Es importante estar
conscientes de que existen diseos de resolucin III para los que ms de una fraccin de foldover
incrementar la resolucin de III a IV y cuando esto sucede la fraccin de foldover obtenida al invertir
todas las columnas es un diseo inferior.
En forma adicional Miller and Sitter (2005) realizaron foldovers de fracciones eficientes no
ortogonales de resolucin III y obtuvieron diseos no ortogonales de resolucin IV, despus compararon
estos diseos con sus competidores (diseos de resolucin III ortogonales de igual tamao tales como
factoriales fraccionados y diseos Placket Burman). Estos diseos se desempearon tan bien o mejor que
sus competidores en trminos de seleccin del modelo correcto cuando unas pocas interacciones de 2
factores estaban presentes y se desempearon significativamente peor que los diseos de resolucin III en
trminos de identificar correctamente los efectos principales.
El tercer caso involucra el foldover de columna simple para diseos de resolucin IV.
Montgomery y Runger (1996) mencionan que un foldover de un diseo de resolucin IV puede tener los
siguientes objetivos: Romper tantas cadenas de interacciones de 2 factores como sea posible, romper
todas las interacciones de dos factores en una cadena especfica y romper las interacciones de dos factores
que involucran un factor especfico. Para diseos de resolucin IV podemos estimar los efectos
principales y todas las k-1 interacciones de dos factores para un factor al revertir ese factor.
El cuarto caso es el foldover de dos columnas para diseos de resolucin IV. Montgomery y
Runger (1996) consideraron foldovers generados al invertir los signos de dos factores. En su anlisis ellos
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
reducir el nmero de trminos correlacionados en un 50%. Es claro que cuando el objetivo es desacoplar
ms interacciones de dos factores este mtodo debera ser preferido. En forma adicional algunos paquetes
de software consideran diferentes estrategias. Por ejemplo, RS/Discover sugiere revertir los signos del
factor si el generador en el que dicho factor est involucrado es una palabra impar (Li y Lin, 2003).
Como un comentario adicional se ha mencionado abundantemente en la literatura que un foldover
para resolucin IV no necesariamente separara todas las interacciones de dos factores. Si la fraccin
original posee una estructura de aliases con ms de dos interacciones de dos factores en cualquier cadena
de aliases el foldover no separara todas las interacciones de dos factores. Para diseos de resolucin IV la
estrategia de invertir los signos de todas las columnas no es directamente aplicable porque el diseo
combinado resultante tendr el mismo nmero de palabras de 4 letras (Li y Lin, 2003).
El cuarto caso lo constituye el semifold para diseos de resolucin IV. El correr un foldover
completo genera un diseo combinado completamente ortogonal pero planes de foldover completamente
ortogonales son con frecuencia ineficientes en el sentido de que slo la mitad de los grados de libertad
pueden ser usados para estimacin de efectos principales e interacciones (Daniel, 1962). Daniel discuti
un amplio rango de esquemas de experimentacin secuencial que incluyen fracciones adicionales que son
ms pequeas que la fraccin inicial. El sugiri aumentar una fraccin de 8 factores resolucin IV con 8
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)
porque involucraba correr la mitad de la fraccin de foldover.
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
aadir un nmero pequeo de corridas a la fraccin inicial, una tcnica conocida como foldover parcial.
Mee y Peralta (2000) consideran que los diseos de foldover que siguen a una fraccin de resolucin IV
son generalmente ineficientes en trminos de grados de libertad porque en la mayora de las situaciones,
aadir una segunda fraccin de tamao n de la misma familia, proveer menos que n/2 grados de libertad
adicionales para interacciones de dos factores. El semifold involucra dos pasos, escoger la fraccin de
foldover y seleccionar la mitad de las combinaciones de tratamientos para ser corridas.
Barnett et. al. (1997) presenta un caso de estudio en que un semifold es aplicado a una fraccin
resolucin IV de 6 factores; se encontr que la interacciones AF+DE, AD+EF, AC+BE, y AE+BC eran
significativas. Dado que el factor A estaba involucrado en las cuatro interacciones, la fraccin de foldover
se obtuvo al revertir los signos de este factor. Despus slo 8 corridas adicionales en las que el factor era
positivo fueron utilizadas para crear el semifold. Debe recalcarse que foldovers completos para fracciones
de resolucin IV son dignos de consideracin si precisin de los estimadores de los efectos es requerida
pero son una mala opcin para aumentar diseos cuando el objetivo es estimar ms efectos.
El quinto caso es el semifold para fracciones de resolucin III. Mee y Peralta (2000) no
recomiendan el semifold como una estrategia til para estimar ms efectos despus de haber corrido una
fraccin de resolucin III, en su lugar ellos prefieren el semifold como el primer paso de una estrategia de
confirmacin. Si los resultados de la fraccin de semifold no son los esperados, la otra mitad puede ser
corrida, esto aplica tambin a fracciones de resolucin IV.
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
anlisis a diseos ortogonales no regulares usando una herramienta matemtica conocida como la funcin
indicadora. Guo (2006) desarroll planes de foldover ptimos para diseos de niveles mixtos.
En algunas situaciones en las que hay cadenas simples correlacionadas, el desacoplamiento puede
ser alcanzado en menos corridas que un semifold. Misra (2006) present un mtodo conocido como
Quarterfold que se enfoc en aadir corridas a un experimento factorial fraccional resolucin IV de dos
niveles. Las corridas fueron aadidas hasta que las cadenas de aliases bajo investigacin se separaron.
Simulacin Monte Carlo fue usada para generar informacin simulada, 5000 sets de informacin fueron
simulados para cada modelo usando SAS versin 9.1. Un modelo conocido fue usado para comparar el
desempeo de los tres mtodos (quarterfold, semifold y foldover) bajo 3 condiciones de ruido.
Un procedimiento fue diseado para aadir corridas haciendo nfasis en mantener las columnas
del diseo tan ortogonales como fuese posible. Las columnas de interacciones que necesitaban
desacoplarse fueron identificadas y corridas adicionales fueron aadidas para desacoplar estas cadenas en
lugar de los efectos principales, en esta forma el nfasis fue puesto en las columnas de interacciones de
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
modelo correcto puede ser encontrado usando menos corridas que un semifold.
Los procedimientos hasta ahora descritos usan secuencias de fracciones adicionales de la misma
familia, En forma adicional, Miller y Sitter (2001) estudiaron foldovers de diseos Placket Burman, un
tipo de diseo no regular. Recientemente, Miller y Sitter (2005) examinaron el uso de diseos de foldover
no ortogonales y Daniel (1962) estudio secuencias de fracciones adicionales de familias diferentes pero
equivalentes.
La parte previa de estos antecedentes se ha enfocado en experimentacin secuencial aplicada a
diseos regulares de dos niveles. Sin embargo existe otro tipo de diseo que juega un papel importante en
la experimentacin industrial. Los diseos factoriales de niveles mixtos son diseos cuyos factores tienen
diferentes nmeros de niveles. Estos diseos son ampliamente usados en experimentos que involucran
factores cuantitativos y cualitativos. Los diseos de niveles mixtos presentan el mismo problema que los
de dos niveles, que es, cuando el nmero de factores y niveles de factores se incrementa, el nmero de
corridas se incrementa dramticamente. En forma adicional, mantener la propiedad de balance requiere
demasiadas corridas en algunas situaciones.
Existen investigaciones que se ha enfocado en desarrollar fracciones ortogonales o
aproximadamente ortogonales de diseos de niveles mixtos factoriales. Guo (2003) uso un nuevo criterio
de optimalidad llamado coeficiente de balance para evaluar la propiedad de balance de la matriz del
diseo y criterio de optimalidad J2 modificado que puede ser usado para medir el grado de ortogonalidad
de matrices de diseo desbalanceadas. Estos criterios fueron combinados en una funcin objetivo a ser
optimizada. Un algoritmo gentico fue utilizado para construir fracciones eficientes.
El propsito bsico del algoritmo gentico fue escoger un subgrupo de n corridas de una matriz
que contena todas las posibles combinaciones. Estas corridas constituyen un apropiado diseo de niveles
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
diferentes autores vea Guo (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
diferentes nmeros de niveles. Un mtodo para crear foldovers para este tipo de diseos consiste en rotar
los niveles de los factores. La rotacin cambia cada nivel de factor a un nivel diferente y despus la
fraccin original y la fraccin de foldover se juntan para crear un diseo combinado Guo (2006) uso un
criterio llamado ndice de balance general o simplemente GBM para evaluar y comparar diseos. Con el
criterio de GBM los planes de foldover ptimos fueron encontrados al avaluar todas las alternativas
posibles. Un plan de foldover es una combinacin de columnas a ser rotadas.
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. En este caso no cambiamos las columnas sino que las rotamos. Guo (2006) menciona que
mejores resultados podran ser obtenidos al buscar corridas adicionales del diseo factorial completo.
En lo que respecta a diseos robustos la literatura actual no contena ningn trabajo sobre
estrategias de experimentacin secuencial para diseos robustos. La mayora del trabajo realizado en esta
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, ste y otras tcnicas sern explicadas a continuacin.
DEFINICIN DE FOLDOVER
Foldover: Tcnica de experimentacin secuencial empleada para desacoplar trminos
correlacionados especficos o para incrementar la resolucin de un diseo inicial (usualmente una
fraccin) al aadir una segunda fraccin o un grupo ms pequeo de corridas que es obtenido al invertir
los signos de una o ms columnas (diseos de 2 niveles) o al rotar una o ms columnas (diseos de 3
niveles o diseos de niveles mixtos) en el diseo inicial. Un diseo es un diseo foldover si la matriz de
diseo X puede ser representada como:
ROTACIN
Para una columna con l niveles, los niveles de factor son rotados al reemplazar el i-th nivel por i + p si
i l p y por i + p l si i > l p, donde 1 p l 1. Por ejemplo, Figura 1 muestra la rotacin de un
factor de 5 niveles usando diferentes valores p (Guo, 2006, p. 44).
Objetivos de la unidad
MTODOS DE AUMENTO
Considere una fraccin inicial 2 III con relacin definidora I = ABD = ACE = BCF = ABCG. La
tabla 2 presenta la estructura de aliases. El experimento revelo que las columnas [B] y [D] son
estadsticamente significativas. El experimentador est interesado en estimar el efecto del factor D libre
de aliases y decide correr una segunda fraccin con los signos para el factor D invertidos Las Tablas 3 y 4
muestran la segunda fraccin y la estructura de aliases con los efectos correspondientes.
Tabla 1.
Run
1
2
3
4
5
6
7
8
A
+
+
+
+
B
+
+
+
+
Factors
D
+
+
+
+
C
+
+
+
+
E
+
+
+
+
Response
y
69
52
60
83
71
50
59
88
G
+
+
+
+
A
+
+
+
+
B
+
+
+
+
C
+
+
+
+
Factors
D
+
+
+
+
-
E
+
+
+
+
F
+
+
+
+
G
+
+
+
+
El anlisis del diseo combinado se hace al tomar el promedio de las sumas y diferencias de las
combinaciones lineales asociadas con los efectos (Tabla 5).
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
average
block effect
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
En general, si una fraccin con los signos de un factor invertidos es aadida a un diseo factorial
fraccional de resolucin III o ms alta, el diseo combinado producir estimaciones del efecto principal y
de las interacciones de 2 factores que contengan a dicho factor. En forma alternativa las 16 corridas
pueden ser combinadas para formar un experimento combinado en el que cada una de las fracciones (la
inicial y el foldover) son tratados como bloques. La relacin definidora para el diseo combinado puede
ser calculada usando la regla 1 para foldover desarrollada por Montgomery (1996).
Regla 1 para foldover: La relacin definidora para el diseo combinado consiste de aquellos
efectos en la relacin definidora de la fraccin inicial que no cambian de signo en la nueva fraccin
La relacin definidora completa para la fraccin original es I = ABD = ACE = AFG = BCF =
BEG = CDG = DEF = ABCG = ABEF = ACDF = ADEG = BCDE = BDFG = CEFG = ABCDEFG y la
relacion defindora para la nueva fraccion es I = ACE = AFG = BCF = BEG = ABD = CDG = DEF =
ABCG = ABEF =CEFG = ACDF = ADEG = BCDE = BDFG = ABCDEFG. De acuerdo a la regla
1 para foldover la relacion definora del diseno combinado es: I = ACE = AFG = BCF = BEG = ABCG =
ABEF = CEFG.
fraccin, los efectos principales estn completamente desacoplados de las interacciones de 2 factores.
Cuando el foldover de columna mltiple es aplicado a un diseo de resolucin III, la combinacin de las
dos fracciones resulta en un diseo que es al menos de resolucin IV.
74
Block
Block 1
Block 1
Block 1
Block 1
Block 1
Block 1
Block 1
Block 1
Block 2
Block 2
Block 2
Block 2
Block 2
Block 2
Block 2
Block 2
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
Block
Block 1
Block 1
Block 1
Block 1
Block 1
Block 1
Block 1
Block 1
Block 1
Block 1
Block 1
Block 1
Block 1
Block 1
Block 1
Block 1
Block 2
Block 2
Block 2
Block 2
Block 2
Block 2
Block 2
Block 2
Block 2
Block 2
Block 2
Block 2
Block 2
Block 2
Block 2
Block 2
A
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
-
B
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
C
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
Factors
D
E
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
F
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
G
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
H
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
Block
Block 1
Block 1
Block 1
Block 1
Block 1
Block 1
Block 1
Block 1
Block 1
Block 1
Block 1
Block 1
Block 1
Block 1
Block 1
Block 1
Block 2
Block 2
Block 2
Block 2
Block 2
Block 2
Block 2
Block 2
Block 2
Block 2
Block 2
Block 2
Block 2
Block 2
Block 2
Block 2
A
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
-
B
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
-
Factors
D
E
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
C
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
F
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
G
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
H
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
Es claro que cuando el objetivo es desacoplar ms interacciones de dos factores, este mtodo debera ser
preferido. La Tabla 12 muestra los foldover recomendados para desacoplar el mximo nmero posible de
interacciones de 2 factores. Es importante recordar que un foldover para resolucin IV no necesariamente
separara todas las interacciones de 2 factores. Si la fraccin original tiene una estructura de aliases que
Design
Sign Reversal for Foldover
Design
Sign Reversal for Foldover
contiene ms de 2 interacciones de 2 factores en cualquier cadena de aliases, el foldover no separara todas
6-2
9-3
las interacciones de 21)factores.
2
6) 2
one factor, any
one factor from ADHJ only
2) 27-2
7-3
Tabla 12.
Design
7) 29-4
10-4
3) 2
8) 2
4) 28-3
9) 210-5
5) 28-4
Algunos
two factors,
any
foldovers
recomendados
para
kp
IV
diseos 2
Design
9-3
6) 2
7) 29-4
3) 27-3
8) 210-4
4) 28-3
9) 210-5
5) 28-4
6-2
7-2
2) 2
1) 2
Para diseos de resolucin IV la estrategia de invertir los signos de todos los factores no es directamente
aplicable porque el diseo combinado resultante tendr el mismo nmero de palabras de 4 letras. Por lo
tanto un foldover de columna mltiple es completamente intil para fracciones de resolucin IV
Semifold para fracciones de resolucin III
Mee y Peralta (2000) no recomiendan el semifold como una estrategia para estimar mas efectos
despues de un 2kIII .p En su lugar ellos prefieren usar el semifold como el primer paso en una estrategia de
confirmacion. Si los resultados obtenidos despues de correr la fraccion de semifold no son los esperados,
la mitad restante de la fraccion de foldover puede ser aadida (esto aplica tambien a fraciones de
resolucion IV). La Tabla 13 muestra un 27III4 aumentado con un semifold. El semifold se construyo al
invertir la columna [A] y selccionar los signos positivos en dicha columna. La Tabla 14 muestra la
estructura de aliases del diseno combinado
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
Factors/Aliases
[Intercept] = Intercept - BD - CE - FG
[Block 1] = Block 1 + BD + CE + FG
[Block 2] = Block 2 - BD - CE - FG
[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] = AB - AD
[AC] = AC - AE
[AF] = AF - AG
Block
Block 1
Block 1
Block 1
Block 1
Block 1
Block 1
Block 1
Block 1
Block 1
Block 1
Block 1
Block 1
Block 1
Block 1
Block 1
Block 1
Block 2
Block 2
Block 2
Block 2
Block 2
Block 2
Block 2
Block 2
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
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
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
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
Algoritmo R4
Considere la fraccin
descrita en la tabla 17 y asuma que la cadena de aliases [AB] = AB + CD
resulto ser significativa.
En el algoritmo R4 cada interaccin presente en la cadena de inters es llamada columna i, donde i =
{1, 2, 3, 4}. Por ejemplo, si la cadena de inters es [AB] = AB + CD, entonces AB podra ser nombrada
columna 1 y CD podra ser nombrada columna 2.
2 4IV1
Runs
1
2
2 Columns
Column 1 Column 2
-1
1
1
-1
Runs
1
2
3
4
3 Columns
Column 1 Column 2 Column 3
-1
1
-1
1
-1
-1
-1
1
1
1
-1
1
Runs
1
2
3
4
4 Columns
Column 1 Column 2 Column 3 Column 4
-1
1
-1
1
1
-1
-1
1
-1
1
1
-1
1
-1
1
-1
Estas corridas son agregadas en pares, primero loas corrida1 y 2 y despues (si son reuqeridas) 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
procedimeinto desde el principio con una nueva cadena (en este caso anadira las corridas 1 y 2 para la
neuva cadena) El procedimiento se repite hasta que el modelo correcto ha sido identificado. En la mayoria
de los casos solo 4 corridas son requeridas para desacoplar una cadena pero si una quinta corrida es
necesitada (para el caso en que estamos desacoplando 3 o 4 columnas), esta puede ser agregada como la
imagen espejo de la tercer corrida, la sexta puede ser agregada como la imagen espejo de la cuarta corrida
y asi sucesivamente.
Una caracteristica importante de este algoritmo es que no dice como asignar signos a los efectos
principales en la matriz de diseno. Por ejemplo, considere el experimento 24IV1 descrito en la Tabla 17.
Suponga que 2 corridas adicionales se requieren para desacoplar la cadena [AB] = AB + CD, en la que
AB es considerada la columna 1 y CD es considerada la columna 2. Despus de que estas 2 corridas son
aadidas, los signos para los efectos principales se determinan de la siguiente manera:
Para el - de la columna AB, asigne - a la columna A y + a la columna B, para el +
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
columna D. Si la misma cadena necesita ms desacoplamiento, entonces las corridas3 y 4 son agregadas
con los signos invertidos.
Para el - de la columna AB asigne + a la columna A y - a la columna B; para el + 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 columna D.
Si existen efectos principales cuyos signos no dependen de los signos previamente determinados,
entonces los signos para estos efectos principales se agregan en orden estndar
Algunas caractersticas importantes de este algoritmo incluyen:
Soluciona una cadena a la vez
Considera cada termino en la cadena como una columna individual
Posee una manera estructurada de aadir corridas adicionales para desacoplar cadenas con 2, 3 o
4 columnas.
La Figura 5 muestra la secuencia de pasos en que un aumento tpico de una fraccin resolucin IV es
realizada
2 4IV1
2 4IV1
2 4IV1
Run
1
2
3
4
5
6
7
8
Additional Run 1
Additional Run 2
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
Figura 5. Determinacin de los signos para las columnas A, B, C y D en base a los signos de AB y CD
Algoritmo R3
El algoritmo R3es una extensin del algoritmo R4 aplicada directamente a fracciones de resolucin III. El
mtodo es tambin llamado una cadena a la vez porque en cada aumento se enfoca en desacoplar la
cadena de aliases ms larga o ms significativa. Una cadena es desacoplada al considerar cada elemento
en la cadena como una columna individual y al aadir corridas adicionales de acuerdo al algoritmo R4.
Una vez que los signos para los efectos principales y las interacciones de 2 factores involucrados o
contenidos en la primera cadena han sido determinados, movemos nuestra atencin a la segunda cadena y
repetimos el procedimiento.
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
determinan de tal forma que el anterior desbalance sea corregido, de esta manera el balance del diseo se
mejora significativamente. En la mayora de los casos balance aproximado puede ser alcanzado despus
de realizar el segundo aumento. Experimentacin ha demostrado que en la mayora de los casos la
primera cadena es suficiente para determinar signos para la mayora de los efectos y la segunda cadena (y
alguna veces una tercera) pueden ser desacopladas al usar los efectos restantes como factores
auxiliares (nos ayudan a desacoplar estas cadenas)
Despus de cada aumento las cadenas de aliases significativas son identificadas y priorizadas y corridas
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
estimados en forma separada. El algoritmo R3 est compuesto de los siguientes pasos:
1) Identifique la cadena ms larga, la ms importante, o la ms significativa y la que sigue de esta.
Por ejemplo, considere la fraccin 26III3 con generadores D=AB, E=AC y F=BC (ver Tabla 20) y
asuma que los factores [B], [C] y [F] resultan significativos. Dado que todas las cadenas tienes la
misma longitud, podemos nombrar cadena 1 y 2 a cualquiera de ellas.
2 6III3
2)
Nombre las columnas en cada cadena de acuerdo al algoritmo R4, un efecto principal es siempre
nombrado columna 1 y las interacciones de 2 factores columna 2, 3, o 4 respectivamente. El
algoritmo R3 puede realizar desacoplamiento simultneo de efectos principales de interacciones
de 2 factores y de interacciones de 2 factores de otras interacciones de 2 factores. Este algoritmo
tambin puede enfocarse en desacoplar un factor especfico, digamos un efecto principal, de sus
Tabla 21. Nombramiento de columnas cuando las cadenas significativas son: [B],[C] y [F]
Chain 1
Column 1
B
Column 2
AD
Column 3
CF
Chain 2
AE
BF
3) Agregue 2 corridas adicionales de acuerdo al algoritmo R4 para desacoplar la primera cadena (si
esta cadena es igual a la cadena previa, entonces las corridas 3 y 4 de la Figura 4 son agregadas
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
estas interacciones. Los signos para los efectos principales son asignados en la misma forma que
en el algoritmo R4. La Tabla 22muestra las corridas adicionales y la Figura 7 muestra los signos
para los efectos principales.
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) Determine si la segunda cadena puede ser desacoplada o si un factor auxiliar puede ser utilizado.
Note que para el diseo 26III3 los signos de A, D, C y F fueron determinados al usar los signos
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
respectivas columnas. La asignacin directa es posible cuando las cadenas bajo estudio son cortas
y queda espacio para determinar signos. En otros casos, el desacoplamiento de la segunda cadena
es realizado en forma indirecta al usar un efecto principal para crear un contraste entre sus
columnas (Figura 8).
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
Para este caso en particular, asignar signos en orden estndar a E crea un contraste entre C, AE y BF, sin
embargo el orden estndar no debera ser usado como una regla general. El experimentador deber
intentar con diferentes combinaciones y escoger la ms apropiada.
5) Realice el experimento para las nuevas corridas, determine trminos significativos y cree matrices
xx
de correlaciones cuyos elementos son i j , para representar las correlaciones (Tabla 23)
n
Tabla 23. Matrices de correlaciones y trminos significativos despus del primer aumento de la fraccin
A
B
C
D
E
F
AB
0
-0.2
-0.2
0.6
-0.2
0.2
AC
0
-0.2
-0.2
-0.2
0.6
0.2
AD
0
0.6
-0.2
-0.2
-0.2
0.2
AE
0
-0.2
0.6
-0.2
-0.2
0.2
AF
0
0.2
0.2
0.2
0.2
-0.2
BC
-0.2
0
0
0
0
0.8
BD
0.6
0
0
0
0
0
BE
-0.2
0
0
0
0
0
BF
0.2
0
0.8
0
0
0
CD
-0.2
0
0
0
0
0
CE
0.6
0
0
0
0
0
CF
0.2
0.8
0
0
0
0
DE
-0.2
0
0
0
0
0.8
DF
0.2
0
0
0
0.8
0
EF
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
La Tabla 23 muestra las matrices de correlaciones las cuales proporcionan tres tipos de informacin: Los
trminos que pueden ser estimados en el modelo de regresin ([A], [B], [C], [D], [E], [F], y [AF]), los
trminos significativos reportados despus del anlisis ([B], [C] y [F]) y los trminos que estn
fuertemente correlacionados con estos trminos significativos (AD y CF con [B], AE y BF con [C] y BC
y DE con [F]). Note que la adicin de solo dos corridas no permite la estimacin de trminos adicionales
porque las interacciones de 2 factores an estn fuertemente correlacionadas con efectos principales. En
forma adicional, la cadena de aliases ms fuertemente correlacionada es [F] porque contiene las dos
correlaciones ms latas de 0.8 cada una. Por lo tanto, deberemos seguir desacoplando [F] de BC y DE.
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
desacoplamiento general es menos efectivo. Por otro lado, si movemos nuestra atencin a la cadena ms
fuertemente correlacionada, el desacoplamiento es ms efectivo, pero se produce solo un diseo
cercanamente balanceado. Bsicamente depende del experimentador el cmo proceder.
Tambin es muy importante considerar las corridas aadidas en pasos anteriores cuando se seleccionen
los signos para las nuevas corridas.
Tabla 24. Nombramiento de columnas cuando las cadenas a desacoplar son [F] y [C]
Chain 1
Column 1
F
Column 2
BC
Chain 2
AE
Column 3
New chain
DE
BF
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
Figura 10. El uso de A como factor auxiliar para crear un contraste entre
C, AE and BF
Tabla 26. Matrices de correlaciones y trminos significativos despus del segundo aumento de la fraccin
A
B
C
D
E
F
A
B
C
D
E
F
AB
AC
AD
AE
AF
BC
BD
BE
BF
CD
CE
CF
DE
DF
EF
A
1
B
0.00
1
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
ME vs ME
AB
-0.17
-0.17
-0.33
0.33
0.00
0.00
AC
0.00
-0.33
-0.17
-0.17
0.50
0.17
AD
0.00
0.33
-0.17
-0.17
-0.17
0.17
AE
0.00
0.00
0.50
-0.17
-0.17
0.17
AF
0.00
0.00
0.17
0.17
0.17
-0.17
BC
-0.33
0.00
-0.17
-0.17
0.17
0.50
BD
0.33
0.00
-0.17
-0.17
0.17
-0.17
BE
0.00
0.00
0.17
0.17
-0.17
0.17
BF
0.00
0.00
0.50
-0.17
0.17
-0.17
CD
-0.17
-0.17
0.00
0.00
0.00
0.00
CE
0.50
0.17
0.00
0.00
0.00
0.00
CF
0.17
0.50
0.00
0.00
0.00
0.00
DE
-0.17
0.17
0.00
0.00
0.00
0.67
DF
0.17
-0.17
0.00
0.00
0.67
0.00
EF
0.17
0.17
0.00
0.67
0.00
0.00
AB
1.00
0.17
0.17
0.17
-0.17
0.17
0.17
-0.17
0.17
0.00
0.00
0.00
0.00
0.00
0.67
AC
0.17
1.00
0.33
0.00
0.00
0.00
0.00
0.00
0.00
0.17
-0.17
0.17
-0.17
0.83
-0.17
AD
0.17
0.33
1.00
0.00
0.00
0.00
0.00
0.00
0.00
0.17
-0.17
0.83
-0.17
0.17
-0.17
AE
0.17
0.00
0.00
1.00
-0.33
0.00
0.00
0.00
0.67
-0.17
0.17
-0.17
0.17
-0.17
0.17
AF
-0.17
0.00
0.00
-0.33
1.00
0.00
0.00
0.67
0.00
0.83
-0.17
0.17
-0.17
0.17
-0.17
BC
0.17
0.00
0.00
0.00
0.00
1.00
0.33
0.00
0.00
0.17
0.17
-0.17
0.83
-0.17
-0.17
BD
0.17
0.00
0.00
0.00
0.00
0.33
1.00
0.00
0.00
0.17
0.83
-0.17
0.17
-0.17
-0.17
BE
-0.17
0.00
0.00
0.00
0.67
0.00
0.00
1.00
-0.33
0.83
0.17
-0.17
0.17
-0.17
-0.17
BF
0.17
0.00
0.00
0.67
0.00
0.00
0.00
-0.33
1.00
-0.17
-0.17
0.17
-0.17
0.17
0.17
CD
0.00
0.17
0.17
-0.17
0.83
0.17
0.17
0.83
-0.17
1.00
0.00
0.00
0.00
0.00
-0.33
CE
0.00
-0.17
-0.17
0.17
-0.17
0.17
0.83
0.17
-0.17
0.00
1.00
-0.33
0.33
-0.33
0.00
CF
0.00
0.17
0.83
-0.17
0.17
-0.17
-0.17
-0.17
0.17
0.00
-0.33
1.00
-0.33
0.33
0.00
DE
0.00
-0.17
-0.17
0.17
-0.17
0.83
0.17
0.17
-0.17
0.00
0.33
-0.33
1.00
-0.33
0.00
DF
0.00
0.83
0.17
-0.17
0.17
-0.17
-0.17
-0.17
0.17
0.00
-0.33
0.33
-0.33
1.00
0.00
EF
0.67
-0.17
-0.17
0.17
-0.17
-0.17
-0.17
-0.17
0.17
-0.33
0.00
0.00
0.00
0.00
1.00
ME vs 2FI
2FI vs 2FI