INGENIERA DE

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.

*Actividad por equipos

1.2 Metodologa de Taguchi
Hay dos enfoques principales para experimentacin robusta: El enfoque de Taguchi y el
enfoque tradicional (Box y Bisgaard, 1987). La metodologa de Taguchi para el RPD fue
introducida a principios de los 80s. Esta metodologa gira en torno al uso de diseos ortogonales
donde un arreglo ortogonal que involucra variables de control se cruza con un arreglo ortogonal
que contiene a las variables de ruido.

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

[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

Figura 1. El arreglo cruzado en forma estndar

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

experimentos diseados se volvieron de uso comn en la industria automotriz, aeroespacial, de
electrnicos y de semiconductores as como muchas otras industrias que haban hecho poco uso
de esta tcnica. Segundo, la cuarta era del diseo experimental comienza, esta era incluye un
renovado inters en el diseo estadstico por investigadores y practicantes as como el desarrollo
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
vuelve parte de muchos programas de ingeniera tanto a nivel licenciatura como en posgrado.

1.3. Diseos de arreglo cruzado

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
tratamientos en el diseo de las variables de ruido. Este tipo de diseo experimental se denomina
diseo de arreglo cruzado.

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
(temperatura de horneado), B (Tiempo de horneado), C (Tiempo de transferencia), D (Tiempo de
enfriamiento), E (Temperatura del aceite). Este es un problema robusto porque la temperatura del
aceite es una variable ruidosa.
La informacin para este experimento se muestra en la Tabla 1.el diseo para los factores
controlables es un factorial fraccionado 24-1 con generador D=ABC, este diseo se denomina
arreglo interno. El diseo para el nico factor de ruido es simplemente un 21 y es llamado arreglo
externo. Note que cada uno de los 16 puntos del diseo esta replicado 3 veces, resultando en un
total de 48 observaciones.

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.

1.3.1 Anlisis del arreglo cruzado

Taguchi propuso resumir la informacin del arreglo cruzado con dos estadsticos, el
promedio de cada observacin en el arreglo interno a lo largo de todas las corridas del arreglo
externo y un estadstico que intentaba combinar informacin sobre la media y varianza llamado
ndice de seal-ruido. Los ndices de seal a ruido estn diseados de tal forma que un valor
mximo del ndice minimiza la variabilidad transmitida por las variables de ruido. Despus un
anlisis es realizado para determinar que niveles de los factores controlables resultan en una
media tan cercanamente posible al valor objetivo y un valor mximo del ndice seal-ruido.
Los ndices de seal a ruido son problemticos porque pueden confundir los efectos de
localizacin y dispersin y con frecuencia no producen los resultados deseados.
Un anlisis ms apropiado para el arreglo cruzado es modelar la media y varianza
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. 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.

El modelo para la media est dado por:

y i 7.63 0.12 x1 0.081x2 0.044 x4

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.

El modelo para l in(si2 ) est dado por

in(si2 ) 3.74 1.09 x2

Despus de realizar una optimizacin simultanea (Figura 12.4) se llega a la conclusin de

que el factor A debe ser colocado a nivel alto, el B a 0.63 y el D a nivel alto. Una desventaja del
enfoque de modelar la media y la varianza usando el arreglo cruzado es que no toma ventaja
directa de las interacciones entre variables de control y variables de ruido. En algunas situaciones
puede enmascarar estas relaciones. Adems existe una alta probabilidad de que la varianza tenga
una relacin no lineal con los efectos controlables y esto puede complicar el proceso de
modelado.

Figura 12.4 Optimizacin simultanea

1.4. Resolucin Mixta

El enfoque tradicional modela ambas x (variables de control) y z (variables de ruido) en
el mismo modelo y ha sido llamado un enfoque de modelo de respuesta. Si las variables de
control son predominantemente continuas, es posible formar una superficie de respuesta dual en
que una superficie de respuesta para la media y una superficie de respuesta para la varianza del
proceso son generadas.
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
varianza del proceso que caracteriza el RPD (Myers y Montgomery, 2002). Una clase importante
de diseo de arreglo combinado es el diseo de resolucin mixta. Considere un diseo robusto
con 6 factores a dos niveles, 3 de ellos son factores de control (A, B y C) y 3 de ellos son
factores de ruido (D, E and F). El diseo de resolucin mixta es una fraccin que es construida al
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
asignada a interacciones de ruido ruido.

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

construido al hacer uso de la relacin definidora I = X1X2X3Z1 = Z1Z2Z3 = X1X2X3Z2Z3. El diseo
y su estructura de aliases son mostrados en la Figura 2.

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

Figura 2. Un diseo de resolucin mixta y su correspondiente estructura de aliases

1.5 Seleccin de generadores

Borkowsky y Lucas (1997) proveen un catlogo de generadores de diseos de resolucin
mixta (Tabla 1). El catalogo se usa de la siguiente manera: Suponga que un experimento con 4
factores de control (A, B, C, D) y 3 factores de ruido (E, F, G) va a realizarse. Debido a que el
diseo contiene 7 factores (K=7) y 4 de estos factores son control (C =4), el diseo 7B el cual es
un

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)

Tabla 1. Generadores de Diseos de Resolucin Mixta (Borkowsky and Lucas, 1997)

Ejercicio: Determine la resolucin de los siguientes diseos (III, IV o V)

Recuerde:
Resolucin III: ME estn correlacionados con 2FI
Resolucin IV: 2FI estn correlacionadas con 2FI
Resolucin V: 2FI estn correlacionadas con 3FI

[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: Crear el diseo de resolucin mixta sugerido en la seccin 4 (utilizar el software,

cambiar los generadores y crear el diseo)

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: Mostrar cmo se hara en Excel

Funcin Taguchi de Prdida (Fuente 1)

En los aos ochenta, el Dr. Genichi Taguchi desarroll en Japn un mtodo

aproximado para calcular las prdidas que ocasiona a la sociedad un producto
de mala calidad. En su definicin de la calidad deja claro este concepto: "la
prdida que un producto causa a la sociedad despus de embarcarlo, excepto
las prdidas causadas por funciones intrnsecas".

Para Taguchi, la prdida de la sociedad incluye;

los costos incurridos por no cumplir el producto con las expectativas del cliente

los costos por no cumplir el producto con las caractersticas de funcionamiento

los costos causados por los efectos peligrosos secundarios causados por el producto.

En las empresas de manufactura, la Funcin Taguchi de Prdida tambin se puede aplicar en el

"cumplimiento de las especificaciones" de un producto.

1.7.1 Modelo Tradicional de los costos asociados en el cumplimiento de las especificaciones

Muchas empresas, quedan satisfechas o conformes cuando las caractersticas de calidad
de un producto quedan dentro de las especificaciones. Segn este modelo, errneamente se
piensa que mientras estamos dentro de la tolerancia, no existen prdidas asociadas. Supongamos,
por ejemplo, que las especificaciones de un determinado producto es 0,600 0,003. Veamos
ahora como se refleja esto en el siguiente grfico:

1.7.2 Modelo Funcin Taguchi de Prdida

Pero la realidad, segn Taguchi, es que mientras menor sea la variacin con respecto al
valor objetivo, mejor ser la calidad. La prdida aumenta, como funcin cuadrtica, cuando uno
se aleja ms del valor objetivo. La siguiente grfica ilustra este concepto:

La Funcin de Prdida est representada por la siguiente ecuacin:

donde; L(x) es la funcin de prdida, x es cualquier valor de la caracterstica de la calidad, T el

valor deseado y, k una constante.

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.

1.7.3 Funcin Taguchi de Prdida (Fuente 2)

En una forma simple, la funcin de prdida es una forma de mostrar como una parte no
perfectamente manufacturada resulta en una perdida para la compaa.
Una definicin ms tcnica comprende: Representacin parablica que estima la prdida
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
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:

Las superficie de respuesta para la viscosidad est dada por:

La superficie de respuesta para el peso molecular est dada 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

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

rebasara un valor de 3210 grados, entonces una regin apropiada seria usar un tiempo de 80.29 y
una temperatura de 174
Un enfoque popular es formular y resolver el problema como un problema de
optimizacin con restricciones. Podramos formular el problema como:

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.

Si la respuesta yi est en su valor deseado, entonces di =1, y si la respuesta est fuera de la

regin de aceptacin, entonces di =0. Despus las variables son escogidas para maximizar la
deseabilidad general que se define de la siguiente manera

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

siguientes figuras. Si el objetivo T para la respuesta es un valor mximo, entonces

Cuando el peso r es igual a 1, la funcin de deseabilidad es lineal. Al escoger r >1 se pone ms

nfasis en estar cerca del valor objetivo T y al escoger 0 < r < 1 se hace menos importante estar
cerca de dicho valor nominal. Si la el valor objetivo para la respuesta es mnimo entonces
tenemos

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

c) Valor nominal 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:

Donde el diseo inicial es una matriz de n k cuyos elementos

toman valores de 1 para
diseos de 2 niveles, {0,1,2} para diseos de 3 niveles o {0,1,2,3,4} para diseos de niveles mixtos y
es una matriz de m n renglones y k columnas obtenida al cambiar los signos de 1 k columnas
en D si el diseo inicial contiene factores con 2 niveles o al rotar 1 k columnas in D si el diseo
inicial contiene factores con ms de 2 niveles.
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 puede ser obtenido al
duplicar con signos invertidos la matriz de variables independientes para el diseo de tipo A. La tcnica
no se llamaba foldover pero el concepto es claramente el mismo. En 1961 Box y Hunter introdujeron la
palabra foldover y en 1978, Box, Hunter y Hunter extendieron el concepto a plan de foldover que es, el
grupo de columnas cuyos signos se invierten.
Basados en esta informacin podemos concluir que la tcnica de foldover emergi a principios de
los 50s, el concepto de foldover fue formalmente introducido en 1961 y los planes de foldover fueron
introducidos en 1978.
Box, G. E. P. & Wilson, K. B. 1951, "On the Experimental Attainment of Optimum Conditions", Journal of the
Royal Statistical Society.Series B (Methodological), vol. 13, no. 1, pp. 1-45.
Box, G. E. P. & Hunter, J. S. 1961, "The 2 k-p Fractional Factorial Designs Part I", Technometrics, vol. 3, no. 3, pp.
311-351.
Box, G. E. P., Hunter, J. S., & Hunter, W. G. 1978, Statistics for Experimenters, 2 edn, John Wiley and Sons, Inc.,
Hoboken, New Jersey.

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).

Figura 1 Rotacin de un factor de 5 niveles (Guo, 2006)

CLASIFICACIN DE LOS FOLDOVERS

En general, los foldovers pueden ser clasificados usando un enfoque de clasificacin bidimensional
(Figura 2) en el que el eje horizontal representa el nmero de columnas que son invertidas o rotadas en la
fraccin de foldover y el eje vertical representa el nmero de corridas adicionales aadidas al diseo
inicial.

Figura 2 Diferentes tipos de foldovers

MOTIVACIN, PLANTEAMIENTO DEL PROBLEMA, OBJETIVOS

Motivacin
Correr un foldover completo para un diseo - hace al diseo combinado completamente
ortogonal pero planes completamente ortogonales son con frecuencia ineficientes en el sentido de que
solo la mitad de los grados de libertad pueden ser usados para estimar efectos principales e interacciones
(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
balance y ortogonalidad como fuese posible. Como resultado, el semifold (correr la mitad de un foldover)
y el quarterfold (menos corridas que un semifold) fueron desarrollados.
El conocimiento obtenido en esfuerzos previos de investigacin fue extendido a otros tipos de
diseos y tcnicas ms eficientes fueron desarrolladas. La tcnica de aumento para diseos de resolucin
IV desarrollada por Misra (2006) fue adaptada para satisfacer los requerimientos particulares de una
fraccin de resolucin III, lo que dio lugar a la creacin del algoritmo R3. Este algoritmo tambin puede
ser usado para aumentar diseos robustos de resolucin mixta.
Un enfoque de experimentacin secuencial se concentra en los efectos que son significativos o
importantes y tiene el potencial para reducir el nmero total de corridas del diseo combinado mientras
mantiene buenos niveles de balance y ortogonalidad, creando un diseo igualmente efectivo pero an ms
eficiente.
En forma adicional los planes de foldover ptimo actuales para diseos de niveles mixtos pueden
ser reducidos a la mitad para crear semifolds ptimos que poseen buen nivel de la propiedad de balance
para efectos principales e interacciones de 2 factores. Mostrare mejores de desarrollar experimentacin
secuencial para estos 3 tipos de diseos (resolucin III, niveles mixtos y diseos robustos) es el objetivo
de esta unidad.

Planteamiento del problema

La literatura en esta rea del diseo experimental muestra una tendencia en el desarrollo de
tcnicas de experimentacin secuencial cada vez ms eficientes. Un progreso significativo ha sido hecho
desde el temprano desarrollo de la tcnica clsica de foldover. Sin embargo, todava existen algunas reas
en las que el mejoramiento es an posible. Esta unidad se concentrara en presentar las estrategias de
experimentacin secuencial ms recientes para diseos de resolucin III, de niveles mixtos y robustos.
El primer algoritmo consiste en una seria de pasos estructurados para aumentacin secuencial de
fracciones de resolucin III , hasta aos recientes solo tcnicas generales de aumentacin estaban
disponibles (foldover y semifold). Una de las desventajas de los mtodos generales es que son incapaces
de desacoplar interacciones de 2 factores unas de otras cuando son aplicados a fracciones de resolucin
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
mientras se enfoca en mantener la propiedad de balance y ortogonalidad en el diseo combinado.
Otra rea de oportunidad son los diseos de niveles mixtos, los cuales contienen factores con
diferentes nmeros de niveles. Estos diseos requieren un nmero muy grande de corridas para mantener
balance. La tcnica de aumentacin actual para este tipo de diseos es el plan de foldover ptimo (Guo,
2006). La principal desventaja del plan de foldover ptimo es que requiere un nmero demasiado grande
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.

Para diseos robustos es posible combinar el enfoque de experimentacin secuencial basado en el

algoritmo R3 con la tcnica de resolucin mixta en un intento de crear experimentos ms eficientes.

Objetivos de la unidad

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

secuencial a una fraccin de resolucin III con el objeto de desacoplar trminos de inters usando
un nmero mnimo de corridas mientras se mantiene tanto balance y ortogonalidad en el diseo
combinado como sea posible
Mostrar como el algoritmo R3 es capaz de desacoplar trminos de inters usando menos corridas
que un semifold
Mostrar una comparacin entre los resultados que podramos esperar al usar este algoritmo y los
resultados que se obtendran al usar las tcnicas generales de aumentacin (foldover y semifold)
Obtener conocimiento sobre cunto debe bajar la correlacin entre dos trminos para poder
estimar dichos trminos en forma separada
Mostrar los planes de semifold ptimos para diseos de niveles mixtos y explicar el concepto de
ndice de balance general
Proporcionar una metodologa para aumentacin de diseos robustos usando el algoritmo R3 y
proporcionar lineamientos para maximizar el desacoplamiento de interacciones de control ruido

MTODOS DE AUMENTO

Foldover de columna simple para fracciones de resolucin III

74

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.

27III 4 Fraccin inicial

Tabla 1.
Run
1
2
3
4
5
6
7
8

A
+
+
+
+

B
+
+
+
+

Factors
D
+
+
+
+

C
+
+
+
+

E
+
+
+
+

Tabla 2. Estructura de aliases y efectos

F
+
+
+
+

Response
y
69
52
60
83
71
50
59
88

G
+
+
+
+

Tabla 3. Foldover de columna simple

Run
1
2
3
4
5
6
7
8

A
+
+
+
+

B
+
+
+
+

C
+
+
+
+

Factors
D
+
+
+
+
-

E
+
+
+
+

F
+
+
+
+

G
+
+
+
+

Tabla 4. Estructura de aliases y efectos

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
combinaciones lineales asociadas con los efectos (Tabla 5).

Tabla 5. Anlisis del diseo combinado

1/2 ( I + I')
1/2 ( I - I')
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 ( 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')

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

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.

Foldover de columna mltiple para fracciones de resolucin III

Agregar a un factorial fraccional de resolucin III una segunda fraccin con todas las columnas
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
combinadas en un experimento en 2 bloques. Los resultados muestran que despus de agregar la segunda

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

Tabla 6. El 2 III ms foldover

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

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

Tabla 7. Estructura de aliases del diseo

combinado
Factors/Aliases
[Intercept] = Intercept
[Block 1] = Block 1 + ABD + ACE + AFG + BCF + BEG + CDG + DEF
[Block 2] = Block 2 - ABD - ACE - AFG - BCF - BEG - CDG - DEF
[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
[AB] = AB + CG + EF
[AC] = AC + BG + DF
[AD] = AD + CF + EG
[AE] = AE + BF + DG
[AF] = AF + BE + CD
[AG] = AG + BC + DE
[BD] = BD + CE + FG

G
-1
1
1
-1
1
-1
-1
1
1
-1
-1
1
-1
1
1
-1

Foldover de columna simple para fracciones de resolucin IV

Para resolucin IV podemos estimar los efectos principales y todas las k-1interacciones de 2
factores para un factor al revertir ese factor. La Tabla 8 muestra un foldover de columna simple aplicado a
u. 28IV4. La Tabla 9 muestra la estructura de aliases para el diseo combinado. Note que la cambiar los
signos de la columna [A], es posible estimar el efecto de este factor y de todas las interacciones de dos
factores en que [A] est involucrado.

Tabla 8. El 28IV 4 ms foldover de columna simple

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
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
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+

Tabla 9. Estructura de aliases del diseo combinado

Factors/Aliases
[Intercept] = Intercept
[Block 1] = Block 1
[Block 2] = Block 2
[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

Foldover de dos columnas para fracciones de resolucin IV

Montgomery y Runger (1996) consideraron foldovers generados al invertir los signos de 2
columnas. En su anlisis descubrieron que cambiando los signos de 2 columnas en lugar de una tiene el
potencial para desacoplar ms interacciones de dos factores y afirman que el cambiar los signos de dos
factores puede reducir el nmero de interacciones de 2 factores que estn correlacionadas en un 50%. La
Tabla 10 muestra un 28IV4 aumentado con un foldover de dos columnas. La Tabla 11 muestra la estructura
de aliases del diseo combinado

Tabla 10. El 2 8IV 4 ms foldover de dos columnas

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
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
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+

Tabla 11. Estructura de aliases del diseo combinado

Factors/Aliases
[Intercept] = Intercept
[Block 1] = Block 1
[Block 2] = Block 2
[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

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

one factor from CEFG only

7) 29-4
10-4

two factors, exvept E, or the pairs, AF, BG, CH, DJ

3) 2

one factor, any

8) 2

two factors needed

4) 28-3

one factor, except E or H

9) 210-5

two factors needed

5) 28-4
Algunos

two factors,
any
foldovers
recomendados
para

kp
IV

diseos 2

(Montgomery y Runger, 1996)

Design

Sign Reversal for Foldover

9-3

6) 2

one factor from ADHJ only

one factor from CEFG only

7) 29-4

two factors, exvept E, or the pairs, AF, BG, CH, DJ

3) 27-3

one factor, any

8) 210-4

two factors needed

4) 28-3

one factor, except E or H

9) 210-5

two factors needed

5) 28-4

two factors, any

Sign Reversal for Foldover

6-2

one factor, any

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

Tabla 13. El 27III4 ms semifold en [A]

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

Tabla 14. Estructura de aliases del diseo combinado

G
-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

Semifold para fracciones de resolucin IV

k p
Mee y Peralta (2000) consideran que diseos de foldover aplicados a fracciones 2IV 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, proporcionara menos que n/2 grados de libertad
adicionales para interacciones de 2 factores. Barnett et al. (1997) presentan un estudio en el que un
semifold fue aplicado a un 26IV2 y significancia fue encontrada en las interacciones AF+DE, AD+EF,
AC+BE, y AE+BC. Dado que el factor A estaba involucrado en las 4 cadenas de aliases la fraccin de
semifold se obtuvo al invertir los niveles de este factor, despus, solo las 8 corridas en que A era positivo
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
considerar si incremento en la precisin de los estimadores es importante, pero son opciones pobres para
experimentacin secuencial cuando el objetivo es estimar ms efectos.

Tabla 15. El 26IV 2 mas semifold en [A]

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

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

Tabla 16. Estructura de aliases del diseo combinado

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

[Intercept] = Intercept - BCE - DEF

[Block 1] = Block 1 + BCE + DEF
[Block 2] = Block 2 - BCE - DEF
[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 - ACE
[AC] = AC - ABE
[AD] = AD - AEF
[AE] = AE - ABC - ADF
[AF] = AF - ADE
[BC] = BC + DF + ABC + ADF
[BD] = BD + CF + 0.333 * ABD + 0.333 * ACF - 0.333 * BEF - 0.333 * CDE
[BE] = BE + ABE
[BF] = BF + CD + 0.333 * ABF + 0.333 * ACD - 0.333 * BDE - 0.333 * CEF
[CE] = CE + ACE
[DE] = DE + ADE
[EF] = EF + AEF

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.

Tabla 17. La fraccin

2 4IV1

Figura 3. Estructura de aliases

Si la cadena de aliases significativa tuviese la forma [AB] = AB + CG + DH + EF como en el

caso de un diseno 2 7IV3 , entonces AB podria ser llamada columna 1, CG columna 2, DH columna 3 y EF
columna 4. El siguiente paso es determinar las coriidas adicionales que necesitan ser anadidas al diseno
inicial con el objeto de desacoplar estas columnas. Estas corridas han sido predefinidas y se muestran en
la Figura 4. Note que si la cadena de aliases contiene 2 columnas, entonces 2 corridas adicionales seran
requeridas para mantener balance, pero si la cedena contiene 3 o mas columnas, entonces 4 corridas seran
necesraias para mantener la propiedad de balance.

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

Figura 4. Corridas adicionales para desacoplar 2, 3 o 4 columnas

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.

Agrega las corridas en pares

Despus de cada aumento se analiza el experimento y se determina si la cadena anterior necesita
ms desacoplamiento o si una nueva cadena necesita ser desacoplada.

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.

Tabla 20. La fraccin

con cadenas significativas [B], [C] y [F]

2 6III3

Figura 6. Estructura de aliases

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

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
Tabla 21 muestra el nombramiento de columnas para el experimento 26III3descrito en la Tabla 20.

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.

Tabla 22. La fraccin

aumentada con 2 corridas para desacoplar la Cadena 1

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

Figura 7. Asignacin de signos a la matriz de diseo

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

Figura 8. Desacoplamiento de la Cadena 2 al usar E como factor auxiliar

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

Tabla 25. Segundo aumento de la fraccin

para desacoplar la Cadena 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
-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

Figure 9. Asignacin de signos a la matriz de diseo

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