1

Seis Sigma

Programa de certificacin
de Black Belts ASQ

8. Diseo de experimentos
De Taguchi, Mezclas y Diseo
Central Compuesto

P. Reyes / Octubre 2003
2
8A6. Diseo de Experimentos
de Taguchi
3
Diseo de experimentos de Taguchi
Sugiere tres pasos que son:
a) Diseo del sistema
b) Diseo de parmetros
c) Diseo de tolerancias

De estas tres etapas, la ms importante es el diseo de
parmetros cuyos objetivos son:

a) Identificar qu factores afectan la caracterstica de calidad en
cuanto a su magnitud y en cuanto a su variabilidad.

b) Definir los niveles optimos en que debe fijarse cada
parmetro o factor, a fin de optimizar la operacin del
producto y hacerlo lo ms robusto posible.

c) Identificar factores que no afecten substancialmente la
caracterstica de calidad a fin de liberar el control de estos
factores y ahorrar costos de pruebas.
4
DISEO DE EXPERIMENTOS
Taguchi ha propuesto una alternativa no del
tododiferente que se que conoce como
Arreglos Ortogonales y las Grficas
Lineales.

La herramienta son diseos Factoriales
fraccionados, sin embargo cuando el nmero de
factores se ve incrementado, las posibles
interacciones aumentan, as como la
complicaciones para identificar cules son las
condiciones especficas a experimentar.
5
Un arreglo ortogonal se puede comparar con una replicacin factorial fraccionada, de manera que
conserva el concepto de ortogonalidad y contrastes.Un experimento factorial fraccionado es
tambin un arreglo ortogonal . Taguchi desarroll una serie de arreglos particulares
que denomin:

La (b)
C

a = Representa el nmero de pruebas o condiciones experimentales que se tomarn. Esto es el
nmero de renglones o lneas en el arreglo.
b = Representa los diferentes niveles a los que se tomar cada factor
c = Es el nmero de efectos independientes que se pueden analizar, esto es el nmero de
columnas.
Ejemplo : L4
F A C T O R E S (c)
No. (a) A B C Resultado
1 1 1 1 Y1
2 1 2 2 Y2
3 2 1 1 Y3
4 2 2 1 Y4
1 , 2 = Niveles de los Factores (b) , Contrastes.
Experimento de 2 niveles y 3 factores por lo que se requieren 4 pruebas . En la matriz se
pueden observar los contrastes de cada factor , formando las columnas de los factores ; (1)
significa que el factor esta a su nivel bajo (-) y (2) a su nivel alto o de signo (+).
6
Taguchi ha desarrollado una serie de arreglos para experimentos con factores a dos niveles: La.
L4
L8
L12
L16
L32
L64
Nmero de condiciones
experimentales(renglones)
lineas o pruebas.
Nmero de factores o efectos maximo
que se pueden analizar y nmero de
columnas
4
8
12
16
32
64
3
7
11
15
31
63
Ejemplo: En un proceso de formacin de paneles, una caracterstica no deseada es la emisin de
formaldehido en el producto final. Se cree que 5 factores pueden estar afectando la emisin, stos son :
Factor Nivel I Nivel 2
A Tipo de resina Tipo I Tipo II
B Concentracin 5% 10%
C Tiempo de ciclo de prensado 10 seg 15 seg
D Humedad 3% 5%
E Presin 800 psi. 900 psi.
Descripcin
Se desea analizar el efecto de cada factor y proponer las mejores condiciones de operacin.
En este caso estamos interesados en analizar el efecto de 5 factores o efectos, a dos niveles cada
uno. Por lo tanto, se utilizar un arreglo ortogonal L8.
7
Se ejecutarn por lo tanto 8 pruebas o condiciones experimentales, A qu columna especificamente se
asignar cada factor?, en estos casos se pueden asignar a cualquier columna, aunque se recomienda
que aquellos factores que en la practica sea ms dificil de variar de nivel continuamente, sean los
que se asigne a las primeras columnas.

El arreglo L8 y su descripcin para este caso se muestra a continuacin:
No. A B C D E e e Resina Concen. Tiempo Humedad Presin Yi
1 1 1 1 1 1 1 1 Tipo I 5% 10 seg. 3% 800 psi. 0.49
2 1 1 1 2 2 2 2 Tipo I 5% 10 seg. 5% 900 psi. 0.42
3 1 2 2 1 1 2 2 Tipo I 10% 15 seg. 3% 800 psi. 0.38
4 1 2 2 2 2 1 1 Tipo I 10% 15 seg. 5% 900 psi. 0.30
5 2 1 2 1 2 1 2 Tipo II 5% 15 seg. 3% 900 psi. 0.21
6 2 1 2 2 1 2 1 Tipo II 5% 15 seg. 5% 800 psi. 0.24
7 2 2 1 1 2 2 1 Tipo II 10% 10 seg. 3% 900 psi. 0.32
8 2 2 1 2 1 1 2 Tipo II 10% 10 seg. 5% 800 psi. 0.28
8
Observe que los factores Resina, concentracin, tiempo, humedad y presin fueron asignados en orden a
las columnas A, B, C, D, y E. En las columnas restantes, F y G no se asign ningn factor y nos ser-
virn para tener una estimacin del error aleatorio. Esto se explica porque con ocho observaciones
tenemos siete grados de libertad, como estamos interesados nicamente en cinco factores quedan dos
grados de libertad para el error aleatorio. El anlisis de variancia de los resultados es:

A1 = Total de lecturas con el factor A a su nivel 1 = 0.49 + 0.42 + 0.38 + 0.30 = 1.59

A2 = Total de lecturas con el factor A a su nivel 2 = 0.21 + 0.24 + 0.32 + 0.28 = 1.59

SSA = Suma de cuadrados debido al factor A SSA = (A2 - A1)
2
/8 = 0.3645 con 1 g.l

Similarmente :
SSB = (B2 - B1)sq/8= 0.00080 con 1g.l
SSC = (C2 -C1)sq/8 = 0.01805 con 1g.l
SSD = (D2 -D1)sq/8= 0.00320 con 1g.l
SSE = (E2 - E1)sq/8= 0.00245 con 1g.l
Sse1 = (F2 - F1)sq/8= 0.00080 con 1g.l, 1a. Columna de error F
Sse2 = (G2 -G1)sq/8= 0.00045 con 1g.l 2a. Columna de error G

Las sumas de cuadrados de las columnas donde no se asign factor se toman como asignaciones del
error, en este caso SSF y SSG se consideran como error y se obtiene:

Sse = SSF + SSG = 0.00080 + 0.00045 = 0.00125 con 2g.l.
9
La tabla ANOVA es :
Efecto SS G.L. V Fexp. % Contrib.
A 0.03645 1 0.03645 58.32* 57.59
B 0.0008 1 0.0008 1.28 0.28
C 0.01805 1 0.01805 28.88** 28.01
D 0.0032 1 0.0032 5.12 4.14
E 0.00245 1 0.00245 3.92 2.93
Error 0.00125 2 0.000625 7.03
Total 0.0622 7 100



* significante al nivel 5% ya que F0.05 (1,2) = 18.51

** significante al nivel 10% ya que F0.10 (1,2) = 8.16
Nota : No se incluye en esta tabla especficamente la suma de cuadrados del promedio o
media. El error total es la suma de cuadrados total corregida por el factor de correccin.

Se acostumbra que aquellos efectos que no resultaron significantes, se consideren como error
aleatorio a fin de obtener una mejor estimacin del error aleatorio, (con mayor nmero de
grados de libertad).

10
En ste caso, por ejemplo, la estimacin de Sse es :
Sse = SSB + SSD + SSE + Sse = 0.00080 + 0.00320 + 0.00245 + 0.00125 = 0.0077
Con , 1 + 1 + 1 + 2 = 5 grados de libertad.
Y (Ve) = (Sse) /5 = 0.0077 / 5 = 0.00154

Al nivel 5%, el valor crtico de tablas es F
0.05 (1,5)
= 6.607877
Las estimaciones que se obtienen de esta forma se suelen escribir entre parntesis.
Fc para el factor (A ) = 23.66 y Fc para el factor (C) = 11.72, comparando ambos contra
Fcrtico = 6.6, continuan siendo significativos los factoresA y C

Los promedios de la emisin de Formaldehido para cada nivel son:
Efecto
A A1avg. = A1/4 =0.3975 A2avg. = A2/4 =0.2625
B B1avg =0.3400 B2avg =0.3200
C C1avg =0.3775 C2avg =0.2825
D D1avg =0.3500 D2avg =0.3100
E E1avg =0.3475 E2avg =0.3125
Nivel 1 Nivel 2
11
El promedio global es
_
Y = (0.3975+ 0.34+ 0.3775+ 0.35 + 0.3475+ 0.2625+ 0.32+ 0.31+0.3125)/ 10
= 0.33

S nicamente los factores A y C son significativos, estos factores debern fijarse al nivel que minimice
la emisin de Formaldehido, sto es A2 y C2; resina tipo II y 15 segundos como tiempo de prensado. El
resto de los factores se fijar a su nivel ms econmico, ya que no afectan la caracterstica de calidad
dentro del intervalo analizado

Cul ser el nivel esperado de emisin ?, el efecto de cada factor respecto al promedio general es:

EF A = A2 - Y = 0.2665 - 0.33 = -0.06435
EF C = C2 - Y= 0.2825 - 0.33 = -0.0475

Y el efecto estimado bajo las condiciones A2 y C2 es

EF A + EF C + Y = -0.0635 - 0.0475 + 0.33 = 0.219




Diseos de experimentos -
Taguchi
12

Si las lecturas no siguen un orden secuencial, o se toman en otra prueba
bajo las mismas condiciones se le conoce como Replica. Taguchi
considera dos tipos de error aleatorio con lecturas multiples:

Error Primario. (e1). Error que existe entre las diferentes condiciones de
experimentacin, aparte del efecto de los factores en si. Es decir lo que
hace diferentes a las lecturas bajo diferentes condiciones de
experimentacin.

Error Secundario (e2). Aquel que hace diferentes las lecturas tomadas
bajo una misma condicin experimental. Cuando se toma una lectura no
es posible evaluar el error secundario.
1 2 3
Lecturas
Diseos de Taguchi
13
Ejemplo: Considere que el acabado superficial de un proceso de maquinado, medido en picos/plg.
Se puede ver afectado por cinco factores que son:
Factor Nivel I Nivel 2
A Tipo de lubricante Tipo I Tipo II
B Tipo de corte Continuo Intermitente
C Angulo de corte (en grados) 25 35
D Velocidad de corte (r.p.m.) 100% 1200%
E Avance (cm/min) 1 1.5
Descripcin
Dado que se tienen 5 factores, se necesitan por lo menos 5 grados de libertad, se usar por lo tanto
un arreglo ortogonal . Los factores se asignarn en orden, a las primeras cinco columnas .
Total
No. A B C D E F G 1 2 3 Resultados
1 1 1 1 1 1 1 1 15 17 18 50
2 1 1 1 2 2 2 2 16 15 15 46
3 1 2 2 1 1 2 2 22 21 24 67
4 1 2 2 2 2 1 1 18 20 18 56
5 2 1 2 1 2 1 2 25 24 22 71
6 2 1 2 2 1 2 1 23 27 20 70
7 2 2 1 1 2 2 1 19 17 16 52
8 2 2 1 2 1 1 2 17 16 18 51
Total 463
Resultados
14
La suma de cuadrados del total es:

SST = EYi
2
- T
2
/ n

donde E Yi
2
es la suma de lecturas individuales al cuadrado.

n es el nmero de lecturas y T es el total de las Yis. Para este caso :
2 2 2 2 2 2 2
SST = 15 + 17 + 18 +..17 + 16 + 18 - 463/24
SST = 278.9584 con 24 - 1 grados de libertad.
El error secundario se calcula individualmente
Sse
2
= Y1
2
+ Y2
2
+ Y3
2
- T
2
i / ni

Por ejemplo para el experimento i = 1 se tiene:

Sse
2
= 15*15 + 17*17 + 18*18 - (15 + 17 + 18)
2
/ 3 = 4.6666

Y as se continua para cada uno de los restantes 7 experimentos obtenindose la tabla de la
pgina siguiente.
15
1 4.6667
2 0.6667
3 4.6667
4 2.6667
5 4.6667
6 24.6667
7 4.6667
8 2.000
Condicin SSe2
El error primario es localizado en las columnas F y G por que?.
SSe1 = SSeF + SSeG

SSe1 = 4.08334 con 2 grados de libertad

La suma de cuadrados de los factores se calcula de la misma manera que ya se conoce.

SSA = (A2 -A1)
2
/ n y as sucesivamente para todas las columnas,
SSA = 26.04167, SSB = 5.04167...

Finalmente recordemos que suma de cuadrados del error primario, secundario, primario y de los
efectos es igual a la suma de cuadrados total 278.9586.
Total SSe2 = 48.669
16
Reglas de Anlisis:
1.-Antes de la ANOVA el primer crterio es probar el error 1 e1 vs. el error 2 e2. S no resulta
significante se adicionan y se obtiene una estimacin del error aleatorio e, contra el que se
prueban todos los dems factores.
2.- S el error 1 es significativo, entonces todos los factores se prueban contra el.
3.- Realizar la ANOVA.

Prueba de e1 vs e2
Fexp = e1/e2 = 4.08334/2 / 48.666/16
Fexp para e1 = 0.6712 con 2 gL en el numerador y 16 en el denominador.

El F de tablas con (0.05, 2, 16) = 3.63; por lo tanto los errores se suman 4.08334 + 48.6667
= 52.7500
Efecto SS G.L. V Fexp.
A 26.0417 1 26.0417 8.8863
B 5.0417 1 5.0417 1.7204
C 176.0417 1 176.0417 60.0711
D 12.0417 1 12.0417 4.1090
E 7.0417 1 7.0417 2.4028
Error 52.7500 18 2.9306
0
Total 278.9583 23.0000
La tabla ANOVA queda como:
Dado que F tablas con (0.05, 1, 18) = 4.41, slo los efectos A y C son significantes al nivel
del 5%. Slo lubricante y ngulo de corte
17
Nota: S las lecturas provienen de Replicas, no se puede diferenciar el error 1 y 2, por lo
que se adicionan sin ms tramites.

Regla del pulgar . S la Fc = Fexp. es menor a 2, no es significante.









Arreglos con Interacciones.

Al analizar una caracterstica de calidad con n factores se tiene la posibilidad de que
interactuen entre si y se afecten positiva o negativamente. En ese caso la interaccin pasa
a ocupar una columna en los arreglos ortogonales, como si fuera otro factor.
Se deber tener cuidado especial, en la manera como se asignan las columnas, para que
sus interacciones no se confundan con otros factores principales.

Grficas Lineales. Para ayudar en la asignacin de factores en las columnas de un
arreglo G. Taguchi dise las grficas lineales cuyo objetivo es simplificar el diseo del
experimento y evitar patrones indeseables de confusin.
18
Columna 1 2 3 4 5 6 7
Col (1) 3 2 5 4 7 6
Col (2) 1 6 7 4 5
Col (3) 7 6* 5 4
Col (4) 1 2 3
Col (5) 3 2
Col (6) 1
Col (7)
1
3 5 . 7
2 6 4
2
3
5
1 4
6
7
A
B
C
Grficas lineales para el arreglo ortogonal L8
19
A La matriz triangular las columnas estn remarcadas, las interacciones forman la parte interior del
triangulo. Como ejemplo, s asignamos el factor A en la columna 3 y el factor B en la columna 5, la
interaccin AxB aparecer en la en la interseccin de las columnas, el nmero 6.

B En esta grfica se observa el arreglo de tres factores ( 1,2 y 4) y la interaccin entre ellos lneas 3,
5 y 6.

C En esta grfica se indican cuatro factores (puntos 1,2,4 y 7) y las interacciones en las lineas 3, 5 y 6.
1 2 3 4 5 6 7
No. A B AXB D AxD AxC G
1 1 1 1 1 1 1 1
2 1 1 1 2 2 2 2
3 1 2 2 1 1 2 2
4 1 2 2 2 2 1 1
5 2 1 2 1 2 1 2
6 2 1 2 2 1 2 1
7 2 2 1 1 2 2 1
8 2 2 1 2 1 1 2
El arreglo ortogonal es exactamente el mismo, en este caso un L8.
20
Mtodo Taguchi - Pasos
Definir factores y niveles
Factores de control (que se controlarn
arreglo interno)

Factores de ruido (no se quieren o pueden
controlar pero se controlan durante el
experimento arreglo externo)

Crear diseo de experimentos ortogonal de Taguchi

Analizar el diseo de experimentos de Taguchi

Predecir la respuesta con los niveles seleccionados

21
Mtodo Taguchi Crear Diseo
Usar Stat / DOE / Taguchi / Create Taguchi Design para crear el
diseo ortogonal de Taguchi
2 level Design, Number of factors (2 a 7) - 3

Designs L8

Factors (opcional para cambiar nombres de factores y
niveles; Assign columns of the array as specified below)

Options Store designs in worksheet

Ingresar al menos dos columnas de respuestas
22
A B C Resp1 Resp2
1 1 1 19.0 16.0
1 1 1 18.4 18.0
1 2 2 17.5 17.0
1 2 2 18.6 17.5
2 1 2 19.3 17.0
2 1 2 19.1 18.5
2 2 1 18.4 16.0
2 2 1 17.0 16.5
Arregl
o
Intern
o
Arreglo
Externo
23
Mtodo Taguchi Analizar Diseo
Usar Stat / DOE / Taguchi / Analize Taguchi Design para analizar
los resultados
Response Data are in (al menos dos columnas de
respuestas)
En Graphs seleccionar Signal to Noise Ratios, Means,
Estndar Deviations, Interaction Plots (pasar con >>)
Display Interactions in Matrix o Separate Graph
En Tables seleccionar Signal to Noise Ratios, Means,
Estndar Deviations
En Options seleccionar Mayor es mejor, Nominal es mejor o
Menor es mejor para las relaciones Seal / Ruido, para que
en estas grficas S/N se seleccionen los niveles que
maximicen la respuesta (para minimizar la variabilidad)
24
Response Table for Signal to Noise Ratios
Larger is better
Level A B C
1 24.9490 25.1379 24.7692
2 24.9302 24.7412 25.1099
Delta 0.0188 0.3967 0.3408
Rank 3 1 2
Response Table for Means
Level A B C
1 17.750 18.1625 17.4125
2 17.725 17.3125 18.0625
Delta 0.025 0.8500 0.6500
Rank 3 1 2
Response Table for Standard Deviations
Level A B C
1 0.98789 1.17022 1.16700
2 1.03722 0.85489 0.85810
Delta 0.04933 0.31533 0.30890
Rank 3 1 2

25
C B A
2 1 2 1 2 1
25.15
25.05
24.95
24.85
24.75
S
/
N

R
a
t
i
o
Main Effects Plot for S/N Ratios
C B A
2 1 2 1 2 1
18.2
18.0
17.8
17.6
17.4
M
e
a
n
Main Effects Plot for Means
C B A
2 1 2 1 2 1
1.17
1.09
1.01
0.93
0.85
S
t
D
e
v
Main Effects Plot for Standard Deviations
26
Mtodo Taguchi Prediccin de
respuestas
Usar Stat / DOE / Taguchi / Predict Taguchi Results para
predecir las respuestas en base a niveles de factores
seleccionados como ptimos
Seleccionar Signal to Noise Ratios, Means, Estndar
Deviations

En Terms pasar todos los trminos con >>

En Levels seleccionar Uncoded units (valores reales) o
Coded units (1 y 2) y Select levels from a list (niveles usados

OK, se mostrarn las respuestas estimadas por concepto

27
Diseos de experimentos con
Mezclas
Las proporciones de los componentes debe
sumar la unidad
28
8A8. Diseos de mezclas
Los factores independientes son proporciones de
diferentes componentes de una mezcla

Cuando las proporciones tienen la restriccin de
sumar la unidad se pueden utilizar modelos de
estructura Simplex o Simplex con centroide

Cuando adems algunos componentes tienen la
restriccin adicional de tener un valor mximo o
mnimo los modelos a utilizar son los de Vrtices
extremos
29
8A8. Diseos de mezclas
Un diseo de estructura Simplex para q componentes
cuya proporcin puede tomar los niveles m+1
igualmente espaciados entre 0 y 1
Xi = 0, 1/m, 2/m, ...., 1 para i = 1, 2, ..., q

Para una mezcla de q = 3 componentes donde el
nmero de niveles igualmente espaciados para cada
componente es m + 1 = 4 (X1 = 0, 0.333, 0.666, 1)

Las mezclas posibles con los 3 componentes es:

30
Aumento de puntos
Minitab augments (or adds points to) the design using the axial
points shown below. Each added point is half way between a
vertex and the center of the design.

( (q+1)/2q, 1/2q, 1/2q, 1/2q, 1/2q, , 1/2q ) ( 1/2q, (q+1)/2q,
1/2q, 1/2q, 1/2q, , 1/2q )
( 1/2q, 1/2q, (q+1)/2q, 1/2q, 1/2q, , 1/2q ) ( 1/2q, 1/2q, 1/2q,
(q+1)/2q, 1/2q, , 1/2q )
. . . . . . . . . . . . . .
( 1/2q, 1/2q, 1/2q, 1/2q, 1/2q, , (q+1)/2q )
By augmenting a design, you can get a better picture of what
happens on the interior of the design, instead of just relying on
points on the edges.
31
8A8. Diseos de mezclas
X1 X2 X3 Rendimiento
0 0 1
0 0.333 0.667
0 0.667 0.333
0 1 0
0.333 0 0.667
0.333 0.333 0.333
0.333 0.667 0
0.667 0 0.333
0.667 0.333 0
1 0 0
X2

32
8A8. Diseos de mezclas
Las ecuaciones de la restriccin y del modelo lineal
son:
1 2 3
1
( 1)!
!( 1)!
1
( )
q
i i
i
q m
Puntos
m q
X X X
E Y X |
=
+
=

+ + =
=

33
8A8. Diseos de mezclas
Ejemplo: Se tienen 3 componentes y m=2 niveles,
X1=polietileno, X2=Poliestireno, X3=polipropileno mezclados
para formar fibras, de las cuales se mide la elongacin en dos
rplicas
X1 X2 X3 Rendimiento
0 0 1 16.8, 16
0 0 0.5 10.0, 9.7, 11.8
0 1 0 8.8, 10.0
0.5 0 0.5 17.7, 16.4, 16.6
0.5 0.5 0 15.0, 14.8, 16.1
1 0 0 11.0, 12.4
X2

34
Corrida con Minitab
Stat > DOE > Mixture > Create Mixture Design > choose Simplex lattice > Designs
Generates settings for the components in an experiment with a simplex lattice
design. You can
choose the degree of a simplex lattice design
add a center point or axial points to the interior of the design (added by default)
replicate the design

Dialog box items
Degree of lattice: Choose a degree for your design from the drop-down list.
Augument the design with center points: Check to add a center point to the design.
Augument the design with axial points: Check to add axial points to design. See
Placement of axial points in augmented designs.

Replicate Design Points:
Number of replicates for the whole design: Choose to replicate the whole design,
then choose a number of to 50 for the number of replicates.
Number of replicates for the selected types of points: Choose to replicate only
certain types of design points from the base design enter the number of replicates
for each point type.
35
Stat > DOE > Mixture > Create Mixture Design > choose Simplex centroid > Designs
Generates settings for the components in an experiment with a simplex centroid
design. You can

add axial points to the interior of the design (by default, Minitab adds )
replicate the design

Dialog box items
Augment the design with axial points: Check to augment (or adds points to) the base
design. See Placement of axial points in augmented designs.
Replicate Design Points

Number of replicates for the whole design: Choose to replicate the whole design,
then choose a number of to 50 for the number of replicates.
Number of replicates for the selected types of points: Choose to replicate only certain
types of design points from the base design. Then, under Number, enter the number
of replicates for each point type.
36
Corrida en Minitab para el
ejemplo
Stat > DOE > Mixture > Create Mixture Design
Simplex Lattice No of components 3
En Designs:
Degree of Lattice 2
No augment design with center points or axial points
No of replicates of the selected type of points
1 Vertex 2
2 Double Blend 3
En Options quitar Randomize runs
OK
37
Corrida en Minitab para el
ejemplo
Introducir las
respuestas de la
elongacin de la
fibra en funcin de
la mezcla de los 3
componentes X1,
X2 y X3
A B C Elongacin
1.0 0.0 0.0 11.0
0.5 0.5 0.0 15.0
0.5 0.0 0.5 17.7
0.0 1.0 0.0 8.8
0.0 0.5 0.5 10.0
0.0 0.0 1.0 16.0
1.0 0.0 0.0 12.4
0.0 1.0 0.0 10.0
0.0 0.0 1.0 16.8
0.5 0.5 0.0 14.8
0.5 0.5 0.0 16.1
0.5 0.0 0.5 16.4
0.5 0.0 0.5 16.6
0.0 0.5 0.5 9.7
0.0 0.5 0.5 11.8
38
Analizar resultados en Minitab
Stat > DOE > Mixture > Simplex Design Plot
1.0
0.0 1.0
0.0
1.0
0.0
C B
A
Simplex Design Plot in Amounts
39
Analizar resultados con Minitab
Stat > DOE > Mixture > Analyze mixture design
Responses Elongation OK
En Graphs Normal Plot ver adecuacin del modelo
40
Regression for Mixtures: Elongacin versus A, B, C
Estimated Regression Coefficients for Elongacin (component proportions)
Term Coef SE Coef T P VIF
A 11.700 0.6037 * * 1.750
B 9.400 0.6037 * * 1.750
C 16.400 0.6037 * * 1.750 SINERGIA
A*B 19.000 2.6082 7.28 0.000 1.750 ANTAGONICO
A*C 11.400 2.6082 4.37 0.002 1.750
B*C -9.600 2.6082 -3.68 0.005 1.750

S = 0.85375 PRESS = 18.295
R-Sq = 95.14% R-Sq(pred) = 86.43% R-Sq(adj) = 92.43%

Analysis of Variance for Elongacin (component proportions)
Source DF Seq SS Adj SS Adj MS F P
Regression 5 128.296 128.2960 25.6592 35.20 0.000
Linear 2 57.629 50.9200 25.4600 34.93 0.000
Quadratic 3 70.667 70.6669 23.5556 32.32 0.000
Residual Error 9 6.560 6.5600 0.7289
Total 14 134.856
41
8A8. Anlisis del diseo Simplex
Minitab: Regression for Mixtures: Resp versus A, B, C
Est. Regression Coefficients for Resp (component proportions)
Y=11.7X1+9.4X2+16.4 X3 + 17.4X1X2 + 12X1X3 12.2 X2X3
Term Coef SE Coef T P VIF
A 11.70 0.4941 * * 1.500
B 9.40 0.4941 * * 1.500
C 16.40 0.4941 * * 1.500
A*B 17.40 2.4207 7.19 0.000 1.500
A*C 12.00 2.4207 4.96 0.003 1.500
B*C -12.20 2.4207 -5.04 0.002 1.500
S = 0.69881 PRESS = 11.720
R-Sq = 97.44% R-Sq(pred) = 89.78% R-Sq(adj) = 95.31%
42
8A8. Anlisis del diseo Simplex
Como b3 > b1 > b2 se concluye que el componente
3 produce la mayor elongacin

Como b12 y b13 son positivos la mezcla de
componentes 1 y 2 as como 2 y 3 aumenta la
elongacin

Como b23 es negativo la mezcla de los componentes
2 y 3 tiene efectos antagnicos en la mezcla
43
Anlisis con Minitab Trace Plot
Stat > DOE > Mixture > Response Trace Plot
A response trace plot (also called a component effects plot) shows the effect of
each component on the response. Several response traces, which are a series
of predictions from the fitted model, are plotted along a component direction.
The trace curves show the effect of changing the corresponding component
along an imaginary line (direction) connecting the reference blend to the
vertex.
Each component in the mixture has a corresponding trace direction. The points
along a trace direction of a component are connected thereby producing as
many curves as there are components in the mixture.

Response trace plots are especially useful when there are more than three
components in the mixture and the complete response surface cannot be
visualized on a contour or surface plot. You can use the response trace plot to
identify the most influential components and then use them for a contour or
surface plot.
44
Anlisis con Minitab Trace Plot
Stat > DOE >
Mixture >
Response Trace
Plot
Response --
Elongation
A
B
C
0.5 0.0 -0.5
17
16
15
14
13
12
11
10
9
deviation from reference blend in proportion
F
i
t
t
e
d

E
l
o
n
g
a
c
i
Cox Response Trace Plot
45
Anlisis con Minitab Grfica de
contornos
Stat > DOE >
Mixture >
Contour plot
Setup OK

0.0
1.0
0.0
1.0
0.0
1.0
10.0
11.2
12.4
13.6
14.8
16.0
17.2
A
B C
Mixture Contour Plot of Elongaci
46
Anlisis con Minitab Contornos
restringidos
Stat > DOE >
Mixture > Overlaid
Contour plot
Response --
Elongation

Contours
Low Limit 12
High Limit 14
OK

0.0
1.0
0.0
1.0
0.0
1.0
A
B C
Contour Plot of Elongacin
Elongacin 12
14
Lower Bound
Upper Bound
feasible region
White area:
47
Anlisis con Minitab -
Optimizacin
Stat > DOE > Mixture > Response optimizer
Indicar en Response Elongation

En Setup indicar los valores de la respuesta ptima:
Lower 10
Target 15
Upper 20

En Options indicar los valores iniciales de las variables
A = 0.3
B = 0.3
C = 0.4 La suma debe dar la Unidad OK
48
Salida del Optimizador Minitab
Hi
Lo
1.0000
D
Optimal
Cur
d = 1.0000
Targ: 15.0
Elongaci
y = 15.0
0.0
1.0
0.0
1.0
0.0
1.0000
[ ]:B [ ]:C [ ]:A
[0.30] [0.2692] [0.4308]
49
Ejemplo con Diseo centroide
Stat > DOE > Mixture
> Create Mixture
Design
Simplex Centroid
3 Components
Augment Axial Points
No Replicates:
1 Vertex 2
2 Double Blend 1
0 Center points 2
-1 Axial point 1
OK OK
A B C Ymillas/galn
1.00000 0.00000 0.00000 24.5
0.00000 1.00000 0.00000 24.8
0.00000 0.00000 1.00000 22.7
0.50000 0.50000 0.00000 25.1
0.50000 0.00000 0.50000 24.3
0.00000 0.50000 0.50000 23.5
0.33333 0.33333 0.33333 24.8
0.66667 0.16667 0.16667 24.2
0.16667 0.66667 0.16667 23.9
0.16667 0.16667 0.66667 23.7
1.00000 0.00000 0.00000 25.1
0.00000 1.00000 0.00000 23.9
0.00000 0.00000 1.00000 23.6
0.33333 0.33333 0.33333 24.1
50
Simplex Design Plot
1.0
0.0 1.0
0.0
1.0
0.0
C B
A
Simplex Design Plot in Amounts
51
Ecuacin de regresin
Estimated Regression Coefficients for Ymillas/ga (component
proportions)

Term Coef SE Coef T P VIF
A 24.744 0.3225 * * 1.548
B 24.311 0.3225 * * 1.548
C 23.178 0.3225 * * 1.548
A*B 1.514 1.8168 0.83 0.429 1.718
A*C 1.114 1.8168 0.61 0.557 1.718
B*C -1.086 1.8168 -0.60 0.566 1.718

S = 0.46528 PRESS = 5.2730
R-Sq = 70.91% R-Sq(pred) = 11.44% R-Sq(adj) =
52.74%
52
Response Surface plot
A
B
C
0.5 0.0 -0.5
25
24
23
deviation from reference blend in proportion
F
i
t
t
e
d

Y
m
i
l
l
a
s
/
Cox Response Trace Plot
53
Grfica de contornos
1.0
0.0 1.0
0.0
1.0
0.0
23.40
23.65
23.90
24.15
24.40
24.65
24.90
C B
A
Mixture Contour Plot of Ymillas/
54
Salida del optimizador
Hi
Lo
1.0000
D
Optimal
Cur
d = 1.0000
Targ: 24.0
Ymillas/
y = 24.0
0.0
1.0
0.0
1.0
0.0
1.0
[ ]:B [ ]:C [ ]:A
[0.30] [0.1738] [0.5262]
55
8B1. Diseos de superficie de
respuesta
56
8B1. Superficie de respuesta
Un modelo de primer orden es el siguiente:


Su grfica de contornos son lneas rectas que nos
permiten seguir experimentando en la trayectoria de
ascenso rpido, perpendicular a los contornos

c | | | | + + + + =
k k
x x x y ...
2 2 1 1 0
57
9B1. Trayectoria de ascenso
rpido
Orig.+8A

8

3.36

75

173

70.4

Orig.+9A

9

3.78

80

175

77.6

Orig.+10
A

10

4.20

85

177

Orig.+11
A

11

4.62

90

179

76.2

Orig.+12
A

12

5.04

95

181

75.1

80.3
58
8B1. Trayectoria de ascenso
rpido
Respuesta
Pasos
59
8B2. Superficie de respuesta
Si en la prueba de ANOVA el modelo presenta
curvatura significativa entonces el modelo a aplicar
es:

=

= = =
+ + + + =
k
j
j i ij
k
i
k
i
i ii
k
i
i i
X X X X Y
2
1
1 1
2
1
0
c | | | |
60
8B2. Diseo central compuesto


Puntos axiales en 1.414
Rplicas en (0,0)
para el error puro
61
8B2. Diseo central compuesto


del Proceso



codificadas



Rendimiento

Corrida

Tiempo (min.)

Temp.(F)

X1

X2

Y2

1

80

170

-1

-1

76.5

2

80

180

-1

1

77.0

3

90

170

1

-1

78.0

4

90

180

1

1

79.5

5

85

175

0

0

79.9

6

85

175

0

0

80.3

7

85

175

0

0

80.0

8
9

85
85

175
175

0
0

0
0

79.7
79.8

10
11
12
13

92.07
77.93
85
85

175
175
182.07
167.93

1.414
-1.414
0
0

0
0
1.414
-1.414

78.4
75.6
78.5
77.0



62
8B2. Diseo central compuesto
Estimated Regression Coefficients for Y

Term Coef SE Coef T P
Constant 79.940 0.11896 671.997 0.000
A 0.995 0.09405 10.580 0.000 Si P<0.05
son signif.
B 0.515 0.09405 5.478 0.001
A*A -1.376 0.10085 -13.646 0.000
B*B -1.001 0.10085 -9.928 0.000
A*B 0.250 0.13300 1.880 0.102

Source DF Seq SS Adj SS Adj MS F P
Regression 5 28.2478 28.2478 5.64956 79.85 0.000
Linear 2 10.0430 10.0430 5.02148 70.97 0.000

Square 2 17.9548 17.9548 8.97741 126.88 0.000
63
8B2. Diseo central compuesto
La ecuacin de regresin de la superficie de
respuesta es:

Y = 79.94 + 0.995 + 0.515B 1.376 A*A 1.001 B*B
+ 0.25AB

Con las ecuaciones de la pgina siguiente el punto
mximo ptimo queda en X1 = 0.389 y X2 = 0.306
Con una respuesta estimada Yest = 80.21


64
8B2. Diseo central compuesto


1
2
1
2
11 12 1
12 22 2
1
...

0.995
0.515
...

, / 2,..., / 2

1.376, 0.1250
/ 2, ,.... / 2
0.1250, 1.001

. ,
0
1 1
2 2
k
k
k
k
kk
s
x
x
x
x
b
matriz simetrica
x B b
|
|
|
| | |
| | |
|

(
(
(
=
(
(
(

(
(
( (
= =
( (

(
(

(
(
( (
= =
( (


(
(

= =
B
0
.7345, 0.0917 0.995 0.389
0.0917, 1.006 0.515 0.306
1

2
s s
y x b |
( ( (
=
( ( (


= +
65
8B2. Diseo central compuesto


75
76
77
78
79
80
1 0 -1
1
0
-1
A
B
Contour Plot of Y
1.5
1.0
0.5
0.0
-1.5
73.5
B
74.5
-1.0
75.5
76.5
77.5
-0.5
-0.5
78.5
79.5
80.5
0.0
-1.0
0.5
Y
1.0
-1.5
1.5 A
Surface Plot of Y
Localizacin del punto ptimo