Seis Sigma

Programa de certificacin
de Black Belts ASQ
8. Diseo de experimentos
De Taguchi, Mezclas y Diseo
Central Compuesto
P. Reyes / Octubre 2003

8A6. Diseo de Experimentos

de Taguchi

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.

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.

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
No. (a)
1
2
3
4
1 ,

A
1
1
2
2
=

F A C T O R E S (c)
B
C
1
1
2
2
1
1
2
1

Resultado
Y1
Y2
Y3
Y4

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 (+).

Taguchi ha desarrollado una serie de arreglos para experimentos con factores a dos niveles: La.
Nmero de condiciones
experimentales(renglones)
lineas o pruebas.

L4
L8
L12
L16
L32
L64

4
8
12
16
32
64

Nmero de factores o efectos maximo

que se pueden analizar y nmero de
columnas

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
Descripcin
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.
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.

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.
1
2
3
4
5
6
7
8

A
1
1
1
1
2
2
2
2

B
1
1
2
2
1
1
2
2

C
1
1
2
2
2
2
1
1

D
1
2
1
2
1
2
1
2

E
1
2
1
2
2
1
2
1

e
1
2
2
1
1
2
2
1

e Resina Concen.
1 Tipo I 5%
2 Tipo I 5%
2 Tipo I 10%
1 Tipo I 10%
2 Tipo II 5%
1 Tipo II 5%
1 Tipo II 10%
2 Tipo II 10%

Tiempo Humedad Presin

10 seg. 3% 800 psi.
10 seg. 5% 900 psi.
15 seg. 3% 800 psi.
15 seg. 5% 900 psi.
15 seg. 3% 900 psi.
15 seg. 5% 800 psi.
10 seg. 3% 900 psi.
10 seg. 5% 800 psi.

Yi
0.49
0.42
0.38
0.30
0.21
0.24
0.32
0.28
7

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 servirn 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.

La tabla ANOVA es :

Efecto
A
B
C
D
E
Error

SS
0.03645
0.0008
0.01805
0.0032
0.00245
0.00125

Total

0.0622

G.L.

V
1
1
1
1
1
2

0.03645
0.0008
0.01805
0.0032
0.00245
0.000625

Fexp.
58.32*
1.28
28.88**
5.12
3.92

% Contrib.
57.59
0.28
28.01
4.14
2.93
7.03
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).
9

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
Nivel 1
A
A1avg. = A1/4 =0.3975
B
B1avg =0.3400
C
C1avg =0.3775
D
D1avg =0.3500
E
E1avg =0.3475

Nivel 2
A2avg. = A2/4 =0.2625
B2avg =0.3200
C2avg =0.2825
D2avg =0.3100
E2avg =0.3125
10

Diseos de experimentos Taguchi

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

11

Diseos de Taguchi
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:

Lecturas

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.

12

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
A
B
C
D
E

Descripcin
Tipo de lubricante
Tipo de corte
Angulo de corte (en grados)
Velocidad de corte (r.p.m.)
Avance (cm/min)

Nivel I
Tipo I
Continuo
25
100%

Nivel 2
Tipo II
Intermitente
35
1200%
1
1.5

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 .

No. A B C D E F 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

1
15
16
22
18
25
23
19
17

Resultados
2
17
15
21
20
24
27
17
16

3
18
15
24
18
22
20
16
18
Total

Total
Resultados
50
46
67
56
71
70
52
51
463

13

La suma de cuadrados del total es:

SST = Yi2 - T2 / n
donde Yi2 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

SST = 15 + 17 + 18 +..17 + 16 + 18 - 463/24

SST = 278.9584 con 24 - 1 grados de libertad.
El error secundario se calcula individualmente

Sse2 = Y12 + Y22+ Y32 - T2i / ni

Por ejemplo para el experimento i = 1 se tiene:
Sse2 = 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.

14

Condicin
1
2
3
4
5
6
7
8

SSe2

4.6667
0.6667
4.6667
2.6667
4.6667
24.6667
4.6667
2.000
Total SSe2 = 48.669

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.

15

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

La tabla ANOVA queda como:

Efecto
A
B
C
D
E
Error
Total

SS
26.0417
5.0417
176.0417
12.0417
7.0417
52.7500
0
278.9583

G.L.

V
1
1
1
1
1
18

26.0417
5.0417
176.0417
12.0417
7.0417
2.9306

Fexp.
8.8863
1.7204
60.0711
4.1090
2.4028

23.0000

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

16

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.

17

Grficas lineales para el arreglo ortogonal L8

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)

. 7

5
1

6
7

18

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.

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

1
No.
1
2
3
4
5
6
7
8

2
B

1
1
1
1
2
2
2
2

3
AXB

1
1
2
2
1
1
2
2

4
D

1
1
2
2
2
2
1
1

las interacciones en las lineas 3, 5 y 6.

5
AxD

1
2
1
2
1
2
1
2

6
AxC

1
2
1
2
2
1
2
1

7
G

1
2
2
1
1
2
2
1

1
2
2
1
2
1
1
2

El arreglo ortogonal es exactamente el mismo, en este caso un L8.

19

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

20

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

21

Arreglo
Externo

Arregl
o
Intern
o
A
B

Resp1 Resp2

19.0

16.0

18.4

18.0

17.5

17.0

18.6

17.5

19.3

17.0

19.1

18.5

18.4

16.0

17.0

16.5

22

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)

23

Response Table for Signal to Noise Ratios

Larger is better
Level

24.9490

25.1379

24.7692

24.9302

24.7412

25.1099

0.0188

0.3967

0.3408

Delta

Rank

Response Table for Means

Level

17.750

18.1625

17.4125

17.725

17.3125

18.0625

0.025

0.8500

0.6500

Delta
Rank

Response Table for Standard Deviations

Level

0.98789

1.17022

1.16700

1.03722

0.85489

0.85810

Delta

0.04933

0.31533

0.30890

Rank

24

Main Effects Plot for Means

18.2

Main Effects Plot for Standard Deviations

1.17

18.0

17.8

StDev

Mean

1.09

1.01

17.6
0.93
17.4
0.85
1

Main Effects Plot for S/N Ratios

25.15

S/N Ratio

25.05

24.95

24.85

24.75
1

25

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

26

Diseos de experimentos con

Mezclas
Las proporciones de los componentes debe
sumar la unidad

27

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

28

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:

29

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.

30

8A8. Diseos de mezclas

X1
0
0
0
0
0.333
0.333
0.333
0.667
0.667
1

X2
0
0.333
0.667
1
0
0.333
0.667
0
0.333
0
X2

X3
1
0.667
0.333
0
0.667
0.333
0
0.333
0
0

Rendimiento

31

8A8. Diseos de mezclas

Las ecuaciones de la restriccin y del modelo lineal

son:

( q m 1)!
Puntos
m !( q 1)!
X1 X 2 X 3 1
E (Y )

i 1

Xi

32

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

33

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

Corrida con Minitab

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
34
for each point type.

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.

35

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
36

Elongacin

0.0
0.0
Corrida en Minitab1.0
para
el
0.5
0.5
0.0
ejemplo
0.5
0.0
0.5

Introducir las
respuestas de la
elongacin de la
fibra en funcin de
la mezcla de los 3
componentes X1,
X2 y X3

11.0
15.0
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

11.837

Analizar resultados en Minitab

Stat > DOE > Mixture > Simplex Design Plot

Simplex Design Plot in Amounts
A
1.0

0.0

0.0

1.0

0.0

1.0

38

Analizar resultados con Minitab

Stat > DOE > Mixture > Analyze mixture design

Responses Elongation OK
En Graphs Normal Plot ver adecuacin del modelo

39

Regression for Mixtures: Elongacin versus A, B, C

Estimated Regression Coefficients for Elongacin (component proportions)
Term

Coef

SE Coef

VIF

11.700

0.6037

1.750

9.400

0.6037

1.750

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

128.296

128.2960

25.6592

35.20

0.000

Linear

57.629

50.9200

25.4600

34.93

0.000

Quadratic

70.667

70.6669

23.5556

32.32

0.000

Residual Error

6.560

6.5600

0.7289

14

134.856

Regression

Total

40

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

VIF

11.70

0.4941

1.500

9.40

0.4941

1.500

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
R-Sq = 97.44%

PRESS = 11.720

R-Sq(pred) = 89.78%

R-Sq(adj) = 95.31%
41

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

42

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.

43

Anlisis con Minitab Trace Plot

Stat > DOE >

Mixture >
Response Trace
Plot
Response -Elongation

Cox Response Trace Plot

17

A
B
C

16
Fitted Elongaci

15
14
13
12
11
10
9
-0.5

0.0

0.5

deviation from reference blend in proportion

44

Anlisis con Minitab Grfica de

contornos
Mixture Contour Plot of Elongaci

Stat > DOE >

Mixture >
Contour plot
Setup OK

10.0

1.0

16.0
17.2

0.0

0.0

1.0

11.2
12.4
13.6
14.8

0.0

1.0

45

Anlisis con Minitab Contornos

restringidos
Contour Plot of Elongacin

Stat > DOE >

Mixture > Overlaid
Contour plot

Elongacin

Response -Elongation
0.0

Contours

White area:
feasible region

1.0

0.0

Lower Bound
Upper Bound

OK

Low Limit 12
High Limit 14
1.0

0.0

1.0

46

12
14

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

47

Salida del Optimizador Minitab

Optimal
D
1.0000

Hi
Cur
Lo

[ ]:A
1.0000
[0.30]
0.0

[ ]:B
1.0
[0.2692]
0.0

[ ]:C
1.0
[0.4308]
0.0

Elongaci
Targ: 15.0
y = 15.0
d = 1.0000

48

Ejemplo con Diseo centroide

A

Ymillas/galn

1.00000 0.00000 0.00000 24.5

Stat > DOE > Mixture

> Create Mixture
Design
Simplex Centroid

0.00000 1.00000 0.00000 24.8

3 Components
Augment Axial Points
No Replicates:
1 Vertex 2
2 Double Blend 1
0 Center points 2
-1 Axial point 1

0.00000 0.50000 0.50000 23.5

OK OK

0.00000 0.00000 1.00000 22.7

0.50000 0.50000 0.00000 25.1
0.50000 0.00000 0.50000 24.3
0.33333 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

49

Simplex Design Plot

Simplex Design Plot in Amounts
A
1.0

0.0

0.0

1.0

0.0

1.0

50

Ecuacin de regresin
Estimated Regression Coefficients for Ymillas/ga (component
proportions)

Term

Coef

SE Coef

VIF

24.744

0.3225

1.548

24.311

0.3225

1.548

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%
52.74%

R-Sq(pred) = 11.44%

R-Sq(adj) =

51

Response Surface plot

Cox Response Trace Plot

Fitted Ymillas/

25

A
B
C

24

23
-0.5

0.0

0.5

deviation from reference blend in proportion

52

Grfica de contornos
Mixture Contour Plot of Ymillas/
A

23.40
23.65
23.90
24.15
24.40
24.65
24.90

1.0

0.0

0.0

1.0

0.0

1.0

53

Salida del optimizador

Optimal
D
1.0000

Hi
Cur
Lo

[ ]:A
1.0
[0.30]
0.0

[ ]:B
1.0
[0.1738]
0.0

[ ]:C
1.0
[0.5262]
0.0

Ymillas/
Targ: 24.0
y = 24.0
d = 1.0000

54

8B1. Diseos de superficie de

respuesta

55

8B1. Superficie de respuesta

Un modelo de primer orden es el siguiente:

y 0 1 x1 2 x 2 ... k x k

Su grfica de contornos son lneas rectas que nos

permiten seguir experimentando en la trayectoria de
ascenso rpido, perpendicular a los contornos

56

9B1. Trayectoria de ascenso

rpido
Orig.+8

3.36

75

173

70.4

Orig.+9

3.78

80

175

77.6

Orig.+10

10

4.20

85

177

Orig.+11

11

4.62

90

179

76.2

Orig.+12

12

5.04

95

181

75.1

80.3

57

8B1. Trayectoria de ascenso

rpido
Respuesta

Pasos

58

8B2. Superficie de respuesta

Si en la prueba de ANOVA el modelo presenta

curvatura significativa entonces el modelo a aplicar
es:
k

k 1

Y 0 i X i ii X
i 1

i 1

2
i

i 1

X X
j 2

ij

59

8B2. Diseo central compuesto

Puntos axiales en 1.414

Rplicas en (0,0)
para el error puro
60

8B2. Diseo central compuesto

del Proceso

codificadas

Rendimiento

Corrida

Tiempo (min.)

Temp.(F)

X1

X2

Y2

80

170

-1

-1

76.5

80

180

-1

77.0

90

170

-1

78.0

90

180

79.5

85

175

79.9

85

175

80.3

85

80.0

8
9

85
85

0
0

0
0

79.7
79.8

10
11
12
13

92.07
77.93
85
85

1.414
-1.414
0
0

0
0
1.414
-1.414

78.4
75.6
78.5
77.0

175
175
175
175
175
182.07
167.93

61

8B2. Diseo central compuesto

Estimated Regression Coefficients for Y
Term
Constant
A
son signif.
B
A*A
B*B
A*B
Source
Regression
Linear
Square

Coef
79.940
0.995

SE Coef
0.11896
0.09405

T
671.997
10.580

P
0.000
0.000 Si P<0.05

0.515
-1.376
-1.001
0.250

0.09405
0.10085
0.10085
0.13300

5.478
-13.646
-9.928
1.880

0.001
0.000
0.000
0.102

DF
5
2
2

Seq SS
28.2478
10.0430
17.9548

Adj SS
28.2478
10.0430
17.9548

Adj MS
F
5.64956 79.85
5.02148 70.97
8.97741 126.88

P
0.000
0.000
0.000

62

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

63

8B2. Diseo central compuesto

x1
x
x 2
...

0.995
2
b

0.515

...

k
11 , 12 / 2,..., 1k / 2

12 / 2, 22 ,....2 k / 2
B

matriz.simetrica ,
kk

1.376, 0.1250

0.1250, 1.001

0.389
1 1
1 0.7345, 0.0917 0.995
xs
B b

2
2 0.0917, 1.006 0.515
0.306
1
s 0
y
xs b
2

64

8B2. Diseo central compuesto

Contour Plot of Y

Surface Plot of Y
75
76
77
78
79
80

80.5
79.5
78.5

77.5

76.5
75.5
74.5
73.5

-1

-1.5

-1.0

-0.5

A
-1

0.0

0.5

1.0

0.0
-0.5
-1.0
-1.5

0.5

1.0

1.5

1.5

Localizacin del punto ptimo

65