DISEO DE EXPERIMENTOS La falta de calidad de un producto es la prdida (a minimizar) que su utilizacin causa en la sociedad. Dr. G.

Taguchi

Este trabajo fue uno de los ltimos que desarroll en mi fbrica antes de prejubilarme el ao 1991. Me sirvi despus en los cursos de Formacin que impart para algunos Consultores.

El trmino sociedad ha de tomarse en el sentido ms amplio: la macrosociedad-cliente y la microsociedad-proveedor: el consumidor y el productor. No hay que engaarse: alguien paga siempre por la falta de calidad; alguien se est perjudicando. El fabricante que tiene que hacer retoques para enderezar sus defectos, perjudica en el precio a su cliente si lo encuentra. Porque si no lo encuentra en esas condiciones, el perjudicado es l. Si la falta de calidad es externa (escasa fiabilidad, el cliente pagar de su bolsillo las reparaciones fuera de garanta si puede soportarlo, porque en caso contrario cambiar de proveedor con perjuicio del primero. CARACTERSTICAS DE CALIDAD NOMINAL ES MEJOR Cuando se fabrican las lentes de unas gafas, como no pueden resultar perfectas, se admite una tolerancia entorno al valor nominal de sus dioptras. Pero, evidentemente, lo mejor es que las lentes tengan ese valor nominal. MENOR ES MEJOR Un proceso se negocia (y acepta) entre proveedor y cliente para un determinado NCA: Un Nivel de Calidad Aceptable expresado en % de defectuosos. ste podr ser tan pequeo como se necesite, se desee o se pueda conseguir. Pero est claro que si el % de defectuosos de las partidas entregadas es menor que el NCA, la situacin ser mejor. En la auditora de automviles se admiten hasta tres pequeos defectos por metro cuadrado de superficie pintada, con tal de que todo el coche no tenga ms de siete en total. Pero si se encuentran menos defectos, mucho mejor. MAYOR ES MEJOR En fiabilidad se maneja el concepto de MTBF (Mean Time Between Failures -tiempo medio entre fallos-) y un determinado contrato de suministro lo fija en una cierta cantidad de horas. Naturalmente, ser mejor para el cliente que el producto tenga un MTBF incluso mayor que el de las horas acordadas. La puntuacin de los alumnos se establece para que con un 5 se d el aprobado. Pero ser mejor que el alumno saque un 7 incluso ms nota. EL CASO DE LOS FONDOS DE INVERSIN Cada semestre, la CNMV (Comisin Nacional del Mercado de Valores) emita un informe con la rentabilidad en % que ha conseguido cada Sociedad Gestora para sus Fondos. Aade adems el valor de la volatilidad, que expresa la variacin de la rentabilidad a lo largo de esos seis meses. Y la expresa como la desviacin tpica de la variable rentabilidad segn los valores que ha ido tomando en cada da del semestre. La pregunta es: Se puede confiar en una Gestora que ha conseguido al final una buena rentabilidad a costa de estar dando bandazos a lo largo del semestre entre rentabilidades muy buenas y

muy malas? No ser que al final ha tenido suerte, pero no sabe bien por dnde se anda? Sin contar con que si yo necesito liquidar mi fondo durante el semestre, tengo las mismas probabilidades de liquidarlo muy bien, que de liquidarlo muy mal, lo cual no es nada positivo. LA AMENAZA DE LA VARIABILIDAD La variabilidad es un mal que hay que pagar en forma de prdida, deterioro y desgaste de energa. La Gestora del Fondo es slo el ejemplo de una fbrica cuyo producto es la rentabilidad. Pero todas las fbricas y los productores de Servicios tienen planeando sobre s la sombra de la variabilidad. Que hay que combatir a toda costa para dejarla reducida al mnimo y as ahorrar prdidas a la Sociedad. Comparemos 4 proveedores de lentes para gafas que manejan como CARACTERSTICA DE CALIDAD la VARIABLE x que expresa las dioptras para un valor nominal m (Nominal es Mejor). Los lmites son TS (Tolerancia Superior de Especificacin) y TI (Tolerancia Inferior de Especificacin).

Analicemos los cuatro proveedores sabiendo que todos ellos hacen inspeccin 100% antes de entrega; ello garantiza que todos los productos en cada caso estn dentro de especificacin, tal como muestran las figuras (los que caen dentro de las reas negras se rechazan y por tanto no se entregan). Adems, el costo para el cliente es el mismo en las cuatro situaciones.

Los casos 1 y 2 presentan el mismo tipo de distribucin normal, centrada en el valor nominal. El 2 se dispara hasta ambos lmites de tolerancia sobrepasndolos mnimamente, y el 1 notablemente ms all de ellos; claro que, antes de entrega, se eliminan esos flecos negros. Evidentemente, esta eliminacin (y la produccin que hubo que hacer antes) cuesta dinero que, o paga el cliente, o representa una prdida de beneficio para el proveedor. En el caso 3 no se trata ya de unos flecos, sino de la mitad de la produccin. Adems, prcticamente ninguna lente est en el valor nomina, lo que significa que la gran mayora de los clientes tendrn que volver al oculista, insatisfechos de su visin: una cosa es la tolerancia a respetar en las lentes, y otra, la tolerancia de los clientes con la tolerancia. Esto ltimo se puede repetir para el proveedor 2, aunque aqu los insatisfechos sern minora: la mayora encontrar sus gafas centradas en el valor nominal. En el caso 4 prcticamente todos los clientes quedarn satisfechos, y ello no habr costado nada extra (ni produccin intil, ni verificaciones rectificadoras, etc). Hasta aqu hemos hablado de unos cristales de gafas que no se deterioran con el uso (es ms bien nuestra vista la que se deteriora). Pero si consideramos ahora el salpicadero de plstico de un coche que s se deteriora con el paso del tiempo a expensas de la luz, la temperatura, las vibraciones, etc. habr que aadir otra forma de variacin y consiguiente degradacin.

Continuemos con los fabricantes A y B de lentes para gafas en la figura siguiente. El A es parecido al caso 2 anterior, pero como ahora su dispersin de 3, coincide con la tolerancia de especificacin, resulta que quedan sendos flecos de no conformidad: 0,27 % en total (ver 0,00135 en la Tabla de la Distribucin Normal para x=3). Sin embargo, la gran mayora de los clientes se sentirn satisfechos porque las dioptras de sus lentes coinciden o estn muy prximas al valor nominal. El proveedor B, en cambio, se toma demasiado al pie de la letra los lmites de tolerancia y produce sus lentes segn una distribucin rectangular: Entre esos lmites, cualquier valor de dioptras tiene la misma probabilidad de ser producido; no importa si son las dioptras nominales, las de los lmites de tolerancia u otras intermedias. Y no produce nada fuera de tolerancia. Sin embargo, la mayora de sus clientes tendrn que volver al oculista, insatisfechos porque las dioptras de sus lentes tienen igual probabilidad de coincidir con el valor nominal que con los valores extremos.

Este fenmeno se habra puesto de manifiesto de haber estudiado la Capacidad del Proceso Cp, de produccin de lentes. Como valor prctico se exige que Cp 1,33 (1); sin embargo, y para simplificar, vamos a quedarnos con el valor terico de Cp = 1: Segn l, un proceso es capaz de dar satisfaccin cuando su dispersin total de 6 cabe al menos una vez dentro del margen de tolerancias. (1) Ver mi libro Calidad. Fiabilidad, Ed. Universidad P. Comillas (4. CAPACIDAD DE MQUINA/CAPACIDAD DE PROCESO pgs. 253-260). Esto ocurre en el caso del proveedor A con un nivel de confianza de 100 0,135x2 = 99,73 %, pero veamos qu sucede con el B.

La desviacin tpica de una distribucin rectangular vale (hemos hecho m = 0 para facilitar el clculo; adems, se ve que t = 2T):

Ya se ve que 6 es bastante mayor que t: no cabe en el recorrido TS TI. Es decir, tenemos: 6 / t = 1,73, o lo equivalente, CP = 1/1,73 = 0,577 < 1 que es insatisfactorio. La variacin es, per se, una fuente de prdida. De prdida de calidad y por consiguiente de prdida econmica. Ya no podemos conformarnos con estar dentro de tolerancia. Aunque estemos tratando de una variable continua, de hecho hemos convertido la variacin en la del atributo estar o no estar dentro de tolerancia. Y hoy el cliente afina ms que eso. Cuando el cliente, respaldado por su oftalmlogo, acude insatisfecho al ptico, a ste no le valdr la respuesta de que las lentes estn dentro de tolerancia. La forma tradicional de apreciar la prdida se ve en la parte superior de la figura: slo haba prdida fuera de los lmites de tolerancia donde, adems, esa prdida era considerada constante.

Taguchi, en cambio, establece una funcin de prdida parablica con vrtice en el valor nominal m (parte inferior). Segn ella, la prdida empieza a darse en cuanto nos separamos de m; adems, crece de forma cuadrtica como corresponde a una parbola. Con esto se pretende un doble fin: penalizar la mayor desviacin del valor nominal y disponer de un artificio para aprovechar la caracterstica aditiva de la varianza. Sobre la parbola de la figura se muestra la apreciacin cualitativa que se espera pueda hacer el cliente en cuanto a la calidad del producto. Obsrvese que para el cliente, tan malo es lo que est a un lado como al otro de las fronteras T: Como no disponemos de equipo de medida preciso, tiende a inclinarse intuitivamente a su propio favor. FUNCIN DE PRDIDA PARA NOMINAL ES MEJOR La ecuacin de la parbola es p = K (x-m)2 Veamos cmo encontrar el valor de la constante K para un caso concreto que sea generalizable. El circuito neumtico de frenos de un camin debe trabajar a una presin nominal m = 8 Kg / cm2. El laboratorio ha encontrado como recomendable una tolerancia funcional de 0,5 Kg / cm2.

Pero tambin sabemos que la mitad de los clientes se quejan por desregulacin con el uso: Unos, por dificultades en la frenada para una presin de 6 Kg / cm2; otros, por fugas en los racores si la presin del circuito alcanza los 10 Kg / cm2.

El recomponer adecuadamente en servicio la vlvula reguladora cuesta 100 . La tolerancia del cliente es, pues, 8 2, as que ser: 100 = K (10 8)2 ; K = 25 Cuando expedimos los camiones con 8 0,5 Kg / cm2 seguimos teniendo una prdida en servicio que se puede valorar como P = 25(8,5 8)2 = 6,25 Por fin, si un ajuste especial de la vlvula se puede incorporar en fbrica como operacin adicional a un coste de 1 , podremos calcular la tolerancia de fabricacin ms fiable y ms econmica con que podemos expedir los camiones: 1 = 25 (x 8)2 ; x = 8,2 tolerancia de fabricacin: 8 0,2 Kg / cm2 FUNCIN DE PRDIDA PARA MS DE UNA PIEZA (NOMINAL ES MEJOR) El clculo anterior es vlido para una pieza. Si quisiramos estudiar el comportamiento de n piezas habremos de referir la prdida al concepto de MSD (Mean Square Deviation) o desviacin cuadrtica media, de la variable respecto del valor nominal. Es decir:

que equivale a: nMSD = x12 + m2 2mx1 + + xn2 + m2 2mxn

como la varianza vale:

Las figuras muestran cmo se enfrentan las distribuciones normales de piezas producidas, a las reas rayadas de prdida. La forma de disminuir sta es: - Manejar una parbola ms plana. - Reducir (la variacin en la produccin). - Reducir (desviacin del promedio de la produccin respecto del valor de la media m). - Reducir ambas. La funcin de prdida es, pues: - Para una pieza: p = K (x m)2 - Para n piezas: p = K (MSD) Comparando esta ltima expresin con la de p para una sola pieza, se ve el sentido, antes expresado, de homogeneizar las dimensiones de la varianza y de la funcin parablica. Para hacer una comprobacin de lo anterior supondremos que el mismo modelo de camin estudiado antes se fabrica en cuatro lugares diferentes. En relacin con su instalacin de frenos, esos lugares se comportan, respectivamente, como los cuatro proveedores analizados. El valor nominal de la presin es 8 Kg / cm2 y 0,25 Kg / cm2 su tolerancia de fabricacin. El valor de la constante de la funcin de prdida K = 25, se sigue manteniendo tambin. Se toman muestras de 17 camiones procedentes de los cuatro lugares para comparar las prdidas que inducen cada uno de ellos.

Se ve que el lugar 3 es el de ms prdida porque produce segn una distribucin descentrada del valor nominal y adems con una dispersin importante. El de menor prdida es el 4 (centrado y con la menor dispersin). Obsrvese que todos los lugares producen prdida, incluso los centrados: todos tienen su produccin algo dispersa. MENOR ES MEJOR El reloj del salpicadero de un coche puede adelantarse o atrasarse. Si la variacin en cualquier sentido es mayor que el 1,5 %, la mitad de los usuarios se quejar y habr de cambiarse el reloj. Naturalmente, lo mejor es que esa variacin sea la menor posible: lo ideal es que valga cero. El costo de la operacin es de 80. La funcin p de prdida es anloga a la de NOMINAL ES MEJOR. Ahora la parbola tiene su vrtice en el origen porque evidentemente no hay un valor nominal para la variacin, que es la abscisa x. Al ser m = 0 queda: p = Kx2 (para una pieza) p = K (MSD) = (para n piezas)

La constante K la obtenemos como 80 = K * 1,5 ; K = 35,55 Veamos ahora qu decisin tomar sobre los proveedores A y B a partir de sendas muestras de 10 y 5 unidades respectivamente. Los porcentajes de variacin se indican en el siguiente cuadro:

El proveedor B produce menos prdida pero debera mejorar su variabilidad para reducirla.

MAYOR ES MEJOR A mayor valor de la variable independiente x corresponde un menor valor de la funcin de prdida p(x).

Ello se podra lograr con una hiprbola equiltera de la forma px = K. Se prefiere, no obstante, la forma px2 = K que aunque ya no es una cnica (como lo era la parbola), conserva el cuadrado de la variable. Adems, estas dos formas no difieren demasiado. La funcin de prdida ser, pues: p = K (1 / x2) Para una pieza Para n piezas: Es una forma razonable de expresar la Desviacin Cuadrtica Media (de la variable respecto del valor objetivo, ). Tratemos de comparar la mezcla de componentes empleados en la fabricacin de la goma para las escobillas de limpiaparabrisas en sus versiones C y D. Se sabe que cuando las escobillas resisten menos de 5.000 horas en la cmara de ozono, la mitad de los usuarios se quejan y hay que cambiarlas con un costo para el fabricante de 20. K = px2 = 20 x 5.000 2 = 5 x108

Se ve que la solucin D es mucho ms cara en prdida a pesar de tener un valor medio de mayor duracin; y es que tiene una dispersin superior al doble que la de C. DISPOSICIN DE LOS ENSAYOS Experimentar es probar y examinar prcticamente las propiedades de alguna cosa. Hablamos de las propiedades porque en la realidad no parece posible llegar hasta la esencia de las cosas. Se ve que la experimentacin es algo muy til, a veces muy costoso, y puede ir desde lo sencillo hasta lo muy complejo. As, puede apoyarse en el mero sentido comn o en tcnicas sofisticadas y de complejo aparato matemtico. Nos vamos a limitar a estudiar algunos ejemplos elementales con la ayuda de una sistematizacin del sentido comn, pero de base matemtica sencilla. Y consideraremos dos formas de presentacin de las

propiedades de la definicin dada antes: Los COMPONENTES como propiedad de un conjunto, y los FACTORES como propiedad de un proceso. LOS COMPONENTES COMO PROPIEDAD DE UN CONJUNTO El conjunto del servo de un camin (puede ser el de la servo direccin hidrulica, la ayuda de embrague hidrulica con intervencin neumtica, etc.) debe tener, por especificacin, un poder multiplicador de 15. La realidad es que ese valor vara bastante de unos conjuntos a otros y no se conoce la causa. En el peor de los casos se han llegado a encontrar conjuntos con 7 como cifra de poder multiplicador (p m). Naturalmente, se producen rechazos, tanto dentro de fbrica como en servicio. El conjunto est hecho de 9 componentes que designaremos de la A la J. Estos componentes pueden ser pistones, copelas, empujadores, cilindros, muelles, etc. El ensayo se dispondr de esta manera: - Seleccionar un conjunto bueno (p m = 15) y otro malo (p m = 7) midiendo el valor de p m. - Hacer primero una repeticin y despus una replicacin de las medidas anteriores. En un proceso discreto como el presente: - Repeticin: Volver a hacer la misma medicin otra vez sobre el mismo conjunto en las mismas condiciones y con los mismos instrumentos. El resultado mostrar los errores de medida. - Replicacin: Volver a hacer la medicin partiendo de cero. Se desmontar el conjunto, se volver a montar y se medir. El resultado mostrar la acumulacin de errores de medida y de puesta a punto. - Sucesivamente, hacer 9 ensayos en los que cada vez se intercambian, respectivamente, los mismos componentes del conjunto bueno al malo, y viceversa, uno a uno. En estas condiciones, los resultados fueron los siguientes: CONJUNTO MALO BUENO CONTRASTE INICIAL 7 15 8 VALOR DEL p m REPETICIN REPLICACIN 7,8 6,5 15 15,2 7.2 8,7 R RECORRIDO 1,3 0,2 R = 0,75

Definimos el error experimental como 2,3 veces el Recorrido medio de las mediciones cuando stas han sido 3, y para un nivel de confianza de del 95 %. Error experimental = 2,3 x 0,75 = 1,725 Ya se ve que el error experimental ( por medidas y puesta a punto) es bastante menor que el contraste entre las mediciones de los conjuntos bueno y malo, as que podemos decir que dicho contraste es significativo al 95 %. A propsito del factor 2,3, recurdese que en SPC (Control Estadstico del Proceso) el factor D4 que determina el Lmite Superior del Recorrido muestral a partir del Recorrido Medio Muestral, vale 2,57 para muestras de n = 3 [Ver Nota 1) al final]. Si el error experimental fuera mayor, o del orden del contraste, se detendra la experimentacin; la diferencia entre un conjunto bueno y otro malo se pondra de manifiesto, en este caso, por la forma de medir sus propiedades (el p m, p.e) y no por lo que sea inherente a stas. Los ensayos se continuaron con los resultados que siguen; los campos A, B, C indican que se ha invertido el elemento A entre el conjunto malo y el bueno, o el B, o el C :

Ya se ve que los contrastes ms pequeos se dan en la inversin de los componentes C, F, G, y sobre todo, J (aqu, incluso se invierte el contraste). A continuacin hay que examinar cuidadosamente en qu se diferencian esos cuatro componentes respectivamente, como pertenecientes a un conjunto bueno y a otro malo: tolerancias, constantes de muelles, rugosidades, dureza, etc. Y por fin, incorporar todas las caractersticas buenas a todos los componentes: por supuesto, las manifestadas con las inversiones que sern objeto de especial vigilancia, pero tambin las otras. LOS FACORES COMO PROPIEDAD DE UN PROCESO Tomemos el proceso continuo de extrusin de un tubo de poliamida. Con frecuencia aparecen tubos con una falta de concentricidad superior a la aceptable. Los responsables enfrentan el problema con la sistemtica SOIA [Ver Nota 2) al final] (Situarse frente al problema, Observarlo, Imaginar sobre l, y Actuar; despus de un atormenta de ideas en la fase I, pasan a actuar. Esto ltimo es lo que se va a ver a continuacin. Se decide que de los muchos factores que intervienen en el proceso, los 4 siguientes pueden ser decisivos: A- La temperatura de extrusin. B- La presin C- La velocidad de extrusin D- El grado de molienda de la granza. Tambin se decide disponer el ensayo con sus parmetros a dos niveles:

Se decidi asimismo que la respuesta se midiera en % de aceptacin a partir de los defectos por metro lineal de tubo extrudo en el proceso continuo. Si quisiramos hacer un ensayo exhaustivo tendramos que componer todas las combinaciones posibles de los 4 factores a los dos niveles. Una forma prctica de conseguirlo es comenzar por los dos primeros factores y asignarles las combinaciones 1 ; 2 formando los nmeros de valor creciente desde 11 a 22: A B 1 1 1 2 2 1 2 2 Se aade el factor C duplicando la matriz anterior, y asignando unos a una mitad de la nueva matriz resultante, y doses a la otra mitad:

Anlogamente se hace para el cuarto factor:

El resultado es una matriz de 4 columnas y 16 filas. El nmero de filas es igual a 2 (cantidad de niveles) elevado a la potencia 4 (cantidad de factores): 24 = 16. De haber decidido trabajar sobre 7 factores a 4 niveles la cantidad de combinaciones habra sido 47 = 16.384. Se puede apreciar que lo ptimo est reido con lo prctico. Si bien es cierto que realizando 16.384 ensayos, como hacemos un solo cambio cada vez, al final sabemos qu combinacin da la mejor respuesta, es un hecho que pretender hacer 16.384 ensayos no tiene sentido. Los ensayos completos se cubren mediante matrices con los llamados factoriales completos. Tal es la matriz ABCD expuesta antes. No son recomendables ms que para muy pocos factores, y desde luego, a no ms de dos niveles. De todo ello se deduce que una labor importante en el diseo de experimentos es un debate que conduzca a establecer el mnimo de factores y de niveles compatibles con el hecho de ser significativos del problema a estudiar. Continuemos con el nuestro de 4 factores y dos niveles. Si no podemos permitirnos por tiempo o costo los 16 ensayos del factorial completo, podemos recurrir a un factorial fraccionado (de 8 combinaciones) que tiene sus ventajas y sus inconvenientes. COMPLETO - Gran duracin - Elevado coste - Discriminacin completa FRACCIONADO - Tiempo reducido - Coste razonable - Discriminacin completa si la matriz es ortogonal y se estudian a fondo las interacciones. - Discriminacin Incompleta aunque la matriz sea ortogonal si no se estudian a fondo las interacciones.

Matriz ortogonal es aquella cuyas columnas presentan todas la misma cantidad de unos que de doses (en nuestro caso). Si trabajramos a tres niveles, cada columna tendra una tercera parte de unos, otra tercera parte de doses y otra de treses. Veamos cmo obtener las 8 combinaciones en condiciones de ortogonalidad. Antes de haber dado el ltimo paso para saltar al factor D, en vez de doblar la matriz de tres factores hacia abajo, la sometemos a la siguiente operacin:

Se han sumado los tres dgitos de cada fila en la matriz de la izquierda. Si la suma es par se anota un 2 en ese rengln para el factor D (matriz de la derecha). Un uno si la suma es impar. Ya se ve que la servidumbre que pagamos al fraccionar es obtener la columna de un factor como combinacin de las otras. En nuestro caso, el efecto del factor D est superpuesto a la interaccin ABC: ambos efectos estn confundidos. Claro, que si tenemos la suerte de que la interaccin ABC no exista, o que si existe, sea muy dbil, resultar que el efecto de la 4 columna ser nicamente el efecto del factor D. Es ocasin de explicar lo que es una interaccin: es el efecto sinrgico o multiplicador que se da cuando actan simultneamente dos factores determinados que si actuaran por separado tendran, cada uno, unos efectos moderados: su accin conjunta es mucho ms notable que la suma de efectos separados. Tal es el caso, p e, del alcohol y las anfetaminas. Ya se ve que las interacciones, en nuestro caso de 4 factores, pueden ser de segundo orden (combinaciones de dos parmetros hay 6), de tercer orden (hay 4 combinaciones de 3 parmetros), y por fin la interaccin ABCD de cuarto orden. Tambin es claro que es ms difcil encontrar interacciones de orden superior que de menor orden. Consecuentemente, las interacciones de segundo orden son, en la prctica, ms frecuentes de lo que parece. Por eso hemos obtenido la columna D combinando las tres ABC. Podramos haber combinado, p e, las A y B, y as habramos obtenido otra columna D: D 2 1 1 2 2 1 1 2

pero as estaramos confundiendo el efecto del factor D con el de la posible interaccin AB que es ms probable que la ABC. Definida la matriz ABCD para 8 combinaciones, sabemos adems que disponemos de otras tres columnas para interacciones. La cantidad de columnas-efecto disponibles, tambin llamadas grados de libertad, para 8 combinaciones es, 8 1 = 7. GRADOS DE LIBERTAD = COMBINACIONES 1 En adelante no vamos a hablar ya de interacciones. Supondremos, como simplificacin, que no existen. Hay abundante bibliografa para profundizar en esa materia.

La explicacin de la doble columna en COMBINACIN es la siguiente: a la izquierda est el orden matricial original y a la derecha el orden aleatorio de los ensayos. P e, la combinacin 6 se ensay en cuarto lugar. Esto es interesante, especialmente cuando se hacen replicaciones. La columna RESPUESTA muestra los % de aceptacin que se obtuvieron en cada una de las 8 combinaciones ensayadas. En la nmero 6 aparecen dos respuestas debido a que sobre esa combinacin se hizo una replicacin al observar que su primera respuesta era la ms prxima a la media 78,6. Ello nos permite obtener 4 como recorrido de esas dos carreras. Y el consiguiente error experimental o ruido: RUIDO = 3,5 x 4 = 14 A propsito del factor 3,5 hay que referirse tambin a la nota 1) ya indicada antes. En la misma tabla 10 que se menciona, el factor D4 que afecta al recorrido para una muestra de n = 2, vale 3,267. En la combinacin 6, tambin podemos hablar de n = 2 porque se ha hecho una replicacin (dos ensayos sucesivos). Los valores medios de cada factor para sus dos niveles se obtienen como se ve en este ejemplo: B2 = 72 = (48+67+78+95) / 4 El EFECTO se obtiene como diferencia entre el valor del nivel 2 y el 1 en cada factor. Lo que cuenta del efecto (SEAL) es su valor absoluto que en la siguiente figura se ve contrastado con el RUIDO.

El nico factor que destaca claramente del ruido es el C . El D es prcticamente irrelevante. Hay que recordar que el experimento planteado es del tipo MAYOR ES MEJOR (se desea que crezca el % de aceptacin). Tambin se ve que el diseo del proceso, tal como est no es muy robusto: la relacin SEAL / RUIDO es escasa. Segn todo lo anterior, el resultado de la experimentacin nos conduce a que la combinacin ptima es la A2 B1 C2 D2 Sobre ella hay que comentar lo siguiente: - Esa combinacin no fue ensayada, cosa que no debe sorprendernos pues hemos manejado un factorial fraccionado. - Se ha elegido el nivel D2 por coherencia con MAYOR ES MEJOR, pero como la influencia del factor D es despreciable, se debe tomar el nivel D en su versin ms barata. Este criterio ha de considerarse siempre que las seales estn muy confundidas con el ruido. - Lo que procede, pues, es ensayar la combinacin hallada como ptima e, incluso, a partir de ella, robustecer el diseo mediante nuevos ensayos con tendencia a: Aumentar la temperatura por encima de los 190 C. Disminuir la presin por debajo de 7 Bar. Aumentar la velocidad de extrusin por encima de 1,5 m / sg. Manejar la granulometra ms barata. NOTA.- Los datos manejados en este ejercicio son de gabinete y no tienen nada que ver con la realidad.

Nota 1): De mi libro Calidad. Fiabilidad (Editorial Universidad P. Comillas), ver: 3. El Control Estadstico de los Procesos y la capacidad de mquina (pgs. 230-252 y en especial, la Tabla 10) Nota 2): De mi libro La Calidad Total, una utopa muy prctica (Editorial Universidad P. Comillas), ver estas pginas: 69, 71, 72, 129, 185-6-7, 195, 389, 407, 410, 502, especialmente las destacadas.