Minimización: Este tipo de función se usa en dimensiones de desempeño donde valores más pequeños son mejores, por ejemplo el ángulo de la espalda en desaceleración máxima.

Valor objetivo: Este tipo de función se usa para dimensiones de desempeño donde valores
más cercanos a un punto de referencia deseado u objetivo son mejores, como es la cantidad de aflojamiento del cinturón antes de la sujeción.

Maximización: Este tipo de función se emplea en dimensiones de desempeño donde valores mayores son mejores, como lo es una máxima desaceleración antes del desliz del
cinturón de seguridad.

Relación señal a ruido: Este tipo de función se usa particularmente para medir robustez. Taguchi formula esta métrica como una razón con la respuesta deseada en el numerador y la varianza en la respuesta como el denominador.

Factorial fraccional: Este diseño utiliza sólo una pequeña fracción de las combinaciones
empleadas líneas antes. A cambio de su eficiencia se sacrifica capacidad para calcular las
magnitudes de todos los efectos de interacción

Matriz ortogonal: Este diseño es el plan factorial fraccional más pequeño que todavía
permite al equipo identificar los efectos principales de cada factor, aun cuando estos efec￾tos principales se confunden con muchos otros efectos de interacción

Diseños experimentales
Una inquietud crítica en el diseño de experimentos es el costo de preparar y ejecutar los intentos experimentales

Un factor a la vez: Éste es un plan experimental desbalanceado porque cada uno de los
intentos se realiza con todos los factores, excepto uno, a niveles nominales (y el primer
intento con todos los factores al nivel nominal).

Factorial completo: Este diseño comprende la exploración sistemática de toda combinación de niveles de cada factor

El análisis de medias y las gráficas de efectos de factor ayudan al equipo a determinar qué factores tienen un fuerte efecto sobre el desempeño medio y varianza, y por lo tanto cómo lograr un desempeño robusto.

Estas gráficas ayudan a identificar qué factores son mejores para reducir la varianza del) y cuáles factores se pueden usar para mejorar el desempeño.

Explorar interacciones entre algunos de los factores para mejorar más el desempeño.

Afinar los puntos de referencia de parámetro usando valores entre los niveles probados o fuera de este intervalo.

Reconsiderar los puntos de referencia escogidos para factores que muestren un acuerdo de desempeño contra robustez.

Investigar otros factores de ruido y/o control que no se incluyeron en el experimento inicial.

Al interpretar un análisis de medias es que los efectos del factor son independientes, sin las interacciones en los factores, y casi todos los sistemas reales exhiben muchas interacciones, pero éstas suelen ser más pequeñas que los efectos principales.

La verificación de esta suposición es otro motivo para ejecutar experimentos de confirmación en los puntos de referencia seleccionados.

Ejecutar un diseño factorial fraccional más grande.

Usar un plan experimental adaptable de uno a la vez

Asignar interacciones específicas a explorar en ciertas columnas de la matriz ortogonal (en lugar de usar la columna para un factor de control).

El análisis de varianza (ANOVA) tiene una forma de evaluar la significación de los resultados de efectos del factor en vista del error experimental observado en los datos. ANOVA toma en cuenta el número de observaciones hechas en cada uno de los grados de libertad del experimento y la escala de los resultados para determinar si cada efecto es importante desde el punto de vista estadístico.

Usar una matriz externa para los factores de ruido.

Ejecutar réplicas de cada fila, permitiendo que el ruido varíe de un modo natural y no controlado en todo el experimento, resultando en varianza medible en desempeño para cada fila.

Asignar columnas adicionales en la matriz ortogonal o esquema factorial fraccional a los factores de ruido, tratando esencialmente el ruido como otra variable.

Ejecutar réplicas de cada fila con ruido compuesto.

Para ejecutar el experimento, el producto se prueba bajo las diversas condiciones de tratamiento descritas por cada una de las filas del plan experimental.

Hacer aleatoria la secuencia de las ejecuciones experimentales garantiza que cualquier tendencia sistemática durante la realización del experimento no está correlacionada con los cambios sistemáticos en los niveles de los factores.

Hay muchas formas de analizar los datos experimentales. Para todos, excepto el análisis más elemental, el equipo se beneficia de consultar a un experto en diseño de experimentos (DOE) o por consultar un buen libro de análisis estadístico y diseño experimental. El método analítico básico se resume aquí.

El equipo tendrá un objetivo relacionado con el desempeño medio y la varianza en desempeño. A veces media y varianza se combinarán y expresarán como un solo objetivo en la forma de una relación señal a ruido. Los valores de la función objetivo se pueden calcular para cada fila del experimento.

El análisis de medias comprende simplemente promediar todas las funciones objetivo calculado para cada nivel de factor.