En cualquier proceso industrial hay dos fases, diseño del producto y producción donde experimentos cuidadosamente diseñados pueden contribuir enormemente a aumentar la calidad del producto final. En ambos casos el interés estriba en obtener la máxima cantidad de información útil sobre el efecto de los factores en la respuesta (tanto sobre su nivel como sobre su variabilidad) con el mínimo número de experimentos (runs). Para conseguirlo es muy importante escoger diseños con propiedades proyectivas adecuadas y asignar las variables con más posibilidades "a priori" de ser inertes, a los factores del diseño (columnas de la matriz de diseño) que proporcionen un mejor (más informativo) diseño proyección. En este artículo se presenta un algoritmo para conseguir estos objetivos.There are two phases of any industrial process, product design and production, where experiments carefully designed can greatly contribute to increase the quality of the final product. In both cases the interest is in obtaining the maximum amount of usefull information about the effect of factors on the response average and variability with the minimum number the runs. For that purpose it is very important to choose designs with adequate projection properties and to assign possible "a priori" inert variables to design factors (design matrix columns) known to give the best (more informative) projection design.