Taguchi

LA INGENIERA DE CALIDAD DE TAGUCHI
Pgina 1 de 171

LA INGENIERA DE
CALIDAD DE TAGUCHI

Diseo de Experimentos de Taguchi
Pg 2 de 171

Objetivos del curso

- Que el alumno comprenda que es la ingeniera de calidad de Taguchi, su mbito
de aplicacin y beneficios que acarrea en su rea de trabajo.

- Que el alumno comprenda a nivel de aplicacin, las principales herramientas de la
Ing. de calidad, como son:

- La funcin de prdida;

- arreglos ortogonales;

- anlisis seal ruido;

- caractersticas dinmicas;

- datos por atributos;

- diseo de tolerancias;

- y anlisis B vs C.

Pg 3 de 171

CONTENIDO
1. Introduccin 3

2. La funcin de prdida 10

3. Arreglos ortogonales 16

4. Diseo de parmetros con anlisis Seal/Ruido 71

5. Diseo de parmetros de caractersticas dinmicas 109

6. Datos por atributos 140

7. Diseo de tolerancias 148

8. Anlisis B vs. C 168

9. Conclusiones

Bibliografa

Pg 4 de 171
1. INTRODUCCIN
Ante las crecientes presiones econmicas y comerciales que enfrenta nuestro
pas, resulta imprescindible para nuestra planta industrial incrementar su
competitividad.

Esto se acenta por dos aspectos:
1. Ante la contraccin de nuestro mercado interno, resulta necesario para algunos sectores
incursionar en mercados internacionales.
2. Debido a las polticas de apertura comercial en nuestro pas, algunos sectores empiezan a librar
una batalla con insumos y productos internacionales en nuestro propio pas. Cada vez aumenta
la posibilidad para un consumidor nacional, de adquirir productos fabricados en U.S.A, Japn,
China, Taiwan, Corea, Brasil, etc. en mercados y submercados locales.

Nuestros sectores de transformacin y de servicios tiene, por lo tanto, la imperiosa necesidad de
incrementar la competitividad de sus productos. Sin embargo, una serie de interrogantes que surge
de inmediato son: qu es un producto competitivo?, cmo saber si nuestros productos son ms
competitivos?, cmo se incrementa la competitividad?, Qu tcnicas se pueden utilizar en
nuestros medios?.
Con el objetivo de mejorar rpidamente su situacin, ya que adems no
disponemos de mucho tiempo, algunos centros de produccin se enfocan a
contestar las ltimas dos preguntas. Esto trae como consecuencia una bsqueda
de tcnicas provenientes de otros pases.

Algunas de estas tcnicas son sumamente tiles en potencia y algunas otras son comercializadas
rpidamente y ofrecidas como frmulas mgicas que resolvern todos los problemas. Es por lo
tanto necesario, entender y evaluar cada una de estas metodologas, a fin de poder decidir
objetivamente la posibilidad de xito y maneras de aplicacin en nuestro medio, as como, conocer
sus requerimientos y alcances antes de poder implantarlas.

Pero, cmo sabemos que un producto es competitivo?, de acuerdo con varios autores, la
competitividad de un producto se puede medir de acuerdo con tres dimensiones que son:
Calidad
El producto en Ingeniera

Precio

Seriedad en tiempos de entrega
Servicio
Longitud de tiempo de entrega o prontitud de respuesta
Pg 5 de 171
Quiere esto decir, que un producto competitivo ser aquel que posee un alto
nivel de calidad al cliente, los ltimos avances de ingeniera, tenga un bajo precio
al consumidor que sin embargo; deje utilidades y que se pueda entregar
rpidamente al cliente en plazos preestablecidos.

De todas estas dimensiones, la que parece haber sido explorada con ms
intensidad por pases altamente productivos es el rengln de la calidad. De hecho,
Japn considerado actualmente como el pas con mayor potencial econmico, ha
usado como bandera la calidad de sus productos para incursionar en mercados
mundiales. Bajo la idea de que La calidad es primero y las utilidades
consecuencia han desarrollado una serie de metodologas que parecen ser
aplicables en otros pases.

Una de estas metodologas se conoce como ingeniera de calidad, metodologa
de diseo experimental o metodologas Taguchi. Varias de las tcnicas que
incluye fueron desarrolladas por Genichi Taguchi y se han extendido a varias
partes del mundo probando su aplicacin y efectividad.

En este material, se muestra un panorama general de esta metodologa,
tratando de mostrar su potencial de uso, as como, sus principales herramientas.

Dicho de otra manera, la tecnologa no es adaptada a nuestro medio.

Cabe mencionar tambin que en ocasiones se conoce la causa que est
originando un cierto problema, sin embargo, resulta demasiado costosa eliminarla
directamente. Ante estas situaciones, la ingeniera de calidad pretende no remover
la causa directamente, sino anular su efecto, mediante otros factores que sea ms
econmico manejar.

Pero para hacer esto, es necesario analizar el efecto de una gran cantidad de
factores, algunos controlables y otros no, sobre el proceso de produccin. Estos
efectos adems se deben de estudiar sobre el proceso real en un tiempo limitado,
y ello es factible nicamente a travs de una bsqueda sistemtica, que a partir de
pocas lecturas, nos permita obtener conclusiones consistentes y vlidas. Esto es
posible nicamente a travs de tcnicas de diseo experimental o diseo de
experimentos.

El diseo de experimentos se convierte por lo tanto, en una tcnica
imprescindible para obtener altos niveles de calidad y bajos costos en los
productos.
Pg 6 de 171
Diseo de tolerancias

En esta ltima fase, lo que se pretende es fijar tolerancias a los insumos a fin de
poder mejorar la calidad de los productos. Esta fase es la ltima a recurrir y se
hace despus de un diseo de parmetros. El imponer tolerancias ms estrechas
sobre los insumos, necesariamente incrementa los costos de los productos, por lo
tanto, antes de tratar de controlar esa variabilidad en los insumos se debe de tratar
de nulificar su efecto mediante diseo de parmetros.
Pero si es necesario imponer tolerancias, esto no se debe hacer
indiscriminadamente sobre los insumos, sino sobre aquellos que de veras afecten
el proceso y que convenga desde el punto de vista econmico de hacerlo. Para
esto ltimo, es til tambin el diseo de experimentos.

Podr observar, que en muchas de las situaciones en nuestro medio, se efectan
las etapas uno y tres, esto es, el diseo del sistema y el diseo de tolerancias,
pero no el diseo de parmetros. Despus de adquirir la tecnologa, se imponen
una serie de tolerancias estrechas para lograr los resultados que se obtienen en el
pas donde se adquiri (no usar aditivos de Pemex, por ejemplo). Esto
posiblemente se debe al desconocimiento de la importancia del diseo de
parmetros y de las tcnicas del diseo de experimentos.

1.1 qu hace el diseo de experimentos, durante un diseo de parmetros u
optimizacin del proceso?
Considere un proceso cualquiera. En este proceso se combinan una serie de
insumos para cumplir con ciertas caractersticas
Factores Respuestas
Y
1

Xi Proceso Y
2

Y
3

Suponga que la situacin de alguna de las caractersticas, digamos Y1 se muestra
en la figura siguiente:

LIE LSE
Pg 7 de 171
Evidentemente, el proceso est generando producto con caractersticas no
satisfactorias. A fin de corregir la situacin es necesario:
1. Centrar el proceso, modificando la media o promedio del mismo.
2. Reducir la variabilidad del proceso eliminando causas comunes de variacin,
dicho de otra manera, el proceso est en control estadstico.
3. De ser posible reducir el costo del proceso.

Todos los factores x, que afectan este proceso, se pueden clasificar en cuatro
grandes grupos:

Factores que afectan la media y/o la variabilidad.
Factores de ruido
Factores que afectan Factores que no
la media sin afectar afectan, ni la media
la variabilidad ni la variabilidad

Los factores de ruido son aquellos que no podemos o deseamos controlar, en
general, se consideran tres tipos:

- Ruido externo. Son los factores que estn fuera del mbito del producto,
pero que afectan el proceso en el mbito del cliente durante su uso.
- Ruido interno. Son los factores que originan deterioro, o que las
caractersticas de calidad se degraden con el tiempo.
- Ruido de producto a producto. Son los factores que en el centro de
produccin ocasionan variacin de un producto a otro.

Los factores que afectan la media y/o variabilidad, se utilizan para reducir la
variabilidad. Los que afectan solamente a la media, se utilizan para reducir la
variabilidad. Los que afectan solamente a la media, se utilizan para centrar el
proceso, o bien para maximizar o minimizar la respuesta. Por ltimo, los factores
que no afectan ni la media ni variacin se utilizarn para reducir el costo del
proceso, esto es, se ubicarn a su nivel ms econmico.

Recuerde , que el objetivo es fijar los factores que estn en nuestro control, a
un nivel tal que el producto sea robusto a los factores de ruido.

El problema es, que de antemano no sabemos dnde se ubica cada factor: el
diseo de experimentos es un grupo de herramientas que nos ayuda de una
manera sistemtica y eficiente, a ubicar cada factor y en un caso dado, como
exactamente afecta a la variable de respuesta.
Pg 8 de 171
1.2 Procedimiento general para un estudio de ingeniera de calidad
Uno de los procedimientos que se pueden utilizar es el siguiente:

1. Identificar el problema y formar grupo de trabajo.

Este es quiz el paso ms importante, existe la posibilidad de que en este pase
se termine el experimento. En primer lugar, se debe de identificar un problema que
sea importante resolver para la empresa (no nicamente para el experimentador).
Esto quiere decir, que si el problema se resuelve, pondra en una mejor posicin al
producto y permitira a la empresa generar ms utilidades. Si esta condicin no se
cumple, es recomendable olvidarse por lo pronto del problema y buscar otro.
Una vez aprobado el problema, se debe definir por escrito cul es el problema a
resolver, qu tipo de solucin se busca, cul es la situacin actual y sobre todo,
quin sabe acerca del mismo o est directamente afectado, a fin de integrarlo
dentro del grupo de trabajo.

2. Lluvia de ideas
En esta fase, se pretende identificar como evaluar y/o cuantificar la
caracterstica que se desea mejorar. Asegurarse que realmente representa el
problema que se quiere resolver. Una vez definida, se debe cuestionar si la
puede medir de una manera confiable sino es posible, busque alternativas.
Es posible que en un mismo problema existan dos o ms caractersticas de
inters, conviene sin embargo que usted, asigne prioridades y tome una como
titular. La o las caractersticas seleccionadas son las variables de respuesta para
todo el estudio (Y).
En esta fase se deben identificar, el grupo de factores que potencialmente afecta
la variable de respuesta (las Xs). Se puede ayudar con un diagrama causa-efecto
en el que intervengan las personas que conocen el proceso; operadores, tcnicos,
ingenieros, etc. Una cosa importante es que busque en la literatura, en ocasiones
el problema que pretende resolver ha sido tratado en otras partes y esto le
puede orientes sobre que factores considerar.
En un segundo paso, se debe seleccionar aquellos factores que se consideran
con mayores posibilidades y que entrarn al primer experimento, se debe hacer un
juicio y a falta de informacin, un pareto logstico puede ser de gran ayuda.

Considere tambin, que existen factores que no se pueden controlar y no tiene
caso que entren al experimento. Si an as, quedan muchos factores candidatos,
inicie con lo s que sea ms sencillo y menos costoso manipular.
Una vez seleccionados los factores, se debern proponer los niveles a estudiar
para cada factor. No sea demasiado conservador, considere dentro de que rangos
varan generalmente los factores y trate de cubrir estos rangos. Es probable que
Pg 9 de 171
los resultados que obtenga se puedan interpolar sin embargo, ser muy riesgoso
extrapolar resultados.
1. Seleccionar el arreglo a usar.
Arreglo interno
Arreglo externo
Tamao de la muestra
2. Organizar el experimento
Hojas de datos
Quin hace qu
3. Correr el experimento
Recolectar datos
Analizar resultados.
4. Selecciona ndice seal a ruido
Hacer anlisis Anova
Encontrar para nominal es mejor
Factores que reducen variabilidad
Factores que ajustan la media
Factores que reducen costo
Encontrar para mayor es mejor o menor es mejor
Factores que mejoran la media y/o la variabilidad
Encontrar las mejores condiciones de operacin

Predecir resultados esperados bajo las condiciones propuestas.
1. Hacer una corrida de comprobacin
Si los resultados no coinciden con lo esperado, identificar causas posibles
Evaluar la ganancia que se obtiene con las nuevas condiciones.
2. Implementar las condiciones propuestas.
Varios de los trminos mencionados sern estudiados a lo largo del material.
Aunque se ha hablado del concepto de la calidad, no se ha definido
explcitamente en trminos de ingeniera de calidad. Por otra parte necesitamos de
alguna manera evaluar econmicamente las posibles desviaciones del valor ideal
de la variable de respuesta. Esto se analiza en el siguiente captulo bajo el tema
de la funcin de prdida.
Pg 10 de 171
2. LA FUNCIN DE PRDIDA
2.1 Introduccin

Como se mencion anteriormente, las herramientas de ingeniera de calidad son
una ayuda, para producir un producto a bajo costo y de alta calidad.
Pero si bien, el costo lo podemos medir claramente, qu acerca de la calidad?.
Existen diferentes definiciones de lo que es la calidad; por ejemplo, adecuacin al
uso, cumplir con requisitos, etc.. estas definiciones sin embargo, poco ayudan
para evaluar la calidad y orientar acciones.
Ciertamente, existen algunos indicadores como los ndices de habilidad del
proceso, por ejemplo el Cp y Cpk. Se indica que es deseable que estos ndices
sean mayores a 1.00, pero, desde el punto de vista econmico, cul es su valor
ptimo?, cunto debera estar dispuesto a invertir para que el Cpk, varie de 1.00
a 1.20?.
G. Taguchi ha propuesto una herramienta llamada funcin de prdida, que
pretende hacer algo a primera vista tan blasfemo como, evaluar monetariamente
la calidad de un producto. De esta manera, es posible compara econmicamente
las mejoras en calidad, sobre todo para el cliente y el costo necesario para
efectuarlas.

Para lograr lo anterior, G. Taguchi propone el siguiente enunciado:
LA CALIDAD DE UN PRODUCTO SE PUEDE MEDIR, MEDIANTE LA (MINIMA)
PRDIDA QUE LE OCASIONA A LA SOCIEDAD, UN PRODUCTO DESDE EL
MOMENTO DE SER EMBARCADO

En esta definicin, se involucra a la sociedad entendida como el conjunto de
clientes incluyendo al productor. Esto es, que los problemas de calidad deben ser
vistos de una manera global para evitar que una parte se beneficie a costa de la
otra.

Por otra parte, por qu le molesta a un cliente recibir un producto fuera de
especificaciones?, supongamos que porque no lo puede utilizar, o bien, tiene que
hacer algo antes de utilizarlo. Esto le implica un gasto en dinero, que no hara si el
producto fuera aceptable. Si el producto no se puede utilizar, el consumidor
deber reprocesarlo, regresarlo y reclamar al productor, molestarse y buscar otro
proveedor, detener su lnea de produccin, etc. y todo esto lleva implcito un gasto.
De manera que. la adecuacin al uso se puede medir de alguna manera, mediante
el dinero gastado debido a que el producto no cumple con lo esperado.
Si el producto cumple exactamente con lo esperado, entonces no se ocasiona
costo de calidad alguno. Dicho de otra manera, no se ocasiona un costo adicional
Pg 11 de 171
para el consumidor aparte de su precio. Por eso en la definicin se aclara que es
un costo despus de embarcarlo.
Este desembolso adicional que el consumidor tiene que gastar sin tener porque
hacerlo es una prdida para l y para la sociedad en general, de la cual forma
parte, si el producto hubiese sido producido bien, nadie tendra porque hacer un
costo adicional. De ah el nombre de prdida.
Pero cmo es esta relacin prdida-desviacin. Suponga que desea adquirir un
cierto producto con un dimetro de 10 pulg. Dado que es imposible obtener
siempre este dimetro, se asigna una cierta tolerancia de digamos 0.02 pulg.
Tradicionalmente esto quiere decir que si usted recibe un producto con un
dimetro entre 9.98 y 10.02 pulg. todo esta bien mientras el dimetro se encuentre
en este intervalo, esta igualmente contento. Fuera de este rango el producto es
completamente inaceptable.
Taguchi considera esta visin incorrecta. Para el cliente un producto que mide
9.9799 pulg. no es muy diferente a uno que mida 9.9801 pulg. De hecho, un
producto aceptable que mida 9.9801 es ms parecido a uno defectuoso que al
deseado de 10.0000 pulg.
Lo anterior implica cosas como: no porque un producto est dentro de
especificaciones, necesariamente es un buen producto para el cliente. puede
incluso hacer una inspeccin 100% para que todo producto quede dentro de
especificaciones, y no por eso su producto es considerado un buen producto por el
cliente.
Por lo tanto, ms que una prdida sbita que se tenga cuando el producto sales de
especificaciones, se tiene un continuo de prdida tan pronto como el producto se
desva del valor idealmente deseado por el cliente.

En seguida se discutir este punto, con ejemplos ms especficos para como
cliente.
El nico valor aceptable de una caracterstica de calidad, es el valor deseado
por el cliente, llmelo en este caso m. El cliente realmente recibe un producto
con una caracterstica de calidad que llamaremos aqu y . Esta caracterstica y,
no necesariamente coincide con m de manera que, se puede tener una
desviacin de (y-m), la cual puede ser positiva o negativa. Ya sea que y>m y<m.
Siempre que y es diferente de m, se le ocasiona al cliente una prdida,
llammosla L(y) con (y-m)?, si bien existen un sin nmero de maneras, una para
cada cliente Taguchi sugiere que en la gran mayora de las veces esta relacin es
descrita de manera cuadrtica. Esto es:

L(y)=k (y-m)
2
Donde k es una constante especfica para cada consumidor, que grficamente
queda representado por:
Pg 12 de 171

L(y)

Vale la pena observar lo siguiente:
- Desviaciones pequeas del valor ideal, ocasionan una prdida pequea.
- La prdida aumenta ms que linealmente conforme y se aleja del valor ideal
m.
- Cuando el valor de y coincide con el valor de m, la prdida es cero. Esto es,
L(y=m)= 0.
- La curva se ve afectada por el valor de la constante k.
- Existe una funcin de prdida L(y) asociada con cada caracterstica de calidad
del producto. La prdida total que ocasiona el producto, es la suma de las
prdidas de cada una de sus caractersticas.

Un problema que surge de inmediato es cmo evaluar la constante k?
Considere una caracterstica de calidad, digamos un dimetro con un valor ideal
de 10.0000 pulg. Si el dimetro de desva un poco el producto an se puede
utilizar. Conforme el dimetro se aleja aun ms del ideal, llegar un punto en el
cual no se puede utilizar el producto tal y como este. A este valor se le puede
llamar yc y a la desviacin(yc-m)= Tc. se le llama tolerancia del consumidor.
En este momento, se debe hacer algo para que el producto se pueda utilizar
originando un costo, llame a este costo Ac. Al sustituir en la frmula de L(y), se
tiene que
Ac= k Tc
2
; k= Ac/ Tc
2
La funcin de prdida se puede expresar tambin de la manera siguiente
L(y)= (Ac/ Tc
2
)(y-m)
2

Algunos autores, sugieren utilizar como Tc, lo que se considere como tolerancia
actual o de operacin, y entonces un buen valor de Ac es un 10% del precio del
producto.
Como corolario podemos observar lo siguiente: corregir, arreglar o aun desechar
un producto es ms econmico siempre para el productor. Esto es, se le ocasiona
un costo menor. Si a este costo le llamamos Ap, donde siempre sucede que Ap <
Ac, cul debe ser entonces la tolerancia que debe manejar el productor en sus
dibujos?.
Al sustituir en la funcin de prdida anterior esta prdida Ap y manejando la
tolerancia (yp-m)= Tp, se tiene:
m y

Pg 13 de 171
Ap= (Ac/ Tc
2
)Tp
2
, y por lo tanto Tp=
Ac
Ap
Tc
Esto quiere decir, que la tolerancia del productor, debe siempre ser menor que la
del consumidor. La relacin viene representada por la raz cuadrada de la relacin
entre la prdida del producto y del consumidor para el mismo producto.

2.2 Funcin de prdida promedio
Si bien, la forma de la funcin de prdida anterior describe la situacin para una
unidad de producto en particular, el productor, probablemente este ms interesado
en la prdida promedio que su produccin induce al cliente. Para esto es suficiente
obtener el promedio para todos sus productos, esto es:
Lmedia= n m y k m y k m y k n m yi k
n
/ )) ( ... ) ( ) ( ( / ) (
2 1
+ + + =

Si el nmero de productos es pequeo, el promedio se puede obtener
directamente.

Si el valor no crece, se puede demostrar mediante un poco de manipuleo
algebraico, que el valor de Lmedia es
Lmedia= ( )
2 2
d k + o ; donde d= (-m)
y
2
o representan la media y varianza del proceso respectivamente.
Si el productor desea disminuir la prdida que su producto ocasiona a sus
consumidores, deber por lo tanto, reducir su variabilidad (minimizar
2
o ) y centrar
su proceso de manera que la media del mismo coincida con el ideal m, (disminuir
( )
2
d

2.3 Funcin de prdida para otro tipo de caractersticas

Una caracterstica de calidad, por lo general es de uno de los siguientes tipos:
Cualitativa. No se puede medir directamente sobre una escala continua
Cuantitativa. Se divide en tres:

1. Menor es mejor. Son aquellas caractersticas que el cliente desea sea mnima,
m es igual a cero y la caracterstica y no puede ser menor que esta ideal.
Ejemplo: desgaste, friccin, etc.

2. Mayor es mejor. Son aquellas caractersticas en que el valor ideal parra el
cliente tiende a infinito. Por ejemplo: duracin, rendimiento, etc.
3. Nominal es mejor. Son aquellas caractersticas en que existe un valor nominal
deseado por el consumidor m y la caracterstica real y puede ser mayor o
menor que este ideal. Ejemplo: dimetro, longitud, etc.

Pg 14 de 171
Para cada una de las caractersticas cuantitativas, existe una funcin de prdida
tanto individual como promedio. Para el caso cualitativo dependiendo del caso, se
puede adaptar a una de ellas. Las expresiones son:

Tipo Individual Promedio
Nominal es mejor L(y)= k(y-m)
2
L(y)= ( )
2 2
d k + o
Menor es mejor L(y)=K y
2
L(y)= ( )
2 2
o + K
Mayor es mejor L(y)= K/ y
2
L(y)=
|
.
|
\
|
+
|
.
|
\
|
2
2
2
3 1 1
K

Cada una de estas expresiones, indica la direccin de mejora para un proceso
cualquiera.
Mediante la funcin de prdida podemos:
- Cuantificar en dinero, los efectos de una calidad no adecuada
- Interpretar los resultados de un experimento en base econmica
- Evaluar el impacto econmico que sobre el cliente tiene alguna accin de
mejora.

Realizar ejemplos numricos indicados por el instructor.

Comente lo siguiente: yo no tengo problemas de prdida, ya que, si algunos
de los insumos me salen mal, se los regreso a mis proveedores y ellos me lo
recuperan sin costo adicional.

1. Una fuente de poder debe entregar un voltaje de 115 volts. El consumidor
puede tolerar una desviacin de 20 volts.S i la fuente se sale de este intervalo,
se debe ajustar a un costo de $300,000. Defina explcitamente la funcin de
prdida. Al productor le cuesta corregir la fuente de poder antes de embarcarla
$150,000. Qu tolerancia debe manejar el productor?,Qu prdida se le
ocasiona al consumidor si se le entrega una fuente que genera 125 volts?. Debe
salir al mercado una fuente que entregue 132 volts?.

2. El costo de reparar un equipo de video, si est desajustado despus del
embarque, es de $2 para el cliente. La tolerancia del consumidor es de 5. El
proceso est centrado, muestra una distribucin uniforme y tiene una variancia de
10
2
/12, el proveedor decide que para mejorar la calidad, las tolerancias se deben
reducir a 2/3 del original. Cul es el impacto econmico de esta decisin?.

3. Un block requiere que la planicidad sea mnima y que la distancia entre dos
puntas sea de 1.00000 pulg. Corregir un problema de planicidad cuesta $50, y uno
de longitud $20. La tolerancia de longitud es de 0.00010 y para la planicidad un
mximo de 0.00020.

Se muestrean 10 piezas y se obtiene lo siguiente:
1.000010 1.000020 0.999990 0.999995 1.000010
Pg 15 de 171
1.000005 1.000020 1.000000 0.999998 0.999990

0.00010 0.00020 0.00015 0.00005 0.00003
0.00010 0.00006 0.00018 0.00010 0.00020

Cul es la prdida promedio esperada?

4. Una dimensin crtica para una parte automotrz, tiene como especificaciones
8.50.05 pulg. El proceso est en control estadstico con una media de 8.492 y
desviacin estndar de 0.016. Esta parte tiene un precio de venta de $20 y se
estima que un 10% es un buen estimado de la prdida por estar justamente en
uno de los lmites de especificacin. Se producen 250,000 unidades al ao. Cul
es la prdida a la sociedad en un ao?. Qu pasa con un valor de 0.01?.
Cunto es lo mximo que se debera invertir por hacer ambas mejoras?

5. La resistencia a la traccind e una soldadura, se desea maximizar. Cuando la
tensin de la soldadura es de 0.2 psi, algunas soldaduras se quebrara y tendran
un costo promedio de reemplazo de $200 para el consumidor. Encuentre la
funcin de prdida. Si se lleva a cabo una mejora se obtienen los siguientes
resultados antes y despus de la mejora.

Antes 2.3 2.0 1.9 1.7 2.1 2.2 1.4 2.2 2.0 1.6
Despus 2.1 2.9 2.4 2.5 2.4 2.8 2.1 2.6 2.7 2.3

Evale la reduccin en la prdida con la mejora, si es que la hubo.

Pg 16 de 171
3. ARREGLOS ORTOGONALES

3.1 Introduccin

Como se mencion en el captulo 1, la experimentacin juega un papel vital
cuando se desea mejorar un proceso de produccin.

Recuerde. que el problema es: identificar de los cientos de posibles factores que
afectan una caracterstica de calidad, cules de ellos afectan el promedio, cul es
la variacin y cules no la afectas.

En las fases iniciales de la experimentacin, se tienen una gran cantidad de
factores potenciales, de los cuales se selecciona un grupo inicial a probar, Ahora
bien, si desea saber si un factor afecta una caracterstica de calidad, es necesario
que vare el factor y evale si esto tuvo algn impacto sobre la caracterstica de
calidad.

El problema no es sencillo, sin embargo, ya que si tiene digamos 10 factores a
probar, se tienen 1024 posibles condiciones diferentes que se pueden presentar.
Este nmero de pruebas es demasiado grande para casi cualquier situacin
prctica.

Se necesita por lo tanto alguna alternativa que:
- No permita hacer slo una pequea cantidad de las pruebas posibles en lugar
de 1024, digamos unas 12 pruebas
- Sin embargo, nos permita evaluar con cierta confianza el efecto de todos los
factores analizados.
- Los resultados de estas pruebas se reproduzcan, esto es, que sean vlidas al
momento de implantar la decisin en condiciones reales de operacin y a plena
escala.
- Sea algo sencillo y relativamente rpido como para concentrarse ms en
entender el proceso de produccin en s, que en los anlisis estadsticos.

EL OBJETIVO DE LOS ARREGLOR ORTOGONALES ES FACILITAR EL
PROCESO DE EXPERIMENTACIN. NUESTRO INTERS ES ENCONTRAR
QU FACTORES AFECTAN FUERTEMENTE LAS CARACTERSTICAS DE
CALIDAD Y HACER PREDICCIONES SOBRE LAS CONDICIONES
PROPUESTAS DE OPERACIN.

De una manera grfica, el objetivo de los arreglos ortogonales es: (suponga por
ejemplo 10 factores a dos niveles) 1, 024 pruebas posibles:
Pg 17 de 171

Efectuar unas cuantas (digamos 12)
Nos permita analizar el efecto de
los 10 factores

Nos permite identificar la mejor
condicin, (aun cuando sta
no se haya probado) y estimar
el resultado a esperar y estimar

3.2 Arreglos ortogonales para experimentos a dos niveles

El mtodo de Taguchi es una estrategia completa de calidad que construye
robustez en los productos y procesos durante su fase de diseo. El sistema de
diseo de experimentos de Taguchi de deriva de alrededor de 18 arreglos
ortogonales estndar.

Un arreglo ortogonal es un matriz experimental factorial fraccional que es
ortogonal y balanceada. El arreglo ms sencillo es el arreglo L4 de la tabla
siguiente.

En esta seccin, se analiza qu son, cmo se usan y cules son los arreglos
ortogonales ms importantes para experimentos en los que cada factor toma dos
niveles.

Un arreglo ortogonal es una tabla de nmeros. Ejemplo de un arreglo ortogonal
es:
Factor
N 1 2 3 Resultado

1 1 1 1 Y
1
2 1 2 2 Y
2

3 2 1 2 Y
3

4 2 2 1 Y
4

Columna 1 Columna 3 Columna 2
Grfica lineal del arreglo ortogonal L4
Pg 18 de 171
Se tienen en este caso en particular cuatro renglones y 3 columnas. Bajo el
encabezado N se tiene el nmero de pruebas.

Se tienen tres columnas que consisten de nmeros 1 y 2. A cada columna se
asigna un factor o variable cuyo efecto en la variable de respuesta se desea
investigar. Con este arreglo se pueden investigar hasta tres factores.

Cada columna de un factor consiste de nmeros 1 y 2 donde el nmero 1
indica que el factor se encuentra a su nivel inferior y el 2 a su nivel superior.

Se puede observar que cada columna tiene la misma cantidad de nmeros 1
que de nmeros 2. Si tomamos cualquier pareja de columnas, existen cuatro
posibles combinaciones de sus valores,11, 12, 21 y 22. Como en cada
pareja de columnas se presenta el mismo nmero de veces cada combinacin, se
dice que el arreglo es ortogonal o balanceado.

El resultado de cada condicin experimental se muestra con el encabezado
resultado.

De acuerdo con la notacin empleada por Taguchi al arreglo mostrado como
ejemplo. se le llama un arreglo L4, por tener cuatro renglones.

Si en el arreglo anterior se cambia el 1 por el -1 y el 2 por el 1, el arreglo se
transforma claramente en un arreglo factorial fraccional
1 3
2

con la relacin que
lo genera C = - AB en la columna 3.

Factor
N 1 2 3 Resultado

1 -1 -1 -1 Y
1
2 -1 +1 +1 Y
2

3 +1 -1 +1 Y
3

4 +1 +1 -1 Y
4

Para cada arreglo ortogonal de Taguchi se tienen grficas lineales, usadas para
ilustrar las relaciones de interaccin en el arreglo ortogonal, en este caso la
interaccin de las columnas 1 y 2 estn confundidas con las columna 3.

Para arreglos ortogonales ms grandes no solo se cuenta con grficas lineales
sino adems con tabla de interacciones para explicar las interacciones entre
columnas, por ejemplo para el arreglo L8 se tiene:
Pg 19 de 171

COLUMNAS

Exp. No. 1 2 3 4 5 6 7
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

Matriz o tabla
de
interacciones
Columnas 1 2 3 4 5 6 7
1 (1) 3 2 5 4 7 6
2 (2) 1 6 7 4 5
3 (3) 7 6 5 4
4 (4) 1 2 3
5 (5) 1 2
6 (1) 6
7 (7)

1 3 2
3 5
1
.7 5 4
6
2 6 4
(a)
(b) 7

Qu representa cada tabla?. En primer lugar, el arreglo ortogonal L8 es
exactamente el mismo que se utiliz en el caso experimental y cada columna un
factor o interaccin cuyo impacto sobre la variable de respuesta se desea conocer.

La matriz triangular nos representa las interacciones entre columnas. En el primer
rengln, con el titulo de columna, cada nmero corresponde a la columna con ese
mismo nmero del arreglo, al igual que los nmeros entre parntesis que se
encuentran en la diagonal inferior. Por ejemplo, si nosotros asignamos el factor A
a la columna 3 y el factor B a la columna 5, la interaccin de AxB aparecer en
Pg 20 de 171
otra columna ya definida. En el cruce de la columna nmero 5 y el rengln nmero
3 de la matriz, aparece el nmero 6 (marcado con * en la tabla), de manera que la
interaccin de AxB se deber asignar a la columna 6 del arreglo ortogonal.

Con ayuda de matriz de interacciones es factible, mediante prueba y error, asignar
los factores a las columnas. Sin embargo, para simplificar aun ms esta
asignacin nos podemos auxiliar de las grficas lineales (1) y (2) que se muestran.

En una grfica lineal:
a) un efecto principal se representa mediante un punto.
b) una interaccin se representa mediante una lnea.
c) los nmeros representan las columnas correspondientes del arreglo ortogonal a
donde se asignan los efectos principales y las interacciones.

En particular, el arreglo ortogonal L8 tiene dos alternativas de arreglo mostrados
por las grficas (1) y (2) respectivamente.

Por ejemplo, la grfica (1) indica que con este arreglo se pueden analizar, tres
factores principales, (puntos 1, 2 y 4) y las interacciones entre ellos, (lneas 3, 5 y
6), adems de un cuarto factor, (punto 7), que no interacta con los otros tres.

Los nmeros indican que si deseamos lo anterior, los tres factores debern
asignarse a las columnas 1, 4 y 2. Las interacciones aparecen en las columnas 3,
5 y 6.

La grfica (2) indica cuatro factores, (puntos 1, 2, 4 y 7) con interacciones de uno
de ellos con los otros tres (lneas 3, 5 y 6).

Por lo tanto, el factor que interacta con los otros tres se debe asignar a la
columna 1 del arreglo, los otros tres factores a las columnas 2, 4 y 7. Las
interacciones quedarn en las columnas 3, 5 y 6.

Si se desea analizar un nmero menor de interacciones y un nmero mayor de
factores en el mismo arreglo ortogonal, la columna de cualquier lnea
representando una interaccin que no es relevante, se puede utilizar para
representar un factor adicional.

Si se cambian el 1 y 2 por -1 y +1 en el arreglo L8, es claro que representa un
arreglo factorial fraccional
4 7
2

donde la columna 4 del arreglo L8 corresponde a la
columna A del arreglo
4 7
2

, la columna 2 del arreglo L8 corresponde a la columna
B del arreglo
4 7
2

, y la columna 1 del arreglo L8 corresponde a la columna C del
arreglo
4 7
2

. Tambin se puede ver que la columna 3 es equivalente a BC, la
columna 5 es equivalente a AC, la columna 6 es equivalente a BC, etc.
Pg 21 de 171

COLUMNAS C B -BC A -AC -BC
Exp. No.
1 2 3 4 5 6 7
1 -1 -1 -1 -1 -1 -1 -1
2 -1 -1 -1 +1 +1 +1 +1
3 -1 +1 +1 -1 -1 +1 +1
4 -1 +1 +1 +1 +1 -1 -1
5 +1 -1 +1 -1 +1 -1 +1
6 +1 -1 +1 +1 -1 +1 -1
7 +1 +1 -1 -1 +1 +1 -1
8 +1 +1 -1 +1 -1 -1 +1

Las grficas lineales muestran donde se confunden las interacciones, por
ejemplo: la interaccin entre columnas 1 y 2 se confunden con la columna 3, la
interaccin entre columnas 1 y 4 se confunde con la columna 5, la interaccin
entre las columnas 2 y 4 se confunde con la columna 6.

Sin embargo se sabe que el diseo
4 7
2

tiene 4 generadores, de manera que
cada efecto principal ser confundido con muchas interacciones de dos factores
por tanto las grficas lineales solo muestran un subconjunto de relaciones de
interacciones. La tabla lineal muestra otras alternativas adicionales, por ejemplo:
muestra que la columna 3 se confunde con la interaccin de las columnas 1 y 2,
pero tambin se confunde con la interaccin entre las columnas 5 y 6 y las
columnas 4 y 7, tomando la primera como rengln y la segunda como columna
identificando la interseccin (en este caso 3).

En la notacin de los arreglos ortogonales ) 2 (
7
8
L , el 2 significa dos niveles, el 8
indica 8 corridas experimentales y el 7 significa que se pueden acomodar hasta 7
factores o una combinacin con sus interacciones.

Los arreglos ortogonales de Taguchi tambin incluyen arreglos de 3 niveles
arreglos mezclados. El ms simple es el L9. Su grfica lineal indica que las
columnas 3 y 4 estn confundidas con los efectos de la interaccin de las
columnas 1 y 2.
COLUMNAS
Exp. No.
1 2 3 4
1 1 1 1 1
2 1 2 2 2
3 1 3 3 3
4 2 1 2 3
5 2 2 3 1
6 2 3 1 2
7 3 1 3 2
8 3 2 1 3
Pg 22 de 171
9 3 3 2 1

Columna 1 Columnas 3,4 Columna 2

Grfica lineal del arreglo ortogonal L9

En general, para un arreglo a dos niveles, el nmero de columnas, los efectos
que se pueden analizar, es igual al nmero de renglones menos 1.

Taguchi ha desarrollado una serie de arreglos para experimentos con factores a
dos niveles, los ms utilizados y difundidos se anexan en el apndice y segn el
nmero de factores a analizar son:

Si el nmero de factores que Arreglo a utilizar N de condiciones
se desean analizar es a probar

Entre 1 y 3 L4 4
Entre 4 y 7 L8 8
Entre 8 y 11 L12 12
Entre 12 y 15 L16 16
Entre 16 y 31 L32 32
Entre 32 y 63 L64 64

Para aclarar lo anterior y mostrar los anlisis considere el siguiente ejemplo:

Ejemplo 3.1:
En un proceso de formacin de paneles una caracterstica no deseada es la
emisin de formaldehido en el producto final. Se desea que esta emisin sea lo
mnima posible. Actualmente se estima en 0.45 ppm.

Despus de anlisis previo, (lluvia de ideas, cartas multi-vari, etc.) se cree que
cinto factores pueden estar afectando la emisin, estos son: tipo de resina,
concentracin de la solucin, tiempo de ciclo de prensado, humedad y presin.

Si se desea analizar el efecto de estos factores, es necesario variarlos, esto es
probarlos bajo diferentes valores cada uno. A cada uno de estos valores se les
llama nivel. Se requieren de al menos dos niveles o valores distintos para cada
factor. A uno de ellos arbitrariamente le llamamos nivel bajo o nivel 1, al otro
nivel alto o nivel 2. Se acostumbra llamar nivel 1 a la situacin actual si esta
existe.

Para nuestro ejemplo en particular estos niveles son:
Pg 23 de 171
Factor Descripcin Nivel 1 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

En este caso estamos interesados en analizar el efecto de 5 efectos o factores a
dos niveles cada uno, por lo tanto, se usar un arreglo ortogonal L8.

Esto implica que se ejecutarn 8 pruebas o condiciones experimentales. Por
otra parte se disponen de 7 columnas, a cada columna se le puede asignar o
asociar un factor. A qu columna especficamente se asignar cada factor?, en
estos casos se pueden asignar a cualquier columna.

De hecho, diferentes personas pueden asignar de diferente manera los factores,
esto trae como consecuencia un conjunto de pruebas diferentes. Sin embargo, las
conclusiones a que se llegue deben ser iguales o similares.

Si en particular, asignamos los factores en orden a las primeras cinco
Columnas, dejando libres las ltimas dos columnas, el arreglo queda:

COLUMNAS

Exp.
No.
A B C D E e e
Resina Conc. 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 0.3
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
T = total 2.64

Observe que en las columnas vacas, 6 y 7, se ha escrito la letra e, esto para
indicar que en ellas se evaluar la variacin natural o error aleatorio. Si no se
asigna ningn factor, es de esperar que ah se manifieste la variacin natural.
Los resultados de Yi se muestran en ppm.

El anlisis de resultados, se puede efectuar de dos maneras diferentes. Una de
ellas mediante una serie de grficas, la otra mediante una herramienta sofisticada
Pg 24 de 171
(para algunos). llamada anlisis de varianza, se muestra en este ejemplo primero
el uso del anlisis de varianza, posteriormente se muestra el uso de grficas.

3.3 Anlisis de varianza

Como primer paso, se obtienen los totales de la variable de respuesta o lecturas,
para cada uno de los niveles de los factores.
Por ejemplo, para calcular los totales para cada nivel del factor A, observamos
que las primeras cuatro pruebas del arreglo se efectuaron con el factor a su nivel 1
(Resina tipo I) y las siguientes cuatro a su nivel 2 (resina tipo II)
1). Los totales son por lo tanto:
A
1
= total de las lecturas que se tomaron con el factor A a su nivel 1
= 0.49+0.42+0.38+0.30=1.59
A
2
= total de las lecturas que se tomaron con el factor A a su nivel 2
= 0.21+0.24+0.32+0.28= 1.05

Para el factor D se tiene que las pruebas 1,3,5 y 7 se efectuaron a su nivel 1
(humedad del 5%), por lo tanto los totales son:
D
1
= Total de las lecturas que se tomaron con el factor D a su nivel 1
= 0.49+0.38+0.21+0.32= 1.40
D
2
= Total de las lecturas que se tomaron con el factor D a su nivel 2
= 0.42+0.30+0.24+0.28= 1.24

En resumen se tiene:

Factor A B C D E e e
Nivel 1 1.59 1.36 1.51 1.40 1.39 1.28 1.35
Nivel 2 1.05 1.28 1.13 1.24 1.25 1.36 1.29
2.64 2.64 2.64 2.64 2.64 2.64 2.64

Observe que la suma de los dos niveles debe dar siempre el total de las ocho
lecturas, 2.64 para este caso
2) En seguida se obtiene una cantidad que llamaremos suma de cuadrados
esta se calcula como sigue:

Suma de los cuadrados del factor x= SS X= (Total nivel 2 Total nivel 1)
2
/ n
Pg 25 de 171
Donde n representa el nmero total de lecturas que se tomaron.
As por ejemplo, para el factor A, tendremos que dado que n=8
SSA= (A
2
A
1
)
2
/ 8= (1.59-1.05)
2
/ 8=0.03645 con 1 g .1
Para el factor B se tiene
SSB= (B
2
B
1
)
2
/ 8= (1.28-1.36)
2
/ 8= 0.00080 con 1 g.1

Similarmente
SSC= (C
2
C
1
)
2
/ 8= (1.13-1.51)
2
/ 8= 0.01805 con 1 g.1
SSD= (D
2
D
1
)
2
/ 8= (1.24-1.40)
2
/ 8= 0.00320 con 1 g.1
SSE= (E
2
E
1
)
2
/ 8= (1.25-1.39)
2
/ 8= 0.00245 con 1 g.1
SSe= 0.00080 con 1 g.1
SSe= 0.00045 con 1 g.1

La suma de cuadrados de las columnas donde no se asign factor (SSe) se
toman como estimaciones del error y se suman.
SSe= 0.00080+0.00045= 0.00125 con 2 g.1

3) Se construye una tabla ANOVA, sta es:
Efecto SS G.1 V Fexp
A 0.03645 1 0.03645 58.32
B 0.00080 1 0.00080 1.28
C 0.01805 1 0.01805 28.88
D 0.00320 1 0.00320 5.12
E 0.00245 1 0.00245 3.92
Error 0.00125 2 0.000625
Total 0.0622 7

Bajo la columna SS se tienen las sumas de cuadrados. Bajo la columna G.L.
(grados de libertad), tendremos el nmero de columnas que se usaron para
evaluar el factor, en este caso, slo puede ser de uno para cada factor y ms de
uno nicamente para el cado del error.
La columna V, se obtiene de dividir el nmero bajo la columna SS, entre el
nmero de la columna G.L.
As por ejemplo, para el factor A se tiene
SSA= 0.03645, G.L. de A=1
V= SSA/G.L.= 0.03645/1= 0.03645
Pg 26 de 171
Por ltimo, el valor de Fexp, se obtiene de dividir el valor de V de cada factor,
entre el valor de V para la estimacin del error.
Fexp de A= V(A) / V(error)= 0.03645/0.000625=58.32

4) Se obtienen conclusiones:

Todos aquellos factores, que tienen un valor de Fexp mayor que 2 se considera
que afectan la variable de respuesta, emisin de formaldehido en este caso. Aqu
les llamaremos elegantemente factores significantes.
En este ejemplo resultan significantes los factores A, C, D y E, tipo de resina,
tiempo de ciclo, humedad y presin respectivamente.
Se acostumbra que aquellos efectos que no resultaron significantes, se
consideren como error aleatorio, a fin de obtener una mejor estimacin (con mayor
nmero de grados de libertad).
En este caso por ejemplo, una mejor estimacin de SSe es
SSe= SSB + SSe= 0.00080+0.00125= 0.00205
Con 1 + 2 = 3 grados de libertad y (Ve)= (SSe)/3= 0.00205/3= 0.00068
Las estimaciones que se obtienen de esta manera suelen escribirse entre
parntesis.
La tabla ANOVA queda ahora
Efecto SS G.1 V Fexp
A 0.03645 1 0.03645 53.60
C 0.01805 1 0.01805 26.54
D 0.00320 1 0.00320 4.71
E 0.00245 1 0.00245 3.60
Error 0.00205 3 0.00068
Total 0.0622 7

Nos resta decidir a que nivel habr de fijar cada factor significante, y qu
podremos esperar. Para tomar esta decisin, es de mucha ayuda obtener los
promedios de las lecturas que se tomaron a cada nivel para cada uno de los
factores significantes.

Los promedios de la emisin de formaldehido para cada nivel se obtienen
dividiendo c/u de los totales entre 4, (c/total es la suma de cuatro lecturas).
A1= A1/4= 1.59/4= 0.3975
A2= A2/4= 1.05/4= 0.2625
Pg 27 de 171

El resto de los promedio son:
Factor Nivel 1 Nivel 2
A A
1
= A
1
/4= 0.3975 A
2
= A2/4= 0.2625
B B
1
= 0.3400 B
2
= 0.3200
C C
1
= 0.3775 C
2
= 0.2825
D D
1
= 0.3500 D
2
= 0.3100
E E
1
= 0.3475 E
2
= 0.3125

El promedio general denotado como Y es:
Y= (0.49+0.42+0.38+0.30+0.21+0.24+0.32+0.28)/8=T/n= 2.64/8= 0.33

Los factores A, C, D y E que afectan emisin de formaldehido debern fijarse al
nivel que minimicen la emisin, esto es, al nivel que se obtenga el promedio
menor, en este ejemplo; A
2
, C
2
, D
2
y E
2
; resina tipo II, 15 segundos como tiempo
de prensado, 5% de humedad y 900 psi. Observe que la condicin propuesta, no
coincide con ninguna de las que se probaron en el arreglo ortogonal.
El factor B juega aqu un papel sumamente importante. Dado que no afecta la
emisin de formaldehido, dentro del intervalo analizado, se utiliza para reducir los
costos de produccin. Esto se hace fijndolo a su nivel ms econmico. Cul
ser el nivel esperado de emisin bajo las nuevas emisiones propuestas Y est.?
Para contestar esta pregunta, para cada efecto significante se calcula una resta,
que llamaremos el efecto de cada factor respecto al promedio general, para este
caso el efecto es
EF A = (promedio bajo la condicin propuesta del factor promedio general)
= A
2
Y= 0.2625-0.3300= -0.0675 (A se fij a su nivel 2)
EF C = C
2
Y= 0.2825-0.3300= -0.0475
EF D = D
2
Y= 0.3100-0.3300=-0.0200
EF E = E
2
Y= 0.3125-0.3300= -0.0175

Finalmente, el resultado esperado bajo las condiciones A2, C2, D2, E2, que
llamaremos Yest. se calcula sumando al promedio general Y todos los efectos de
los factores significantes.

Yest= Y + EF A + EF C +EF D +EF E= 0.3300-0.0675-0.0475-0.0200-
0.0175=0.1775
Pg 28 de 171

3.4 Anlisis utilizando grficas

Existe una alternativa al anlisis ANOVA, esta es una serie de grficas que se
muestran enseguida.
1) Primero se obtienen los promedios en cada nivel, para cada uno de los
factores, incluyendo las columnas vacias.
Para hacer esto, encontramos los totales para cada nivel y dividimos entre el
nmero de lecturas con el que se obtuvo cada total. Para nuestro ejemplo, los
totales a cada nivel los tenemos ya en la seccin anterior. Los promedios son:
Nivel 1 0.3975 0.3400 0.3775 0.3500 0.3475 0.3200 0.3325
Nivel 2 0.2625 0.3200 0.2825 0.3100 0.3125 0.3400 0.3225
Promedio global Y= T/n= 2.64/8= 0.33
Observe que para cada factor, uno de los promedios es mayor y el otro menor
que el promedio global. Esto siempre debe de ocurrir.
2) Calcule la diferencia entre los promedios de niveles para cada factor, y
ordnelos de mayor a menor valor absoluto.

Esto es por ejemplo para el factor A
A
1
A
2
= 0.3975 0.2625= 0.1350; para el resto tenemos:
Diferencia 0.1350 0.0200 0.0950 0.0400 0.0350 -0.0200 0.0100

N A B C D E e e Yi
1 1 1 1 1 1 1 1 0.49
2 1 1 1 2 2 2 2 0.42
3 1 2 2 1 1 2 2 0.38
4 1 2 2 2 2 1 1 0.30
5 2 1 2 1 2 1 2 0.21
6 2 1 2 2 1 2 1 0.24
7 2 2 1 1 2 2 1 0.32
8 2 2 1 2 1 1 2 0.28
T1 1.59 1.36 1.51 1.40 1.39 1.28 1.35 Tot
T2 1.05 1.28 1.13 1.24 1.25 1.36 1.29 2.64
SS 0.03645 0.00080 0.01805 0.00320 0.00245 0.00080 0.00045 Ve
Pg 29 de 171
gl 1 1 1 1 1 2
V 0.03645 0.00080 0.01805 0.00320 0.00245 .00062 F
58.32 1.28 28.88 5.12 3.92
Sg si no si si si
P
1
0.3975 0.3400 0.3775 0.3500 0.3475 Y
P
2
0.2625 0.3200 0.2825 0.3100 0.3125 0.33
Ni 2 - 2 2 2
Ef -0.0675 -0.0475 -0.0200 -0.0175

Yest.= Y + Ef A2 + Ef C2 + Ef D2 + Ef E2
T
1
= Total de lecturas al nivel 1
T
2
= Total de lecturas al nivel 2
n = Nmero total de lecturas
SS = (T
2
- T
1
)
2
/n
gl = Grados de libertad (columnas)
V = SS/gl
F = V/Ve
Sg = Efecto significante?
P
1
= Promedio nivel 1
P
2
= Promedio nivel 2
Ni = Nivel seleccionado
Ef = Efecto de la variable
Y = Promedio de todos los datos
Yest = Valor estimado de la variable a las condiciones propuestas

Ordenando de mayor a menor valor absoluto (ignorando el signo),tenemos:
Factor A C D E B e e
Diferencia 0.1350 0.0950 0.0400 0.0350 0.0200 -0.0200 0.0100
Por cierto, podr observar que el orden en que quedaron, es tambin el orden
de mayor a menor Fexp que se obtiene con la ANOVA.

Siguiendo el orden anterior, se obtiene una grfica como se muestra en seguida:
Pg 30 de 171

.40
.35
.33
.30
.25

Mediante esta grfica, se puede evaluar el efecto de cada factor. Entre mayor
sea la lnea de cada factor, o bien, entre ms vertical se encuentre, mayor ser el
efecto de este factor.
La prctica indica que observar un grupo de lneas inclinadas, seguida de un
grupo de lneas que sbitamente se acuestan o se hacen horizontales. Es de
esperar que las lneas que presentan columnas vacas o error aleatorio, quedan
prcticamente horizontales. El decidir hasta que factor es significante, sin
embargo, requiere un poco de prctica.
Observe que las conclusiones a que se llega en este ejemplo son similares a las
de la ANOVA, esto es, factores significantes A, C, D y e, igualmente los niveles
recomendados se pueden identificar rpidamente, si deseamos reducir la variable
de respuesta, se toma el nivel ms bajo, en este caso A
2
, C
2
, D
2
y E
2
, es decir, los
puntos por debajo de la lnea promedio global.
En conclusin, puede utilizar el mtodo grfico para fines de exposicin o
presentacin y el ANOVA para fines de tomar una decisin ms objetiva.
Sin embargo, tome en cuenta que: ANTES HABRA QUE HACER UNA
CORRIDA DE COMPROBACION, BAJO LAS CONDICIONES PROPUESTAS,
PARA VERIFICAR QUE SE OBTIENEN LOS RESULTADOS ESPERADOS.
Ejemplo 3.2 Qu arreglo ortogonal seleccionara para investigar el efecto de los
factores A, B, C, D, E, F, G, H, I, J, a dos niveles?

Ejemplo 3.3 Se considera que el acabado de una pieza metlica medida en
picos/pulgadas, se ve afectada con siete factores:

A tipo de herramienta tipo I tipo II
B velocidad de corte 150 rpm 200 rpm
C avance de la herramienta 0.01m/min 0.03
D ngulo de corte 10 grados 15 grados
E porta herramientas tipo I tipo II
F materia prima marca 1 marca 2
G tipo de refrigerante tipo I tipo II

A
1
A
2
C
1
C
2
D
1
D
2
E
1
E
2
B
1
B
2
e
1
e
2
e
1
e
2

Pg 31 de 171

Se desea medir el efecto de los siete factores sobre la variable de respuesta en
picos por pulg. y se desea determinar las condiciones que maximizan la variable
de respuesta.
Por lo tanto se requiere de un L8 y se corrern 8 pruebas experimentales.
El arreglo que se tiene es:

tipo vel. porta
N A B C D E F G hmta corte avance ngulo hta m.p. lubri res

1 1 1 1 1 1 1 1 I 150 0.01 10 I 1 I 7
2 1 1 1 2 2 2 2 I 150 0.01 15 II 2 II 10
3 1 2 2 1 1 2 2 I 200 0.03 10 I 2 II 30
4 1 2 2 2 2 1 1 I 200 0.03 15 II 1 I 34
5 2 1 2 1 2 1 2 II 150 0.03 10 II 1 II 10
6 2 1 2 2 1 2 1 II 150 0.03 15 I 2 I 11
7 2 2 1 1 2 2 1 II 200 0.01 10 II 2 I 55
8 2 2 1 2 1 1 2 II 200 0.01 15 I 1 II 61

Observe que en este caso, no quedan columnas vacas para evaluar el error
aleatorio. Se procede al anlisis utilizando grficas en primer lugar cada uno de los
factores.

El nmero de datos es n= 8. El total de los datos T= EYi= 218
El promedio global de los datos es Y= T7n= 218/8= 27.25

El total para cada uno de los niveles de cada factor es:

A B C D E F G
Nivel 1 81 38 133 102 109 112 107
Nivel 2 137 180 85 116 109 106 111
218 218 218 218 218 218 218

El promedio para cada nivel se obtiene dividiendo los totales entre cuatro (cada
total es la suma de cuatro lecturas)

A B C D E F G
Nivel 1 20.25 9.50 33.25 25.50 27.25 28.00 26.75
Nivel 2 34.25 45.00 21.25 29.00 27.25 26.50 27.75
Diferencia 14.00 35.50 12.00 3.50 00.00 1.50 1.00

3) Construccin de las grficas de respuesta.

Pg 32 de 171
Graficando en orden de mayor a menor diferencia se obtiene

B
1
B
2
A
1
A
2
C
1
C
2
D
1
D
2
F
1
F
2
G
1
G
2
E
1
E
2

Se puede observar en la grfica, que aparentemente los factores B, A, C y D son
significantes, esto es, afectan a la variable de respuesta.

4) Se determinan las mejores condiciones de operacin
Las condiciones de operacin que maximizan la variable de respuesta
(rigurosidad en picos/pulg) son A
2
, B
1
, C
1
y D
2
, ya que a esos niveles la respuesta
promedio es mayor.
Una estimacin de la rugosidad, bajo las condiciones propuestas, se obtiene
evaluando el efecto de cada factor significante:

EF A
2
= A
2
- Y= 34.25-27.25= 7.00

EF B
2
= B
2
- Y= 45.00 27.25= 17.75

EF C
1
= C
1
- Y= 33.25 27.25= 6.00

EF D
2
= D
2
- Y= 29.00 27.25= 1.75

Yest = Y + EF A
2
+ EF B
2
+ EF C
1
+ EF D
2
=27.25+7.00+17.75+6.00+1.75=59.75

Observe que si se tuviera duda de considerar o no significante al factor D, la
diferencia en la respuesta es de solo 1.75, esto es, que si considera no significante
al factor D, entonces Yest= 58.00, lo cual no es muy diferente de 59.75.
Anlisis utilizando ANOVA.

Si se utiliza ANOVA depus de calcular los totales, que ya se tienen para este
caso, se evala la suma de cuadrados. Por ejemplo, para el factor A se tiene
SSA= (A
2
A
1
)
2
/8= (137 81)
2
/8= 392.0 con 1 g.l.

La tabla ANOVA completa es:

Pg 33 de 171
Factor SS g.l. V Fexp.
A 392.00 1 392.00
B 2520.50 1 2520.50
C 288.00 1 288.00
D 24.50 1 24.50
E 00.00 1 00.00
F 4.50 1 4.50
G 2.00 1 2.00

Total 7

El hecho de no tener columnas libres para evaluar el error, no tuvo mucho impacto
cuando se utilizan grficas. En este caso de la ANOVA, sin embargo, es
indispensable tener una estimacin de la suma de cuadrados del error para
evaluar la Fexp.

Cuando no se tienen columnas libres, se utiliza la siguiente aproximacin:
Considere el nmero total de grados de libertad, (nmero de columnas del arreglo
para casos a dos niveles) divdalo entre dos y redondeando hacia el nmero
menor:

7/2= 3.5 ~ 3

Segn el nmero resultante, tome las sumas de cuadrados ms pequeas como
una estimacin del error.

En este ejemplo, se toman las 3 sumas de cuadrados ms pequeas, SSE, SSF y
SSG, de manera que:
(SSe)= SSe + SSF + SSG= 0.0+4.5+2= 6.5; con g.l. 1 + 1 + 1= 3
Ve= SSe/3= 6.5/3= 2.166

Este tipo de estimaciones se escriben entre parntesis en la tabla ANOVA
Factor SS g.l. V Fexp
A 392.0 1 392.0 180.9
B 2520.5 1 2520.5 1163.3
C 288.0 1 288.0 132.9
D 24.5 1 24.5 11.3
E 0.0 1 0.0 -
F 4.5 1 4.5 -
G 2.0 1 2.0 -
(e) 6.5 1 2.166

Pg 34 de 171
Observe que ya no se evala el valor de la Fexp, para los factores considerados
como error.

En este ejemplo, los factores significantes coinciden con los que se encontraron al
utilizar grficas. As que los resultados son los mismos.

Ejemplo 3.4 En seguida, considere u ejemplo para el caso de nominal es mejor.

Se desea que el dimetro de una pieza que se ensambla en otra, sea
exactamente de 100 dcimas de milmetro. Se considera que los siguientes
factores afectan el dimetro final:

A Materia prima marca 1 marca 2
B Velocidad de corte 600 rpm 700 rpm
D Prelavado si no
C Contenido de carbono 1.40% 1.45%
E Temperatura de recocido 800 C 900 C
F Contenido de azufre 0.05% 0.06%
G Tipo de refrigerante I II
H Marca de herramienta I II
I Porta herramienta 1 2
J Tipo de horno I II
K Angulo de corte 20 25

Dado que requiere analizar 11 factores, se necesita utilizar un arreglo ortogonal
L12 sin dejar columnas vacas, los resultados son:
N A B C D E F G H I J K Resultado

1 1 1 1 1 1 1 1 1 1 1 1 109.9900
2 1 1 1 1 1 2 2 2 2 2 2 116.0000
3 1 1 2 2 2 1 1 1 2 2 2 111.7297
4 1 2 1 2 2 1 2 2 1 1 2 114.9826
5 1 2 2 1 2 2 1 2 1 2 1 110.9567
6 1 2 2 2 1 2 2 1 2 1 1 102.7219
7 2 1 2 2 1 1 2 2 1 2 1 117.9736
8 2 1 2 1 2 2 2 1 1 1 2 123.6494
9 2 1 1 2 2 2 1 2 2 1 1 109.3784
10 2 2 2 1 1 1 1 2 2 1 2 96.1259
11 2 2 1 2 1 2 1 1 1 2 2 103.9904
12 2 2 1 2 2 1 2 1 2 2 1 108.6862

Total = T = 1326.1848
Pg 35 de 171

Los totales para cada uno de los niveles de los factores son:
A B C D E F
Nivel 1 666.3810 688.7211 665.4084 659.4882
Nivel 2 659.8038 637.4637 663.1572 660.7764 666.6966

G H I J K
Nivel 1 642.1710 681.5430 659.7066
Nivel 2 684.0138 644.6424 669.3360 666.4782

As por ejemplo. la suma de cuadrados para el factor I es:
SSI= (I
2
I
1
)
2
/2= (644.6424 681.5430)
2
//12= 113.4712

La tabla ANOVA completa es:

Efecto SS g.l. V Fexp.

A 3.6047 1 3.6047 -
B 99.4
C 0.0014 1 0.0014 -
D 1.7876 1 1.7876 -
E
F
G 145.9003 1 145.9003 66.2
H 1.8016 1 1.8016 -
I 113.4712 1
J 12.9967 1 12.9967 5.9
K 3.8207 1 3.8207 -
(e)

Dado que no se tiene una evaluacin del error, se procede a la estimacin. Se
tienen 11 grados de libertad entre dos y redondeando hacia abajo se obtiene 5.
Considerando las 5 sumas de cuadrados ms pequeas como se error se obtiene
que:

(SSe)= SSA + SSC +SSH + SSK=
Con 5 g.l.

Resultan significantes los factores B, E, G, I y J.

Con el objetivo de entender a que nivel fijar cada uno de los factores, esto se
realiza en etapas.

Pg 36 de 171
a) caso 1. Suponga, aunque no haya sido cierto en este ejemplo, que
nicamente el factor B, velocidad de corte es significante.
Dado que se trata de un factor cuantitativo, es factible realizar una
interpolacin como sigue:
B
1
(600 rpm)= B1/6= 688.7211/6= 114.7868
B
2
(700 rpm)= B2/6= 637.4637/6= 106.2439

Si B se fija a su nivel 1, entonces:
Yest= 110.5154 + (114.7868 110.5154)=114.7868

Si B se fija a su nivel 2, entonces:
Yest= 110.5154 + (106.2439 110.5154) = 106.2439

Dado que lo que se desea es una Y est de 110.0000 se puede hacer una
interopolacin, (se recomienda que sea en forma grfica).

120
Yest
110

105
100

B
1
B
2

600 rpm 700 rpm

Por lo que se obtiene una Yest. de 110.0000 para una velocidad de corte
aproximadamente 656 rpm.

b) Solamente el factor G resulta significante.

Si se procede igual que en el caso anterior se tiene que:

Yest= 107.0285 si G se fija a su nivel 1, refrigerante tipo I
Yest= 117.0023 si G se fija a su nivel 2, refrigerante tipo II
Sin embargo, el factor G tipo refrigerante, es cualitativo la cual implica que no
se puede interpolar. En este caso, lo nico que se puede decidir es fijar el
factor al nivel al cual se acerca ms al valor deseado, en nuestro caso, fijar G
al nivel 1, para obtener una Yest de 107.0285.
Si o el instructor en turno lo consideran pertinente, el siguiente caso se
puede brincar, ya que como dicen en los libros, se puede continuar sin
prdida de generalidad).
Pg 37 de 171
c) Varios factores cualitativos y cuantitativos significantes.

En este caso, la decisin es un tanto ms elaborada. Se tiene que decidir en
secuencia para cada uno de los factores procurando acercarse al valor
nominal.
Siempre se recomienda decidir primero para los factores cualitativos en
orden de mayor a menor importancia. En seguida los cuantitativos tambin
de mayor a menor importancia.
En nuestro ejemplo original, resultaron significantes dos factores cuantitativos
(B y E) y tres cualitativos (G, I y J). Los promedios para cada nivel son:
Cuantitativos Cualitativos
G I J B E
Nivel 1 107.0285 113.5905 109.4747 114.7868 107.8005
Nivel 2 114.0025 107.4404 111.5561 106.2439 113.2305

Y= 110.5154
Se inicia con el factor cualitativo G, de acuerdo con el cado b) anterior se fija G a
su nivel 1 y se estima una Yest= 107.0285.

Para decidir sobre el factor I, la Yest hasta el momento es inferior al valor
deseado, por lo tanto, se desea aumentar la variable de respuesta. Esto se logra
fijando el factor I a su nivel 1. Con esto se obtiene:

Yest = 107.0285 + EF I1= 107.0285 + (113.5905 110.5154)
= 110.1036

El factor J se fija a su nivel 1, ya que se desea bajar el valor actual del Yest.
Yest = 110.1036 + EF J1= 110.1036 + (109.4747 110.5154)
= 109.0629

Partiendo del valor actual de Yest, si el factor B se fija a su nivel 1 (600 rpm), se
obtiene
Yest = 109.0629 + (B
1
Y)= 109.0629 + (114.7868 110.5154)
= 113.3343

Si B se fija a su nivel 2 (700 rpm) se obtiene:
Yest = 109.0629 + (B
2
Y)= 109.0629 + (106.2439 110.5154)
= 104.7914

Interpolando se obtiene que para B a 639 rpm se obtiene el valor deseado de Yest
= 110.0000
Pg 38 de 171
Falta an por decidir acerca del factor E. A fin de que su efecto sea nulo, (ya se
tiene el valor deseado de Yest), se debe fijar justo a la mitad del intervalo que se
prob, esto es, a 850 C ya que a ese nivel se obtendr una respuesta igual a Y. El
resto de los factores por supuesto, se fijan a su nivel ms econmico.
Como se podr dar cuenta, existen muchas otras combinaciones que dan el
resultado deseado, al considerar el aspecto econmico se puede decidir por
alguna.

3.5 Resultados esperados en una corrida de comprobacin o
confirmacin

El objetivo de la corrida de confirmacin es checar la reproducibilidad de los
resultados bajo las condiciones propuestas, Qu puede suceder al efectuar la
corrida?
Considere el ejemplo 3 de la seccin anterior. Si se realiza la corrida bajo las
condiciones propuestas A
2
, B
2
, C
1
y D
2
, se esperara un resultado de 59.75.
En la prctica ser difcil que se presente exactamente el resultado de 59.75.
Ms bien habr de esperar que el resultado quede en un intervalo que se puede
definir como sigue:
Yest ne Ve Fgl / ) (
Donde Fgl= valor que depende de los grados de libertad del error aleatorio,
segn la siguiente tabla:
gl 1 2 3 4 5 6 7 8 9 10 11
Fgl 161.40 18.51 10.13 7.71 6.61 5.99 5.59 5.32 5.12 4.96 4.84

Ve= valor de v para el error
en= nmero total de lecturas/suma de los grados de libertad de los efectos que
resultaron significantes, ms uno.

Se recomienda que este clculo se efecte despus de que los efectos no
significantes se sumen al error. As, para el ejemplo se tiene lo siguiente; Yest=
59.75; Ve= 2.166 de la tabla ANOVA; en= 8/(4 + 1)=1.6 (se tomaron 8 lecturas
en total y son cuatro efectos significantes A, B, C y D).
Dado que el error tiene 3 grados de libertad entonces Fgl= 10.13

El intervalo por lo tanto es:

59.75 6 . 1 / ) 116 . 2 ( 13 . 10 : 59.75 3.703; osea entre 56.047 y 63.453
Pg 39 de 171
Qu hacer cuando se obtiene un valor fuera de este intervalo? Si el resultado es
mejor de lo esperado, se recomienda no hacer nada, pero si es peor, checar lo
siguiente:

1. Checar si los niveles de los factores fueron demasiado estrechos.
2. Analizar los factores potenciales de nuevo, ya que pudo haberse olvidado
considerar un factor controlable que influye fuertemente.
3. Checar por posibles interacciones.

Como ejemplo propuesto, analizar los resultados del siguiente arreglo L8

N D E F C B G A Yi
11
13
- 3
- 1 13 9
- 8
- 8

3.6 Diseos experimentales para factores con interacciones

Los diseos de experimentos de Taguchi son similares a los diseos de
experimentos clsicos, sin embargo en los de Taguchi solo se consideran los
factores principales y las interacciones de dos factores, se asume que las
interacciones de mayor orden no tienen efecto significativo. Adicionalmente los
experimentadores deben utilizar su experiencia para anticipar cuales interacciones
pudieran ser significativas antes de realizar los experimentos.
Posteriormente se deben determinar los grados de libertad, que son la cantidad
relativa de datos requeridos para estimar los efectos a ser analizados. Para los
grados de libertad se siguen las reglas siguientes:
1. La media general tiene un grado de libertad.
2. Para cada factor A, B, , sus grados de libertad son el nmero de niveles 1
(n-1).
3. Para las interacciones, por ejemplo A y B, los grados de libertad son los (nA-
1)*(nB-1) .

Por ejemplo en un experimento hay un factor A con dos niveles, 6 factores (B, C,
D, E, F, G) con 3 niveles y una interaccin entre los factores A y B, los grados de
libertad son los siguientes:
Pg 40 de 171
Factores Grados de libertad
Media 1
A 2-1 = 1
B, C, D, E, F, G 6 x (3-1) = 12
AB (2-1)(3-1) = 2
Total 16

Existe un fenmeno que se presenta en algunas situaciones en los procesos de
produccin. Este fenmeno se llama interaccin entre dos factores y se describen
en esta seccin.

En los casos anteriores se asumi que el efecto de un factor sobre la variable de
respuesta, no dependa del nivel de otros factores. Cuando el efecto de un factor
depende del nivel de otro factor, se dice que existe una interaccin entre los
factores.
O sea, suponga que en un experimento se ha encontrado que la temperatura y el
tipo de refrigerante, afectan la variable de respuesta llamada planicidad. Existen
dos marcas de refrigerante, la marca I y la marca II. Resulta que si se usa el
refrigerante I, al aumentar la temperatura la planicidad aumenta. Pero si usa la
marca de refrigerante II, al aumentar la temperatura, la planicidad disminuye.

Si se le pregunta cual es el efecto de la temperatura sobre la planicidad, lo nico
que puede contestar es Depende. Depende de qu? del tipo de refrigerante que
use. En este caso se dice que existe una interaccin entre la temperatura y el
refrigerante.

Otro ejemplo es el caso de 2 medicamentos que al suministrarse en forma
independiente, provocan mejora en las condiciones del paciente. Por otro lado,
cuando los dos medicamentos son suministrados al mismo tiempo y la condicin
del paciente empeora, se dice que los dos medicamentos interactan.
Grficamente se puede observar si existe o no interaccin entre los factores:

B
1

B
1
B
2
B
2
A
1
A
2
A
1
A
2

Las dos lneas son paralelas, no El efecto de A depende del nivel de B
existe interaccin entre los factores. y viceversa. El efecto de A no es
consistente. Existe interaccin.

Pg 41 de 171
Cmo se puede dar cuenta antes del experimento que existe una interaccin?,
no lo puede saber con certeza, pero una buena gua es la experiencia de
experimentos previos, por conocimiento del proceso y por la literatura.
Las interacciones existen en los procesos en mayor o menor grado. Sin embargo,
no se preocupe demasiado si no puede identificar ninguna, al final de esta
eleccin se le indica que hacer.

En las secciones anteriores se analizaron aplicaciones de arreglos ortogonales,
en los cuales no existan interacciones entre los factores principales. En otros
casos, podemos estar interesados en analizar el efecto que algunas interacciones
en particular tienen sobre la variable de respuesta.

Pero qu sucede cuando se desea incluir interacciones en un arreglo
ortogonal?, se puede decir lo siguiente:

a) los arreglos ortogonales a utilizar para los casos con interacciones, son
exactamente los mismos que se usan para el caso sin interacciones.
b) al asignar dos factores, A y B por ejemplo, a ciertas columnas, automticamente la
interaccin de esos dos factores AxB se reflejar en otra columna del arreglo. Por
lo tanto, esta tercera columna ya no podr ser utilizada por algn otro factor o
interaccin a menos que se pueda suponer la interaccin AxB como inexistente.
c) una interaccin significante que se desee probar, tomar una columna y en
consecuencia un grado de libertad. Por lo tanto, isi deseamos analizar el efecto de
6 factores y 4 de las interacciones entre ellos, requerimos por lo menos de 10
grados de libertad, esto es de 10 columnas, o sea un arreglo L 16 y no un arreglo
L8, que sera suficiente sin interacciones.
d) se deber tener cuidado especial, en la manera como se asignan los factores a las
columnas, para que sus interacciones no se confundan con otros factores
principales u otras interacciones que tambin deseamos probar.

Una condicin que existe para el manejo de las interacciones mediante
procedimientos de arreglos ortogonales Taguchi, es que se tenga una definicin a
priori de cules interacciones especficamente sospechamos que existen. Esto
es, debemos definir de antemano qu interacciones creemos son relevantes, a fin
de incluirlas en nuestro anlisis.
Diseos experimentales
El diseo experimental de Taguchi sigue un proceso de tres pasos:
1. Determinar los grados de libertad totales (Df)
2. Seleccionar un arreglo ortogonal estndar por medio de las dos reglas siguientes:
Pg 42 de 171

Regla 1. El nmero de experimentos o corridas en el arreglo ortogonal >= Total Df.
Regla 2. El arreglo ortogonal seleccionado deber poder acomodar las
combinaciones de niveles de factores en el experimento.
3. Asignar factores a las columnas apropiadas usando las reglas siguientes:

Regla 1. Asignar interacciones de acuerdo a la grfica lineal y tabla de
interacciones.
Regla 2. Usar tcnicas especiales, tales como niveles artificiales y construccin de
columnas, cuando el arreglo ortogonal original no puede acomodar los niveles de
los factores en el experimento.
Regla 3. Mantener algunas columnas vacas is no pueden ser asignadas todas las
columnas.
Se puede usar la tabla siguiente como referencia:
Arreglo Nmero Factores Mximo Nmero De cols. En niveles
ortogonal De exper. Mximos 2 3 4 5
L4 4 3 3
L8 8 7 7
L9 9 4 4
L12 12 11 11
L16 16 15 15
L16 16 5 5
L18 18 8 1 7
L25 25 6 6
L27 27 13 13
L32 32 31 31
L32 32 10 1 9
L36 36 23 11 12
L36 36 16 3 13
L50 50 12 1 11
L54 54 26 1
L64 64 63 63
L64 64 21 21
L81 81 40 40

Para ayudar en la asignacin de factores a un arreglo, se han desarrollado
grficas lineales. Su aplicacin se muestra mediante un ejemplo:
NOTA: En los ejemplos que siguen, para denotar una interaccin entre dos
factores, A y B por ejemplo, se utiliza indistintamente la notacin AB o AxB.
Pg 43 de 171
Grficas lineales
En el apndice se muestra un arreglo L8 junto con una matriz triangular y dos
grficas lineales. Estas se reproducen aqu para explicacin.

L8
Col.1
Col. 2
Col.
3 Col. 4
Col.
5 Col. 6
Col.
7
Exp. No.
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

Matriz o tabla
de
interacciones
Columnas 1 2 3 4 5 6 7
1 (1) 3 2 5 4 7 6
2 (2) 1 6 7 4 5
3 (3) 7 6 5 4
4 (4) 1 2 3
5 (5) 1 2
6 (1) 6
7 (7)

1 3 2
3 5
1
.7 5 4
6
2 6 4
(a)
(b) 7

La aplicacin de grficas lineales se muestra mediante una serie de ejemplos.
Ejemplo 3.6:
Supongamos que queremos analizar el efecto de cuatro factores A, B, C y D,
adems de las interacciones AxB, AxC y AxD.
Pg 44 de 171
1) Como primer paso, seleccionamos un arreglo ortogonal tentativo. Esto depende del
nmero de efectos totales a analizar.

4 factores + 3 interacciones= 7 efectos o columnas
2) Despus de seleccionar un arreglo ortogonal tentativo, un L8 en este caso, el
siguiente paso es desarrollar la grfica lineal que deseamos, de acuerdo con las
reglas mencionadas anteriormente:

a) un efecto individual se representa con un punto.
b) una interaccin se representa mediante una lnea que une los dos efectos
individuales.

En nuestro caso esto procede como sigue:
Primero dibujamos cuatro puntos, uno para cada efecto.
A. B.

C. D.
En seguida mostramos las interacciones que nos interesan, mediante lneas. Para
nuestro caso tenemos (grfica de la izquierda):
AxB 3
A B 1 2

AxC AxD 5
6
C D 7 4

3) Identificamos la grfica mostrada en el apndice que ms se parece a la grfica
deseada, y vemos que esta es la grfica (2), (dibujada a la derecha de la anterior).
Por lo tanto, podremos asignar el factor A a la columna 1, el factor B a la columna
2, la interaccin AxB a la columna 3, el factor D a la columna 4, la interaccin AxD a
la columna 5, el factor C a la columna 7 y la interaccin AxC a la columna 6.

Esto es:
Columna 1
Columna 2
Columna 3
Columna 4
Columna 5
Columna 6
Columna 7
Exp. No. A B AxB D AxD AxC C
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
Pg 45 de 171
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

Supongamos que ahora queremos analizar un factor ms, el factor E y creemos
que la interaccin AxC realmente no es relevante. La grfica lineal que requerimos
es:

B
AxB
A C .E

AxD
D
Esta grfica es parecida a la grfica lineal (2) excepto por la interaccin de AxC,
por lo tanto, una asignacin lgica es:
Factor A a la columna 1, factor B a la columna 2, interaccin AxB a la columna 3,
el factor C a la columna 4, el factor D a la columna 7, la interaccin AxD a la
columna 6. Por ltimo, a la columna 5 que de otra manera sera la interaccin
AxC, se le asigna el factor E.
Observe que en este ltimo caso, tambin se pudo utilizar la grfica lineal (1).
Si por alguna razn, la grfica que deseamos, no puede quedar incluida en las
grficas lineales (1) (2) es necesario usar otro arreglo ortogonal de mayor
tamao.
Ejemplo 3.5:
Si deseamos analizar los factores A, B, C, D, E y F, adems de la interaccin AxB,
una posible asignacin es:
Columna 1
Columna 2
Columna 3
Columna 4
Columna 5
Columna 6
Columna 7
Efecto A D C B AxB E F

Ejemplos adicionales 3.6:
Pg 46 de 171
a) En un experimento hay 7 factores, se consideran slo los efectos principales. Los
grados de libertad son Df = 1 + 7(-1) = 8. El arreglo ortogonal seleccionado debe
tener al menos 8 corridas experimentales, en este caso puede ser un L8.
b) En un experimento hay un factor A de dos niveles y 6 factores de 3 niveles, B, C, D,
E, F, G. Los grados de libertad son: Df = 1 + (2-1) +6(3-1) = 14. Por tanto se debe
usar un arreglo ortogonal que la menos tenga 14 corridas experimentales. El L16
tiene experimentos pero no puede acomodar 6 columnas de tres niveles. El arreglo
ortogonal L18 tiene una columna para un factor de dos niveles y 7 columnas de 3
niveles, por tanto es el arreglo a usar. La columna 8 se deja vaca.

L18
Col.1
Col. 2
Col.
3 Col. 4
Col.
5 Col. 6
Col.
7
Col. 8
Exp. No. A B C D E F G e
1 1 1 1 1 1 1 1 1
2 1 1 2 2 2 2 2 2
3 1 1 3 3 3 3 3 3
4 1 2 1 1 2 2 3 3
5 1 2 2 2 3 3 1 1
6 1 2 3 3 1 1 2 2
7 1 3 1 2 1 3 2 3
8 1 3 2 3 2 1 3 1
9 1 3 3 1 3 2 1 2
10 2 1 1 3 3 2 2 1
11 2 1 2 1 1 3 3 2
12 2 1 3 2 2 1 1 3
13 2 2 1 2 3 1 3 2
14 2 2 2 3 1 2 1 3
15 2 2 3 1 2 3 2 1
16 2 3 1 3 2 3 1 2
17 2 3 2 1 3 1 2 3
18 2 3 3 2 1 2 3 1

c) En un experimento hay 9 factores de dos niveles, A, B, C, D, E, F, G, H, I y las
interacciones AB, AC, AD y AF se piensa que pueden presentarse.

Los experimentos necesarios son al menos Df = 1 + 9(2-1) + 4(2-1)(2-1) = 14
El diseo L16 tiene 16 corridas experimentales y puede acomodar hasta 15
factores o sus interacciones en dos niveles. Usando la grfica lineal para identificar
las columnas de las cuatro interacciones se tiene:
A(1)
Pg 47 de 171
C(6) 7 13 D(12) G(11)

3 9 15 I(14)

B(2) 10 F(8) E(4) H(5)

Las columnas 3, 7, 9 y 13 se dejan vacas para evitar confundir los efectos
principales con las interacciones de dos factores.
El arreglo queda como sigue:

L16
1
2
3
4
5
6
7 8 9 10 11 12 13 14 15
Exp.
No.
A B AB E H C AC F
AF e G D AD I E
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2 1 1 1 1 1 1 1 1
2 2 2 2 2 2 2
. . . . . . . . . . . . . . . .

d) En un experimento hay 6 factores con 3 niveles A, B, C, D, E, F y las interacciones
probables AB, AC, y BC.

Los experimentos necesarios son: Df = 1 + 6(3-1) + 3(3-1)(3-1) = 25. El arreglo L27
tiene 27 corridas experimentales y puede acomodar 13 factores de 3 niveles. En
base a su grfica lineal se tiene:

A(1)
D(9) E(10) F(12) e(13)
3,4 6,7

B(2) C(5)

Las columnas 3, 4, 6, 7, 8, y 11 se dejan vacas para evitar confusin de efectos
principales con las interacciones AB, AC, y BC.
Pg 48 de 171
Tcnicas especiales
Algunas veces se requiere tener algunos factores con diferentes niveles en el
mismo experimento, por ejemplo cuatro o ms niveles, para esto se utilizan
algunas tcnicas especiales.
Combinacin de columnas
Se pueden combinar varias columnas de bajo nivel en una columna de mayor
nivel.
a) Creacin de una columna de cuatro niveles usando columnas de dos niveles:

Se requieren tres columnas de dos niveles para crear una columna de 8 niveles,
como cada columna tiene un grado de libertad, y una de cuatro niveles tiene tres
grados de libertad, se requieren tres columnas, que se forman con dos columnas y
la columna de su interaccin.
Por ejemplo si se hay dos factores en un experimento A y B, con A un factor de
cuatro niveles y B un factor de dos niveles. La interaccin AB puede ser
significativa. Calculando los grados de libertad se tiene:
Df = 1 + (4-1) + (2-1) + (4-1)(2-1) = 8
Por lo que se puede utilizar el arreglo L8 como sigue:
L8
Col.1
Col. 2
Col.
3 Col. 4
Col.
5 Col. 6
Col.
7
Exp. No.
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

Combinando las columnas 1, 2 y 3 se tiene:
Pg 49 de 171

A 1

3 AB(5)
2 B(4)
AB(6) 7

L8
Col.1
Col. 2
Col. Nueva
B
Exp. No.
1 1 1 1
2 1 1 1
3 1 2 2
4 1 2 2
5 2 1 3
6 2 1 3
7 2 2 4
8 2 2 4

L8
Col.
nueva Col. 4
Col.
5 Col. 6
Col.
7
Exp. No.
1 1 1 1 1 1
2 1 2 2 2 2
3 2 1 1 2 2
4 2 2 2 1 1
5 3 1 2 1 2
6 3 2 1 2 1
7 4 1 2 2 1
8 4 2 1 1 2

Calculando los grados de libertad de AB se tiene Df = (4-1)(2-1) = 3, por tanto se
deben utilizar tres columnas; las columnas 5 y 6 estn relacionadas con la
interaccin de AB; tambin su columna 3 al interaccionar con la columna 4 (AB) la
interaccin se presenta en la columna 7 de la grfica lineal L8 siguiente:

Pg 50 de 171

Matriz o tabla
de
interacciones
Columnas 1 2 3 4 5 6 7
1 (1) 3 2 5 4 7 6
2 (2) 1 6 7 4 5
3 (3) 7 6 5 4
4 (4) 1 2 3
5 (5) 1 2
6 (1) 6
7 (7)

Y la grfica lineal queda como sigue:

A 1

3 AB(5)

2 B(4)
AB(6) AB(7)

El arreglo ortogonal resultante es el siguiente:
L8
A
B
AB
AB
AB
Exp. No.
1 1 1 1 1 1
2 1 2 2 2 2
3 2 1 1 2 2
4 2 2 2 1 1
5 3 1 2 1 2
6 3 2 1 2 1
7 4 1 2 2 1
8 4 2 1 1 2

Tcnica de nivel artificial
Se utiliza para asignar un factor con m niveles a una columna con n niveles, donde
n > m. Se puede aplicar la tcnica de nivel artificial para asignar un factor de 3
niveles a un arreglo ortogonal de 2 niveles.
Pg 51 de 171
Por ejemplo, si en un experimento hay 1 factor de 2 niveles A, y 3 factores de 3
niveles B, C, D. Los grados de libertad son los siguientes:
Df = 1 + (2-1) + 3(3-1) = 8
El arreglo L8 no puede acomodar este diseo porque solo tiene columnas de 2
niveles, se requiere un arreglo mayor como el L9 que puede acomodar hasta 4
factores de tres niveles, de esta forma se puede utilizar una columna para el factor
A en 2 niveles y los factores B, C, y D a otras 3 columnas como sigue:
El arreglo L9 original es:
L9
Col.1
Col. 2
Col.
3 Col. 4
Exp. No. A B C D
1 1 1 1 1
2 1 2 2 2
3 1 3 3 3
4 2 1 2 3
5 2 2 3 1
6 2 3 1 2
7 3 1 3 2
8 3 2 1 3
9 3 3 2 1

En este caso los 1 indican que se asign el nivel 1 en lugar del nivel 3 en la
columna 1, tambin se pudo haber asignado el nivel 2. El nivel seleccionado a
duplicarse debe ser el nivel del cual nos gustara obtener ms informacin.
Y el arreglo modificado queda como:
L9
Col.1
Col. 2
Col.
3 Col. 4
Exp. No. A B C D
1 1 1 1 1
2 1 2 2 2
3 1 3 3 3
4 2 1 2 3
5 2 2 3 1
6 2 3 1 2
7 1 1 3 2
8 1 2 1 3
9 1 3 2 1

Pg 52 de 171
Por ejemplo en otro experimento se tiene un factor A en 3 niveles, 7 factores en 2
niveles B, C, D, E, F, G, H as como sus interacciones BC, DE y FG.
Determinado los grados de libertad se tiene:
Df = 1 + (3-1) + 7(2-1) + 3(2-1)(2-1) = 13
El arreglo L16 tiene 16 corridas experimentales y puede acomodar hasta 15
factores de 2 niveles. La columna A se formar tomando 3 columnas que se
pueden ser seleccionar de sus correspondientes grficas lineales.
El arreglo original es:
L16
1
2
3
4
5
6
7 8 9 10 11 12 13 14 15
Exp. No.

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2 1 1 1 1 1 1 1 2 2 2 2
2 2 2 2
3 1 1 1 2 2 2 2 1 1 1 1 2 2 2 2
4 1 1 1
2 2 2 2 2 2 2 2 1 1 1 1
5 1
2 2
1
1 2 2
1
2 2 2 1 1 2 2
6 1
2 2
1
1 2 2
2
1 1 1 2 2 1 1
7 1
2 2
2
2 1 1
1
2 2 2 2 2 1 1
8 1
2 2 2 2 1 1 2 1 1 1 1 1 2 2
9
2 1 2
1
2 1 2
1
2 1 2 1 2 1 2
10
2 1 2
1
2 1 2
2
1 2 1 2 1 2 1
11
2 1 2
2
1 2 1
1
2 1 2 2 1 2 1
12
2 1 2 2 1 2 1 2 1 2 1 1 2 1 2
13
2 2 1
1
2 2 1
1
2 2 1 1 2 2 1
14
2 2 1
1
2 2 1
2
1 1 2 2 1 1 2
15
2 2 1
2
1 1 2
1
2 2 1 2 1 1 2
16
2 2 1 2 1 1 2 2 1 1 2 1 2 2 1

Sus grficas lineales son las siguientes:
1 B(4) D(5) F(7) H(6)

3 BC(12) DE(15) FG(14) 13

2 C(8) E(10) G(9) 11

A
Pg 53 de 171
Las columnas 1, 2 y 3 se pueden combinar para formar la columna A y todos los
dems factores e interacciones.
Despus se pude utilizar la tcnica de la variable artificial para acomodar al factor
A.
L16
1, 2, 3
4
5
6
7 8 9 10 11 12 13 14 15
Exp. No. A B D H F C
G E e BC e FG DE
1 1 1 1 1 1 1 1 1 1 1 1 1 1
2 1 1 1 1 1 2 2 2 2
2 2 2 2
3 1 2 2 2 2 1 1 1 1 2 2 2 2
4 1
2 2 2 2 2 2 2 2 1 1 1 1
5
2
1
1 2 2
1
2 2 2 1 1 2 2
6
2
1
1 2 2
2
1 1 1 2 2 1 1
7
2
2
2 1 1
1
2 2 2 2 2 1 1
8
2 2 2 1 1 2 1 1 1 1 1 2 2
9
3
1
2 1 2
1
2 1 2 1 2 1 2
10
3
1
2 1 2
2
1 2 1 2 1 2 1
11
3
2
1 2 1
1
2 1 2 2 1 2 1
12
3 2 1 2 1 2 1 2 1 1 2 1 2
13
1
1
2 2 1
1
2 2 1 1 2 2 1
14
1
1
2 2 1
2
1 1 2 2 1 1 2
15
1
2
1 1 2
1
2 2 1 2 1 1 2
16
1 2 1 1 2 2 1 1 2 1 2 2 1

Mtodo del factor compuesto
Este mtodo se usa cuando el nmero de factores excede al nmero de columnas
en el arreglo ortogonal.
Por ejemplo si se quieren 2 factores de 2 niveles A y B y 3 factores C, D y E en 3
niveles, y la direccin slo permite 9 experimentos. Suponiendo que se ha
seleccionado el arreglo L9, slo 4 factores pueden asignados en el arreglo l9, de
modo que estamos tratando de asignar estos factores de 2 niveles A y B en 1
columna de 3 niveles.
Hay cuatro combinaciones para A y B: A1B1, A1B2, A2B1 y A2B2, dado que la
columna tiene slo 3 niveles, slo se pueden seleccionar 3 combianciones tales
como (AB)1 = A1B1, (AB)2 = A1B2 y (AB)3 = A2B1. El factor compuesto AB puede
ser asignado a la columna de 3 niveles.
Pg 54 de 171
El arreglo original es:
L9
Col.1
Col.
2
Col.
3
Col.
4
Exp.
No.
A B C D
1 1 1 1 1
2 1 2 2 2
3 1 3 3 3
4 2 1 2 3
5 2 2 3 1
6 2 3 1 2
7 3 1 3 2
8 3 2 1 3
9 3 3 2 1

El arreglo modificado queda como:
L9
Col.1
Col.
2
Col.
3
Col.
4
Exp.
No.
AB C D E
1 (AB)1 1 1 1
2 (AB)1 2 2 2
3 (AB)1 3 3 3
4 (AB)2 1 2 3
5 (AB)2 2 3 1
6 (AB)2 3 1 2
7 (AB)3 1 3 2
8 (AB)3 2 1 3
9 (AB)3 3 2 1

Se pierde cierta ortogonalidad, los factores compuestos no son ortogonales entre
s, pero si lo son con los otros factores.
Un ejemplo completo con una rplica se muestra a continuacin:
Ejemplo 3.7: Diseo experimental L8 completo:
Se desea analizar un nuevo tipo de carburador. La variable de respuesta de
inters es el porcentaje de hidrocarburos no quemados que arroja el motor. Cuatro
diferentes factores y tres interacciones parecen afectar esta variable:

Efecto Descripcin Nivel bajo 1 Nivel alto 2
A Tensin del diafragma Baja Alta
Pg 55 de 171
B Entrada para aire Estrecha Abierta
C
Apertura para
combustible Pequea Grande
D Flujo de gasolina Lento Rpido
AxC Interaccin
AxB Interaccin
BxC Interaccin

Grfica lineal que se desea es:
A
AxC AxB

C B .D
CxB
Esta grfica se ajusta a la grfica lineal (1) del arreglo ortogonal L8, por lo que una
asignacin apropiada de efectos es:

L8
Col.1
Col. 2
Col.
3 Col. 4
Col.
5 Col. 6
Col.
7
Exp. No. A C AxC B AxB BxC D
Tensin Apertura Entrada Flujo Yi
1 1 1 1 1 1 1 1
Tipo I 5% 10 seg 3% 0.49
2 1 1 1 2 2 2 2
Tipo I 5% 10 seg 5% 0.42
3 1 2 2 1 1 2 2
Tipo I 10% 15 seg 3% 0.38
4 1 2 2 2 2 1 1
Tipo I 10% 15 seg 5% 0.3
5 2 1 2 1 2 1 2
Tipo II 5% 15 seg 3% 0.21
6 2 1 2 2 1 2 1
Tipo II 5% 15 seg 5% 0.24
7 2 2 1 1 2 2 1
Tipo II 10% 10 seg 3% 0.32
8 2 2 1 2 1 1 2
Tipo II 10% 10 seg 5% 0.28

Total = 71.6
El resultado se expresa en porcentaje de hidrocarburos sin quemar.
Observe que al tomar las lecturas, (efectuar las pruebas), se ignoran las columnas
donde se asignaron interacciones.
El anlisis utilizado ANOVA es:
A C AxC B AxB BxC D
Nivel 1 36.2 36.9 42.5 36.8 35.4 36.3 35.5
Nivel 2 35.4 34.7 29.1 34.8 36.2 35.3 36.1

La tabla ANOVA que resulta es:
Pg 56 de 171
Efecto SS G.l. V Fexp
A 0.0800* 1 0.0800 -
C 0.6050 1 0.6050 8.85
AxC 22.4450 1 22.4450 328.46
B 0.5000 1 0.5000 7.32
AxB 0.0800* 1 0.0800 -
BxC 0.1250 1 0.1250 1.83
D 0.0450* 1 0.0450 -
(e) 0.2050 3 0.0638
Total 23.8800 7

El error aleatorio (e) se estima usando los efectos ms pequeos marcados con *.
Resulta significante la interaccin AxC, el factor C y el factor B.
Dado que el factor B resulta significante, pero no son significantes alguna de sus
interacciones, su mejor nivel se puede decidir de manera independiente al igual
que se realiz en secciones anteriores. Esto es, se obtienen los promedios:
B
1
= B
1
/4= 36.8/4= 9.20; B
2
= B
2
/4=8.70

Como es un caso de menor es mejor, se selecciona el nivel 2.

El factor C tambin resulta significante. Sin embargo, tambin lo es su interaccin
con el factor A. Cuando resulta significante la interaccin de algn factor, no se
puede analizar por separado, sino en conjunto con el factor con el que se
interactua. En este caso, el factor C se debe analizar en conjunto con el factor A,
aun cuando el factor C result adems significante individualmente y el factor A
no.
Para analizar estos factores, se reproducen aqu las columnas de A y C:
N A C Yi
1 1 1 11.20 Siempre existirn entre dos columnas
2 1 1 10.80 cuatro posibles combinaciones de
3 1 2 7.2 nmeros: 1 1; 1 2; 2 1; 2 2
4 1 2 7.0
5 2 1 8.0
6 2 1 6.9
7 2 2 10.4
8 2 2 10.1

Pg 57 de 171
As la combinacin 1 1 se presenta en los renglones N 1 y 2, lo que da un total
de lecturas de 11.2 + 10.8= 22.00 con un promedio de 22.0/2= 11.00
La combinacin 1 2, se presenta en los renglones N 3 y 4, con un total de 7.2 +
7.0= 14.2, con un promedio de 14.2/2= 7.10
La combinacin 2 1 se presenta en los renglones N 5 y 6, con un total de 8.0 +
6.9= 14.9, con un promedio de 7.45
Por ltimo la combinacin 2 2, se presenta en los renglones N 7 y 8 con un total
de 10.4 + 10.1= 20.5 y un promedio de 10.25
En resumen
Combinacin Total Promedio
A
1
C
1
22.0 11.00 Como es un caso mejor,
A
1
C
2
14.2 7.10 se selecciona el promedio
A
2
C
1
14.9 7.45 menor, A
1
C
2
en este
A
2
C
2
20.5 10.25 caso.

Graficando estos promedios se tiene que:
11.0
10.0
9.00
8.00
7.00
A
1
A
2

En resumen, las condiciones propuestas son: factor A a su nivel 1, factor C a su
nivel 2, factor B a su nivel 2. El resto a su nivel ms econmico.
El efecto respecto al promedio de cada factor o interaccin es:
EF A
1
C
2
= (A
1
C
2
- Y) (A
1
Y) - (C
2
- Y)
= (7.10 8.95) (9.05 8.95) (8.675 8.95)= -1.675

Observe que al efecto de la interaccin, se le resta el efecto de los factores
individuales que intervienen (hayan resultado significantes de manera individual o
no).
EF B
2
= B
2
Y= 8.70 8.95= -0.25
Pg 58 de 171
Una estimacin del porcentaje de hidrocarburos sin quemar es igual a la suma de
los efectos significantes, incluyendo los factores que intervienen en una
interaccin significante, hayan resultado significantes de manera individual o no.
Yest = Y + EF A
1
C
2
+ EF A
1
+ EF C
2
+ EF B
2

= 8.95 + (-1.675) + (9.05 8.95) + (8.675 8.95) + (-0.25)= 6.85

Anlisis de datos experimentales de Taguchi
Hay muchas similaridades entre el anlisis de experimentos de Taguchi y el
mtodo clsico-
En el mtodo Taguchi lo siguiente es muy importante:
1. Anlisis de varianza
2. Grfica de efectos principales y grfica de interacciones.
3. Optimizacin y prediccin de la respuesta esperada.
Anlisis de varianza - ANOVA
No hay diferencia real entre el ANOVA clsico y el de Taguchi. Primero se
determinan las sumas de cuadrados (SS), despus los cuadrados medios (MS)
dividiendo los SS entre los grados de libertad correspondientes.. En Taguchi la
prueba F no es tan importante como en el mtodo clsico, algunas veces la
importancia relativa de cada factor se determina por su porcentaje de contribucin
a la suma de cuadrados total.
Para cada columna, la suma de cuadrados es:

Nxn
T
T
Nxn
k
SS
k
t
t
2
1
2
=

=

Donde:
K = nmero de niveles
Tt = Suma de respuestas en el nivel t
N = Nmero total de corridas experimentales
n = Nmero de rplicas
Ejemplo 3.8: Uso de Minitab
Pg 59 de 171
Se estudia el efecto de varios factores en la porosidad:
Factores Bajo Alto
A Temperatura del Molde A1 A2
B Temperatura del qumico B1 B2
C Rendimiento C1 C2
E ndice D1 D2
G Tiempo de curado G1 G2

Se deben considerar las interacciones AB y BD.
L8
Col.1
Col. 2
Col.
3 Col. 4
Col.
5 Col. 6
Col.
7 Porosidad
Exp. No. A B AxB D E BD G
Y1 Y2
1 1 1 1 1 1 1 1
26 38
2 1 1 1 2 2 2 2
16 6
3 1 2 2 1 1 2 2
3 17
4 1 2 2 2 2 1 1
18 16
5 2 1 2 1 2 1 2
0 5
6 2 1 2 2 1 2 1
0 1
7 2 2 1 1 2 2 1
4 5
8 2 2 1 2 1 1 2
5 3

Entonces se determina SSA:

2 8
) (
2 8
2
2
2
2
2
1
x
T
T T
x
SS
A A A
+ =

TA1 = 26 + 38 + 16 + 6 + 3 + 17 = 140 TA2 = 0 + 5 + 0 + 1 + 4 + 5 + 5 + 3 = 23
T = suma total = 163
SSA = 2/16 ( 140^2 + 23^2 ) 163^2 / 16 = 27.56
De manera similar:
SSB = 27.56
SSAB = 115.56
SSE = 33.06
SSBD = 217.56
SSG = 175.56
Pg 60 de 171

Nxn
T
y SST
N
i
n
j
ij
2
1 1
2
=
= =

SST = (26^2+38^2+.+5^2+3^2)-163^2/16 = 1730.44
De Minitab se tiene:
General Linear Model: Y1 versus A, B, D, E, G
Factor Type Levels Values
A fixed 2 1, 2
B fixed 2 1, 2
D fixed 2 1, 2
E fixed 2 1, 2
G fixed 2 1, 2

Analysis of Variance for Y1, using Adjusted SS for Tests
Model
Source DF Reduced DF Seq SS % de contribucin
A 1 1 855.56 49.44%
B 1 1 27.56 1.59%
D 1 1 68.06 3.93%
E 1 1 33.06 1.91%
G 1 1 175.56 10.15%
A*B 1 1 115.56 6.68%
B*D 1 0+ 0.00 10.15%
Error 8 9 455.06 13.72%
Total 15 15 1730.44

- Rank deficiency due to empty cells, unbalanced nesting, collinearity, or an
undeclared covariate. No storage of results or further analysis will be done.

S = 7.11073 R-Sq = 73.70% R-Sq(adj) = 56.17%

En Taguchi normalmente se utilizan los porcentajes de las contribuciones de las
sumas de cuadrados para evaluar la importancia relativa de cada efecto, como
sigue:

SSerror SSG SSBD SSE SSD SSAB SSB SSA SST + + + + + + + =

% 100 ...... = + + +
SST
SSerror
SST
SSB
SST
SSA

Los efectos que tienen el porcentaje de contribucin ms alto se consideran que
tienen ms influencia en la respuesta, en este caso:
Pg 61 de 171
A con 49%
BD con 12.57%
G con 10.15%
AB con 6.68%.

Grficas factoriales de efectos principales y de interacciones.
Se calculan los promedios de las respuestas correspondientes a cada nivel o
combinacin de factores, se ilustra con el ejemplo:
Para las grficas de efectos principales e interacciones se calculan los promedios
en cada nivel de cada factor:

875 . 2
8
3 5 5 4 1 0 5 0
5 . 17
8
16 18 17 3 6 16 38 26
2
1
=
+ + + + + + +
=
=
+ + + + + + +
=
A
A
Y
Y

Y as se calculan los promedios para los otros factores.
Least Squares Means for Y1
Mean SE Mean
A
1 17.500 1.926
2 2.875 1.926
B
1 11.500 1.926
2 8.875 1.926
AxB
1 12.875 1.926
2 7.500 1.926
D
1 12.250 1.926
2 8.125 1.926
E
1 11.625 1.926
2 8.750 1.926
BD
1 13.875 1.926
2 6.500 1.926
G
1 13.500 1.926
2 6.875 1.926

Pg 62 de 171
M
e
a
n

o
f

M
e
a
n
s
2 1
15
10
5
2 1 2 1
2 1
15
10
5
2 1
A B D
E G
Main Effects Plot (data means) for Means

Para el caso de la interaccin significativa BD se analiza la respuesta promedio en
cada una de sus diferentes combinaciones:

5 . 10
4
3 5 16 18
25 . 7
4
5 4 17 3
75 . 5
4
1 0 6 16
25 . 17
4
5 0 38 26
2 2
1 2
2 1
1 1
=
+ + +
=
=
+ + +
=
=
+ + +
=
=
+ + +
=
D B
D B
D B
D B
Y
Y
Y
Y

Obteniendo la siguiente grfica de interaccin:
Pg 63 de 171
A
20
10
0
2 1
B
20
10
0
2 1
20
10
0
E
2 1
A
1
2
B
1
2
E
1
2
Interaction Plot (data means) for Means

Optimizacin y prediccin de la respuesta esperada
La Optimizacin implica encontrar la combinacin de los niveles de los factores
significativos que proporcione la respuesta ptima, la cual depende del objetivo
buscado:
Menor es mejor (como en el ejemplo)
Mayor es mejor
Nominal es mejor

De la grfica anterior, se observa que A y G deben estar en nivel 2, B debe estar
en 1 y D en nivel 2.
La prediccin de la respuesta de este problema es:

) /(
2
2 1 2 2
Nn T T
T y y y y
D B G A
=
+ + =

Yest = 2.875 + 6.875 + 5.75 3x10.188 + 10.188 = -4.873

Ejemplo 3.9: Experimentos con 3 niveles
Pg 64 de 171
Tres fertilizantes se aplican a la soya (N, P2O5) y K2O), la respuesta de inters es
el rendimiento promedio en Kg. Por rea, los factores son asignados como sigue:
Niveles
Factores 1 2 3
A Nitrgeno 0.5 1 1.5
B cido fosfrico 0.03 0.6 0.9
C Potasa 0.04 0.7 1

Se usa el arreglo L9 con un arreglo como el siguiente:
L9
Col.1
Col. 2
Col. 3
Col. 4 Respuesta
Exp. No. A B e C Rendim.
1 1 1 1 1
8
2 1 2 2 2 12
3 1 3 3 3 9
4 2 1 2 3 11
5 2 2 3 1 12
6 2 3 1 2 15
7 3 1 3 2 21
8 3 2 1 3 18
9 3 3 2 1
20

Otra vez utilizando las frmulas:

Nxn
T
T
Nxn
k
SS
k
t
t
2
1
2
=

=

Nxn
T
y SST
N
i
n
j
ij
2
1 1
2
=
= =

Se obtienen los resultados siguientes:
SSA = 158
SSB = 2.667
SSC = 18.667
SST = 180
Los porcentajes de contribucin de cada factor son:
Pg 65 de 171
A con 87.78%

C con 10.37%

B con 1.48%

Para la obtencin de las grficas factoriales se estiman los promedios en los
diferentes niveles de los factores como sigue:

67 . 19
3
20 18 21
67 . 12
3
15 12 11
67 . 9
3
9 12 8
3
2
1
=
+ +
=
=
+ +
=
=
+ +
=
A
A
A
Y
Y
Y

Se sigue el mismo procedimiento para el caso de B y C.
Response Table for Means
Level A B C
1 9.667 13.333 13.333
2 12.667 14.000 16.000
3 19.667 14.667 12.667
Delta 10.000 1.333 3.333
Rank 1 3 2

Pg 66 de 171
M
e
a
n

o
f

M
e
a
n
s
3 2 1
20.0
17.5
15.0
12.5
10.0
3 2 1
3 2 1
20.0
17.5
15.0
12.5
10.0
A B
C
Pg 67 de 171
Problemas propuestos
1. Puede acomodar en un arreglo L8 los efectos A, B, C, D, AxB y CxD?

2. Acomodar los siguientes efectos en un arreglo ortogonal: A, B, C, D, E, F, G, H,
I, AxB, AxC, AxG, AxE, ExF
.
3. Analizar el problema siguiente:

Variable de respuesta, viscosidad, el mayor valor es deseado.
Factores Nivel I Nivel II
A Mezcla de hule crudo si no
B Curado no 24 hrs.
C Velocidad de prensado 50m/min 55 m/min
D Enfriamiento del tambor con agua sin agua
E Secado con vapor envolvente si no
Interaccin ExD
Interaccin DxC

Arreglo ortogonal y resultados
L8
Col.1
Col. 2
Col.
3 Col. 4
Col.
5 Col. 6
Col.
7
Exp. No. E D ExD C B DxC A
Yi
1 1 1 1 1 1 1 1
0.49
2 1 1 1 2 2 2 2
0.42
3 1 2 2 1 1 2 2
0.38
4 1 2 2 2 2 1 1
0.3
5 2 1 2 1 2 1 2
0.21
6 2 1 2 2 1 2 1
0.24
7 2 2 1 1 2 2 1
0.32
8 2 2 1 2 1 1 2
0.28

3.7 Algunos comentarios adicionales

Hasta aqu se han considerado ejemplos para arreglos ortogonales L8, por su
comodidad en cuanto al tamao. A continuacin se hacen algunos comentarios
sobre otros arreglos.
- El arreglo L12 es un caso especial. Se observa en el apndice, que no se
muestran grficas lineales ni matriz de interacciones, esto es porque est diseado
Pg 68 de 171
para analizar nicamente hasta once factores individuales sin interacciones. Con
este arreglo no se pueden analizar interacciones.

Las interacciones en un arreglo L12 se distribuyen de una manera uniforme en
todas las columnas. La ventaja de esto es que le permite investigar 11 factores sin
preocuparse por sus interacciones. El arreglo L12 en general tiene buena
reproducibilidad de conclusiones.
Algo similar se puede decir del arreglo L18
- Para un arreglo L16 existen una gran variedad de posibles grficas lineales, en el
apndice se muestran las seis ms utilizadas con tres variantes cada una.
- Para un arreglo L32 se muestran en el apndice 13 diferentes grficas dentro de
las varias posibles que existen.
- En cualquier caso, se puede tratar de construir ms grficas de acuerdo con las
necesidades que se tengan, respetando siempre la matriz de interacciones.
- En los grficos lineales que se anexan en el apndice, se observa que los vrtices
se representan con diferentes smbolos, especficamente con o, - y !. La razn y
su significado es el siguiente:

Taguchi sugiere que las pruebas o corridas se lleven a cabo en el orden indicado
por los renglones del arreglo ortogonal, esto es, primero las condiciones indicadas
por el rengln 1, seguidas de las del rengln 2 y as sucesivamente.
Por otra parte, al ejecutar el experimento, no todos los factores tienen la misma
flexibilidad de estar variando de nivel de una prueba a otra.
Por otro lado, se sugiere que los factores con menor flexibilidad se asignen al
grupo 1 del arreglo representados por el smbolo o, de la grfica lineal. Estos
factores tendrn menos cambios de nivel a lo largo de todo el experimento. De
hecho, observe que el factor asignado a la columna 1 de cualquier arreglo, solo
tiene un cambio de nivel, mientras que por ejemplo, un factor asignado a la
columna N 15 de un arreglo L16 cambia 10 veces de nivel.
Los factores que le siguen en inflexibilidad se debern asignar sucesivamente a
los smbolos -, # y ! en una grfica lineal.
Habr observado ya la complicacin que agregan a los anlisis la presencia de
interacciones. Para lidiar con estas, la gente que sabe mucho de esto le hace las
observaciones siguientes:
Pg 69 de 171
- Por lo general, existen pocas interacciones dentro de las mltiples posibles entre
factores.
- El efecto de las interacciones sobre la variable de respuesta, es por lo general
menor que el efecto de los factores individuales solos.
- Recuerde que algunos arreglos ortogonales, le permiten analizar un problema sin
preocuparse por las interacciones. El L12 es un ejemplo de ellos.
- Se sugiere que, en caso de dudas sobre las interacciones, siempre sea preferible
incluir ms factores, en lugar de interacciones. Si estas ltimas no son muy
fuertes, se pueden considerar como ruido.

Pg 70 de 171
4. DISEO DE PARMETROS CON ANLISIS DE SEAL
A RUIDO
4.1 Introduccin

Como recordar, en el captulo I se coment que el objetivo fundamental de la
ingeniera de calidad, es disear productos y procesos robustos, esto es, que
consistentemente realicen la funcin que deben hacer con poca variabilidad, a
pesar del impacto de factores de ruido o no controlables.
Se mencion tambin, que de todos los factores que afectan un proceso, se
pueden extraer dos grupos:

- Factores de ruido. Son aquellos que no podemos, queremos o deseamos controlar, y ms bien
deseamos que nuestros procesos y productos sean insensibles a su impacto.
- Factores de diseo. Son aquellos que si podemos controlar en nuestro proceso de produccin, y
deseamos encontrar a qu nivel operarlos, a fin de optimizar el producto o proceso, esto es, que
los productos sean de alta calidad y bajo costo.

Esto quiere decir que en lugar de tratar de eliminar un factor de ruido (variabilidad
en la materia prima del proveedor, por ejemplo) deseamos identificar factores que
controlamos (velocidad de alimentacin, por ejemplo) y fijarlos a un nivel tal, que el
impacto de los factores de ruido sean mnimos.

Dentro de los factores de diseo a su vez, recuerde que estamos interesados en
identificar diferentes tipos de factores.

Un estudio en el cual se desarrolla un anlisis de este tipo, se llama anlisis seal
ruido o diseo directo de productos.

Proceso
Factores controlables
Factores incontrolables
z 1 z 2 z q
x 1 x 2 x 3 x 4 x p ...
z 3 z 4 ...
Entradas Salida
y
Figura 1. Modelo general de un proceso o sistema
Proceso
Factores controlables
Factores incontrolables
z 1 z 2 z q
x 1 x 2 x 3 x 4 x p ...
z 3 z 4 ...
Entradas Salida
y
Figura 1. Modelo general de un proceso o sistema Fig. 1.1
Pg 71 de 171
El estudio procede como sigue:

1. Dentro de los factores a estudiar, separe los de ruido y los de diseo o control.
2. Dentro de los factores de diseo, identifique aquellos que afectan la variabilidad del proceso.
Utilcelos para minimizar la variabilidad.
3. Dentro de los factores de diseo, identifique aquellos que afectan la media, sin afectar la
variabilidad. Utilcelos para optimizar la media.
4. Identifique aquellos factores de diseo que no afectan ni media ni variabilidad. Utilcelos para
reducir costos.

Para ilustrar lo anterior, suponga que la temperatura afecta la variabilidad del
proceso, y la presin afecta la media del proceso, pero sin afectar la variabilidad.
Si inicialmente estamos en el nivel 1 de cada factor, la situacin es:

Temperatura a su nivel I
Presin a su nivel I

LIE m LSE

Si la temperatura se fija a su nivel 2 afectando la variabilidad, obtenemos:

LIE m LSE

Si la presin, que afecta la media sin afectar la variabilida, la variamos a su nivel
de dos, obtenemos:

LIE m LSE

Por lo tanto, podemos utilizar la presin, manteniendo la temperatura a su nivel II,
para ajustar o sincronizar la media.
Pg 72 de 171

4. 2 ndices seal ruido

Una vez que podemos medir la caracterstica de calidad que nos interesa,
podemos evaluar su media y su variabilidad. La media la podemos evaluar
directamente, usando una lectura o el promedio si son varias lecturas.
Para medir la variabilidad de una caracterstica de calidad, se requiere de varias
lecturas, y se tienen diferentes opciones, el rango y la varianza son las medidas
ms populares.

Sin embargo, es deseable tener una cantidad o expresin que de alguna manera,
involucre media y variacin, o que por lo menos, ayude a que nuestras
conclusiones sean ms confiables.

Esta cantidad ya existe y se llama ndice seal ruido, denotado como SN o SR de
aqu en adelante.

La forma de calcular el ndice SN depende del tiempo de caracterstica de que se
trate. SIN EMBARGO, EL NDICE SE DISE DE TAL MANERA, QUE
PRODUCTOS MS ROBUSTOS SIEMPRE TENGA UN MAYOR VALOR DEL
NDICE SN.

En seguida se muestran los tres casos:

4.2.1 Caso nominal es mejor

Suponga que se tienen r lecturas, y1,y2,y3,yr, el ndice SN a utilizar es:
SN= 10 log ( ) ( )( ) | | Vm r Vm Sm / donde Sm= (y1 + y2 + y3 +,yr,)
2
/r
Vm= ( ) | | ( ) 1 / ...
2 2
3
2
2
2
1
+ + + r Sm y y y y
r

reconocer a Vm como la varianza de los r datos. Sn estima el logaritmo de base 10
de la relacin (media/desviacin estndar)
2
.

La funcin de prdida para nominal es mejor es:

2 2
) ( ) ( o k T k Y L + =

=
=
n
i
i
y
n
1
1

2
1
2
) (
1
1
y y
n
s
n
i
i
=

= = o

Pg 73 de 171
Para un grupo de caractersticas dadas, y1, y2, ., yn, la relacin seal a ruido
S/N es:

|
.
|
\
|
=
|
|
.
|
\
|
=
|
|
.
|
\
|
=
s
y
s
y
N S log 20 log 10
log 10 /
2
2
2
2
o

4.2.2 Caso menor es mejor

La funcin de prdida est dada por:

( )
2
) ( Y kE Y L =
Para un grupo de caractersticas dadas, y1, y2, ., yn, el estimador estadstico de
E(Y
2
) es:

=
=
n
i
i
y
n
MSD
1
2
1

MSD = Mean squared deviation = Desviacin cuadrtica promedio con relacin a
la media.

La relacin seal a ruido correspondiente es:

|
.
|
\
|
=

=
n
i
i
y
n
N S
1
2
1
log 10 /

Esta cantidad estima el logaritmo de base 10 de (media
2
+ varianza).
Maximizar la relacin S/N equivale a minimizar la funcin de prdida.
4.2.3 Caso mayor es mejor

La funcin de prdida est dada por:

|
.
|
\
|
=
2
1
) (
Y
kE Y L
Para un grupo de caractersticas dadas, y1, y2, ., yn, el estimador estadstico de
E(1/Y
2
) es:

=
=
n
i
i
y n
MSD
1
2
1 1

La relacin seal a ruido S/N correspondiente es:
Pg 74 de 171

|
|
.
|
\
|
=

=
n
i
i
y n
N S
1
2
1 1
log 10 /

Esta cantidad funciona de una manera similar al caso anterior, pero con el inverso.
Maximizar una cantidad es equivalente a minimizar la funcin de prdida.
El uso de logaritmos pretende hacer la respuesta ms lineal y el signo negativo
es para que siempre se maximize el ndice SN. Se multiplica por 10 para obtener
decibeles.
Taguchi propone un procedimiento de optimizacin en dos pasos:
1. Ajustar los parmetros de diseo para maximizar la relacin S/N.
2. Identificar otros parmetros de diseo que no afecten la relacin S/N pero que si
tengan efecto en la media de Y, E(Y), el cual es el parmetro de ajuste al a media,
y utilizarlo para ajustar la media del proceso a su media meta de acuerdo a
especificaciones.

4. 3 Diseo de parmetros con anlisis seal a ruido

En un experimento seal ruido, generalmente se incluye un grupo de factores de
ruido, contra los que especficamente se desea hacer robusto el producto, y que
se pueden controlar durante un experimento.

Un diseo de experimentos para un anlisis seal a ruido consiste de dos partes,
un arreglo ortogonal o matriz de diseo o interno y un arreglo ortogonal o matriz de
ruido o externo. Las columnas de una matriz de diseo representan parmetros de
diseo. Las columnas de la matriz de ruido representan factores de ruido.

4.3.1 Caso nominal es mejor:

Los pasos del diseo de parmetros es como sigue:
1. Seleccionar una caracterstica de calidad de salida a ser optimizada.
2. Seleccionar factores de control y sus niveles, identificando sus posibles
interacciones.
3. Seleccionar los factores de ruido y sus niveles; si son demasiados combinarlos
en dos o tres factores combinados.
4. Seleccionar los arreglos interno y externo adecuados; asignar los factores de
control al arreglo interno y los factores de ruido al arreglo externo.
5. Realizar los experimentos.
Pg 75 de 171
6. Realizar anlisis estadstico con base en S/N para identificar los niveles de los
factores de control ptimos Algunas veces ayuda realizar un estudio de la
interaccin entre factores de control y de ruido.
7. Realizar anlisis estadstico con base en las medias para identificar los niveles
de los factores de control ptimos que ajustan a la respuesta promedio en el
nivel deseado. Si hay conflicto entre los niveles de los factores para maximizar
la relacin S/N y ajustar la media, dar prioridad a los que sirven para maximizar
la relacin S/N.
8. Predecir el desempeo de salida ptimo con base en una combinacin ptima
de niveles de factores de control y realiza un experimento confirmatorio.

La metodologa en detalle se muestra mediante el ejemplo siguiente:

Ejemplo 4.1: Caso nominal es mejor

Una caracterstica de calidad importante para un cierto producto metlico es el
terminado, que se mide segn su planicidad en milsimas de pulgada (mmplg).

Esta caracterstica se piensa es afectada por los siguientes factores:

A Temperatura del horno 1500 F 1600 F
B Presin de prensado 200 psi 220 psi
C Velocidad de recocido 8 seg 12 seg
D Velocidad de alimentacin ref. 80 gal/min 100gal/min
G Tipo de modelo chico grande
H Templabilidad del material 25 Rc 30 Rc
AxC Interaccin
AxD Interaccin

Los factores G y H son factores que no se pueden controlar durante el proceso, ya
que el tipo de modelo depende del requerimiento especfico del cliente y la
templabilidad es una caracterstica de la materia prima. Estos dos factores se
consideran al menos inicialmente como factores de ruido.

Por lo tanto, se consideran como factores de diseo a los factores A, B, C y D.
De acuerdo con esto, lo que se desea saber es cules deben ser las condiciones
de operacin o niveles de los factores de diseo A, B, C y D, que lleven el
producto a la caracterstica objetivo y adems con la mnima variabilidad, a pesar
de las variaciones en los factores G y H.

Arreglo interno
Considere nicamente los factores de diseo, se desea detectar 6 efectos en total,
y para ello, se requiere de un arreglo ortogonal L8. La grfica lineal requerida es:
Pg 76 de 171

3
1 A .2 B

5 A xC

4 C
AxD 6
7 D

La columna correspondiente a la lnea punteada se utilizar para cuantificar el
error. Una posible asignacin es:

A B e C AxC AxD D Este ser el arreglo
N 1 2 3 4 5 6 7 interno y consiste de 8
condiciones
experimentales/renglones
Arreglo externo
Considere ahora nicamente los factores de ruido G y H. Se requieren de dos
columnas, de manera que un arreglo ortogonal L4 es suficiente. El arreglo, al que
llamaremos arreglo externo es:
G H
N 1 2 3
1 1 1 1
2 1 2 2
3 2 1 1
4 2 2 1

Observe que no se asigna efecto alguno a la columna 3, la cual queda libre.

Pg 77 de 171
Arreglo total
Los dos arreglos anteriores se mezclan o combinan en un solo arreglo total, tal
y como se muestra:
1 2 2 1
H 1 2 1 2
G 1 1 2 2
A B e C AxC AxD D
N 1 2 3 4 5 6 7 1 2 3 4
1 1 1 1 1 1 1 1 Y
11
Y
12
Y
13
Y
14

2 1 1 1 2 2 2 2 Y
21
Y
22
Y
23
Y
24

3 1 2 2 1 1 2 2 Y
31
Y
32
Y33 Y
34

4 1 2 2 2 2 1 1 Y
41
Y
42
Y
43
Y
44

5 2 1 2 1 2 1 2 Y
51
Y
52
Y
53
Y
54

6 2 1 2 2 1 2 1 Y
61
Y
62
Y
63
Y
64

7 2 2 1 1 2 2 1 Y
71
Y
72
Y
73
Y
74

8 2 2 1 2 1 1 2 Y
81
Y
82
Y
83
Y
84

Observe que la matriz de ruido o arreglo externo se ha traspuesto o acostado,
esto es, escrito sus renglones como columnas. Observe tambin que existen 8x4=
32 posibles lecturas, tomadas bajo diferentes condiciones todas ellas (valores de
Y
ij
). En general, si el arreglo interno tiene M renglones y el externo tiene N
renglones, entonces existen un total de MxN lecturas, que pueden ser tomadas
bajo condiciones diferentes.

Por eso se recomienda que el nmero de factores de ruido (valor de N) no sea
mayor que 3.

Pero, cmo se toman exactamente cada una de las 32 lecturas? suponga que
inicialmente, deseamos tomar las lecturas Y
11
, Y
12
, Y
13
, Y
14 .
Para esto, se fijan
todos los factores de diseo de acuerdo con los niveles indicados por el rengln N
1 del arreglo interno, esto es, todos los factores de diseo a su nivel 1.

Sin embargo, si bien las cuatro lecturas Y
11
, Y
12
, Y
13
, Y
14
se toman a los mismos
niveles de los factores de diseo, cada una se toma a diferentes niveles de los
factores de ruido.

En resumen se tiene:

Todos los factores de
diseo a su nivel 1 Lectura Factores de ruido
Temperatura 1500 F Y
11
Modelo chico y 25 Rc
Presin de 200 Psi, 8 seg Y
12
Modelo chico y 30 Rc
de tiempo de recorrido y Y
13
Modelo grande y 25 Rc
velocidad de alimentacin Y
14
Modelo grande y 30 Rc
refrigerante 80 gal/min
Pg 78 de 171
De acuerdo con esto, se toman las primeras cuatro lecturas.

En seguida deseamos obtener las lecturas Y
21
, Y
22
, Y
23
, Y
24
. Todas estas
lectura se tomarn al mismo nivel de los factores de diseo y estos niveles sern
indicados por el rengln N 2 del arreglo interno. Manteniendo estas condiciones,
los factores de ruido se varan a sus cuatro combinaciones indicadas por el arreglo
externo.

De esta manera se van obteniendo todas las 32 lecturas. Se fijan los factores de
diseo segn un rengln del arreglo interno y se mantienen fijos mientras se
varan los factores de ruido de acuerdo con el arreglo interno.

Como ejemplo, la lectura Y
73
, se obtendr bajo las condiciones siguientes: factor
A, 1600 F, 220 psi, factor C. 8 seg, factor D, 80 gal/min; factor G, tipo grande; y
factor H, 25 Rc.

Las 32 lecturas son las siguientes:
1 2 2 1
1 2 1 2 H
L8
Col.1
Col. 2
Col.
3 Col. 4
Col.
5 Col. 6
Col.
7 1 1 2 2 G
Exp. A B e C AxC AxD D
y1 y2 y3 y4 Total
1 1 1 1 1 1 1 1
1.1 1.2 1.3 1.1 4.7
2 1 1 1 2 2 2 2
1.2 1.3 1.2 1.3 5.0
3 1 2 2 1 1 2 2
2.0 2.1 2.2 2.1 8.4
4 1 2 2 2 2 1 1
2.1 2.2 2.1 2.0 8.4
5 2 1 2 1 2 1 2
1.0 1.4 1.2 1.3 4.9
6 2 1 2 2 1 2 1
1.2 1.3 1.5 1.0 5.0
7 2 2 1 1 2 2 1
1.6 2.1 2.4 2.0 8.1
8 2 2 1 2 1 1 2
1.5 2.0 2.3 2.5 8.3
11.7 13.6 14.2 13.3 52.8

Suponga que por alguna razn para este ejemplo en particular, se tiene un valor
deseado de m= 2 mmplg.

Para obtener conclusiones a partir de un experimento seal a ruido se puede usar
la tabla ANOVA, o bien, a travs de grficas.

Inicialmente se muestra el anlisis usando ANOVA.
Pg 79 de 171
Anlisis con el ndice S/N

Para responder a la pregunta de a qu niveles fijar los factores de diseo, a fin de
minimizar la variabilidad en la caracterstica de respuesta, ignoramos el arreglo
externo conservando las 32 lecturas, especficamente, el arreglo para anlisis es:

L8
Col.1
Col. 2
Col.
3 Col. 4
Col.
5 Col. 6
Col.
7
Exp. A B e C AxC AxD D
y1 y2 y3 y4 Total
1 1 1 1 1 1 1 1
1.1 1.2 1.3 1.1 4.7
2 1 1 1 2 2 2 2
1.2 1.3 1.2 1.3 5.0
3 1 2 2 1 1 2 2
2.0 2.1 2.2 2.1 8.4
4 1 2 2 2 2 1 1
2.1 2.2 2.1 2.0 8.4
5 2 1 2 1 2 1 2
1.0 1.4 1.2 1.3 4.9
6 2 1 2 2 1 2 1
1.2 1.3 1.5 1.0 5.0
7 2 2 1 1 2 2 1
1.6 2.1 2.4 2.0 8.1
8 2 2 1 2 1 1 2
1.5 2.0 2.3 2.5 8.3
Total 11.7 13.6 14.2 13.3 52.8

En Minitab se genera el arreglo:
Stat > DOE > Taguchi
Create Taguchi Design > 2 leveles > 4 factors
Factors A col. 1; B col. 2; C col. 4; D col. 7
To allow estimation of interactions AxC AxD
OK
--- modificar las columnas para C y D a que correspondan a las anteriores:

L8

Exp.
A B C D y1 y2 y3 y4
1
1 1 1 1 1.1 1.2 1.3 1.1
2
1 2 2 2 1.2 1.3 1.2 1.3
3
1 2 1 2 2 2.1 2.2 2.1
4
1 1 2 1 2.1 2.2 2.1 2
5
2 1 1 2 1 1.4 1.2 1.3
6
2 2 2 1 1.2 1.3 1.5 1
7
2 2 1 1 1.6 2.1 2.4 2
8
2 1 2 2 1.5 2 2.3 2.5

Lo que observamos en esta ltima tabla es un arreglo L8 con 4 lecturas para cada
condicin o rengln.

Estamos interesados en analizar la variabilidad de las 4 lecturas tomadas bajo
cada condicin. Para esto, nos ayudamos del ndice S/N, o sea, la variabilidad de
las cuatro lecturas que se tomaron bajo cada condicin, la resumiremos en un
Pg 80 de 171
ndice seal a ruido. Al hacerlo, en lugar de 32 lecturas individuales tendremos 8
valores del ndice SN, uno para cada rengln o condicin experimental.

Como estamos en un caso de nominal es mejor, el ndice apropiado es:

SN= 10 log ( ) ( ) | | Vm r Vm Sm * / ;
donde Sm= ( ) r Y
i
/
2
y Vm= ( ) ( ) 1 /
2
r Sm Y
i

En este caso en particular, r= 4, cada ndice se calcula a partir de 4 lecturas
individuales.

Para la primera condicin experimental o rengln N 1, se tienen las lecturas
siguientes: 1.1, 1.2, 1.3, 1.1, con un total de 4.7

El clculo del ndice es:

Sm= (1.1+1.2+1.3+1.1)
2
/4= 5.5225
Vm= [ (1.1
2
+1.2
2
+1.3
2
+1.1
2
) 5.5225 ]/ (4-1) =[ 5.55 5.5225] / 3 = 0.00916
SN= 10 log ( ) ( ) | | 00916 . 0 * 4 / 00916 . 0 5225 . 5 = 21.7714

Para el rengln o condicin experimental N 2 se tienen las lectural: 1.2, 1.3, 1.2,
1.3, con un total de 5.0

El clculo del ndice SN es:
Sm= (1.2 +1.3+1.2+1.3)
2
/4= 6.2500
Vm= (1.2
2
+ 1.3
2
+ 1.2
2
+ 1.3
2
6.2500)/3= 0.0033
SN= 10 log ( ) ( ) | | 0033 . 0 * 4 / 0033 . 0 2500 . 6 = 26.7071

Los ocho ndices son:
N Sm Vm Sn (dB)
1 5.5225 0.00916 21.771
2 6.2500 0.00333 26.707
3 17.6400 0.00666 28.203
4 17.6400 0.00666 28.203
5 6.0025 0.02916 17.092
6 6.2500 0.04333 15.539
7 16.4025 0.10916 15.718
8 17.2225 0.18916 13.524

Pg 81 de 171
Nuestro arreglo es ahora:
A B e C AxC AxD D SN
N 1 2 3 4 5 6 7 dB
1 1 1 1 1 1 1 1 21.771
2 1 1 1 2 2 2 2 26.707
3 1 2 2 1 1 2 2 28.203
4 1 2 2 2 2 1 1 28.203
5 2 1 2 1 2 1 2 17.092
6 2 1 2 2 1 2 1 15.539
7 2 2 1 1 2 2 1 15.718
8 2 2 1 2 1 1 2 13.524

Para el factor A se tiene:
A
1
= Total de las lecturas tomadas bajo el nivel 1 del factor A
= 21.7714+26.7071+28.2036+28.2036= 104.8857

A
2
=17.0927+15.5397+15.7186+13.5420= 61.8750

SSA = (A
2
A
1
)^2 /Nmero total de lecturas SN
=(61.8750 107.8857)
2
/8= 231.2413, con 1 g.l.

La tabla ANOVA total es:
Factor SS Gl V Fexp
A 231.2413 1 231.2413 14.44
B 2.5751 1 2.5751 00.16
C 0.1764 1 0.1764 00.01
AxC 9.4284 1 9.4284 00.59
AxD 3.8880 1 3.8880 00.24
D 2.3047 1 2.3047 00.14
e 16.0135 1 16.0135

El factor A, temperatura del horno, es el factor que estadsticamente afecta el
ndice seal a ruido, y que por consiguiente afecta la variabilidad. De acuerdo con
los niveles del factor A, se tiene:

A
1
= SN promedio= 104.8857/4= 26.22
A
2
= SN promedio= 61.8750/4= 15.47

Dado que siempre deseamos maximizar el ndice seal a ruido, el factor A se fija
en su nivel 1, esto es, la temperatura del horno se fija en 1500 F.
Pg 82 de 171
Qu hacer con el resto de los factores? antes de contestar esta pregunta, se
deben identificar de entre los factores que NO AFECTARON el ndice SN, cules
afectan la media. Esto se muestra en lo que sigue.

Anlisis usando los promedios

Despus de identificar los factores que afectan la variabilidad, el siguiente paso
es identificar qu factores, dentro de los que no afecta la variabilidad, afectan la
media del proceso. Estos factores llamados factores de seal, nos permitirn
ajustar la media del proceso hacia su valor nominal, sin incrementar la
variabilidad del proceso.

Para el anlisis, se utilizan las 32 lecturas iniciales. Para ello se obtiene el
promedio de cada rengln.
A B e C AxC AxD D
N 1 2 3 4 5 6 7 1 2 3 4 Total Promedio
1 1 1 1 1 1 1 1 1.1 1.2 1.3 1.1 4.7 1.175
2 1 1 1 2 2 2 2 1.2 1.3 1.2 1.3 5.0 1.250
3 1 2 2 1 1 2 2 2.0 2.1 2.2 2.1 8.4 2.100
4 1 2 2 2 2 1 1 2.1 2.2 2.1 2.0 8.4 2.100
5 2 1 2 1 2 1 2 1.0 1.4 1.2 1.3 4.9 1.225
6 2 1 2 2 1 2 1 1.2 1.3 1.5 1.0 5.0 1.250
7 2 2 1 1 2 2 1 1.6 2.1 2.4 2.0 8.1 2.025
8 2 2 1 2 1 1 2 1.5 2.0 2.3 2.5 8.3 2.075
Totales 13.200

Considerando nicamente los promedios, tendremos un arreglo L8 con una
lectura. El anlisis en base a los promedios es:
A
1
=1.175+1.250+2.100+2.100= 6.625

A
2
= 1.225+1.250+2.075+2.025= 6.575

SSA = (A
2
A
1
)
2
/Nmero total de lecturas SN
= (6.625 6.575)
2
/8= 0.0003

Similarmente para el factor B se tiene
B
1
= 1.175+1.250+1.225+1.250= 4.900
B
2
= 2.100+2.100+2.025+2.075= 8.300
SSB = (B
2
- B
1
)
2
/8= (4.900-8.300)
2
/8= 1.4450

Y as sucesivamente
SSC = 0.0028 , SSAxC= 0.0000, SSAxD= 0.0003
SSD = 0.0013 , SSe= 0.0028
Pg 83 de 171
La tabla ANOVA es:
Efecto SS G.l. V Fexp
A 0.0003 1 0.0003 0.11
B 1.4450 1 1.4450 513.75
C 0.0028 1 0.0028 1.00
AxC 0.0000 1 0.0000 0.00
AxD 0.0003 1 0.0003 0.11
D 0.0013 1 0.0013 0.44
e 0.0028 1 0.0028
Totales 1.4525 8

Analysis of Variance for Means
Source DF Seq SS Adj SS Adj MS F P
A 1 0.00031 0.00031 0.00031 0.25 0.705
B 1 0.00031 0.00031 0.00031 0.25 0.705
C 1 0.00281 0.00281 0.00281 2.25 0.374
D 1 0.00281 0.00281 0.00281 2.25 0.374
A*C 1 1.44500 1.44500 1.44500 1156.00 0.019
A*D 1 0.00000 0.00000 0.00000 0.00 1.000
Residual Error 1 0.00125 0.00125 0.00125
Total 7 1.45250

El factor B, presin de prensado, es el nico factor significante. Mediante este
factor se puede ajustar la media del proceso, y llevarla lo ms cerca posible a su
valor ideal de 2.

Tambin se debe hacer la observacin, de que si el factor A hubiera resultado
significante en este segundo anlisis, no podramos utilizarlo, ya que result
significante en el anlisis con el ndice SN.

En particular, la respuesta promedio para cada nivel del factor B es:

B
1
= 4.9/4= 1.225; B
2
= 8.3/4= 2.075

Si se desea aumentar la planicidad, se deber incrementar la presin de
prensado. Si se desea disminuir la planicidad, se deber reducir la presin.
Se puede interpolar para conocer el valor al que se debe fijar la presin. La
respuesta promedio a 200 psi es de 1.225 y a 220 psi es 2.075

Y 2.0

1.5

1.0 B
200 220
Pg 84 de 171
Anlisis utilizando grficas
Como se mencion anteriormente, una alternativa a la ANOVA son las grficas de
promedios, ya sea del ndice SN o de las lecturas individuales.

Por ejemplo, para el factor A encontramos el promedio a cada uno de sus niveles,
tanto del ndice seal a ruido como de las lecturas individuales.

Para el ndice seal a ruido se tiene:

A
1
= (21.7714+26.7071+28.2036+28.2036)/4= 26.2214
A
2
= (17.0927+15.5397+15.7186+13.5240)/4= 15.4687

Para promedio de lecturas individuales se tiene:
A
1
= 6.625/4= 1.6562; A
2=
6.575/4= 1.6437
En resumen, los promedios para todos los factores son:
Nivel SN promedio Y promedio
A
1
26.22 1.6
A
2
15.47 1.6
B
1
20.38 1.2
B
2
21.41 2.0
C
1
20.71 1.6
C
2
20.99 1.6
D
1
20.31 1.6
D
2
21.38 1.6
(AxC) 19.76 1.6
(AxC) 21.93 1.6
(AxD) 20.15 1.6
(AxD) 21.54 1.6

Response Table for Signal to Noise Ratios
Nominal is best (10*Log(Ybar**2/s**2))
Level A B C D
1 26.22 20.17 19.45 20.71
2 15.50 21.56 22.27 21.01
Delta 10.72 1.39 2.82 0.30
Rank 1 3 2 4

Level A B C D
1 1.656 1.644 1.631 1.631
2 1.644 1.656 1.669 1.669
Delta 0.013 0.012 0.038 0.038
Rank 3 4 1.5 1.5
Pg 85 de 171

Las grficas de estos promedios se muestran ms adelante, en estas grficas, la
importancia de cada efecto se observar segn la inclinacin de cada lnea, de
hecho, los efectos se encuentran graficados de acuerdo con su importancia.

Las conclusiones que se obtienen son las mismas, esto es, el factor A es el que
ms afecta el ndice seal a ruido, y lo hace mayor a su nivel A
1
. El factor B es el
que ms afecta la respuesta promedio sin afectar el ndice SN, la respuesta
promedio aumenta al aumentar el factor B de su nivel 1 al 2.

M
e
a
n

o
f

S
N

r
a
t
i
o
s
2 1
25.0
22.5
20.0
17.5
15.0
2 1
2 1
25.0
22.5
20.0
17.5
15.0
2 1
A B
C D
Main Effects Plot (data means) for SN ratios
Signal-to-noise: Nominal is best (10*Log(Ybar**2/s**2))

M
e
a
n

o
f

M
e
a
n
s
2 1
1.67
1.66
1.65
1.64
1.63
2 1
2 1
1.67
1.66
1.65
1.64
1.63
2 1
A B
C D

Pg 86 de 171

A
25
20
15
2 1
C
25
20
15
2 1
25
20
15
D
2 1
A
1
2
C
1
2
D
1
2
Interaction Plot (data means) for SN ratios
Signal-to-noise: Nominal is best (10*Log(Ybar**2/s**2))

A
2.0
1.6
1.2
2 1
C
2.0
1.6
1.2
2 1
2.0
1.6
1.2
D
2 1
A
1
2
C
1
2
D
1
2
Interaction Plot (data means) for Means

Conclusiones generales del experimento

De acuerdo con los resultados que se han obtenido de los anlisis, las
conclusiones generales son:

Pg 87 de 171
a) El factor A afecta la variabilidad y se debe de fijar a su nivel 1.
b) El factor B afecta la media del proceso, aumenta la media del proceso.
c) El resto de los factores de diseo, (factores C y D), se fijarn al nivel en que sea
ms econmico para el proceso, ya que no afectan sustancialmente ni la media, ni
la variabilidad del proceso.

En cuanto a la funcin de prdida se tiene lo siguiente:

Suponga que se incurre en un costo de $8,000. Cuando la desviacin del valor
objetivo es de 0.5 mmpl. Adems suponga que el nivel 1 de todos los factores
representa la situacin actual. De acuerdo con estos datos la funcin de prdida
indica un valor de:

L(y)= ( )
2 2
d k + o ; donde K= 8000/.5
2
= 32000

SI el proceso se encuentra actualmente con todos los factores a su nivel 1, esta
situacin est representada por las cuatro lecturas del rengln 1. Por lo tanto, Vm
para el rengln 1 estima la varianza y es:

Vm= o
2
= 0.00916

La media estimada es (1.1+1.2+1.3+1.1)/4= 1.175 y;

d
2
= (2.0-1.175)
2
= 0.680625

L(y)= 32000(0.00916+0.680625)= 22073.124/unidad

Si se fijan el factor A a su nivel 1 y B a su nivel 2, se tienen dos renglones en el
experimento bajo esta condicin, (ignorando el resto de los factores que no
afectan) que son el N3 y el N4. Los datos son: 2.0, 2.1, 2.2, 2.1, 2.1, 2.2, 2.1 y
2.0, por lo tanto se tendr que para esta nueva condicin:

Y= 2.1 ; o
2
= 0.005714

L(y)= 32000 ( 0.005714 + (2-2.1)
2
) = 502.85 $/unidad

Por lo tanto, se tendr un ahorro de 22073.12 502.85= $21,570.3 por cada
unidad de producto.

En caso de que no se tenga ningn rengln bajo las condiciones propuestas,
recuerde que se puede estimar el valor tanto del promedio como del ndice S/N tal
y como se mostr en captulos anteriores.

Sin embargo, en cualquier caso, es recomendable el ejecutar una corrida de
confirmacin antes de aceptar la propuesta de una forma definitiva.
Pg 88 de 171
4.3.2 Caso de menor es mejor

En esta seccin se presentan ejemplos para el caso de una caracterstica de menor
es mejor. Al mismo tiempo, se considera el caso cuando en un experimento, no se
pueden identificar explcitamente factores de ruido.
interacciones.
3. Seleccionar los factores de ruido y sus niveles; si son demasiados combinarlos
en dos o tres factores combinados.
7. Realizar anlisis estadstico con base en las medias para identificar los niveles
de los factores de control ptimos que ajustan a la respuesta promedio en el
nivel deseado. Si hay conflicto entre los niveles de los factores para maximizar
la relacin S/N y ajustar la media, dar prioridad a los que sirven para maximizar
la relacin S/N.
8. Predecir el desempeo de salida ptimo con base en una combinacin ptima
de niveles de factores de control y realiza un experimento confirmatorio.

Ejemplo 4.2: Caso menor es mejor
Se desea minimizar la presencia de un contaminante no deseado en un proceso
de elaboracin de alimento. Se considera que los factores siguientes afectan el
proceso.

Factores Nivel 1 Nivel 2
A Temperatura 120 C 140 C
B Catalizador 0.5% 0.6%
C Tipo de recipiente actual propuesto
D Temperatura de precalentamiento 50 C 60 C
E Agitacin no si
F Velocidad de alimentacin 200 lt/min 210 lt/min
G Presencia de elemento 1 4% 5%
H Presencia de elemento 2 12% 15%
I Presencia de elemento 3 1% 2%
J Tiempo de reposo 10 min 15 min
Pg 89 de 171

Se puede utilizar un arreglo L12 para el arreglo interno, dejando una columna varia
para evaluar el error. Si bien, no se identifican explcitamente factores de ruido,
para realizar variabilidad se deben tomar lecturas repetidas para cada condicin
del arreglo interno. Se espera que los factores de ruido acten al momento de
tomar las lecturas.

El nmero de lecturas a tomar bajo cada condicin, depende del costo y dificultad
de tomar lecturas. Se recomienda entre dos y cuatro lecturas. En este ejemplo se
toman cuatro lecturas bajo cada condicin.

La variable de respuesta se da en gramos/litro y los resultados son:

A B C D E F G H I J K
1 2 3 4 5 6 7 8 9 10 11 lecturas SN Prom.
1 1 1 1 1 1 1 1 1 1 1 1 0.38 0.30 0.37 0.25 9.648 0.3250
2 1 1 1 1 1 2 2 2 2 2 2 0.28 0.27 0.33 0.30 10.577 0.2950
3 1 1 2 2 2 1 1 1 2 2 2 0.03 0.00 0.02 0.06 29.119 0.0275
4 1 2 1 2 2 1 2 2 1 1 2 0.10 0.02 0.20 0.19 16.650 0.1275
5 1 2 2 1 2 2 1 2 1 2 1 0.37 0.23 0.18 0.14 12.186 0.2300
6 1 2 2 2 1 2 2 1 2 1 1 0.26 0.15 0.15 0.12 14.983 0.1700
7 2 1 2 2 1 1 2 2 1 2 1 0.19 0.26 0.23 0.31 11.995 0.2475
8 2 1 2 1 2 2 2 1 1 1 2 0.36 0.24 0.15 0.22 11.903 0.2425
9 2 1 1 2 2 2 1 2 2 1 1 0.07 0.16 0.17 0.13 17.195 0.1325
10 2 2 2 1 1 1 1 2 2 1 2 0.30 0.13 0.30 0.25 11.881 0.2450
11 2 2 1 2 1 2 1 1 1 2 2 0.08 0.09 0.20 0.10 17.925 0.1175
12 2 2 1 1 2 1 2 1 2 2 1 0.12 0.24 0.16 0.10 15.703 0.1550
Totales 179.765 2.3150

El ndice SN se calcul segn la frmula para menor es mejor, por ejemplo, para
los renglones 1 y 9 se tiene:

SN = - 10 log (0.38
2
+ 0.30
2
+ 0.37
2
+ 0.25
2
)/4)
= - 10 log (0.10845) = 9.648

SN = - 10 log (0.07
2
+ 0.16
2
+ 0.17
2
+ 0.13
2
)/4
= - 10 log (0.01908) = 17.195

a) se procede a identificar los factores que afectan el ndice seal ruido, utilizando
ANOVA en este caso (por supuesto, se pueden utilizar grficas).

A B C D E F G H
Nivel 1 93.163 90.437 87.698 71.898 77.009 94.996 97.954 99.281
Nivel 2 86.602 89.328 92.067 107.867 102.756 84.769 81.811 80.484

Pg 90 de 171
I J e
Nivel 1 80.307 82.260 81.710
Nivel 2 99.458 97.505 98.055

La suma de cuadrados por ejemplo para el factor A es
SSA = (A
2
A
1
)
2
/12= (86.602 93.163)
2
/12= 3.5882
La tabla ANOVA es:
Factor SS g.l. V Fexp

A 3.5872 1 3.5872 0.16
B 0.1025 1 0.1025 0.00
C 1.5907 1 1.5907 0.07
D 107.8141 1 107.8141 4.84
E 55.2423 1 55.2423 2.48
F 8.7160 1 8.7160 0.39
G 21.7164 1 21.7164 0.97
H 29.4439 1 29.4439 1.32
I 30.5634 1 30.5634 1.37
J 19.3675 1 19.3675 0.87
e 22.2633 1 22.2633

Unicamente, los factores D y E son significantes. Al nivel al cual maximizan el
ndice SN (recuerde que el ndice SN siempre se maximiza, aunque la variable sea
menor es mejor), es:

D
1
= 71.898/6= 11.9830 D
2
= 107.867/6= 17.9778
E
1
= 77.009/6= 12.8348 E
2
= 102.756/6= 17.1260

Los factores D y E se fijan a su nivel 2, temperatura de 60 C y con agitacin
respectivamente.

b) S procede al anlisis de seal utilizando como respuesta el promedio de las cuatro
lecturas para cada rengln.

Se tienen los siguientes totales
A B C D E
Nivel 1 1.1750 1.2700 1.1525 1.4925 1.4000
Nivel 2 1.1400 1.0450 1.1625 0.8225 0.9150

F G H I J
Nivel 1 1.1275 1.0775 1.0375 1.2900 1.2425
Nivel 2 1.1875 1.2375 1.2775 1.0250 1.0725
Pg 91 de 171

e
Nivel 1 1.2600
Nivel 2 1.0550

La tabla ANOVA es
Efecto SS g.l. V Fexp
A 0.0001 1 0.0001 0.03
B 0.0042 1 0.0042 1.20
C 0.0000 1 0.0000 0.00
D 0.0374 1 0.0374 10.68
E 0.0196 1 0.0196 5.59
F 0.0003 1 0.0003 0.09
G 0.0021 1 0.0021 0.61
H 0.0048 1 0.0048 1.37
I 0.0059 1 0.0059 1.67
J 0.0024 1 0.0024 0.68
e 0.0035 1 0.0035

Los factores significantes son otra vez D y E, que son los mismos que afectaron el
ndice seal ruido. As que, no existen factores de seal que afecten la media sin
afectar el ndice SN y el resto de los factores se fijan a su nivel ms econmico.

No es raro para el caso menor es mejor (y para mayor es mejor), que los factores
que afectan el ndice SN sean los mismos que afectan la media. Esto sucede
porque el ndice SN evala el logaritmo de (media
2
+ varianza). Por esta razn,
varios analistas efectan el anlisis seal ruido y omiten el anlisis de seal, ya
que esperan los mismos resultados.

Ejemplo 4.3: Minimizar fuga de lquido

Se desea minimizar la fuga de lquido que existe en una bomba centrifuga. Se
considera que los factores que pueden afectar la fuga son:

A Diseo de pieza frontal actual
propuesto
B Torque de tornillos frontales actual mayor
C Acabado cscara liso rugoso
D Tipo de empaque marca 1 marca 2
E Torque tornillo traseros actual mayor
F Mtodo de apriete inicial frente atrs
G Diseo impulsor actual nuevo
H Densidad del lquido baja media alta
Pg 92 de 171

El factor H se puede considerar como de ruido, ya que se desea que la fuga se
elimine a pesar del lquido bombeado. Por lo tanto, se puede utilizar un arreglo L8
para el arreglo interno.

Cuando se tiene un solo factor de ruido, no se requiere un arreglo ortogonal como
arreglo externo, todo lo que hay que hacer es variar el factor a los niveles
analizados.

La variable de respuesta se da en mililitros, despus de un cierto nmero de horas
de funcionamiento.

Arreglo interno H
N A B C D E F G Baja Media Alta SN Prom
1 1 1 1 1 1 1 1 12.2 12.1 12.3 -21.7274 12.20
2 1 1 1 2 2 2 2 10.3 12.5 12.7 -21.4987 11.83
3 1 2 2 1 1 2 2 10.5 13.1 10.4 -21.1397 11.33
4 1 2 2 2 2 1 1 12.0 11.9 11.8
5 2 1 2 1 2 1 2 13.0 13.1 13.0
6 2 1 2 2 1 2 1 12.1 14.2 11.0 -21.9410 13.03
7 2 2 1 1 2 2 1 14.0 11.9 14.6
8 2 2 1 2 1 1 2 12.0 11.9 11.9 -21.5353 11.93
Totales -174.2929 98.15

El ndice SN se calcula segn la frmula para el caso menor es mejor. Por
ejemplo, para los renglones 1 y 2 se tiene
SN = -10 log (EYi
2
/r) = -10 log (12.2
2
+ 12.1
2
+ 12.3
2
)/3= -21.7274
SN = -10 log (EYi
2
/r) = -10 log (10.3
2
+ 12.5
2
+ 12.7
2
)/3= -21.4987

Se procede al anlisis ANOVA; para el ndice seal ruido. La tabla de totales es:
A B C D E
Nivel 1 -85.8769 -874683 -87.8068 -86.3434
Nivel 2 -88.4160 -86.8246 -86.4861 -87.9495

F G
Nivel 1
Nivel 2

Pg 93 de 171
La tabla ANOVA es:

Factor SS g.l. v Fexp
A
B 1
C 0.0321 1 0.0321
D
E 0.3224 1 0.3224 11.19
F 0.0025 1 0.0025
G
(e) .0864 3 0.0288

Las tres sumas de cuadrados ms pequeas son utilizadas para evaluar el error.
Los factores significantes y los niveles propuestos son:

Para efectuar el anlisis de seal se sugiere utilizar grficas, la tabla de promedios
para cada factor es:

A B C D E F G
Nivel 1 11.8150 12.3650 12.5150 12.2650 12.5075
Nivel 2 12.7225 12.1725 12.0225 12.2725 12.0300

Ejemplo 4.4: Disminucin de la contaminacin
Optimizacin de un mtodo de purificacin para drenajes contaminados con
metales.

Las aguas residuales que contienen iones metlicos es muy riesgoso por su
toxicidad y no biodegradable. Se propone utilizar xidos de hierro hidratados con
un pH adecuado para remover los metales dainos. La caracterstica de salida es
la concentracin remanente de metales en mg/L, con una respuesta menor es
mejor.

Los factores de control son los siguientes:

Factores de control Nivel 1 Nivel 2 Nivel 3
A Contaminacin de FeII 2 7 15
B Temperatura C 25 50 75
C Tiempo de aejamiento h 1 2 3
D pH 8 10 12

El factor de ruido introducido artificialmente es permanganato de potasio.
Pg 94 de 171
Factores de ruido Nivel 1 Nivel 2 Nivel 3
N Conc. De KMnO4 0.00375 0.0375 0.075

Se asume que no hay interacciones por lo que se puede utilizar un arreglo L9,
realizando los experimentos se obtienen los datos siguientes con dos rplicas en
cada nivel del factor de ruido:

L9
Col.1
Col. 2
Col.
3 Col. 4 N1 N1 N2 N2 N3 N3
Exp.
No.
A B C D
Rep.
1
Rep.
2
Rep.
1
Rep.
2 Rep. 1 Rep. 2 Y promedio S/N
1 1 1 1 1
2.24 0.59 5.29 1.75 155.04 166.27 55.20 -39.36
2 1 2 2 2
1.75 5.07 1.05 0.41 0.38 0.48 1.52 -7.05
3 1 3 3 3
5.32 0.65 0.4 1.07 0.51 0.36 1.39 -7.05
4 2 1 2 3
0.37 0.32 0.34 0.68 4.31 0.65 1.11 -5.19
5 2 2 3 1
7.2 0.49 0.48 0.44 0.8 0.88 1.72 -9.54
6 2 3 1 2
39.17 27.05 46.54 25.77 138.08 165.61 73.70 -39.34
7 3 1 3 2
0.57 1.26 0.61 0.7 0.91 1.42 0.91 0.28
8 3 2 1 3
3.88 7.85 22.74 36.33 92.8 120.33 47.32 -36.20
9 3 3 2 1
15.42 25.52 35.27 48.61 67.56 72.73 44.19 -33.79

|
.
|
\
|
=

=
n
i
i
y
n
N S
1
2
1
log 10 /

Las sumas de cuadrados son las siguientes:
Para el arreglo L9 con nueve respuestas Y1 a Y9 se tiene:
La suma de cuadrados del factor A es:

A1 = Y1 + Y2 + Y3
A2 = Y4 + Y5 + Y6
A3 = Y7 + Y8 + Y9

9
) .... (
3
2
9 2 1
3
3
2
2
2
1
Y Y Y
CF
CF
A A A
SSA
+ + +
=
+ +
=

La suma de cuadrados del factor B es:
B1 = Y1 + Y4 + Y7
B2 = Y4 + Y5 + Y8
B3 = Y3 + Y6 + Y9
Pg 95 de 171
9
) .... (
3
2
9 2 1
3
3
2
2
2
1
Y Y Y
CF
CF
B B B
SSB
+ + +
=
+ +
=

De la misma forma se calculan las sumas de cuadrados para los factores C y D:
La suma de cuadrados total es:

SST = SSA + SSB + SSC + SSD

Haciendo los clculos en Minitab se obtiene:

Taguchi Analysis: Rep. 1, Rep. 2, Rep. 1_1, Rep. 2_1, ... versus A, B, C, D
Linear Model Analysis: SN ratios versus A, B, C, D

Estimated Model Coefficients for SN ratios
Term Coef
Constant -19.6915
A 1 1.8735
A 2 1.6687
B 1 4.9386
B 2 2.0970
C 1 -18.6078
C 2 4.3499
D 1 -7.8678
D 2 4.3221

S = *

Analysis of Variance for SN ratios
Source DF Seq SS Adj SS Adj MS F P Porcentaje de contribucin
A 2 56.52 56.52 28.261 * * 2.49%
B 2 234.86 234.86 117.428 * * 10.32%
C 2 1705.37 1705.37 852.685 * * 74.91%
D 2 279.46 279.46 139.732 * * 12.28%
Residual Error 0 * * *
Total 8 2276.21

Linear Model Analysis: Means versus A, B, C, D
Estimated Model Coefficients for Means
Term Coef
Constant 25.2281
A 1 -5.8598
A 2 0.2819
B 1 -6.1548
B 2 -8.3748
C 1 33.5124
C 2 -9.6215
D 1 8.4707
Pg 96 de 171
D 2 0.1513

S = *

A 2 196.59 196.59 98.30 * *
B 2 957.39 957.39 478.69 * *
C 2 5359.29 5359.29 2679.65 * *
D 2 438.35 438.35 219.17 * *
Total 8 6951.62

Smaller is better

Level A B C D
1 -17.818 -14.753 -38.299 -27.559
2 -18.023 -17.595 -15.342 -15.369
3 -23.234 -26.727 -5.434 -16.146
Delta 5.416 11.974 32.866 12.190
Rank 4 3 1 2

Level A B C D
1 19.368 19.073 58.741 33.699
2 25.510 16.853 15.607 25.379
3 30.806 39.758 1.337 16.606
Delta 11.438 22.904 57.403 17.093
Rank 4 2 1 3

Pg 97 de 171
Las grficas factorials son las siguientes:

M
e
a
n

o
f

S
N

r
a
t
i
o
s
3 2 1
-10
-20
-30
-40
3 2 1
3 2 1
-10
-20
-30
-40
3 2 1
A B
C D
Signal-to-noise: Smaller is better

Los niveles seleccionados son A en 1, B en 1, C en 3 y D en 2

M
e
a
n

o
f

M
e
a
n
s
3 2 1
60
45
30
15
0
3 2 1
3 2 1
60
45
30
15
0
3 2 1
A B
C D

La respuesta estimada es:
Predicted values
S/N Ratio Mean
5.70044 -10.5261
Factor levels for predictions
Pg 98 de 171
A B C D
1 1 3 2
4.3.3 Caso mayor es mejor

interacciones.
3. Seleccionar los factores de ruido y sus niveles; si son demasiados
combinarlos en dos o tres factores combinados.
7. Realizar anlisis estadstico con base en las medias para identificar los
niveles de los factores de control ptimos que ajustan a la respuesta promedio
en el nivel deseado. Si hay conflicto entre los niveles de los factores para
maximizar la relacin S/N y ajustar la media, dar prioridad a los que sirven
para maximizar la relacin S/N.

Predecir el desempeo de salida ptimo con base en una combinacin ptima de
niveles de factores de control y realiza un experimento confirmatorio.

A fin de ilustrar un caso seal ruido, para cuando la variable de respuesta del tipo
mayor es mejor, considere el siguiente ejemplo:

Ejemplo 4.5: Incremento en la resistencia a la traccin

Se desea incrementar la resistencia a la traccin (en libras) de un cierto tipo de
soldadura. Los factores que se creen afectan la variable de respuesta son:
A Tipo de electrodo I II
B Marca de material I II
C Voltaje 120 volts 130 volts
D Rugosidad de superficie liso rugoso
E Prelavado sin no
AxB Interaccin

Pg 99 de 171
No se identifican factores de ruido, de manera que los cinco factores y la
interaccin se pueden acomodar en un arreglo externo L8. Se toman tres lecturas
bajo cada condicin y los resultados son:

N A B AxB C D E e Resultados Indice SN Prom
1 1 1 1 1 1 1 1 120 125 122 41.7472 122.33
2 1 1 1 2 2 2 2 118 120 122 41.5812 120.00
3 1 2 2 1 1 2 2 140 148 150 43.2754 146.00
4 1 2 2 2 2 1 1 152 145 140 43.2524 145.67
5 2 1 2 1 2 1 2 130 125 115 41.7574 123.33
6 2 1 2 2 1 2 1 160 150 155 43.7976 155.00
7 2 2 1 1 2 2 1 119 122 130 41.8271 123.67
8 2 2 1 2 1 1 2 112 120 130 41.5836 120.67
Totales 338.8519 1056.67

Para calcular el ndice seal ruido, se utiliza la frmula apropiada, por ejemplo
para los renglones 1 y 5 se tiene:

SN = -10 log ( ) ( ) ( ) | | 3 / ) / 1 / 1 / 1 (
2
3
2
2
2
1
y y y + +
= -10 log ( ) ( ) ( ) | | 3 / ) 122 / 1 125 / 1 120 / 1 (
2 2 2
+ + = 41.7472

SN =-10 log ( ) ( ) ( ) | | 3 / ) 115 / 1 125 / 1 130 / 1 (
2 2 2
1
+ + = 41.7874

Se procede al anlisis del ndice SN utilizando ANOVA
A B C AxB C D
Nivel 1 169.8562 168.9134 166.7391 168.6371 170.4038 168.3706
Nivel 2 168.9957 169.9385 172.1128 170.2148 168.4481 170.4813

E e
Nivel 1 168.3706 170.6243
Nivel 2 170.4813 168.2276

La tabla ANOVA es:
Factor SS gl. V Fexp

A 0.0926 1 0.0926 0.12
B 0.1314 1 0.1314 0.18
AxB 3.6096 1 3.6096 5.02
C 0.3111 1 0.3111 0.43
D 0.4781 1 0.4781 0.66
E 0.5569 1 0.5569 0.77
e 0.7180 1 0.7180

Pg 100 de 171
Unicamente la interaccin AxB resulta significante. A fin de encontrar las mejores
condiciones, mximo seal de ruido, se tiene:

A
1
B
1
= 83.3284/2= 41.6642
A
1
B
2
= 86.5278/2= 43.2639
A
2
B
1
= 85.5850/2= 42.7925
A
2
B
2
= 83.4107/2= 41.7054

Las condiciones sugeridas son A a su nivel 1 y B a su nivel 2.

Para efectuar el anlisis de seal, se utilizan grficas. La tabla de promedios es:
A B AxB C D E e
Nivel 1 133.50 130.16 121.67 128.83 136.00 128.00 136.67
Nivel 2 130.67 134.00 142.50 135.34 128.17 136.17 127.50
Dif. 2.83 3.84 20.83 6.51 7.83 8.17 9.17

140
130
120
AxB AxB e
1
e
2
E
1
E
2
D
1
D
2
C
1
C
2
B
1
B
2
A
1
A
2

Como se puede observar, la interaccin AxB es nuevamente el nico factor
significante.

Considere otro ejemplo;

Se desea maximizar el peso promedio que se obtiene en la crianza de un cierto
tipo de ave. Se considera que los siguientes factores afectan el precio final:


A Densidad en crianza 20 18 aves/m
2

B Dosificacin de agua Si No
C Edad de inicio 5 8 das
D Forma de alimento actual propuesta
E Componente 1 de alimento 3% 5%
F Componente 2 de alimento 0.5% 0.7%
G Componente 3 de alimento 10% 15%
H Componente 4 de alimento 4% 2%
I Raza del ave I II
M Temperatura ambiente baja alta

Pg 101 de 171
Dado que no se desea invertir en aire acondicionado, se considera a la
temperatura ambiente como factor de ruido. Esta se vara a sus dos niveles,
analizando resultados en granjas con ubicacin diferente.

Se puede utilizar un L12 como arreglo interno lo que deja dos columnas para
evaluar el error.

Los resultados en Kilogramos son los siguientes:

A B C D E F G H I e e 1 2 SN Prom.
1 1 1 1 1 1 1 1 1 1 1 1 1.2 1.3 1.9173 1.25
2 1 1 1 1 1 2 2 2 2 2 2 1.5 1.7 4.0315
3 1 1 2 2 2 1 1 1 2 2 2 2.1 2.3 6.8215 2.20
4 1 2 1 2 2 1 2 2 1 1 2 2.4 2.0 6.7406 2.20
5 1 2 2 1 2 2 1 2 1 2 1 1.9 1.5 1.70
6 1 2 2 2 1 2 2 1 2 1 1 2.5 2.9 8.5557
7 2 1 2 2 1 1 2 2 1 2 1 3.1 1.5 2.30
8 2 1 2 1 2 2 2 1 1 1 2 3.2 3.5 10.4748 2.35
9 2 1 1 2 2 2 1 2 2 1 1 3.0 2.8 9.2325 2.90
10 2 2 2 1 1 1 1 2 2 1 2 2.5 2.4
11 2 2 1 2 1 2 1 1 1 2 2 2.4 1.9 5.9880 2.00
12 2 2 1 1 2 1 2 1 2 2 1 2.1 2.8 7.5165 2.45

Totales 79.1030 27.10

Se procede al anlisis de seal ruido, la tabla de totales y ANOVA es:

A B C D E F G
Nivel 1 32.4948 35.4264 36.1462 33.8889 36.1654
Nivel 2 46.6082 43.6766 42.9568 45.2141 42.9376

H I e e
Nivel 1 41.2738 35.1674 37.2687
Nivel 2 46.6082 43.9356 41.8343

Fact SS gl. Fexp
A 16.5990 1 3.14
B 0.7061 1 0.13
C
D 3.8654 1 0.73
E 10.6883 1 2.02
Pg 102 de 171
F
G 3.8219 1 0.72
H
I 6.4068 1 1.21
e 10.5687 1

Resultan significantes los factores A y E, los cuales maximizan el ndice de seal
ruido a los niveles A
2
y E
2
.

A continuacin se muestra la tabla de promedios para la seal a fin de elaborar las
grficas.

A B C D E F G
Nivel 1 1.9417 2.2667 2.0667 2.1333 2.0500 2.1417 2.0833
Nivel 2 2.5750 2.2500 2.4500 2.3833 2.4667 2.3750 2.4333

H I e e
Nivel 1 2.3250 2.1333 2.4750 2.2167
Nivel 2 2.1917 2.3833 2.0417 2.3000

A
1
A
2
e
1
e
2
E
1
E
2
C
1
C
2
G
1
G
2
I
1
I
2
D
1
D
2

F
1
F
2
H
1
H
2
e
1
e
2
B
1
B
2

podr corroborar que las conclusiones son similares a las que se obtuvieron con el
ndice SN.

Ejemplo 4.6: Maximizar fuerza de retencin

Maximizar la fuerza de desacoplamiento entre un conector de elastmero a un
tubo de nylon. Hay cuatro factores de control en el experimento.
Pg 103 de 171
Factores de control Nivel 1 Nivel 2 Nivel 3
A Interferencia Bajo Media Alta
B Espesor conector de pared Delgado Media Gruesa
C Profundidad de insercin Baja Media Profunda
D % de adhesivo en conector Bajo Medio Alto

Hay tres factores de ruido
Factores de ruido Nivel 1 Nivel 2
U Cond. Tiempo h 24 120
V Cond. Temp. F 72 150
W Cond. Humedad rel. % 25 75

Se usan dos factores de ruido combinados:
N1 = U1, V1 y W2 sta combinacin debilita la conexin
N2 = U2, V2 y W1 sta combinacin refuerza la conexin
E usa el arreglo L9 siguiente:
L9
Col.1
Col. 2
Col. 3
Col. 4
Lecturas
en N1, N2
Exp. No. A B C D
N1 N2 Y promedio S/N
1 1 1 1 1
9.5 20 14.75 21.68
2 1 2 2 2
16.2 24.2 20.2 25.59
3 1 3 3 3
6.7 23.3 20 19.19
4 2 1 2 3
17.4 23.2 20.3 25.88
5 2 2 3 1
18.6 27.5 23.05 26.76
6 2 3 1 2
16.3 22.5 19.4 25.42
7 3 1 3 2
19.1 24.3 21070 26.54
8 3 2 1 3
15.6 23.2 19.4 25.25
9 3 3 2 1
19.9 22.6 21.25 26.49

La frmula para la relacin S/N es:

|
|
.
|
\
|
=

=
n
i i
y n
N S
1
2
1 1
log 10 /

La tabla de ANOVA para las relaciones S/ N es
Fuente Df Seq. SS % de contribucin
A 2 6.1128 32.7
B 2 2.7057 14.9
C 2 8.4751 45.5
D 2 1.2080 6.9
Error 0 0
Total 8 18.5016
Pg 104 de 171

C
o
u
n
t
P
e
r
c
e
n
t
C1
Count
6.9
Cum % 45.5 78.2 93.1 100.0
46 33 15 7
Percent 45.5 32.7 14.9
D B A C
100
80
60
40
20
0
100
80
60
40
20
0
Pareto Chart of C1

Para las relaciones S!N
Factor
correccin 5841.87
Nivel Promedio Suma SS
A1 24.31 72.94 17543.95 5847.98 6.11 33.0%
A2 26.02 78.07 SSA
A3 26.10 78.29

B1 24.70 74.11 17533.73 5844.58 2.71 14.6%
B2 25.87 77.61 SSB
B3 25.86 77.58

C1 24.12 72.36 17551.04 5850.35 8.48 45.8%
C2 25.99 77.97 SSC
C3 26.32 78.97

D1 24.98 74.94 17529.24 5843.08 1.21 6.5%
D2 25.85 77.56 SSD
D3 25.60 76.80 18.50
Promedio 25.48 SST

La salida de Minitab es la siguiente:

Taguchi Analysis: N1, N2 versus A, B, C, D

Linear Model Analysis: SN ratios versus A, B, C, D
Term Coef
Constant 25.4774
A 1 -1.1647
A 2 0.5458
B 1 -0.7754
Pg 105 de 171
B 2 0.3926
C 1 -1.3588
C 2 0.5127
D 1 -0.4973
D 2 0.3747

S = *

A 2 6.1128 6.11277 3.05639 * *
B 2 2.7057 2.70565 1.35283 * *
C 2 8.4751 8.47514 4.23757 * *
D 2 1.2080 1.20804 0.60402 * *
Total 8 18.5016

Linear Model Analysis: Means versus A, B, C, D
Estimated Model Coefficients for Means
Term Coef
Constant 20.0056
A 1 -1.6889
A 2 0.9111
B 1 -1.0889
B 2 0.8778
C 1 -2.1556
C 2 0.5778
D 1 -0.3222
D 2 0.4278

S = *

A 2 12.8622 12.8622 6.4311 * *
B 2 6.0022 6.0022 3.0011 * *
C 2 22.4089 22.4089 11.2044 * *
D 2 0.8939 0.8939 0.4469 * *
Total 8 42.1672

Larger is better

Level A B C D
1 24.31 24.70 24.12 24.98
2 26.02 25.87 25.99 25.85
3 26.10 25.86 26.32 25.60
Delta 1.78 1.17 2.20 0.87
Pg 106 de 171
Rank 2 3 1 4

Level A B C D
1 18.32 18.92 17.85 19.68
2 20.92 20.88 20.58 20.43
3 20.78 20.22 21.58 19.90
Delta 2.60 1.97 3.73 0.75
Rank 2 3 1 4

Las grficas factoriales son las siguientes:

M
e
a
n

o
f

S
N

r
a
t
i
o
s
3 2 1
26.0
25.5
25.0
24.5
24.0
3 2 1
3 2 1
26.0
25.5
25.0
24.5
24.0
3 2 1
A B
C D
Signal-to-noise: Larger is better

Pg 107 de 171
M
e
a
n

o
f

M
e
a
n
s
3 2 1
21
20
19
18
17
3 2 1
3 2 1
21
20
19
18
17
3 2 1
A B
C D

La relacin S/N estimada con la combinacin de factores A3, B2, C3 es:
S/N = A3 + C3 +B2 2T = 26.10 + 26.32 + 25.87 2x25.48 = 27.33
La fuerza estimada de desacoplamiento es:
A3 + C3 + B2 2T = 20.78 + 21.58 + 20.88 2x20.0 = 23.24
Predicted values
Predicted values
S/N Ratio Mean
27.7096 23.6667

Pg 108 de 171
5. DISEO DE PARMETROS PARA CARACTERSTICAS DINMICAS

Los diseos anteriores se denominan esttico ya que identifican una meta fija
(mayor es mejor, menor es mejor o nominal es mejor), reduciendo la variabilidad
causada por los factores de ruido.

1. Relacin S/N dinmica: Si se desea obtener calidad a lo largo del rango de
operacin del producto o proceso, es necesario optimizar el diseo de parmetros
con la relacin S/N dinmica referida a la relacin entre entrada y salida o funcin
ideal o transferencia de energa relacionada a un diseo.

2. Interaccin: En un sistema de relacin S/N dinmica, las interacciones entre
factores de control (parmetros de diseo) es un indicador de inconsistencia y falta
de reproducibilidad del diseo. Sin embargo la interaccin entre los factores de
ruido se puede utilizar para mejorar la robustez ante los factores de ruido.

3. Arreglos ortogonales: Taguchi sugiere utilizar los arreglos L12, L18 y L36 donde
las interacciones de sus efectos principales estn confundidos uniformemente en
todas las columnas y los efectos de las interacciones pueden considerarse efectos
de ruido.

4. Desarrollo de tecnologas robustas: Taguchi sugiere que el diseo de
parmetros se realice en la fase cero del diseo del producto, reduciendo el
despliegue de variabilidad en el ciclo de desarrollo y acortando el tiempo de ciclo.
En lo referente a transformacin de energa se tienen los siguientes aspectos:
Cambio de energa (vg. Elctrica a mecnica).
Variacin de componentes de energa (vg. Amplificacin de torque).
Conectando energa con seales (conmutacin de energa elctrica).
Canalizacin de energa (vg. Transferencia de potencia).
Almacenamiento de energa (vg. Almacenamiento de energa cintica).

Para transformacin de materiales se tiene:
Cambiando la materia (vg. Lquidos a gases).
Variando dimensiones de materiales (vg. Rolado de lmina).
Conectando materia con energa (vg. Movimiento de materiales).
Conectando materiales con seales (vg. Cortando corriente o flujo).
Conectando o separando materiales de diferente tipo (vg. Mezcla o separacin
de materiales).
Canalizacin de materiales ( vg. Extraccin de carbn).
Almacenamiento de materiales (vg. Almacenar granos en un silo).

Transformaciones de seales:
Cambio de seales (vg. Analgicas a digitales).
Variar la magnitud de las seales (vg. Incremento de su amplitud).
Pg 109 de 171
Conectando seales con energa (vg. Amplificando una medicin).
Conectando seales con materia (vg. Marcado de materiales).
Transformando seales (vg. Filtraje).
Canalizando seales (vg. Transferencia de datos).
Almacenando seales ( vg. Bases de datos).

Taguchi sugiere una funcin ideal como la relacin ideal de entrada salida de un
diseo (vg. Se asume que no hay influencia de factores de ruido y los parmetros
de diseo son fijos), en realcin a la transformacin de energa que a su vez se
refiere a la funcin del producto. Taguchi lo ilustra con el ejemplo siguiente:

En el caso de los frenos del automvil la funcin ideal es que la fuerza ejercida por
el pie como entrada sea proporcional al torque de frenado.

Y = torque
de frenado

Funcin ideal

M = fuerza del pie aplicada
Funcin ideal de un freno.

Sin embargo en el mundo real se tienen efectos de factores de ruido como
temperatura y ambiente:

Y = torque
de frenado

Funcin ideal

Funcin no robusta de un freno.
Haciendo robusto el diseo es decir:
Pg 110 de 171
Asegurando que el proceso de transformacin de energa se realice en
diferentes magnitudes de transformacin.
Asegurando que el sistema de freno tiene excelente controlabilidad para este
proceso de transformacin, se tiene:

Y = torque
de frenado

Funcin ideal

Funcin robusta de un freno.

Ejemplos de funcin ideal:
1. Proceso de oxidacin de semiconductores
a. Funcin principal: Oxidar una capa delgada de material.
b. Transformacin principal: Transformacin del material (cambiando el material
con una reaccin qumica).
c. Funcin ideal.
Y = Espesor
De oxidacin

Funcin ideal

M = tiempo
Funcin ideal de oxidacin.

d. Anlisis: entre ms tiempo opere el proceso, mayor transformacin del material
ocurrir. La robustez de la funcin ideal es:
(1) Diferentes niveles de transformacin. Con diferentes ajustes de tiempo.
(2) Controlabilidad: Se muestra como la repetibilidad similar a una lnea recta.

2. Proceso de moldeo por inyeccin a. Funcin principal: Moldear partes de
acuerdo a la forma del molde.
Pg 111 de 171
b. Transformacin principal: Transformacin del material.
c. Funcin ideal.

Y = Dimensin
De las partes

Funcin ideal

M = Dimensin del molde
Funcin ideal de moldeo.

d. Anlisis: el proceso de moldeo transforma los grnulos de polmero en partes
formadas, el molde es un control para la forma. Si cambia el molde en
dimensiones, as cambia la magnitud de la transformacin de materiales. La
robustez de la funcin ideal es:

(1) Diferentes niveles de transformacin.
(2) Controlabilidad.

De los ejemplos anteriores se desprenden algunas caractersticas comunes del as
funciones ideales:

1. Una funcin ideal est relacionada directamente al proceso de transformacin
principal de la funcin principal del sistema tcnico bajo estudio. A veces es
imposible medir la transformacin en forma directa, ms bien se miden las cosas
relacionadas directamente con esta transformacin.

2. Si un proceso es robusto en el desarrollo de la funcin ideal:

a. El proceso de transformacin es repetible y robusto en diferentes niveles de
transformacin, aun con la presencia de factores de ruido. Por ejemplo para un
proceso de transformacin de energa, el proceso es robusto en diferentes niveles
de enrga, bajo, medio y alto.

b. La controlabilidad del procese de transformacin es robusto. Si se cambia la
seal, el proceso de transformacin responder con alta precisin y alta
repetibilidad, aun en la presencia de factores de ruido.

Los pasos para identificar y definir la funcin ideal son los siguientes:

Pg 112 de 171
1. Identificar la funcin principal del sistema.
2. Identificar el tipo principal de transformacin detrs de la funcin principal.
3. Identificar la seal de control para la transformacin principal.
4. Identificar la entrada y salida medible, donde la entrada debe ser la seal de
control misma o un aspecto relacionado, y la salida debe estar directamente
relacionada a la magnitud de la transformacin.
5. Identificar la relacin lineal ideal entre salida y entrada.

Taguchi sugiere para lograr robustez utilizar el mtodo de diseo de parmetros
para caractersticas dinmicas, que se discute a continuacin.

Diseo de parmetros para caractersticas dinmicas

El sistema de caractersticas dinmicas se denomina tambin diseo de seal
respuesta como sigue:

Diagrama P con seal de entrada

Ates de iniciar se debe contar con un sistema de medicin adecuado que cumpla
los siguientes requisitos:

1. Para la misma muestra, las mediciones deben ser repetibles, no importa quien
est haciendo las mediciones y cuantas veces se tome la muestra.

2. A partir de dos muestras diferentes, se deben detectar pequeas diferencias en
las caractersticas verdaderas por el sistema de medicin, es decir es deseable
que tenga una alta sensibilidad.

3. Un sistema de medicin debe ser fcil de calibrar; idealmente debe existir una
relacin lineal entre el valor verdadero de la caracterstica y el valor medido.
La funcin ideal entre la seal y la respuesta de salida (vg. Un requerimiento
funcional FR) se muestra a continuacin:
Seal Sistema Respuesta
de salida
Ruido
Pg 113 de 171

Y = respuesta
Funcin ideal

M = Seal
Relacin ideal seal respuesta
Para el diseo de parmetros con caractersticas dinmicas, se utiliza el arreglo
interno para factores de control y externo para factores de ruido, el factor de seal
M es tratado como un factor experimental.

M puede tener k niveles, M1, M2, , Mk. En cada uno de los niveles del factor de
seal, se asignan varias combinaciones de factores ruido N12, N2, .
Por tanto por cada combinacin del arreglo interno, el factor de seal se vara k
veces, en cada factor de seal M se varan las diferentes combinaciones de los
factores de ruido N1, N2, y bajo cada combinacin de factor de ruido se mide un
requerimiento funcional (FR) como Yij.

Se espera que conforme el factor de seal se incremente, la respuesta tambin se
incremente. El arreglo queda como sigue:
Arreglo externo
Arreglo interno 1 2 . N2 Experimento No.

Factores de control
M1 . Mk N3 Factor de seal
Exp. A B F
N1 N2 . N2 N3
Factores de
ruido S/N q
1 1 1 1
y11 y12 . y1,N2 q1
2 1 2 2
y21 y22 . y2,N2 Respuesta de q2
. . . . . . .
.
.

. salida Y
q

.

.

.

.

.
N1 2 2 1
YN1,1 YN2,2 . YN1,N2 qN1

Pendiente |,
sensibilidad
Pg 114 de 171

Y = respuesta
Funcin ideal

M1 M2 Mk M = Factor de Seal

Dispersin tpica para una corrida completa de
Arreglo interno

La tabla completa para cada una de las corridas experimentales del arreglo interno
queda como:
Arreglo interno

Factores de seal
Factores de ruido M1 M2 Mk
N1 y11 y12 y1k
N2 y21 y22 y2k
. . . . .

Nm ym1 ym2 ymk

La ecuacin de regresin es:

2
1 0
) ( o c
c | |
=
+ + =
Var
M y

Donde:
=
= =
=
k
j
j
k
i
m
j
ij j
M M m
y y M
1
2
1 1
1
) (
...) (
|

Pendiente |,
sensibilidad
Pg 115 de 171
M y
1 0

| | =

= =

= =
k
j
m
i
j ij
M y
mk
MSE
1 1
2
1 0
2
)

(
2
1
| | o

En el caso de que y =0 cuando la seal M = 0 se tiene:

2
1
) ( o c
c |
=
+ =
Var
M y

=
= =
=
k
j
j
k
i
m
j
ij j
M m
y M
1
2
1 1
1
= =

= =
k
j
m
i
j ij
M y
mk
MSE
1 1
2
1
0
2
)
(
2
1
| o

Los clculos anteriores se pueden realizar con un paquete estadstico como
Minitab.

Taguchi sugiere utilizar la siguiente relacin S/N:

|
|
.
|
\
|
=
|
|
.
|
\
|
=
MSE
N S
2
1
2
2
1
log 10
log 10 /
|
o
|

Donde |1 es el coeficiente de la regresin lineal para la pendiente y MSE es el
error cuadrtico medio para la regresin lineal.
La relacin S/N vara como sigue:

Y = respuesta
Funcin ideal


a) Alta variacin, baja relacin S/N
Pg 116 de 171

Y = respuesta
Funcin ideal

b) Baja variacin y linealidad, Alta relacin S/N

Y = respuesta
Funcin ideal

c) No linealidad, Baja relacin S/N

Y = respuesta
Funcin ideal

d) Baja sensibilidad, baja relacin S/N
Pg 117 de 171

Y = respuesta
Funcin ideal

e) Alta sensibilidad, Alta relacin S/N

El diseo de parmetros roibusto de Taguchi sigue los pasos siguientes de
preparacin y optimizacin:

1. Preparacin. Usar un arreglo como el anterior, realizar los experimentos y
colectar los datos. Para cada corrida del arreglo interno, determinar la relacin
seal a ruido S/N y la sensibilidad | como respuestas.

2. Analizar los resultados de los experimentos y utilizando la relacin dinmica S/N
como respuesta, encontrar la combinacin de los factores de control para
maximizar S/N.

3. Analizar ahora los resultados de los experimentos utilizando la sensibilidad |
como respuesta, encontrar los factores que afecten a la sensibilidad, y que no
afecten a la relacin S/N, y usarlos para ajustar | al valor objetivo.

A continuacin se muestra un ejemplo aplicando lo anterior.

Ejemplo 5.1 Mejora de Strain gage

El strain o esfuerzo es la cantidad de deformacin de un cuerpo debido a la
aplicacin de una fuerza. La unidad de medida es en Microstrain (e). La
deformacin se mide con un strain gauge, dispositivo que vara su resistencia en
funcin de la fuerza aplicada, el cambio en resistencia es muy pequeo, del orden
de micro ohms (O), por tanto se requiere una alta reproducibilidad y repetibilidad
en la medicin. La salida est en milivolts y debe ser proporcional al cambio en
resistencia.

En el experimento M es el cambio en resistencia y el requerimiento funcional y es
el voltaje de salida. Se seleccionan tres niveles del factor de seal M1 = 10 O,
M2 = 100 O y M3 = 1000 O. Ciertos factores de ruido pueden afectar la
medicin tales como la temperatura. Se utilizan dos niveles de factor de ruido
Pg 118 de 171
combinado N1 y N. Nueve factores corresponden al diseo de parmetros del
gauge y sus niveles se listan a continuacin:

Factores control Nivel 1 Nivel 2 Nivel 3
A Aleacin hoja Tipo I Tipo 2
B Espesor hoja 5 10 15
C Tipo material 6 nylon
6/6
nylon
6/6 nylon
v
D Mtodo ens.
Mtodo
I
Mtodo
II
Mtodo
III
E Ancho lnea
Externa 45/60 40/55 35/40
F Ancho lnea interna 35 25
G Espesor acabado 9 3
H Dimensin Loop 50 70 80
I Espesor de muestra 10 25 40

Se utiliza el arreglo L18 para acomodar los factores de control, la asignacin se
muestra a continuacin:

Para asignar los factores F y G se usa el mtodo de factores compuestos, el factor
compuesto FG se define como:

(FG)1 = F1G1 (FG)2 = F2G1 (FG)3 = F2G2

Como el Strain gauge es un sistema de medicin, se requiere cero seal cero
salida, utilizando las ecuaciones con interseccin en el origen.

Con Minitab se pueden hacer regresiones simples de Y vs M para cada rengln
con lo que se obtiene el valor de |i y posteriormente el valor de cada S/N.

Arreglo externo - factores control
L18
Arreglo interno - Factores control
M1 = 10 M2 = 100 M3 = 1000
Exp. No. A B C D E FG
H I
N1 N2 N1 N2 N1 N2
Beta S/N
1 1 1 1 1 1 1
1 1
10 10 249 258 2602 2608 2.6 -12.97
2 1 1 2 2 2 2
2 2
9 9 249 256 2490 2501 2.5 -12.93
3 1 1 3 3 3 3
3 3
8 9 241 243 2420 2450 2.43 -15.10
4 1 2 1
1 2 2 3 3
10 11 260
259 2710 2751
2.73
-16.77
5 1 2 2 2
3 3 1 1
11 12 280 291
2996 3011
3 -14.59
6 1 2 3 3
1 1 2 2
9 10 260 265
2793 2800
2.79 -15.23
7 1 3 1 2
1 3 2 3
9 9
229
231
2400 2456 2.43
-19.04
8 1 3 2
3 2 1 3 1
8 9
272 276 2702 2738 2.72 -15.67
9 1 3 3 1
3 2 1 2 9
9
270
275
2761 2799 2.78
-15.90
10
2
1 1 3
3 2 2 1 10
11
267
279
2809 2903 2.85
-21.27
11
2
1 2 1
1 3 3 2 16
16
240
251
2616 2699 2.66
-21.10
Pg 119 de 171
12
2
1 3
2 2 1 1 3 8
9
241 248 2406 2499 2.45 -22.07
13
2
2 1 2
3 1 3 2 16
17
291
301
3002 3100 3.05
-20.66
14
2
2 2 3
1 2 1 3 12
13
259
272
2622 2699 2.66
-19.89
15
2
2 3 1
2 3 2 1 10
11
250
261
2699 2702 2.7
-14.51
16
2
3 1
3 2 3 1 2 9
10
298 299 3010 3052 3.03 -15.91
17
2
3 2 1
3 1 2 3 11
12
190
198
2094 2100 2.1
-15.14
18
2
3 3
2 1 2 3 1 13
14
241 258 2582 2632 2.61 -17.61

Clculo de los coeficientes Beta:

60 . 2
) 1000 100 10 ( 2
2608 * 1000 2602 * 1000 258 * 100 249 * 100 10 * 10 10 * 10
2 2 2 1
=
+ +
+ + + + +
= |

Esto mismo se puede obtener con Minitab:
Stat > Regresin > Regresin
Response Y = datos de primer rengln
Predictors M = 10, 100, 100 correspondientes a los datos del primer rengln
M Y
10
10
10
10
100
249
100
258
1000
2602
1000
2608

Los resultados de la regresin son los siguientes:
Regression Analysis: Y versus M
The regression equation is
Y = 2.60 M
Predictor Coef SE Coef T P
Noconstant
M 2.60415 0.00815 319.69 0.000
S = 11.5779
Analysis of Variance
Source DF SS MS F P
Regression 1 13700163 13700163 102203.58 0.000
Residual Error 5 670 134
Total 6 13700833

Donde Beta = 2.60 y MSE = 134
Sustituyendo en la frmula de S/N se tiene:
Pg 120 de 171
|
|
.
|
\
|
=
MSE
N S
2
1
log 10 /
|

97 . 12
134
60 . 2
log 10 /
2
=
|
|
.
|
\
|
= N S

Similarmente se pueden calcular para todos los dems renglones, dando los
valores indicados en la tabla.

Para la corrida en Minitab:
Stat > DOE > Taguchi > Create Taguchi design
Seleccionar Mixed level design Factors 8
Display available designs L18 Mixed 2 - 3 levels
Designs L18 1 factor 2 levels, 7 factors 3 levels
seleccionar Add a signal factor for dynamic characteristics
Factors Signal factor name Resistance 10 100 1000
renombrar los factores F por FG, G por H y H por I

El arreglo que se genera es el siguiente ya con datos acomodados:

Exp. No.
A B C D E F G H Resis N1 N2
1
1 1 1 1 1 1 1 1 10
10 10
1
1 1 1 1 1 1 1 1 100
249 258
1
1 1 1 1 1 1 1 1 1000
2602 2608
2
1 1 2 2 2 2 2 2 10
9 9
2
1 1 2 2 2 2 2 2 100
249 256
2
1 1 2 2 2 2 2 2 1000
2490 2501
3
1 1 3 3 3 3 3 3 10
8 9
3
1 1 3 3 3 3 3 3 100
241 243
3
1 1 3 3 3 3 3 3 1000
2420 2450
4
1 2 1 1 2 2 3 3 10
10 11
4
1 2 1 1 2 2 3 3 100
260
259
4
1 2 1 1 2 2 3 3 1000 2710 2751
5
1 2 2 2 3 3 1 1 10
11 12
5
1 2 2 2 3 3 1 1 100
280 291
5
1 2 2 2 3 3 1 1 1000 2996 3011
6
1 2 3 3 1 1 2 2 10
9 10
6
1 2 3 3 1 1 2 2 100
260 265
Pg 121 de 171
6
1 2 3 3 1 1 2 2 1000 2793 2800
7
1 3 1 2 1 3 2 3 10
9 9
7
1 3 1 2 1 3 2 3 100 229
231
7
1 3 1 2 1 3 2 3 1000 2400 2456
8
1 3 2 3 2 1 3 1 10
8 9
8
1 3 2 3 2 1 3 1 100 272 276
8
1 3 2 3 2 1 3 1 1000 2702 2738
9
1 3 3 1 3 2 1 2 10 9
9
9
1 3 3 1 3 2 1 2 100 270
275
9
1 3 3 1 3 2 1 2 1000 2761 2799
10
2 1 1 3 3 2 2 1 10 10
11
10
2 1 1 3 3 2 2 1 100 267
279
10
2 1 1 3 3 2 2 1 1000 2809 2903
11
2 1 2 1 1 3 3 2 10 16
16
11
2 1 2 1 1 3 3 2 100 240
251
11
2 1 2 1 1 3 3 2 1000 2616 2699
12
2 1 3 2 2 1 1 3 10 8
9
12
2 1 3 2 2 1 1 3 100 241 248
12
2 1 3 2 2 1 1 3 1000 2406 2499
13
2 2 1 2 3 1 3 2 10 16
17
13
2 2 1 2 3 1 3 2 100 291
301
13
2 2 1 2 3 1 3 2 1000 3002 3100
14
2 2 2 3 1 2 1 3 10 12
13
14
2 2 2 3 1 2 1 3 100 259
272
14
2 2 2 3 1 2 1 3 1000 2622 2699
15
2 2 3 1 2 3 2 1 10 10
11
15
2 2 3 1 2 3 2 1 100 250
261
15
2 2 3 1 2 3 2 1 1000 2699 2702
16
2 3 1 3 2 3 1 2 10 9
10
16
2 3 1 3 2 3 1 2 100 298 299
16
2 3 1 3 2 3 1 2 1000 3010 3052
17
2 3 2 1 3 1 2 3 10 11
12
17
2 3 2 1 3 1 2 3 100 190
198
17
2 3 2 1 3 1 2 3 1000 2094 2100
18
2 3 3 2 1 2 3 1 10 13
14
18
2 3 3 2 1 2 3 1 100 241 258
18
2 3 3 2 1 2 3 1 1000 2582 2632

Analizando los datos en Minitab, se tiene:
Stat > DOE > Taguchi > Analyze Taguchi design
Seleccionar Response Data in N1 N2
Graphs: Signal to noise ratios Slopes
Pg 122 de 171
Options: Fit all lines through a fixed reference point
Response reference value 0 Signal reference value 0
Analysis: Display response tables y Fit linear model for Signal to noise ratios
Slopes
Store Signal to noise ratios Slopes
Terms: Seleccionar los 8 factores
OK

Los resultados de Minitab son:
Taguchi Analysis: N1, N2 versus A, B, C, D, E, F, G, H
Linear Model Analysis: SN ratios versus A, B, C, D, E, F, G, H
Term Coef SE Coef T P
Constant -17.0192 1.229 -13.850 0.005
A 1 1.6665 1.229 1.356 0.308
B 1 -0.5552 1.738 -0.319 0.780
B 2 0.0804 1.738 0.046 0.967
C 1 -0.7477 1.738 -0.430 0.709
C 2 0.4668 1.738 0.269 0.813
D 1 0.9574 1.738 0.551 0.637
D 2 -0.8001 1.738 -0.460 0.690
E 1 -0.6178 1.738 -0.355 0.756
E 2 0.7071 1.738 0.407 0.724
F 1 0.0629 1.738 0.036 0.974
F 2 -0.3742 1.738 -0.215 0.849
G 1 0.1309 1.738 0.075 0.947
G 2 0.6665 1.738 0.384 0.738
H 1 0.9186 1.738 0.529 0.650
H 2 0.0668 1.738 0.038 0.973

S = 5.213 R-Sq = 62.9% R-Sq(adj) = 0.0%

Source DF Seq SS Adj SS Adj MS F P Porc. de contribucion
A 1 49.990 49.990 49.9900 1.84 0.308 A 34.12
B 2 3.241 3.241 1.6203 0.06 0.944
C 2 5.135 5.135 2.5675 0.09 0.914
D 2 9.489 9.489 4.7443 0.17 0.851 D 6.45
E 2 5.337 5.337 2.6687 0.10 0.911
F 2 1.445 1.445 0.7225 0.03 0.974 H 4.51
G 2 6.584 6.584 3.2918 0.12 0.892 I 7.42
H 2 10.916 10.916 5.4578 0.20 0.833
Residual Error 2 54.359 54.359 27.1795
Total 17 146.495

Linear Model Analysis: Slopes versus A, B, C, D, E, F, G, H
Estimated Model Coefficients for Slopes
Pg 123 de 171
Constant 2.67159 0.03261 81.920 0.000
A 1 -0.00650 0.03261 -0.199 0.860
B 1 -0.08881 0.04612 -1.926 0.194
B 2 0.15085 0.04612 3.271 0.082
C 1 0.11084 0.04612 2.403 0.138
C 2 -0.06683 0.04612 -1.449 0.284
D 1 -0.07792 0.04612 -1.689 0.233
D 2 0.00042 0.04612 0.009 0.994
E 1 -0.04712 0.04612 -1.022 0.414
E 2 0.01610 0.04612 0.349 0.760
F 1 -0.05220 0.04612 -1.132 0.375
F 2 0.01583 0.04612 0.343 0.764
G 1 0.08310 0.04612 1.802 0.213
G 2 -0.11065 0.04612 -2.399 0.139
H 1 0.07595 0.04612 1.647 0.241
H 2 0.12928 0.04612 2.803 0.107

S = 0.1384 R-Sq = 96.1% R-Sq(adj) = 66.9%

Analysis of Variance for Slopes
A 1 0.000761 0.000761 0.000761 0.04 0.860
B 2 0.206938 0.206938 0.103469 5.40 0.156
C 2 0.112135 0.112135 0.056067 2.93 0.255
D 2 0.072464 0.072464 0.036232 1.89 0.346
E 2 0.020653 0.020653 0.010327 0.54 0.650
F 2 0.025787 0.025787 0.012893 0.67 0.598
G 2 0.119449 0.119449 0.059725 3.12 0.243
H 2 0.387591 0.387591 0.193796 10.12 0.090
Residual Error 2 0.038288 0.038288 0.019144
Total 17 0.984066

Dynamic Response

Level A B C D E F G H
1 -15.35 -17.57 -17.77 -16.06 -17.64 -16.96 -16.89 -16.10
2 -18.69 -16.94 -16.55 -17.82 -16.31 -17.39 -16.35 -16.95
3 -16.54 -16.74 -17.18 -17.11 -16.71 -17.82 -18.00
Delta 3.33 1.03 1.21 1.76 1.32 0.69 1.46 1.90
Rank 1 7 6 3 5 8 4 2

Response Table for Slopes
Level A B C D E F G H
1 2.665 2.583 2.782 2.594 2.624 2.619 2.755 2.748
2 2.678 2.822 2.605 2.672 2.688 2.687 2.561 2.801
3 2.610 2.628 2.749 2.703 2.708 2.699 2.466
Delta 0.013 0.240 0.178 0.155 0.078 0.089 0.194 0.335
Rank 8 2 4 5 7 6 3 1

Pg 124 de 171

Exp.
No.
SNRA2 SLOPE2
1
-12.96 2.60415
1
* *
1
* *
2
-12.93 2.49563
2
* *
2
* *
3
-15.1 2.43469
3
* *
3
* *
4
-16.77 2.72899
4
* *
4
* *
5
-14.59 3.00185
5
* *
5
* *
6
-15.23 2.79462
6
* *
6
* *
7
-19.04 2.42658
7
* *
7
* *
8
-15.67 2.72001
8
* *
8
* *
9
-15.89 2.77927
9
* *
9
* *
10
-21.27 2.85457
10
* *
10
* *
11
-21.1 2.65539
11
* *
11
* *
12
-22.09 2.45227
12
* *
12
* *
13
-20.66 3.04996
13
* *
Pg 125 de 171
13
* *
14
-19.89 2.66031
14
* *
14
* *
15
-14.51 2.6989
15
* *
15
* *
16
-15.91 3.03034
16
* *
16
* *
17
-15.14 2.09535
17
* *
17
* *
18
-17.61 2.60577
18
* *
18
* *

Las graficas factoriales son las siguientes:

M
e
a
n

o
f

S
N

r
a
t
i
o
s
2 1
-16
-17
-18
3 2 1 3 2 1
3 2 1
-16
-17
-18
3 2 1 3 2 1
3 2 1
-16
-17
-18
3 2 1
A B C
D E F
G H
Dynamic Response: Signal reference 0 Response reference 0

Pg 126 de 171
M
e
a
n

o
f

S
l
o
p
e
s
2 1
2.85
2.70
2.55
3 2 1 3 2 1
3 2 1
2.85
2.70
2.55
3 2 1 3 2 1
3 2 1
2.85
2.70
2.55
3 2 1
A B C
D E F
G H
Main Effects Plot (data means) for Slopes

La media de las S/N es 17.020
La S/N pronosticada con los niveles que maximizan la relacin S/N son:

T I H E D C A N S 5 /
2 2 2 2 1
+ + + + + =

S/N = -16.31-16.35-16.1-5(-17.020) = -11.64

El factor B tiene efecto significativo en la sensibilidad pero no tiene efecto en el
S/N por lo que se selecciona en su nivel alto para aumentar la sensibilidad (mayor
resolucin), por tanto para Beta se tiene:

T I H E D C B A 6
1 2 2 1 2 2 1
+ + + + + + = |
Beta = 2.66+2.82+2.61+2.60+2.69+2.75 6(2.67) = 2.76
Utilizando la Opcin de Minitab:
Stat > DOE > Taguchi > Predict Taguchi Results
Predict Slope Signal to noise ratio
Terms A C D E G H
Levels: Select levels from a list 1 2 1 2 2 1
OK

Predicted values
S/N Ratio Slope
Pg 127 de 171
- 11.6363 2.50174

A C D E G H
1 2 1 2 2 1

Ejemplo 5.2: Mejora del sistema de sello de hule de puerta
Se usa un hule para sellar la puerta de un automvil, con dos caractersticas,
esfuerzo para cerrar y ruido del aire ambiente que estn en contradiccin. La
funcin ideal es como sigue:
Y = Presin/carga

Funcin ideal

Desplazamiento hacia adentro del hule

Los factores de ruido son:
N1 Ambiente hmedo
N2 Ambiente seco
Q1 Flujo lento de aire
Q2 Flujo medio de aire
Q3 Flujo alto de aire

Los factores de control son los siguientes:
Factores de
control Nivel 1 Nivel 2 Nivel 3 Nivel 4 Nivel 5 Nivel 6
A Material Esponja baja
Esponja
media
Esponja
alta Densa baja
Densa
media Densa alta
B Recubrimiento Ninguno Tipo 1 Tipo 2
C Forma de esquina
Radio
pequeo Radio grande Plano
D Ventilacin
Ninguno Grande Pequea
E Forma bulbo Redondeado Cuadrado Triangular
F Accesorios Cinta Pin Carrillera

El arreglo a usar es el L18 mostrado a continuacin:
Pg 128 de 171

L18
Factores de control
Exp. A B C D E F
1 1 1 1 1 1 1
2 1 2 2 2 2 2
3 1 3 3 3 3 3
4 2 1 1
2 2 3
5 2 2 2 3
3 1
6 2 3 3 1
1 2
7 3 1
2
1
3 3
8 3 2
3 2 1 1
9
3
3
1
3
2 2
10
4
1
3
3
2 1
11
4
2
1
1
3 2
12
4
3
2 2 1 3
13
5
1
2
3
1 2
14
5
2
3
1
2 3
15
5
3
1
2
3 1
16
6
1
3 2 3 2
17
6
2
1
3
1 3
18
6
3
2 1 2 1

El arreglo externo y los datos obtenidos se muestran en la tabla siguiente:

L18
M1 M2 M3
Exp. Q1 Q2 Q3 Q1 Q2 Q3 Q1 Q2 Q3
No.
N1 N2 N1 N2 N1 N2 N1 N2 N1 N2 N1 N2 N1 N2 N1 N2 N1 N2
1
1.78 9.15 1.78 9.86 2.37 12.68 2.52 3.63 4.72 6.65 6.29 8.16 4.4 5.84 6.48 6.63 6.25 9.64
2
0 0 0 0 0 0 3.62 4.59 3.62 4.59 3.82 4.59 3.38 4.72 3.38 4.72 3.38 4.72
3
4.11 7.32 3.38 10.9 3.62 10.34 7.07 7.43 6.34 10.31 6.88 11.75 4.14 4.26 4.53 5.91 4.92 6.73
4
4.67 5.04 4.67
9.24 5.61 9.24
10.68 26.53 11.17
28.57 11.65 29.59
6.65 9.74 7.25
10.49 7.25 10.86
5
0 0.44 1.36 0.44
2.17 0.88
2.65 0.96 4.13 1.35
3.54 4.43
3.58 2.85 3.93 4.07
4.29 4.61
6
1.69 0 1.41 0
1.69 0.74
2.08 1.15 2.34 1.91
2.73 2.67
4.74 3.42 4.74 3.85
4.9 3.85
7
2.33 3.6
2.62
4.4
3.21 5.2
2.62 4.25
3.42
4.69
3.3 4.83
3.52 4.81
3.52
4.68
3.44 4.5
8
2.47 10.75
3.57 9.81 3.02 9.35
6.6 11.72
6.6 12.68 8 12.92
8.35 25.27
8.13 28.69 8.46 30.62
9
0
2.27
0
3.79
0 3.79 0
10.36
0
11.71
0 13.51 0
5.79
0
6.84
1.34 9.47
10
1.02
0
1.28
0
2.3 0.24 4.35
0
6.72
0
7.51 0 6.22
8.77
8.11
9.47
8.38 11.23
11
1.68
3.2
1.68
2.49
1.68 3.55 6.06
20.15
8.13
21.17
8.29 21.17 5.96
13.06
6.54
12.84
6.69 14.22
12
0
3.7
0 3.7 0 3.7 1.37
2.56
3.66 6.25 5.26 5.97 4.61
9.78
6.66 10.37 8.7 11.74
13
1.28
4.19
1.26
4.63
1.26 4.33 9.38
12.16
9.81
13.41
9.29 13.83 12.51
13.95
13.77
15
14.53 14.91
Pg 129 de 171
14
0
0
0
0
0 0 0
0
0
0
0.12 0 0.69
3.25
1.43
3.77
1.8 4.29
15
0
0
0.74
0
1.23 0 2.79
5
4.18
4.29
3.76 7.86 4.58
8.11
7.2
10.07
6.46 10.07
16
0
0
0 0 0 0 0.4
1.17
1.11 3.16 2.11 4.09 1.1
9.42
2.9 9.8 3.31 10.79
17
4.98
3.55
6.16
4.48
5.64 4.78 6.82
3.07
7.64
6.39
8.47 6.65 3.28
1.81
5.52
3.39
6.38 4.07
18
0
1.94
0 2.9 0 3.23 1.21
4.84
2.52 5.46 4.03 6.4 2.99
3.38
3.12 4.96 3.03 5.75

Las instrucciones en Minitab son las siguientes:

Stat > DOE > Taguchi > Create Taguchi design
Number of factors 6
Design L18 1 column 6 levels, 5 columns 3 levels
(display available designs Mixed 3 6 levels)
Seleccionar: Add a signal factor for dynamic characteristics
Factors Signal Factor Name M Levels 0.05 0.25 0.45
OK

Los datos se arreglan como sigue:
L18 Q1N1 Q1N2 Q2N1 Q2N2 Q3N1 Q3N2
1
1.78 9.15 1.78 9.86 2.37 12.68
1
2.52 3.63 4.72 6.65 6.29 8.16
1
4.4 5.84 6.48 6.63 6.25 9.64
2
0 0 0 0 0 0
2
3.62 4.59 3.62 4.59 3.82 4.59
2
3.38 4.72 3.38 4.72 3.38 4.72
3
4.11 7.32 3.38 10.9 3.62 10.34
3
7.07 7.43 6.34 10.31 6.88 11.75
3
4.14 4.26 4.53 5.91 4.92 6.73
4
4.67 5.04 4.67
9.24 5.61 9.24
4
10.68 26.53 11.17
28.57 11.65 29.59
4
6.65 9.74 7.25
10.49 7.25 10.86
5
0 0.44 1.36 0.44
2.17 0.88
5
2.65 0.96 4.13 1.35
3.54 4.43
5
3.58 2.85 3.93 4.07
4.29 4.61
6
1.69 0 1.41 0
1.69 0.74
6
2.08 1.15 2.34 1.91
2.73 2.67
6
4.74 3.42 4.74 3.85
4.9 3.85
7
2.33 3.6
2.62
4.4
3.21 5.2
7
2.62 4.25
3.42
4.69
3.3 4.83
7
3.52 4.81
3.52
4.68
3.44 4.5
8
2.47 10.75
3.57 9.81 3.02 9.35
Pg 130 de 171
8
6.6 11.72
6.6 12.68 8 12.92
8
8.35 25.27
8.13 28.69 8.46 30.62
9
0
2.27
0
3.79
0 3.79
9
0
10.36
0
11.71
0 13.51
9
0
5.79
0
6.84
1.34 9.47
10
1.02
0
1.28
0
2.3 0.24
10
4.35
0
6.72
0
7.51 0
10
6.22
8.77
8.11
9.47
8.38 11.23
11
1.68
3.2
1.68
2.49
1.68 3.55
11
6.06
20.15
8.13
21.17
8.29 21.17
11
5.96
13.06
6.54
12.84
6.69 14.22
12
0
3.7
0 3.7 0 3.7
12
1.37
2.56
3.66 6.25 5.26 5.97
12
4.61
9.78
6.66 10.37 8.7 11.74
13
1.28
4.19
1.26
4.63
1.26 4.33
13
9.38
12.16
9.81
13.41
9.29 13.83
13
12.51
13.95
13.77
15
14.53 14.91
14
0
0
0
0
0 0
14
0
0
0
0
0.12 0
14
0.69
3.25
1.43
3.77
1.8 4.29
15
0
0
0.74
0
1.23 0
15
2.79
5
4.18
4.29
3.76 7.86
15
4.58
8.11
7.2
10.07
6.46 10.07
16
0
0
0 0 0 0
16
0.4
1.17
1.11 3.16 2.11 4.09
16
1.1
9.42
2.9 9.8 3.31 10.79
17
4.98
3.55
6.16
4.48
5.64 4.78
17
6.82
3.07
7.64
6.39
8.47 6.65
17
3.28
1.81
5.52
3.39
6.38 4.07
18
0
1.94
0 2.9 0 3.23
18
1.21
4.84
2.52 5.46 4.03 6.4
18
2.99
3.38
3.12 4.96 3.03 5.75

Y se cargan al arreglo que genera Minitab:
Pg 131 de 171

A B C D E F Desplazamiento Q1N1 Q1N2 Q2N1 Q2N2 Q3N1 Q3N2 SNRA4 SLOPE4 INT4
1 1 1 1 1 1 0.05 1.78 9.15 1.78 9.86 2.37 12.68 11.6134 17.15 0
1 1 1 1 1 1 0.25 2.52 3.63 4.72 6.65 6.29 8.16 * * *
1 1 1 1 1 1 0.45 4.4 5.84 6.48 6.63 6.25 9.64 * * *
1 2 2 2 2 2 0.05 0 0 0 0 0 0 19.4482 10.68 0
1 2 2 2 2 2 0.25 3.62 4.59 3.62 4.59 3.82 4.59 * * *
1 2 2 2 2 2 0.45 3.38 4.72 3.38 4.72 3.38 4.72 * * *
1 3 3 3 3 3 0.05 4.11 7.32 3.38 10.9 3.62 10.34 10.9069 17.54 0
1 3 3 3 3 3 0.25 7.07 7.43 6.34 10.31 6.88 11.75 * * *
1 3 3 3 3 3 0.45 4.14 4.26 4.53 5.91 4.92 6.73 * * *
2 1 1 2 2 3 0.05 4.67 5.04 4.67 9.24 5.61 9.24 10.8761 34.25 0
2 1 1 2 2 3 0.25 10.68 26.53 11.17 28.57 11.65 29.59 * * *
2 1 1 2 2 3 0.45 6.65 9.74 7.25 10.49 7.25 10.86 * * *
2 2 2 3 3 1 0.05 0 0.44 1.36 0.44 2.17 0.88 19.0392 9.363 0
2 2 2 3 3 1 0.25 2.65 0.96 4.13 1.35 3.54 4.43 * * *
2 2 2 3 3 1 0.45 3.58 2.85 3.93 4.07 4.29 4.61 * * *
2 3 3 1 1 2 0.05 1.69 0 1.41 0 1.69 0.74 22.5441 9.328 0
2 3 3 1 1 2 0.25 2.08 1.15 2.34 1.91 2.73 2.67 * * *
2 3 3 1 1 2 0.45 4.74 3.42 4.74 3.85 4.9 3.85 * * *
3 1 2 1 3 3 0.05 2.33 3.6 2.62 4.4 3.21 5.2 14.3089 11.13 0
3 1 2 1 3 3 0.25 2.62 4.25 3.42 4.69 3.3 4.83 * * *
3 1 2 1 3 3 0.45 3.52 4.81 3.52 4.68 3.44 4.5 * * *
3 2 3 2 1 1 0.05 2.47 10.75 3.57 9.81 3.02 9.35 15.2873 41.04 0
3 2 3 2 1 1 0.25 6.6 11.72 6.6 12.68 8 12.92 * * *
3 2 3 2 1 1 0.45 8.35 25.27 8.13 28.69 8.46 30.62 * * *
3 3 1 3 2 2 0.05 0 2.27 0 3.79 0 3.79 8.3326 12.42 0
3 3 1 3 2 2 0.25 0 10.36 0 11.71 0 13.51 * * *
3 3 1 3 2 2 0.45 0 5.79 0 6.84 1.34 9.47 * * *
4 1 3 3 2 1 0.05 1.02 0 1.28 0 2.3 0.24 17.4972 17.67 0
4 1 3 3 2 1 0.25 4.35 0 6.72 0 7.51 0 * * *
4 1 3 3 2 1 0.45 6.22 8.77 8.11 9.47 8.38 11.23 * * *
4 2 1 1 3 2 0.05 1.68 3.2 1.68 2.49 1.68 3.55 13.4993 30.31 0
4 2 1 1 3 2 0.25 6.06 20.15 8.13 21.17 8.29 21.17 * * *
4 2 1 1 3 2 0.45 5.96 13.06 6.54 12.84 6.69 14.22 * * *
4 3 2 2 1 3 0.05 0 3.7 0 3.7 0 3.7 18.7066 18.79 0
4 3 2 2 1 3 0.25 1.37 2.56 3.66 6.25 5.26 5.97 * * *
4 3 2 2 1 3 0.45 4.61 9.78 6.66 10.37 8.7 11.74 * * *
5 1 2 3 1 2 0.05 1.28 4.19 1.26 4.63 1.26 4.33 23.0203 34.84 0
5 1 2 3 1 2 0.25 9.38 12.16 9.81 13.41 9.29 13.83 * * *
5 1 2 3 1 2 0.45 12.51 13.95 13.77 15 14.53 14.91 * * *
5 2 3 1 2 3 0.05 0 0 0 0 0 0 12.0658 4.289 0
5 2 3 1 2 3 0.25 0 0 0 0 0.12 0 * * *
5 2 3 1 2 3 0.45 0.69 3.25 1.43 3.77 1.8 4.29 * * *
5 3 1 2 3 1 0.05 0 0 0.74 0 1.23 0 20.9356 17.44 0
5 3 1 2 3 1 0.25 2.79 5 4.18 4.29 3.76 7.86 * * *
5 3 1 2 3 1 0.45 4.58 8.11 7.2 10.07 6.46 10.07 * * *
6 1 3 2 3 2 0.05 0 0 0 0 0 0 13.6634 12.34 0
6 1 3 2 3 2 0.25 0.4 1.17 1.11 3.16 2.11 4.09 * * *
Pg 132 de 171
6 1 3 2 3 2 0.45 1.1 9.42 2.9 9.8 3.31 10.79 * * *
6 2 1 3 1 3 0.05 4.98 3.55 6.16 4.48 5.64 4.78 11.5932 13.86 0
6 2 1 3 1 3 0.25 6.82 3.07 7.64 6.39 8.47 6.65 * * *
6 2 1 3 1 3 0.45 3.28 1.81 5.52 3.39 6.38 4.07 * * *
6 3 2 1 2 1 0.05 0 1.94 0 2.9 0 3.23 15.1305 10.57 0
6 3 2 1 2 1 0.25 1.21 4.84 2.52 5.46 4.03 6.4 * * *
6 3 2 1 2 1 0.45 2.99 3.38 3.12 4.96 3.03 5.75 * * *

El anlisis se realiza con las siguientes instrucciones de Minitab:
Stat > Taguchi > Analyze Taguchi Design Response Data in:
Q1N1 Q1N2 Q2N1 Q2N2 Q3N1 Q3N2

Graphs: Signal to noise ratios / Slopes
Analysis: Signal to noise ratios / Slopes
Terms: A B C D E F
Analysis graphs: Normal plot of residues
Options: Fit all lines trhough a fixed point 0 0
Storage: Signal to noise ratios / Slopes
OK

La tabla de resultados manual es:
L18
Factores de control
Exp. A B C D E F Sensibilidad S/N
1 1 1 1 1 1 1 17.25 11.72
2 1 2 2 2 2 2 10.61.

19.47
3 1 3 3 3 3 3 17.09 10.85
4 2 1 1
2 2 3 33.27 10.65
5 2 2 2 3
3 1 9.32 19.00
6 2 3 3 1
1 2 9.31 22.50
7 3 1
2
1
3 3 10.99 14.20
8 3 2
3 2 1 1 40.68 15.21
9
3
3
1
3
2 2 11.84 7.92
10
4
1
3
3
2 1 17.57 17.45
11
4
2
1
1
3 2 28.89 13.38
12
4
3
2 2 1 3 18.71 18.65
13
5
1
2
3
1 2 34.78 23.01
14
5
2
3
1
2 3 4.20 11.89
15
5
3
1
2
3 1 17.39 20.89
16
6
1
3 2 3 2 12.18 13.55
17
6
2
1
3
1 3 13.58 11.40
18
6
3
2 1 2 1 10.47 15.05
Pg 133 de 171

La salida de Minitab es la siguiente:
Taguchi Analysis: Q1N1, Q1N2, Q2N1, Q2N2, Q3N1, Q3N2 versus A, B, C, D,
E, F
Linear Model Analysis: SN ratios versus A, B, C, D, E, F
Taguchi Analysis: Q1N1, Q1N2, Q2N1, Q2N2, Q3N1, Q3N2 versus A, B, C, D,
E, F
Linear Model Analysis: SN ratios versus A, B, C, D, E, F
Constant 15.4705 1.154 13.407 0.006
A 1 -1.4809 2.580 -0.574 0.624
A 2 2.0160 2.580 0.781 0.516
A 3 -2.8275 2.580 -1.096 0.387
A 4 1.0972 2.580 0.425 0.712
A 5 3.2034 2.580 1.242 0.340
B 1 -0.3073 1.632 -0.188 0.868
B 2 -0.3150 1.632 -0.193 0.865
C 1 -2.6621 1.632 -1.631 0.244
C 2 2.8051 1.632 1.719 0.228
D 1 -0.6102 1.632 -0.374 0.744
D 2 1.0157 1.632 0.622 0.597
E 1 1.6570 1.632 1.015 0.417
E 2 -1.5787 1.632 -0.967 0.435
F 1 1.1134 1.632 0.682 0.565
F 2 1.2808 1.632 0.785 0.515

S = 4.896 R-Sq = 85.2% R-Sq(adj) = 0.0%

Source DF Seq SS Adj SS Adj MS F P Porc. De contribucin
A 5 89.252 89.252 17.850 0.74 0.659 27.6
B 2 3.485 3.485 1.742 0.07 0.932
C 2 89.856 89.856 44.928 1.87 0.348 27.63
D 2 9.411 9.411 4.705 0.20 0.836
E 2 31.465 31.465 15.733 0.66 0.604 9.6
F 2 51.676 51.676 25.838 1.08 0.481 16.0
Residual Error 2 47.932 47.932 23.966
Total 17 323.076

Linear Model Analysis: Slopes versus A, B, C, D, E, F
Estimated Model Coefficients for Slopes
Constant 17.9453 5.081 3.532 0.072
A 1 -2.8211 11.361 -0.248 0.827
A 2 -0.2966 11.361 -0.026 0.982
A 3 3.5822 11.361 0.315 0.782
A 4 4.3130 11.361 0.380 0.741
Pg 134 de 171
A 5 0.9107 11.361 0.080 0.943
B 1 3.2861 7.186 0.457 0.692
B 2 0.3106 7.186 0.043 0.969
C 1 2.9605 7.186 0.412 0.720
C 2 -2.0493 7.186 -0.285 0.802
D 1 -4.1487 7.186 -0.577 0.622
D 2 4.4780 7.186 0.623 0.597
E 1 4.5558 7.186 0.634 0.591
E 2 -2.9629 7.186 -0.412 0.720
F 1 0.9281 7.186 0.129 0.909
F 2 0.3744 7.186 0.052 0.963

S = 21.56 R-Sq = 48.5% R-Sq(adj) = 0.0%

Analysis of Variance for Slopes
A 5 218.00 218.00 43.599 0.09 0.984
B 2 142.99 142.99 71.495 0.15 0.867
C 2 82.77 82.77 41.384 0.09 0.918
D 2 224.24 224.24 112.118 0.24 0.806
E 2 192.43 192.43 96.216 0.21 0.828
F 2 16.19 16.19 8.094 0.02 0.983
Residual Error 2 929.39 929.39 464.693
Total 17 1806.00

Dynamic Response

Level A B C D E F
1 13.99 15.16 12.81 14.86 17.13 16.58
2 17.49 15.16 18.28 16.49 13.89 16.75
3 12.64 16.09 15.33 15.06 15.39 13.08
4 16.57
5 18.67
6 13.46
Delta 6.03 0.94 5.47 1.63 3.24 3.68
Rank 1 6 2 5 4 3

Response Table for Slopes
Level A B C D E F
1 15.12 21.23 20.91 13.80 22.50 18.87
2 17.65 18.26 15.90 22.42 14.98 18.32
3 21.53 14.35 17.03 17.62 16.35 16.64
4 22.26
5 18.86
6 12.26
Delta 10.00 6.88 5.01 8.63 7.52 2.23
Rank 1 4 5 2 3 6

Las graficas factoriales se muestran a continuacin:

Pg 135 de 171
M
e
a
n

o
f

S
N

r
a
t
i
o
s
6 5 4 3 2 1
18.0
16.5
15.0
13.5
12.0
3 2 1 3 2 1
3 2 1
18.0
16.5
15.0
13.5
12.0
3 2 1 3 2 1
A B C
D E F

M
e
a
n

o
f

S
l
o
p
e
s
6 5 4 3 2 1
24
21
18
15
12
3 2 1 3 2 1
3 2 1
24
21
18
15
12
3 2 1 3 2 1
A B C
D E F
Main Effects Plot (data means) for Slopes

La S/N estimada seleccionando los factores significativos que maximizan la
respuesta S/N es la siguiente:

T F E D C B A N S

5 /
1 1 2 2 1 5
+ + + + + =

S/N = 18.6+15.1+18.31+16.4+17.08+16.63-5(15.4) = 25.12
La Beta 1 estimada es:

T F E D C B A

5
1 1 2 2 1 5 1
+ + + + + = |

Beta 1 = 18.79+21.04+15.81+22.16+22.4+18.8-5(17.69) = 30.55
Pg 136 de 171
Con la opcin de Prediccin de Minitab
Stat > DOE > Taguchi > Predict Taguchi Results
Predict Slope Signal to noise ratio
Terms A B C D E F
Levels: Select levels from a list 5 1 2 2 1
OK

Los resultados son los siguientes:
Predicted values
S/N Ratio Slope
24.9579 30.0547

A B C D E F
5 1 2 2 1 1

Calidad funcional y relacin S/N dinmica
La calidad funcional se expresa por la funcin ideal, relacionada directamente con
el proceso de transformacin principal ya sea de energa, material o seal. En la
etapa de diseo de un producto/proceso, el objetivo ms importante es asegurarse
que el producto desarrolle su funcin principal correctamente y de manera
consistente.

Cuando se define una buena funcin ideal y se usa la relacin dinmica S/N como
la medicin de robustez, junto con una adecuada seleccin de factores de ruido y
parmetros de diseo en un diseo de parmetros robusto, se alcanzan diversos
objetivos:

1. Una mayor relacin S/N significa que el sistema sigue la funcin ideal con la
mnima cantidad de variacin, de esta manera se garantiza que el sistema tiene
excelente controlabilidad.

2. La meta del diseo robusto de parmetros es hacer que el sistema realice su
funcin principal consistentemente bajo la influencia de factores de ruido. Si se
logra la robustez, se eliminarn muchos sntomas potenciales (factores de ruido)
en las etapas posteriores de desarrollo.

3. En resumen enfocndose a la calidad funcional y usando S/N dinmica se
asegura la calidad funcional y se reduce el tiempo de desarrollo.

El uso de S/N dinmica como medicin de la robustez derivada de la funcin lineal
ideal, claramente penaliza:
Pg 137 de 171
La variacin es indeseable.
La no linealidad que es una forma de complejidad desde el punto de vista del
diseo axiomtico (se prefiere el concepto ms sencillo). La linealidad es una
propiedad deseable de la seal. Cuando existen varias no linealidades en la
relacin seal / respuesta se puede complicar demasiado en un ambiente de
produccin masiva, las relaciones S/N se pueden tornar incontrolables o
impredecibles.
Baja sensibilidad una alta sensibilidad es una propiedad deseable. Si se
requiere una sensibilidad objetivo, que no sea ni muy baja ni muy alta, se
puede el procedimiento de optimizacin para ajustarla al objetivo.

Las interacciones entre factores de control no son deseables, en el diseo robusto
dinmico se sugieren los arreglos L12, L18 y L36, debido a que en esos arreglos
las interacciones estn confundidas uniformemente en todas las columnas, lo que
equivale a tener ruido.

Desde el punto de vista del diseo axiomtico, las interacciones introducen
complejidad, por lo que un diseo con interacciones no es una seleccin adecuada
de diseo, ya que elimina la aditividad de los efectos lo que aumenta la
complejidad.

Pg 138 de 171
6. DATOS POR ATRIBUTOS
Los datos por atributos estn en forma discontinua, con valores discretos tales
como bueno o malo, o 0 y 1. Estos datos con dos clases producen menos
discriminacin que los datos por variables. Para mejorar la potencia de
discriminacin se pueden utilizar datos con ms clases por ejemplo:

Clase Descripcin
1 Sin defecto
2 Defecto ligero
3 Defecto moderado
4 Defecto severo

Entre mayor sea el nmero de clases mejora su habilidad para detectar
corrimientos en la media o en la variabilidad.
Tamao de muestra
Una regla general es captar un mnimo de 20 muestras de la clase con la menor
frecuencia (defectos, defectivos, etc.) entre ocurrencias y no ocurrencias, entre
menor sea la tasa de falla mayor ser el tamao de muestra.

Mtodos de anlisis
Se tienen varios casos como se muestra a continuacin:
Ocurrencias y no
ocurrencias conocidas
Slo las ocurrencias son
conocidas
Dos clases Caso I
ANOVA
Datos 0, 1
% de ocurrencias
Caso III
ANOVA
Frecuencia de
ocurrencias
Ms de dos clases Caso II
Anlisis acumulativo

Ejemplo 6.1: Fracturas en carcasas de transmisiones
a) Pasa no pasa

En tiempos recientes se han encontrado entre 10 y 15% de carcasas defectuosas,
definitivamente algo ha cambiado en el proceso, el problema se detecta al
maquinar las carcasas despus de la fundicin, en esta etapa del proceso el costo
es ms alto. Una solucin contingente fue seleccionar al 100% estas caracasas
con tinta penetrante, a un alto costo.

Se pens en hacer un experimento para identificar el problema, los factores que
identific el equipo de trabajo fueron los siguientes:

Pg 139 de 171

A Temperatura Produccin Ms alta
B Tiempo Produccin Menor tiempo
C Tasa de enfriamiento Produccin
(ventilador)
Sin ventilador
D Limpieza con chorro de arena Produccin
(un ciclo)
Ms ciclos

Como se requieren 20 defectivos, a una tasa de defectos del 10%, se necesitan al
menos 200 muestras.

Los factores se asignaron a un diseo ortogonal L8 como sigue:

L8
Col.1
Col. 2
Col.
3 Col. 4
Col.
5 Col. 6
Col.
7 Carcasas
Exp.
No.
A B AxB C e e D
Def Buenas
1 1 1 1 1 1 1 1
4 20
2 1 1 1 2 2 2 2
1 23
3 1 2 2 1 1 2 2
1 23
4 1 2 2 2 2 1 1
2 22
5 2 1 2 1 2 1 2
4 20
6 2 1 2 2 1 2 1
4 20
7 2 2 1 1 2 2 1
0 24
8 2 2 1 2 1 1 2
0 24
Total 16 176 = 192

No funciona con Minitab

Los productos malos se codifican con un 1 y los buenos con 0. Por tanto para el
primer experimento se tienen 4 unos y 20 ceros.

SST = T T^2/N

SST = 1^2+1^2++0+0 16^2/ 192 = 16 16^2/192 = 14.667

SSA = (A1-A2)^2 / N = (8-8)^2/192 = 0
SSB = (B1-B2)^2 / N = (13-3)^2/192 = 0.521
SSAB=(AxB1-AxB2)/N= (5-11)^2/192=0.188
SSC = (C1-C2)^2 / N = (9-2)^2 / 192 = 0.021
SSD = (D1-D2)^2 / N =(10-6)^2 /192 = 0.083

SSea (9-7)^2/192 = 0.021 Columna 5
SSeb (10-6)^2/192=0.083 Columna 6
Pg 140 de 171

Se tienen dos fuentes de error: e1 a partir de las columnas restantes
e1 = 0.021 + 0.083=0.104
e2 en base a las repeticiones en cada intento:

e2 = SST SSA SSB SSAB SSC SSD Sse1

e2 = 13.75 con (N-1-7) gl = 184 gl.

La tabla ANOVA se muestra a continuacin:

Fuente SS v MS F SS p
A 0.0 1 0.0
B 0.521 1 0.521 6.95
C 0.021 1 0.021
D 0.083 1 0.083
AxB 0.188 1 0.188 2.51
e1 0.104 2 0.052
e2 13.75 184 0.075
T 14.667 191

La interaccin es significativa para una alfa del 15% y la grfica de la interaccin
queda como:

Los promedios de las respuestas para las diferentes combinaciones de los niveles
A y B son:

A1B1= 2.5
A1B2 = 1.5
A2B1= 4
A2B2 = 0

Defectos en carcasas
0
1
2
3
4
5
Nivel B1
Nivel B2
Nivel B1 2.5 4
Nivel B2 1.5 0
A1B2 A2B2

Pg 141 de 171
Como se puede observar la mejor condicin se obtiene en A2B2 (tiempo corto,
alta temperatura).

Se hizo un experimento de comprobacin resultando de 300 carcasas ninguna con
defecto.

b) Defectos en varias categoras

Si ahora se clasifican los defectos en varias categoras se tiene:

Severidad No. de Clase
Sin fracturas 1
Fractura ligera 2
Fractura moderada 3
Fractura severa 4

Paso 1. Crear una tabla de defectos por clase acumulativa:

Experimento Clase 1 Clase 2 Clase 3 Clase 4 Total
1 20 2 1 1 24
2 23 0 0 1 24
3 23 0 1 0 24
4 22 0 2 0 24
5 20 4 0 0 24
6 20 2 2 0 24
7 24 0 0 0 24
8 24 0 0 0 24
Totales 176 8 6 2 192

Experimento Clase
acum. 1
Clase
acum. 2
Clase
acum. 3
Clase
acum. 4
Total
1 20 22 23 24 24
2 23 23 23 24 24
3 23 23 24 24 24
4 22 22 24 24 24
5 20 24 24 24 24
6 20 22 24 24 24
7 24 24 24 24 24
8 24 24 24 24 24
Totales 176 184 190 192 192

Paso 2. Calcular un valor de ponderacin para cada clase, que est en funcin de
la frecuencia acumulada de ocurrencia en esa clase. La frmula para la
ponderacin de la clase es:
Pg 142 de 171

) (
2
i i
i
T N T
N
W
=

Donde
N es el nmero total de pruebas
Ti son las ocurrencias acumuladas en la clase i

Por tanto:

09 . 13
) 176 196 ( 176
192
) (
2
1 1
2
1
=
=
T N T
N
W
04 . 25
) 184 196 ( 184
192
) (
2
2 2
2
2
=
=
T N T
N
W

01 . 97
) 190 196 ( 190
192
) (
2
3 3
2
3
=
=
T N T
N
W

La suma de cuadrados para cada clase se multiplica por la ponderacin de la
clase para obtener una suma ponderada de cuadrados.

Paso 3. Determinacin de la suma total de cuadrados SST

=
=
Clases
i
i i
W SST SST
1

N
T
T SST
i
i i
2
=

En este ejemplo

SST = SST1*W1+SST2*W2+SST3*W3

Para la primera clase:

66 . 14
192
176
176
2 2
1
1 1
= = =
N
T
T SST

SST1*W1 = 14.66*13.09 = 191.98
666 . 7
192
184
184
2 2
2
2 2
= = =
N
T
T SST

Pg 143 de 171
SST2*W2 = 7.666*25.04 = 191.97

979 . 1
192
190
190
2 2
3
3 3
= = =
N
T
T SST

SST3*W3 = 1.979*97.01 = 191.99

SST = SST1*W1+SST2*W2+SST3*W3= 575.94

Paso 4. Calcular las sumas de cuadrados para las columnas para cada clase:

N
A A
SSA
i i
i
2
) 2 1 (
=

=
=
Clases
i
i i
W SSA SSA
1

Del arreglo L8:

SSA1 = (88-88)^2/192 = 0
SSA2 = (90-94)^2/192=0.0833
SSA3 = (94-96)^2/192=0.0208

SSA = 0.0(13.09) + 0.0833(25.4) + 0.0208(97.01) = 4.1

De esta misma forma se calculan las otras columnas.

Los grados de libertad para cada columna es gl = gl A (3) = 3

Los grados de libertad totales son (N-1) (clases) = 191(3) = 573

La tabla ANOVA se muestra a continuacin:

Fuente SS v MS F SS p
A 4.1 3 1.37 1.37
B 93.36 3 3.12 3.12
C 0.79 3 0.26
D 3.18 3 1.060
AxB 5.0 3 1.667 1.667
e1 1.88 6 0.31
e2 551.69 552 1
T 576 573

Pg 144 de 171
El resultado es similar al del ejemplo con dos clases, el anlisis acumulativo
funciona mejor cuando la distribucin de ocurrencia de defectos se distribuye en
las diversas clases.

Caso de datos por atributos: Solo las ocurrencias conocidas

En esta situacin la frecuencia de ocurrencias se puede tratar como con datos
variables por medio de una ANOVA estndar. Por ejemplo: nmero de
imperfecciones superficiales en las partes, etc.

Transformacin Omega para suma de porcentajes

De los datos originales:

L8
Col.1
Col. 2
Col.
3 Col. 4
Col.
5 Col. 6
Col.
7
Exp.
No.
A B AxB C e e D Clase 1 Clase 2 Clase 3 Clase 4
1 1 1 1 1 1 1 1 20 2 1 1
2 1 1 1 2 2 2 2 23 0 0 1
3 1 2 2 1 1 2 2 23 0 1 0
4 1 2 2 2 2 1 1 22 0 2 0
5 2 1 2 1 2 1 2 20 4 0 0
6 2 1 2 2 1 2 1 20 2 2 0
7 2 2 1 1 2 2 1 24 0 0 0
8 2 2 1 2 1 1 2 24 0 0 0

Si consideramos la interaccin AB como significativa se tiene:

En el Nivel A1B1:
Clase 1= 43/48 = 89.6% Clase 2 = 2/48 = 4.2% Clase 3 = 2.1% Clase 4 = 4.2%

En el nivel A1B2:
Clase 1 = 93.75% Clase 2=0% Clase 3=6.25% Clase 4=0%

En el nivel A2B1:
Clase 1=83.3% Clase 2=12.5% Clase 3=4.2% Clase 4=0%

En el nivel A2B2:
Clase 1 = 100% Clases 2,3,4 = 0%

Esta es la combinacin de niveles que se selecciona.
Pg 145 de 171
Si se hubiera seleccionado la combinacin A1B2, se podran sumar los
porcentajes trasformando los valores con la transformacin Omega (rel. S/N):

|
|
.
|
\
|
= O 1
1
log 10 ) (
p
p
Donde p es un porcentaje.

Para estimar los porcentajes se estima el porcentaje promedio en cada clase:

Promedio de la clase 1 general = 176/192 = 91.66% = 0.9166
41 . 10 1
9166 . 0
1
log 10 ) 9166 . 0 ( =
|
.
|
\
|
= O

Para la clase 1 se tiene en A1B2 el 23/24=95.8% = 0.958
58 . 13 1
958 . 0
1
log 10 ) 958 . 0 ( =
|
.
|
\
|
= O
Para la clase 1 se tiene en A1B2 el 22/24=91.66% = 0.9166
41 . 10 1
9166 . 0
1
log 10 ) 9166 . 0 ( =
|
.
|
\
|
= O

La respuesta estimada es:

) ( ) 2 1 ( ) 2 1 ( ) ( Y B A B A O O + O = O
= 13.58+10.41 10.41= 13.58

Haciendo la operacin inversa se tiene:

13.58 =- 10*log(1/p 1) despejando a p se tiene:
-1.358 = log(1/p -1)
10^(-1.358)=1/p 1
1.04385 = 1/p
p= 0.9579 = 95.79%

As sucesivamente para las otras clases en caso de que haya necesidad de sumar
porcentajes.

Pg 146 de 171
7. DISEO DE TOLERANCIAS

Las tolerancias utilizadas inicialmente se trata de que sean lo ms amplias posible
por consideraciones de costo, despus se optimiza el diseo del producto y del
proceso a travs de una combinacin adecuada de parmetros de diseo (DPs).
Despus es necesario identificar los requerimientos funcionales (FRs)
relacionados con el cliente que no se cubren con los mtodos de optimizacin de
diseo de parmetros. Estrechando las tolerancias y mejorando los materiales y
otros parmetros, normalmente se requiere para alcanzar los objetivos de
requerimientos funcionales FRs.

Proceso de desarrollo de tolerancias

Tolerancia: es la desviacin permisible de un valor especificado o estndar.

Ejemplo: Dimensiones de paneles de automvil

Los paneles de los automviles tales como puertas y toldos tienen muchos
requerimientos funcionales, tales como proteger a los clientes, compartimientos de
pasajeros, compartimiento del motor y proporcionar una vista agradable. La
mayora de sus requerimientos son dimensionales.

Atributos y tolerancias del cliente: los requerimientos del cliente se expresan en
trminos vagos como el coche debe parecer fresco, los paneles de la
carrocera deben estar bien colocados. Es muy fcil que el cliente est
insatisfecho si la puerta tiene variaciones moderadas en algunos mm. en sus
dimensiones, puede ser que la puerta sea difcil de abrir o cerrar o muestre
aberturas indeseables con la carrocera.
Tolerancias en los requerimientos funcionales (FRs): Despus de analizar los
requerimientos del cliente y ver como trabajan los paneles se pueden
determinar tolerancias dimensionales para los paneles. Por ejemplo, las
puertas deben abrir y cerrar fcilmente y deben ajustar bien en las otras partes.
Por lo anterior se podra determinar que las dimensiones de los paneles se
encuentren dentro de 2mm. De su valor nominal.
Tolerancias en parmetros de diseo (DPs): Los paneles de automviles se
fabrican soldando otras partes ms pequeas de metal; las partes de metal se
fabrican en un proceso de estampado. Por tanto se deben establecer
tolerancias para los subensambles de metal estampados.
Atributos y
tolerancias del
cliente (QFD)
Requerimientos
funcionales (FRs) y
tolerancias
Requerimientos de
parmetros de
diseo (DPs) y
tolerancias
Variables del
proceso de
manufactura (PVs) y
tolerancias
Pg 147 de 171
Tolerancias de variables del proceso (PVs): Las variables del proceso incluyen
requerimientos en los dados, requerimientos en los mixtures y requerimientos
del estampado. El proceso de establecimiento de tolerancias incluye establecer
tolerancias en esos requerimientos.

El proceso se puede esquematizar como sigue:

Requerimientos y
Tolerancias de bajo nivel (DPs, DVs)
Txi Ai
..
Ty Ao

Requerimientos y
Tolerancias de alto nivel
(FRs)

Se enfrentan tres mayores problemas en el diseo de tolerancias:

1. Controlar la variabilidad.

2. Cumplir con los requerimientos funcionales satisfactoriamente.

3. Mantener el costo del ciclo de diseo y desarrollo en bajo nivel.

Los requerimientos funcionales deben satisfacerse con una variacin mnima. Las
tolerancias del cliente se definen como los lmites de tolerancia para los cuales el
50% de los clientes estarn insatisfechos si se exceden. Las tolerancias amplias
son menos costosas y hacen que la manufactura sea ms sencilla. Si el diseo de
parmetros es insuficiente para limitar la variacin de las FRs, el diseo de
tolerancias es esencial.

Una tcnica utilizada en las partes mecnicas son las Tolerancias y Dimensionado
Geomtrico (GDT).

Se tienen dos mtodos de diseo de tolerancias: el mtodo tradicional y el mtodo
de Taguchi.

Mtodo tradicional: incluye el anlisis de tolerancias del pero caso, anlisis
estadstico de tolerancias, y anlisis de tolerancias basadas en el costo.
Y = f(x1, x2, x3, .., xn)
Pg 148 de 171
Mtodo de Taguchi: incluye la relacin entre la tolerancias del cliente y la
tolerancia del proveedor, as como diseo de experimentos de tolerancia.

Tolerancia del peor caso: anlisis lineal
La tolerancia del peor caso se expresa como:

n T T T x x x f Min T
n n
A A A + + + = = A' ...... ... ) ,...., (
2 1 2 1 2 , 1 0

n T T T x x x f Max T
n n
A + + A + A + + + + == = A + ...... ... ) ,...., (
2 1 2 1 2 , 1 0

Obviamente:

n
A + + A + A == A ......
2 1 0

Anlisis de tolerancias: Si se determina la tolerancia de alto nivel con base en
tolerancias de bajo nivel.
Distribucin de tolerancias: Si se determinan las tolerancias de bajo nivel a partir
de una tolerancia de alto nivel.

Ejemplo 7.1: Placas de metal
Una pila de 10 placas de metal se unen como sigue:
Espesor Xi

y = x1 + x2 + x3 + ..+ x10

Si cada placa de metal i, tiene espesor Ti = 0.1, con tolerancia Ai = 0.002, para i
= 1 a 10, el lmite de tolerancia para la pila es de Ao = 0.02.
En el caso de partir de una tolerancia de la pila de Ao = 0.01, con el mtodo de
escalado proporcional si se multiplica por 0.5 la tolerancia de cada placa Ai =
0.001, para i = 1 a 10, el lmite de tolerancia para la pila es de Ao = 0.01.

Ejemplo 7.2: Tolerancia de un espacio de alivio
Se trata de determinar la tolerancia de C, se asume que A tiene una dimensin de
2.000 0.001 y B, 1.000 0.0001. Asumiendo que el espacio y = C A B debe
estar entre 0.001 y 0.006, se trata de determinar los lmites de tolerancia para C,
o sea Tc, Ac, Ac.

Pg 149 de 171

C
Y = C A - B
B
A

Tolerancia del ensamble
T-Ac = 0.001= Min (C A B) = T-Ac 2.001 1.001
T-Ac = 3.003
T+Ac = 0.006 = Max(C B A) = T+Ac 1.999 0.999
T+Ac = 3.004
Se puede seleccionar T = 3.0035 0.0005

Ejemplo 7.3: Fuente de alimentacin

Una fuente de 100V, f hertz alimenta a una resistencia R en serie con una
inductancia L con una corriente I en amperes y:

2 2
) 2 (
100
fL R
y
t +
=

Si F = 50 Hz, Tr nominal = 9.5 ohms, Ar = 1 ohm, L = 0.01 H, AL = 0.006 H. La
tolerancia del cliente para el circuito es y = 10 1. Verificaremos si las tolerancias
de los componentes son adecuadas:

|
|
.
|
\
|
+
=
2 2
) 2 (
100
) (
fL R
Max y Max
t

64 . 11
)) 006 . 0 001 . 0 ( * 50 * 14159 . 3 * 2 ( ) 1 5 . 9 (
100
) (
2 2
=
+ + +
= y Max

Pg 150 de 171
|
|
.
|
\
|
+
=
2 2
) 2 (
100
) (
fL R
Min y Min
t

59 . 8
)) 006 . 0 001 . 0 ( * 50 * 14159 . 3 * 2 ( ) 1 5 . 9 (
100
) (
2 2
=
+
= y Min

|
|
.
|
\
|
+
=
2 2
) 2 (
100
) (
fL R
E y E
t

99 . 9
)) 001 . 0 ( * 50 * 14159 . 3 * 2 ( ) 5 . 9 (
100
) (
2 2
=
+
= y E

En este caso no se cubre la tolerancia del cliente desde el punto de vista del peor
caso.

Tolerancia del peor caso: anlisis no lineal

En este caso de acuerdo a la expansin en serie de Taylor y a los autores Chase y
Greenwood (1988) el lmite de tolerancia es:

n
n
x
f
x
f
x
f
A
c
c
+ + A
c
c
+ A
c
c
= A .......
2
2
1
1
0

Del ejemplo anterior para la corriente y se tiene:

( ) fL R
R
R
f
2 / 3
2 2
) 2 (
100
t +
=
c
c

Con R = 9.5 df/dR = 0.948

( ) fL R
L f
R
f
2 / 3
2 2
2
) 2 (
) 2 ( 100
t
t
+
=
c
c

Con L = 0.01, df/dL = 98.53
Y

54 . 1 006 . 0 * 53 . 98 1 * 948 . 0
0
= + = A
c
c
+ A
c
c
= A
L R
L
f
R
f

Muy cercano al clculo anterior. Si se quiere reducir Ao a 1.0, se puede multiplicar
en proporcin p = 1/1.54 = 0.65 a la tolerancia de R y de L, quedando como:
Pg 151 de 171
004 . 0 65 . 0 * 006 . 0
65 . 0 1 * 65 . 0
= = A
= = A
L
R

Tolerancia estadstica
La tolerancia del peor caso protege contra todo tipo de variaciones en los
componentes asegurando que se cumpla la tolerancia de alto nivel, sin embargo
puede dar tolerancias muy cerradas con costos altos.

Con base en que al mismo tiempo se presente una tolerancia muy baja o muy alta
en todos los componentes tiene una probabilidad muy baja, se utiliza la tolerancia
estadstica, basada en la distribucin normal del comportamiento de los
componentes y del producto de alto nivel (xi = N(i, o
2
i) para i = 1,,n) que se
asumen independientes.

Si la ecuacin de la funcin de transferencia entre los requerimientos de alto nivel
y los parmetros de bajo nivel o variables x1, x2,, xn, es una funcin lineal:

n n n
x a x a x a x x x f y + + + = = .... ) ,....., , (
2 2 1 1 2 1

Se tiene la siguiente relacin entre las varianzas del producto de alto nivel y las de
los componentes o parmetros de bajo nivel:

2 2 2
2
2
2
2
1
2
1
2
...... ) (
n n
a a a y Var o o o o + + + = =

Los pasos para determinar la tolerancia estadstica son los siguientes:
1. Identificar la funcin de transferencia y = f(x) entre los requerimientos de alto
nivel y y los parmetros de bajo nivel.

2. Para cada caracterstica de bajo nivel Xi, i = 1 , ., n identificar oi, Cp y Ai. Ya
sea de datos histricos o experiencia.

o 6
LIE LSE
Cp

=

Si el proceso est centrado (la media del proceso es igual a la media
especificada), se tiene:

nivel alto para Cp
x cada para Cp
LIE Ti Ti LSE
Cp
i i i
i
i
0 0
3
3
3 3 3
o
o
o o o
= A
= A
A
=
=
Pg 152 de 171

3. Determinar la varianza de alto nivel oy con la ecuacin anterior.

4, Utilizar la ecuacin de [Cp = Delta cero/3 sigma ] para calcular el requerimiento
de Cp de alto nivel (debe ser al menos 1.33). Si se cumple terminar, si no
continuar.

5. Seleccionar el Cp deseable, por ejemplo Cp = 2, la varianza requerida es:

2
0 2
3
|
|
.
|
\
| A
=
Cp
req
o

Bajando esta varianza de alto nivel a los p componentes:

=
=
n
i
i i req
a p
1
2 2 2 2
o o

=
=
n
i
i i
req
a
p
1
2 2
2
o
o

La varianza y tolerancia de bajo nivel se determinan como sigue:

inueva i
inueva
Cp
p
o
o o
3
1
= A
=

Ejemplo 7.4 Ejemplo de placas revisado

Una pila de 10 placas de metal se unen como sigue:

Espesor Xi

y = x1 + x2 + x3 + ..+ x10

Si cada placa de metal i, tiene espesor Ti = 0.1, con tolerancia Ai = 0.002, para i
= 1 a 10, el lmite de tolerancia para la pila es de Ao = 0.02 con dimensin T = 1.0.
Si se asume que el Cp requerido de alto nivel es de 2 y para componente de 1.33
se tiene:

0005 . 0
33 . 1 * 3
002 . 0
3
= =
A
=
Cp
i
i
o
Pg 153 de 171

Y la varianza es:

=
= = =
10
1
2 2 2
0000025 . 0 0005 . 0 * 10
i
i
o o

Y Sigma = 0.00158
Y para y se tiene:

21 . 4
00158 . 0 * 3
02 . 0
3
0
= =
A
=
o
Cp

Este es un Cp muy alto aun si se reduce Ao a 0.01 todava el Cp es 2.15. Este
ejemplo muestra que las tolerancias con el mtodo del pero caso sobredisea las
tolerancias.

Tolerancia basada en el costo

El objetivo de un diseo ptimo basado en tolerancias es encontrar una estrategia
ptima que repercuta en un costo total mnimo (costo de reduccin de la
variabilidad + prdidas de calidad).

Los pasos para determinar la tolerancia estadstica son los siguientes:

1. Identificar la funcin de transferencia y = f(x) entre los requerimientos de alto
nivel y y los parmetros de bajo nivel. Si no se cuenta con la ecuacin, se puede
utilizar la simulacin en computadora o un modelo emprico derivado de un DOE.

2. Para cada caracterstica de bajo nivel Xi, i = 1 , ., n identificar oi, Cp y Ai. Ya
sea de datos histricos o experiencia.

o 6
LIE LSE
Cp

=

Si el proceso est centrado (la media del proceso es igual a la media
especificada), se tiene:

nivel alto para Cp
x cada para Cp
LIE Ti Ti LSE
Cp
i i i
i
i
0 0
3
3
3 3 3
o
o
o o o
= A
= A
A
=
=

Pg 154 de 171
3. Determinar la varianza de alto nivel o
2
y, se pueden utilizar las sensibilidades
para sustituir las derivadas parciales.

4, Utilizar la ecuacin de [Cp = Delta cero/3 sigma ] para calcular el requerimiento
de Cp de alto nivel (debe ser al menos 1.33). Si se cumple terminar, si no
continuar.

5. Seleccionar el Cp deseable, por ejemplo Cp = 2, la varianza requerida es:

2
0 2
3
|
|
.
|
\
| A
=
Cp
req
o

Para cada Xi calcular:

2
) (
i
i
i
f
C
p
o
o
=

oCi es la reduccin en costo unitario (por unidad de cambioo en la tolerancia de Xi)
of es el cambio incremental en el requerimiento de y para cada cambio unitario en
Xi.

Pi es un factor de escala para la reduccin ptima de la tolerancia.
Bajando la varianza de alto nivel a los p componentes:

=
|
|
.
|
\
|
c
c
=
n
i
i
i
i req
x
f
p p
1
2
2
2 2 2
o o

=
|
|
.
|
\
|
c
c
=
n
i
i
i
i
req
x
f
p
p
1
2
2
2
2
o
o

La varianza y tolerancia de bajo nivel se determinan como sigue:

i i p i
inueva
pp C
p
o
o o
3
1
= A
=

Ejemplo 7.5: Circuito L-R revisado

Una fuente de 100V, f hertz alimenta a una resistencia R en serie con una
inductancia L con una corriente I en amperes y:

Pg 155 de 171

2 2
) 2 (
100
fL R
y
t +
=

Si F = 50 Hz, Tr nominal = 9.5 ohms, Ar = 1 ohm, L = 0.01 H, AL = 0.006 H.
Se asume que los Cps de R y L son 1.33.

Se asume que la tolerancia del resistor R se puede reducir a 0.5 ohms a un costo
adicional de $0.15 y que la tolerancia del inductor L se puede reducir a 0.003H a
un costo de $0.20.

La tolerancia del cliente para el circuito es y = 10 1 y un Cp de 2 es deseable.

La desviacin estndar requerida es:

1667 . 0
2 * 3
1
3
2
0 2
= =
|
|
.
|
\
| A
=
Cp
req
o

La varianza de la corriente del circuito es:

2
2
2
2
1
2
2
2 2 2
L R
n
i
i
i
i req
L
f
R
f
x
f
p p o o o o
|
.
|
\
|
c
c
+
|
.
|
\
|
c
c
=
|
|
.
|
\
|
c
c
=

=

0015 . 0
33 . 1 * 3
006 . 0
3
25 . 0
33 . 1 * 3
1
3
= =
A
=
= =
A
=
p
L
L
p
R
R
C
C
o
o

( ) fL R
R
R
f
899 . 0
) 2 (
) 100 (
3
2 2
2
2
=
+
=
|
.
|
\
|
c
c
t

( ) fL R
L f
R
f
2 . 9708
) 2 (
) ) 2 ( 100 (
3
2 2
2 2
2
=
+
=
|
.
|
\
|
c
c
t
t

Con R = 9.5 y L = 0.01
De esta forma:

Pg 156 de 171
279 . 0 078 . 0
078 . 0 0015 . 0 * 2 . 9708 25 . 0 * 899 . 0
2 2 2
2
2
2
2
= =
= + =
|
.
|
\
|
c
c
+
|
.
|
\
|
c
c
=
o
o o o
L R req
L
f
R
f

Dado que
req
o o > no se puede satisfacer al cliente con el Cp de 2. Ahora se
calcula pR:

678 . 0
295 . 0
20 . 0
) (
316 . 0
474 . 0
15 . 0
) (
2
2
= = =
= = =
L
L
L
R
R
R
f
C
p
f
C
p
o
o
o
o

Obtenido de:

A
L
f
f
A
R
f
f
L L
R R
295 . 0 003 . 0 * 53 . 98 ) (
474 . 0 5 . 0 * 948 . 0 ) (
= =
c
c
= c
= =
c
c
= c
o
o

Por tanto reducir R es ms efectivo en costo que reducir L, se tiene:

332 . 1
0015 . 0 * 2 . 9708 * 678 . 0 25 . 0 * 899 . 0 * 316 . 0
1667 . 0
2 2 2 2
=
+
= p

Los nuevos lmites de tolerancia para R y L son:
=
|
|
.
|
\
|
c
c
=
n
i
i
i
i
req
x
f
p
p
1
2
2
2
2
o
o
Pg 157 de 171
H pp C
pp C
L L p L
R R p R
0054 . 0 0015 . 0 * 678 . 0 * 332 . 1 * 33 . 1 * 3 3
42 . 0 25 . 0 * 316 . 0 * 332 . 1 * 33 . 1 * 3 3
= = = A
O = = = A
o
o

Funcin de prdida de Taguchi y diseo de tolerancias para seguridad

Taguchi desarroll un mtodo de diseo y asignacin de tolerancias considerando
costos. El componente ms importante del costo es la prdida de calidad debida a
una desviacin de los requerimientos del nivel ideal requerido.

Caso Nominal es mejor

Para el caso de Nominal es mejor la funcin de prdida se muestra a continuacin:

Prdida de calidad

T-Ao T-A T T+A T+Ao

Funcin de prdida, tolerancia del cliente y del productor

La funcin de prdida se puede expresar como:

2
0
) ( ) ( T y
A
y L
o
A
=
Ao es la tolerancia del cliente, cuando se excede se incurre en un costo Ao
Lo recomendable es que si el costo del productor de corregir un defecto o reparar
el producto antes de su envo es A < Ao cuando la caracterstica se desva A de la
meta se repare el producto y no se enve al cliente. As cuando y = T + A o y = T -
A, la funcin de prdida es:

2
0
) ( A
A
=
o
A
y L

Si L(y) se pone igual al costo de reparacin A, y se despeja el lmite de tolerancia
del productor A se tiene:

|
0
0
0
0
0
A
=
A
= A = A
A
A A
A

Pg 158 de 171
Donde | es la raz cuadrada de la prdida de exceder el lmite funcional entre la
prdida en la fbrica por exceder el estndar de fabricacin.

Siempre se prefiere corregir los defectos en la fbrica ya que si se envan al
cliente, adems de su insatisfaccin y altos costos incurridos, se afecta la imagen,
y se hace una mala publicidad de la empresa en lo relacionado a calidad.

Ejemplo 7.6: TV color

En un TV de color la tolerancia del cliente es de 7, si la densidad de color excede
T+7 o es menor que T-7, 50% de los clientes estarn insatisfechos y pedirn el
reemplazo de su TV a un costo de Ao = $98, si el TV se repara en la fbrica el
costo es de $10, y la tolerancia del productor debe ser:

24 . 2
10
98
7
0
0
0
0
0
= =
A
=
A
= A = A
|
A
A A
A

Es decir que la tolerancia del productor debe ser de T2.24 y el factor de
seguridad | es de 3.13.

Caso Menor es mejor

En este caso la funcin de prdida es la siguiente:

2
2
0
0
) ( y
A
y L
A
=
Si el costo interno de reparacin es A en una tolerancia del productor A, igualando
a la funcin de prdida se tiene:

2
2
0
0
) ( A
A
= =
A
y L A
|
0
0
0
A
=
A
= A
A
A

Ejemplo 7.7: Conteo de bacterias

Se cuentan las bacterias en la carne, su lmite inferior es de 8,000 para evitar
enfemedades. Si el costo del tratamiento mdico es de $500. Si se detecta que la
carne tiene ms bacterias de las normales, se descarta a un costo de $3.00. Se
sugiere un lmite de inspeccin en:

Pg 159 de 171
620
3 500
8000
0
0
0
= =
A
=
A
= A
|
A
A

Por tanto la empacadora inspeccionar los paquetes de carne, si contiene ms de
620 bacterias se descartar, el factor de seguridad es de 12.9.

Caso Mayor es mejor

En este caso la funcin de prdida es la siguiente:

2
2
0 0
1
) (
y
A y L A =
Si el costo interno de reparacin es A en una tolerancia del productor A, igualando
a la funcin de prdida se tiene:

2
2
0 0
1
) (
A
A = = A y L A
0 0
0
A = A = A |
A
A

Ejemplo 7.8: Resistencia de un cable

Suponga un cable para colgar un equipo que le ejerce 5000 kgf. Si se rompe se
incurre en un costo de $300,000. La resistencia del cable es proporcional a su
rea seccional en 150 kgf/mm
2
. Asumiendo que el costo del cable es proporcional
a su rea seccional en $60/mm
2
.

Sea el rea X, entonces A = 60x, y A=150x.

550 , 26 150 150
620 , 10
177
5000
60
300000
150
= = A =
=
=
=
x D
A
x
x
x

El factor de seguridad es |:
31 . 5
620 , 10
000 , 300
= = |
Pg 160 de 171
Determinacin de tolerancias de bajo nivel a partir de las de alto nivel

Dada la caracterstica de alto nivel y y las caractersticas de bajo nivel x1, x2,,
xn, se tiene:

Y = f(x1, x2, .., xn)

Linearizando la funcin de transferencia se tiene:

) ( ) (
i i i i i
i
T x a T x
x
f
T y =
c
c
=

La funcin de prdida de Taguchi es aproximadamente:

2
2
0
0 2
2
0
0
)] ( [ ) ( ) ( T x a
A
T y
A
y L
i i

A
=
A
=

Asumiendo que cuando una caracterstica de bajo nivel Xi excede su lmite de
tolerancia Ai la prdida en calidad es:

i
i
i i i
a A
A
a
A
A
0
0
1
2
2
0
0
] [
A
= A
A
A
=

Ejemplo 7.9: Fuente de poder

Las especificaciones de una fuente de poder son 9.5V1.5V. Si est fuera de
especificaciones el costo de su reemplazo es de $2.00. Una resistencia es crtica,
cada vez que cambia 1% su valor varia el voltaje de salida en 0.2V. Si el costo de
reemplazo del resistor es de $0.15, cul debe ser el lmite de tolerancia del
resistor en porcentaje?

05 . 2
2 . 0
5 . 1
2
15 . 0
0
0
1
= =
A
= A
i
i
a A
A

De esta forma el lmite de tolerancia del resistor debe ser aproximadamente igual
a 2%.

Asignacin de tolerancias para parmetros mltiples

Dada la funcin de transferencia y = f(x1, x2, ., xn) si se desea disear lmites de
tolerancia para todas las caractersticas de bajo nivel x1, x2, , xn en el mtodo
Pg 161 de 171
de Taguchi, simplemente se aplica la ecuacin del problema anterior a todos los
parmetros.

1
0
0
1
1
a A
A A
= A ;
2
0
0
2
2
a A
A A
= A ..
n
n
n
a A
A
0
0
A
= A

Por lo tanto el cuadrado del rango de la salida y causada por la variacin en x1,
x2, , xn es:

2 2
2 2
2
1 1
2
) ( .... ) ( ) (
n n
a a a A + + A + A = A
0
1
0
2 1 2
2
0
0
2
0
0
2
2
0
0
1 2
0
...
.....
A = A
+ + +
= A
|
|
.
|
\
|
A + +
|
|
.
|
\
|
A +
|
|
.
|
\
|
A = A
=
A
A
A
A A A
A
A
A
A
A
A
n
i
n
n
n

Diseo de experimentos de tolerancia de Taguchi

Dado un sistema con un requerimiento de alto nivel y relacionado con un grupo de
caractersticas de bajo nivel Xi con una funcin de transferencia desconocida:

Y = f(x1, x2, .., xn)

Una vez determinados los niveles de los factores en un diseo de experimentos de
parmetros, Taguchi recomienda que los niveles de los factores se establezcan
con las reglas siguientes:

Factores de dos niveles
o Primer nivel = valor objetivo Ti - oi
o Segundo nivel = = valor objetivo Ti + oi
Factores de tres niveles
o Primer nivel = valor objetivo
i
Ti o 2 / 3
o Segundo nivel = valor objetivo Ti
o Tercer nivel = valor objetivo
i
Ti o 2 / 3 +

Fijando estas tolerancias en los experimentos de dos niveles, corresponden a los
percentiles 15 Y 85 del rango de variacin. Para el caso de tres niveles,
Pg 162 de 171
corresponden a los percentiles 10, 50 y 90. Claramente se encuentran en
extremos razonables del rango de variacin.

El diseo de tolerancias es un arreglo experimental ortogonal normal en el cual el
requerimiento funcional y es observado en cada corrida experimental. Si en:

2
2
1
2
) (
i
n
i i
x
y
y Var o
o
o
o

=
|
|
.
|
\
|
= =

Si hacemos
i i
x o o = se tiene:
=
= =
n
i
i
y y Var
1
2 2
) ( ) ( o o

Esta ecuacin indica que el cuadrado medio total MST en el DOE es un buen
estimador de la varianza de (Y). El porcentaje de contribucin de cada factor a la
suma de cuadrados total SST puede ser usada para priorizar el esfuerzo de
reduccin de tolerancia. Si un factor tiene un gran porcentaje de contribucin al
SST y no es caro reducir su tolerancia, es un buen candidato para reduccin de la
variacin.

Ejemplo 7.10: Diseo de experimentos de tolerancias para variables de
proceso

Un material compuesto se proceso en un proceso de curado, y la resistencia a la
tensin del material es la caracterstica de inters.

Hay cuatro variables del proceso:

A Temperatura de horneado
B Tiempo de horneado
C Cantidad de aditivo de fibra
D Tasa de agitacin

Despus del diseo de parmetros, los valores nominales de estas variables de
proceso se determinaron en:

A = 300F
B = 30 min.
C = 15%
D = 300 rpm.

Pg 163 de 171
Estas variables de proceso no pueden ser controladas de manera precisa, en base
a datos histricos se ha identificado la desviacin estndar a largo plazo para cada
factor como:

oA = 10F
oB = 1.8 min.
oC = 1.6%
oD = 12rpm

Como son tres niveles se utilize:
Primer nivel = valor objetivo
i
Ti o 2 / 3
Segundo nivel = valor objetivo Ti
Tercer nivel = valor objetivo
i
Ti o 2 / 3 +

Se obtiene:
Factores Nivel 1 Nivel 2 Nivel 3
A F 288 300 312
B min. 27.8 30 32.2
C % 13 15 17
D rpm 285.4 300 314.6

Se usa un arreglo L9 quedando el arreglo y datos como sigue:
Con Minitab:
Stat > DOE > Taguchi > Create Taguchi Design
Seleccionar 3 level design Number of factors 4
OK

El arreglo y los resultados experimentales se muestran a continuacin:
Factores
Experimento A B C D Resistencia tensin
1 1 1 1 1 243
2 1 2 2 2 295
3 1 3 3 3 285
4 2 1 2 3 161
5 2 2 3 1 301
6 2 3 1 2 260
7 3 1 3 2 309
8 3 2 1 3 274
9 3 3 2 1 198

Analizando el diseo se obtiene:
Con Minitab:
Stat > DOE > Factorial > Define Custom factorial design
Factors A B C D o A-D
Pg 164 de 171
Seleccionar General Full Factorial
OK

Se define el arreglo como sigue:
Experimento A B C D Resistencia tensin StdOrder RunOrder Blocks PtType
1 1 1 1 1 243 1 1 1 1
2 1 2 2 2 295 2 2 1 1
3 1 3 3 3 285 3 3 1 1
4 2 1 2 3 161 4 4 1 1
5 2 2 3 1 301 5 5 1 1
6 2 3 1 2 260 6 6 1 1
7 3 1 3 2 309 7 7 1 1
8 3 2 1 3 274 8 8 1 1
9 3 3 2 1 198 9 9 1 1

Se analiza el diseo con Minitab:
Stat > DOE > Taguchi > Analize Taguchi Design
Response data in Resistencia Tensin
Analysis Display response tables y Fit linear model for Signal to noise ratios / Means
Terms A B C D (pasar con >)
Options seleccionar Smaller is better
OK

Los resultados parciales de ANOVA para medias son:
Source DF Seq SS Adj SS Adj MS F P Porcentaje de contribucin
A 2 1716.2 1716.22 858.11 * * 8.56% (0.0856)
B 2 4630.9 4630.89 2315.44 * * 23.11% (0.2311)
C 2 9681.6 9681.56 4840.78 * * 48.31% (0.4831)
D 2 4011.6 4011.56 2005.78 * * 20.02% (0.2002)
Residual Error 0 * * * 100% 1.0
Total 8 20040.2 Grados de libertad totales = 9-1 = 8

50
2505
8
2
=
= = =
o
o
SST
MST

Claramente los factores C y B son los principales contribuyentes a la varianza. SI
podemos reducir la desviacin estndar de C y B al 50%, manteniendo la misma
contribucin de A y de D, la nueva varianza para y ser:

Pg 165 de 171
1 . 34 2 . 1163
2 . 1163 2002 . 0 ) 5 . 0 ( * 4831 . 0 ) 5 . 0 ( * 2311 . 0 0856 . 0 ( 2505
2 2 2
= =
= + + + =
nueva
nueva
o
o

Pg 166 de 171
8. ANLISIS B vs. C
El anlisis B vs. C es una prueba muy sencilla, que nos permite corroborar si un
procedimiento alterno, llamado aqu B (de Better) es realmente mejor que el
mtodo actualmente utilizado, llamado aqu C (de Current).

En caso de dos mtodos nuevos o propuestos, aquel que usted crea superior
llamelo B, y al restante C.

El procedimiento es como sigue:

1. Seleccione un nivel de confianza bajo el cual hacer la prueba. Suponga que
realmente los dos procedimientos B y C son iguales, al realizar una prueba
estadstica, aun as, existe la posibilidad de equivocarnos y concluir que B es
mejor que C.

A este error se le llama elegantemente error tipo I, error alfa, o simplemente
riesgo.

En muchas situaciones industriales, un moderado riesgo o de 0.10 o un importante
riesgo o de 0.05 son adecuados. Unicamente si el costo de una mala decisin es
muy elevado se usa un riesgo de 0.01. Finalmente, si la decisin pone en peligro
la vida (reactores nucleares) y adems a un costo muy elevado, se usa un riesgo
o super crtico de 0.001.

2. Decidir un tamao de muestra para prueba B y C.

Despus de seleccionar un riesgo o. Por ejemplo, un riesgo o de 5%. Para este
riesgo se tienen diferentes alternativas de tamao de muestra para B y para C, tal
y como se muestra en la tabla de la hoja siguiente. Por lo general, se selecciona
un tamao de 3, y 3 respectivamente.

Observe que se presentan varias opciones en las cuales se tiene un gran nmero
de Cs y por lo general pocas Bs. Esto se debe a que el proceso actual es C, y por
lo tanto, es probable que sea mucho ms econmico realizar pruebas bajo esta
condicin.

3. Conducir las pruebas de una manera aleatoria.

4. Clasificar y ordenar los resultados de mejor a peor

5. Tomar una decisin.

Si todos los resultados para el procedimiento B son mejores que los del C, se
puede decir que efectivamente el procedimiento B es mejor que el C. SI existe
algn traslape, no se puede concluir que B es mejor que C.
Pg 167 de 171
Por ejemplo si se tienen tres pruebas de B y cuatro de C, el orden debe ser:
B B B C C C C
Mejor Peor

Contador final B=3; contador final C=4

En este caso no hay traslapamiento y se puede concluir que el procedimiento B es
mejor que el C.

En algunos casos es deseable tomar muestras de mayor tamao y permitir algn
traslape en las lecturas. Cuando se desea hacer esto, se recomienda que se tome
un tamao de muestra de al menos 10 unidades para cada procedimiento. Lo que
si se recomienda es que el tamao de muestra sea igual para cada procedimiento.

Entonces, se evala lo que se llama el contador final sin traslape. Por ejemplo, si
el resultado es:

B B B B C C B C B C C B C C C C C

Observe que a la izquierda se tienen cuatro resultados de B sin empalme, y a la
mera derecha se tienen 5 resultados sin empalme. El contador final es la suma de
esas dos lecturas, esto es 4 + 5= 9.

Dependiendo del riesgo, el contador final debe ser mayor que el nmero que se
indica en la siguiente tabla:

Error o Mnimo nmero
para el contador final
0.05 6
0.01 9
0.001 12

Si el contador final es mayor que el nmero indicado, se puede decir que el
procedimiento B es mejor que el C.

Aun cuando las pruebas B vs. C no indiquen diferencia entre B y C en trminos de
calidad, el proceso B puede ser seleccionado sobre el proceso C (o viceversa) si
el proceso B es menos costoso que el proceso C.

Pg 168 de 171
Tamao de muestra de B vs. C segn el riesgo o

Nmero de pruebas
Riesgo o Confianza Bs Cs
0.001 0.999 2 (43)
3 16
super crtico 4 10
5 8
6 6
0.01 0.99
crtico 2 13
3 7
4 5
5 4
0.05 0.95
importante 1 19
2 5
3 3
4 3
0.10 0.90
moderado 1 9
2 3
3 2

Considere el ejemplo siguiente:

Ejemplo 8.1: Semiconductores
En la fabricacin de un semiconductor, se corre una prueba B vs. C para ver si se
pueden obtener mejores resultados con una atmsfera al alto oxgeno (B), en lugar del
procedimiento actual (C). Se toma un riesgo o de 0.05 (5%), pero el tamao de la
muestra es doce Cs y doce Bs (porque se desea permitir traslape), los cuales son
seleccionados y procesados en orden aleatorio. Se decide permitir traslapamiento en
el contador final. Los resultados son:
C
105.6, 102.5, 108.5, 114.6, 95.8, 88.3, 104.1, 100.5, 97.5, 114.9, 103.7, 100.1
B
101.2, 119.2, 108.6, 117.0, 109.4, 123.6, 117.2, 114.5, 123.2, 99.3, 110.4, 118.2
Los resultados se clasifican en orden descendente como sigue:
Pg 169 de 171
B 123.6 C 114.9, C114.6,
114.5,
B 123.2 Contador ., C 100.0, B 99.3 Contador C 97.5
B 119.2 final final C 95.8
B 118.2 B=6 Traslapamiento = 16 C= 3 C 88.3
B 117.2
B 117.0

El contador final total = 6+3= 9. De la regla 6, 9.12, cuando o= 0.05 el contador
final debe de ser al menos 6. Por lo tanto se concluye que el proceso B es mejor
que el proceso C con riesgo de 5%.

Pg 170 de 171
9. CONCLUSIONES

En este material se ha pretendido dar una idea muy general de lo que es la
ingeniera de calidad. Se han mencionado sus conceptos generales y su potencial
de aplicacin.

Se ha enfatizado la importancia que tiene el disear los productos y procesos de
manera que desde esa etapa se asegure la calidad en el producto final, a pesar de
la variabilidad en los insumos y condiciones ambientales de operacin.
El diseo experimental toma una posicin importante bajo estas ideas. No es ya
una herramienta meramente terica, sino que es una herramienta prctica a
utilizar en varias situaciones, para reducir costos y al mismo tiempo incrementar la
calidad.

Si bien las ideas se han estado aplicando ya de una manera intensiva en nuestro
pas, no son pocas las opiniones de autores que atacan estas nuevas ideas y
metodologas.

Esperamos que haya captado las ideas fundamentales, para que forme su propio
criterio en cuanto al potencial de estas herramientas y metodologas estadsticas.

Pg 171 de 171

BIBLIOGRAFA
American Supplier Institute. Introduction to Quality Engineering, Course Manual,
Cd, Jurez Chih., 1989.
Bendell A., Disney and W.A. Pridmore, taguchi Methods applications in World
Industry, IFS Publications, 1989.
Taguchi G., Introduction to Quality Engineering, Asian Productivity Organization,
1986.
Wo Yuin W. Hobbs Moore, Quality Engineering American Suppliers Institute, 1987.

Taguchi

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Taguchi

Hochgeladen von

Copyright:

Verfügbare Formate

LA INGENIERA DE CALIDAD DE TAGUCHI

Das könnte Ihnen auch gefallen