DISEO DE EXPERIMENTOS TAGUCHI

La parte fundamental de la metodologa ideada por el matemtico japons G. Taguchi es la optimizacin de productos y procesos, a fin de asegurar productos robustos, de alta calidad y bajo costo.

La metodologa Taguchi consta de tres etapas:

a) Diseo del sistema b) Diseo de parmetros c) Diseo de tolerancias

De estas tres etapas, la ms importante es el diseo de parmetros cuyos objetivos son: a) Identificar qu factores afectan la caracterstica de calidad en cuanto a su magnitud y en cuanto a su variabilidad. b) Definir los niveles ptimos en que debe fijarse cada parmetro o factor, a fin de optimizar la operacin del producto y hacerlo lo ms robusto posible. c) Identificar factores que no afectan substancialmente la caracterstica de calidad a fin de liberar el control de estos factores y ahorrar costos de pruebas.

Para lograr lo anterior se ha manejado una serie de herramientas estadsticas conocida como diseo de experimentos, tratadas anteriormente. Taguchi ha propuesto una alternativa no del todo diferente que se que conoce como: Arreglos Ortogonales y las Grficas Lineales.

La herramienta utilizada normalmente son diseos Factoriales fraccionados, sin embargo cuando el nmero de factores se ve incrementado, las posibles interacciones aumentan, as como la complicaciones para identificar cules son las condiciones especficas a experimentar.

Un arreglo ortogonal se puede comparar con una replicacin factorial fraccionada, de manera que conserva el concepto de ortogonalidad y contrastes. Un experimento factorial fraccionado es tambin un arreglo ortogonal . Taguchi desarroll una serie de arreglos particulares que denomin:

La (b)C

Donde: a = Representa el nmero de pruebas o condiciones experimentales que se tomarn. Esto es el nmero de renglones o lneas en el arreglo. b = Representa los diferentes niveles a los que se tomar cada factor. c = Es el nmero de efectos independientes que se pueden analizar, esto es el nmero de columnas.

Arreglos ortogonales para experimentos a dos niveles 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. Como ejemplo de un arreglo ortogonal tenemos el siguiente: De acuerdo con la notacin empleada por Taguchi al arreglo mostrado como ejemplo, se le llama un arreglo L4, por tener cuatro renglones. En general, para un arreglo a dos niveles, el nmero de columnas (efectos o factores) 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 segn el nmero de factores a analizar son:

No. de factores a analizar

Arreglo a utilizar

No. de condiciones a probar

Entre 1 y 3 Entre 4 y 7 Entre 8 y 11 Entre 12 y 15 Entre 16 y 31 Entre 32 y 63

L4 L8 L12 L16 L32 L64

4 8 12 16 32 64

Algunos arreglos ortogonales:

Ejemplo: En un proceso de formacin de paneles una caracterstica no deseada es la emisin de formaldehdo en el producto final. Se desea que esta emisin sea lo mnima posible. Actualmente se estima en 0.45 ppm. (partes por milln). Se cree que cinco 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.

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

TOTAL=

2.64

Observe que en las columnas vacas, 6 y 7, se ha escrito la letra e1,y e2 respectivamente 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 el anlisis de varianza, se muestra en este ejemplo primero el uso del anlisis de varianza, posteriormente se muestra el uso de grficas.

Anlisis de varianza

1) como primer paso, se obtienen los totales de la variable de respuesta o lecturas, para cada uno de los niveles de los factores.

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).

Los totales son por lo tanto:

A1= 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

A2= 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:

D1= 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

D2= 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 Nivel 1 Nivel 2

A 1.59 1.05

B 1.36 1.28 2.64

C 1.51 1.13 2.64

D 1.40 1.24 2.64

E 1.39 1.25 2.64

e 1.28 1.36 2.64

e 1.35 1.29 2.64 2.64

Observe que la suma de los dos niveles debe dar siempre el total de las ocho lecturas 2.64.

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 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= (A2 A1) 2/ 8= (1.59-1.05) 2/ 8=0.03645 con 1 g .1

Para el factor B se tiene SSB= (B2 B1) 2/ 8= (1.28-1.36) 2/ 8= 0.00080 con 1 g.1

Similarmente SSC= (C2 C1) 2/ 8= (1.13-1.51) 2/ 8= 0.01805 con 1 g.1 SSD= (D2 D1) 2/ 8= (1.24-1.40) 2/ 8= 0.00320 con 1 g.1 SSE= (E2 E1) 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 A B C D E Error Total

G.l. 0.03645 0.00080 0.01805 0.00320 0.00245 1 1 1 1 1 2 7

V 0.03645 0.00080 0.01805 0.00320 0.00245

Fexp 58.32 1.28 28.88 5.12 3.92

0.00125 0.0622

0.000625

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 caso del error.

La columna V, se obtiene dividiendo 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

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) Obtenemos las siguientes conclusiones:

Todos aquellos factores, que tienen un valor de Fexp mayor que 2 se considera que afectan la variable de respuesta, emisin de formaldehdo en este caso. Estos son llamados 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 A C D E Error Total SS 0.03645 0.01805 0.00320 0.00245 0.00205 0.0622 G.1 1 1 1 1 3 7 V 0.03645 0.01805 0.00320 0.00245 0.00068 Fexp 53.60 26.54 4.71 3.60

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 formaldehdo para cada nivel se obtienen dividiendo c/u de los totales entre 4, (c/total es la suma de cuatro lecturas).

El resto de los promedio son: Factor Nivel 1 Nivel 2 A B C D 75 25

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 formaldehdo debern fijarse al nivel que minimicen la emisin, esto es, al nivel que se obtenga el promedio menor, en este ejemplo; A2, C2, D2 y E2; resina tipo II, 15 segundos como tiempo de prensado, 5% de humedad y 900 psi. El factor B juega aqu un papel sumamente importante. Dado que no afecta la emisin de formaldehdo, 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)

= A2 Y= 0.2625-0.3300= -0.0675 (A se fij a su nivel 2) EF C EF D EF E = C2 Y= 0.2825-0.3300= -0.0475 = D2 Y= 0.3100-0.3300=-0.0200 = E2 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

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:

Factor Nivel 1 Nivel 2

A 0.3975 0.2625

B 0.3400 0.3200

C 0.3775 0.2825

D 0.3500 0.3100

e 0.3200 0.3400 0.3325 0.3225

0.3475 0.3125

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 en valor absoluto.

Esto es por ejemplo para el factor A

A1 A2 = 0.3975 0.2625= 0.1350; para el resto tenemos:

Factor

Diferencia

0.1350

0.0200

0.0950

0.0400

0.0350

0.0200

0.0100

En la tabla de ANOVA encontramos los resultados obtenidos anteriormente: N A B C D E e1 e2 Yi

1 2 3 4 5 6 7 8 T1 T2

1 1 1 1 2 2 2 2 1.59 1.05

1 1 2 2 1 1 2 2 1.36 1.28

1 1 2 2 2 2 1 1 1.51 1.13

1 2 1 2 1 2 1 2 1.40 1.24

1 2 1 2 2 1 2 1 1.39 1.25

1 2 2 1 1 2 2 1 1.28 1.36

1 2 2 1 2 1 1 2 1.35 1.29

0.49 0.42 0.38 0.30 0.21 0.24 0.32 0.28 Tot 2.64

SS 0.03645 0.00080 gl V 1 0.03645 58.32 si 1 0.00080 1.28 no

0.01805 1 0.01805 28.88 si

0.00320 1 0.00320 5.12 si

0.00245 1 0.00245 3.92 si

0.00080

0.00045

Ve 2 .00062 F

Sg

P1

0.3975

0.3400 0.3200 -

0.3775 0.2825 2 -0.0475

0.3500 0.3100 2 -0.0200

0.3475 0.3125 2 -0.0175

Y 0.33

P2 0.2625 Ni Ef 2 -0.0675

Yest. = Y + Ef A2 + Ef C2 + Ef D2 + Ef E2 T1 T2 n SS gl V F Sg P1 P2 Ni Ef Y Yest = Total de lecturas al nivel 1 = Total de lecturas al nivel 2 = Nmero total de lecturas = (T2 - T1 )2 /n = Grados de libertad (columnas) = SS/gl = V/Ve = Efecto significante? = Promedio nivel 1 = Promedio nivel 2 = Nivel seleccionado = Efecto de la variable = Promedio de todos los datos = Valor estimado de la variable a las condiciones propuestas

Ordenando de mayor a menor valor absoluto (ignorando el signo), tenemos: Factor Diferencia A C D 0.0400 E 0.0350 B 0.0200 e e

0.1350 0.0950

0.0200 0.0100

Se puede observar que el orden en que quedaron los datos anteriores, 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:

.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.

Observamos 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

Observe que las conclusiones a que se llegamos 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 A2, C2, D2 y E2, es decir, los puntos por debajo de la lnea promedio global.

En conclusin, el mtodo grfico puede ser utilizado para fines de exposicin o presentacin y el ANOVA para fines de tomar una decisin ms objetiva.

Arreglos ortogonales para factores con interacciones:

Como hemos visto anteriormente en los procesos de produccin se producen interacciones. En esta seccin describiremos esta situacin.

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.

Supongamos 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 usamos el refrigerante I, al aumentar la temperatura la planicidad aumenta. Pero si se utiliza la marca de refrigerante II, al aumentar la temperatura, la planicidad disminuye.

Si nos preguntamos cual es el efecto de la temperatura sobre la planicidad, podemos contestar que depende del tipo de refrigerante que se utilice. 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 interactuan.

Grficamente se puede observar si existe o no interaccin entre los factores:

B1 B1

B2

B2 A1 A2 A1 A2

Las dos lneas son paralelas, no existe interaccin entre los factores.

El efecto de A depende del nivel de B y viceversa. El efecto de A no es consistente. Existe interaccin

Las interacciones existen en los procesos en mayor o menor grado.

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, si 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 cuales interacciones

especficamente sospechamos que existen. Esto es, debemos definir de antemano qu interacciones creemos son relevantes, a fin de incluirlas en nuestro anlisis. Esto se puede saber en base a la experiencia previa del proceso.

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.

Grficas lineales A continuacin se muestra un arreglo L8 junto con una matriz triangular y dos grficas lineales. Estas se reproducen aqu para su explicacin.

Columnas N 1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 1 1 1 1 1 1 1 1 1 1 2 2 2 2 1 2 2 1 1 2 2 1 2 2 2 2 1 1 2 1 2 1 2 1 2 2 1 2 2 1 2 1 2 2 1 1 2 2 1 2 2 1 2 1 1 2 Columnas 1 (1) 2 3

Matriz o tabla de interacciones 3 2 4 5 6 5 4 7 6 7 4 7 6 5 4 3 2

(2) 1

(3) 7

6* 5 2

(4) 1

(5) 1

(6) 1 (7)

5 .7

1 5 6 4

(b) (a)

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 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 (a) y (b) respectivamente.

Por ejemplo, la grfica (a) 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 interactua 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 (b) 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 interactua 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.

La aplicacin de grficas lineales se muestra con un ejemplo.

Supongamos que queremos analizar el efecto de cuatro factores A, B, C y D, adems de las interacciones AxB, AxC y AxD.

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) b)

un efecto individual se representa con un punto.

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 A B 1

3 2

AxC

AxD 6 C D 7

3) Utilizando la segunda grfica, 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:

A N 1 1 2 3 4 5 6 7 8 1 1 1 1 2 2 2 2 1

B 2

AxB 3

D 4

AxD 5

AxC 6

C 7

1 1 2 2 1 1 2 2

1 1 2 2 2 2 1 1

1 2 1 2 1 2 1 2

1 2 1 2 2 1 2 1

1 2 2 1 1 2 2 1 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

AxD

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.

Si deseamos analizar los factores A, B, C, D, E y F, adems de la interaccin AxB, una posible asignacin es:

Efecto Columna

A 1

D 2

C 3

B 4

AxB 5

E 6

F 7

Ejemplo:

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 I

Niveles

II A B C D AxC AxB BxC Tensin del diafragma Baja Entrada para aire Alta Abierta Grande

Estrecha

Apertura para combustible Flujo de gasolina Interaccin Interaccin Interaccin

Pequea

Lento Rpido

La Grfica lineal que se desea es:

A AxC AxB

C CxB

.D

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

N A C AxC B AxB CxB D 1 2 3 4 5 6 7

Tensin Apertura Entrada

Flujo

Yi 1 2 3 4 5 6 7 8 1 1 1 1 1 2 1 2 2 1 2 1 2 2 2 2 1 1 2 2 2 2 1 1 1 2 1 2 1 2 1 2 1 2 1 2 2 1 2 1 1 2 2 1 1 2 2 1 1 2 2 1 2 1 1 2 Baja Baja Baja Baja Alta Alta Alta Alta Pequea Estrecha Lento Pequea Abierta Grande Grande Rpido 11.2 10.8 7.2 7.0 8.0 6.9 10.4 10.1 71.6

Estrecha Rpido Abierta Lento

Pequea Estrecha Rpido Pequea Grande Grande Abierta Lento

Estrecha Lento Abierta Rpido Total

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 Nivel 1 Nivel 2 36.2 35.4

C 36.9 34.7

AxC 42.5 29.1

B 36.8 34.8

AxB 35.4 36.2

BxC 36.3 35.3

D 35.5 36.1

La tabla ANOVA que resulta es:

Efecto A

SS 0.0800*

G.l. 1

V 0.0800

Fexp -

C AxC B AxB BxC D (e)

0.6050 22.4450 0.5000 0.0800* 0.1250 0.0450* 0.2050

1 1 1

0.6050 22.4450 0.5000 1 0.0800

8.85 328.46 7.32 1.83 -

1 1 3

0.1250 0.0450 0.0638

Total

23.8800

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:

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 1 2 3 4 5 6 7 8

A 1 1 1 1 2 2 2 2

C 1 1 2 2 1 1 2 2

Yi 11.20 10.80 7.2 7.0 8.0 6.9 10.4 10.1 Siempre existirn entre dos columnas cuatro posibles combinaciones de nmeros: 1 1; 1 2; 2 1; 2 2

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 A1 C1 A1 C2 A2 C1

Total 22.0 14.2 14.9

Promedio 11.00 7.10 7.45 Como es un caso mejor, se selecciona el promedio menor, A1 C2 en este

A2 C2

20.5

10.25

caso.

Graficando estos promedios se tiene que:

11.0

10.0

9.00

8.00

7.00 A1 A2

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

A1C2

= (A1

- Y)

Y) -

- 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

Y= 8.70 8.95= -0.25

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 A1 C2 + EF A1 + EF C2 + EF B2 = 8.95 + (-1.675) + (9.05 8.95) + (8.675 8.95) + (-0.25)= 6.85 Considere los siguientes ejemplos propuestos.

Puede ud. acomodar en un arreglo L8 los efectos A, B, C, D, AxB y CxD

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

Variable de respuesta, viscosidad, el mayor valor es deseado.

Factores

Nivel I

Nivel II

A B C D E

Mezcla de hule crudo Curado Velocidad de prensado Enfriamiento del tambor Secado con vapor envolvente Interaccin ExD Interaccin DxC

si no 50m/min

no 24 hrs. 55 m/min

con agua sin agua si no

Arreglo ortogonal y resultados

N 1 2 3 4 5 6 7 8

E 1 1 1 1 2 2 2 2

D 1 1 2 2 1 1 2 2

ExD 1 1 2 2 2 2 1 1

C 1 2 1 2 1 2 1 2

B 1 2 1 2 2 1 2 1

DxC 1 2 2 1 1 2 2 1

A 1 2 2 1 2 1 1 2

Resultado 1620 1580 1100 1150 1500 1560 1000 1020

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 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, 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

Ud. 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:

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.

ANALISIS SEAL A RUIDO

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.

El anlisis se realiza de la siguiente manera: 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.

Indices seal ruido

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. 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:

IV.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 donde Sm= (y1 + y2 + y3 +,yr,)2/r Vm=

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

En ocasiones se utiliza:

SN= -10 log Vm

IV.2.2 Caso menor es mejor

Para el caso de menor es mejor, el ndice recomendado es:

SN= -10 log

Esta cantidad estima el logaritmo de base 10 de (media2 + varianza)

IV2.3 Caso mayor es mejor

Para el caso mayor es mejor se recomienda:

SN= -10 log

Esta cantidad funciona de una manera similar al caso anterior, pero con el inverso. Maximizar una cantidad es equivalente a minimizar el inverso.

El uso de logaritmos pretende hacer la respuesta ms lineal y el signo negativo es para que siempre se maximice el ndice SN. Se multiplica por 10 para obtener decibeles.

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.