Dise o Robusto de Productos Tag2

DISEO ROBUSTO DE PRODUCTOS CON TAGUCHI
P. Reyes/Sept. 2007
http://es.slideshare.net/fenomenos/exp
osicion-unida-metodo-taguchi
https://es.scribd.com/doc/52364952/Dis
eno-de-Experimentos-Robusto-Metodode-Taguchi
DISEO ROBUSTO DE PRODUCTOS

CON TAGUCHI
Pgina 1 de 66
Primitivo Reyes Aguilar

Septiembre de 2007
Pgina 2 de 66
P. Reyes/Sept. 2007
P. Reyes/Sept. 2007
Diseo de experimentos de Taguchi

1. Introduccin
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
Xi
Respuestas
Y1
Proceso
Y2
Y3
Suponga que la situacin de alguna de las caractersticas, digamos Y1 se muestra en

la figura siguiente:
LIE
LSE
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:
Pgina 3 de 66
P. Reyes/Sept. 2007
Factores que afectan la media y/o la variabilidad.

Factores de ruido
Factores que afectan
la media sin afectar
la variabilidad
Factores que no
afectan, ni la media
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.
Pgina 4 de 66
P. Reyes/Sept. 2007
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.
Pgina 5 de 66
P. Reyes/Sept. 2007
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 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
Pgina 6 de 66
P. Reyes/Sept. 2007
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.
2. La Funcin de Prdida
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.
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 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
Pgina 7 de 66
P. Reyes/Sept. 2007
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, llamelo 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:
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.
Pgina 8 de 66
P. Reyes/Sept. 2007
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 Tc2; k= Ac/ Tc2
La funcin de prdida se puede expresar tambin de la manera siguiente
L(y)= (Ac/ Tc2)(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:
Ap= (Ac/ Tc2)Tp 2, y por lo tanto Tp=
Ap
Ac
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.
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
Pgina 9 de 66
P. Reyes/Sept. 2007
la prdida promedio que su produccin induce al cliente. Para esto es suficiente

obtener el promedio para todos sus productos, esto es:
Lmedia=
k ( yi m) / n (k ( y
m ) k ( y 2 m ) ... k ( y n m )) / n
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= k 2 d 2 ; donde d= (-m)
y 2 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 ) y centrar su
proceso de manera que la media del mismo coincida con el ideal m, (disminuir d 2
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.
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)= k 2 d 2
Pgina 10 de 66
P. Reyes/Sept. 2007
Menor es mejor
L(y)=K y2
L(y)= K 2 2
Mayor es mejor
L(y)= K/ y2
L(y)= K 1
1 3 2

2
2
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.
3. ARREGLOS ORTOGONALES
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.
Pgina 11 de 66
P. Reyes/Sept. 2007
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:
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
Resultado
Y1
Y2
Y3
Y4
Columna 3
Columna 2
Columna 1
Grfica lineal del arreglo ortogonal L4

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.
Pgina 12 de 66
P. Reyes/Sept. 2007
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
2 31 con la relacin que lo
genera C = - AB en la columna 3.
1
2
3
4
-1
-1
+1
+1
Factor
2
-1
+1
-1
+1
Resultado
-1
+1
+1
-1
Y1
Y2
Y3
Y4
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:
Pgina 13 de 66
Exp. No.
1
2
3
4
5
6
7
8
COLUMNAS
2
1
1
2
2
1
1
2
2
1
1
1
1
1
2
2
2
2
Columnas 1
1
(1)
2
3
4
5
6
7
3
1
1
2
2
2
2
1
1
4
1
2
1
2
1
2
1
2
Matriz o tabla
de
interacciones
2
3
3
2
(2)
1
(3)
P. Reyes/Sept. 2007
5
1
2
1
2
2
1
2
1
4
5
6
7
(4)
6
1
2
2
1
1
2
2
1
5
4
7
6
1
(5)
7
1
2
2
1
2
1
1
2
6
7
4
5
2
1
(1)
7
6
5
4
3
2
6
(7)
1
1
3
2
5
6
(a)
.7
5
6
(b)
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
Pgina 14 de 66
P. Reyes/Sept. 2007
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
Pgina 15 de 66
P. Reyes/Sept. 2007
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 2 7 4 donde la columna 4 del arreglo L8 corresponde a la
columna A del arreglo 2 7 4 , la columna 2 del arreglo L8 corresponde a la columna B
del arreglo 2 7 4 , y la columna 1 del arreglo L8 corresponde a la columna C del
arreglo 2 7 4 . 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.
COLUMNAS
Exp. No.
1
2
3
4
5
6
7
8
C
1
-1
-1
-1
-1
+1
+1
+1
+1
B
2
-1
-1
+1
+1
-1
-1
+1
+1
-BC
3
-1
-1
+1
+1
+1
+1
-1
-1
A
4
-1
+1
-1
+1
-1
+1
-1
+1
-AC
5
-1
+1
-1
+1
+1
-1
+1
-1
-BC
6
-1
+1
+1
-1
-1
+1
+1
-1
7
-1
+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 2 7 4 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).
7
En la notacin de los arreglos ortogonales L8 ( 2 ) , 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.
Pgina 16 de 66
P. Reyes/Sept. 2007
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
5
6
7
8
9
Columna 1
1
1
1
1
2
2
2
3
3
3
2
1
2
3
1
2
3
1
2
3
Columnas 3,4
3
1
2
3
2
3
1
3
1
2
4
1
2
3
3
1
2
2
3
1
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
se desean analizar es
N de condiciones
a probar
Entre 1 y 3
L4
Entre 4 y 7
L8
Entre 8 y 11
L12
12
Entre 12 y 15
L16
16
Entre 16 y 31
L32
32
Entre 32 y 63
L64
64
4 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
Pgina 17 de 66
P. Reyes/Sept. 2007
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 nmero de niveles1 (n-1).
3. Para las interacciones, v. gr. A y B, los grados de libertad son los (nA1)*(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:
Factores
Grados de libertad
Media
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
refrigerante II, al aumentar la temperatura, la planicidad disminuye.
Pgina 18 de 66
usa la marca de
P. Reyes/Sept. 2007
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:
B2
B1
B2
B1
A1
A2
A1
Las dos lneas son paralelas, no

existe interaccin entre los factores.
A2
El efecto de A depende del nivel de B

y viceversa. El efecto de A no es
consistente. Existe interaccin.
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.
Pgina 19 de 66
P. Reyes/Sept. 2007
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:
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.
Pgina 20 de 66
P. Reyes/Sept. 2007
Se puede usar la tabla siguiente como referencia:

Arreglo
Nmero
Factores
Mximo
Nmero
De cols.
En niveles
ortogonal
De exper.
Mximos
L4
L8
L9
L12
12
11
11
L16
16
15
15
L16
16
L18
18
L25
25
L27
27
13
L32
32
31
31
L32
32
10
L36
36
23
11
12
L36
36
16
13
L50
50
12
L54
54
26
L64
64
63
63
L64
64
21
L81
81
40
5
1
7
6
13
9
11
21
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.
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
Exp. No.
1
Col.1 Col.
2
Col.
3
Col.
4
Col.
5
Col.
6
Col.
7
Pgina 21 de 66
2
3
4
5
6
7
8
1
1
1
2
2
2
2
1
2
2
1
1
2
2
Columnas 1
1
(1)
2
3
4
5
6
7
1
2
2
2
2
1
1
2
1
2
1
2
1
2
Matriz o tabla
de
interacciones
2
3
3
2
(2)
1
(3)
2
1
2
2
1
2
1
P. Reyes/Sept. 2007
2
2
1
1
2
2
1
4
5
6
7
(4)
2
2
1
2
1
1
2
5
4
7
6
1
(5)
6
7
4
5
2
1
(1)
7
6
5
4
3
2
6
(7)
1
3
1
.7
(b)
6
2
6
(a)
La aplicacin de grficas lineales se muestra mediante una serie de ejemplos.
Pgina 22 de 66
P. Reyes/Sept. 2007
Ejemplo 1:
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) 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.
C.
B.
D.
En seguida mostramos las interacciones que nos interesan, mediante lneas. Para
nuestro caso tenemos (grfica de la izquierda):
AxB
AxC
AxD
5
6
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:
Pgina 23 de 66
Columna
1
A
1
1
1
1
2
2
2
2
Exp. No.
1
2
3
4
5
6
7
8
Columna
2
B
1
1
2
2
1
1
2
2
Columna
3
AxB
1
1
2
2
2
2
1
1
Columna
4
D
1
2
1
2
1
2
1
2
P. Reyes/Sept. 2007
Columna
5
AxD
1
2
1
2
2
1
2
1
Columna
6
AxC
1
2
2
1
1
2
2
1
Columna 7
C
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
A
.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 2:
Si deseamos analizar los factores A, B, C, D, E y F, adems de la interaccin AxB, una
posible asignacin es:
Efecto
Columna
1
A
Columna
2
D
Columna
3
C
Columna
4
B
Pgina 24 de 66
Columna
5
AxB
Columna
6
E
Columna 7
F
P. Reyes/Sept. 2007
Ejemplos adicionales 3:
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
Exp. No.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
Col.1 Col.
2
A
B
1
1
1
1
1
1
1
2
1
2
1
2
1
3
1
3
1
3
2
1
2
1
2
1
2
2
2
2
2
2
2
3
2
3
2
3
Col.
3
C
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
Col.
4
D
1
2
3
1
2
3
2
3
1
3
1
2
2
3
1
3
1
2
Col.
5
E
1
2
3
2
3
1
1
2
3
3
1
2
3
1
2
2
3
1
Col.
6
F
1
2
3
2
3
1
3
1
2
2
3
1
1
2
3
3
1
2
Col.
7
G
1
2
3
3
1
2
2
3
1
2
3
1
3
1
2
1
2
3
Col. 8
e
1
2
3
3
1
2
3
1
2
1
2
3
2
3
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:
Pgina 25 de 66
P. Reyes/Sept. 2007
A(1)
C(6)
13
B(2)
10
D(12)
G(11)
15
F(8)
I(14)
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
Exp.
No.
1
2
.
2
B
4
AB E
5
H
6
C
10 11 12 13 14 15
AC F
AF
1 1 1
1 1 1 1
1 1
1 1 1
1 1 1 1
1 2
. . . . . . . . .
e
1
G
1
D
1
AD I
1
1
E
1
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)
3,4
B(2)
E(10)
F(12)
e(13)
6,7
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.
Pgina 26 de 66
P. Reyes/Sept. 2007
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
Exp. No.
1
2
3
4
5
6
7
8
Col.1 Col.
2
Col.
3
Col.
4
Col.
5
Col.
6
Col.
7
1
1
1
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
1
1
2
2
1
1
2
2
Combinando las columnas 1, 2 y 3 se tiene:

A
1
3
2
AB(5)
B(4)
AB(6)
Pgina 27 de 66
L8
Exp. No.
1
2
3
4
5
6
7
8
L8
Exp. No.
1
2
3
4
5
6
7
8
Col.1 Col.
2
Col.
B
1
1
1
1
2
2
2
2
1
1
2
2
3
3
4
4
1
1
2
2
1
1
2
2
Nueva
Col.
Col.
nueva 4
Col.
5
Col.
6
Col.
7
1
1
2
2
3
3
4
4
1
2
1
2
2
1
2
1
1
2
2
1
1
2
2
1
1
2
2
1
2
1
1
2
1
2
1
2
1
2
1
2
P. Reyes/Sept. 2007
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:
Columnas 1
1
(1)
2
3
4
5
6
7
Matriz o tabla
de
interacciones
2
3
3
2
(2)
1
(3)
4
5
6
7
(4)
5
4
7
6
1
(5)
Pgina 28 de 66
6
7
4
5
2
1
(1)
7
6
5
4
3
2
6
(7)
P. Reyes/Sept. 2007
Y la grfica lineal queda como sigue:

A
1
3
AB(5)
B(4)
AB(6)
AB(7)
El arreglo ortogonal resultante es el siguiente:

L8
Exp. No.
1
2
3
4
5
6
7
8
1
1
2
2
3
3
4
4
B
1
2
1
2
1
2
1
2
AB
1
2
1
2
2
1
2
1
AB
1
2
2
1
1
2
2
1
AB
1
2
2
1
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.
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:
Pgina 29 de 66
L9
Exp. No.
1
2
3
4
5
6
7
8
9
Col.1 Col.
2
A
B
1
1
1
2
1
3
2
1
2
2
2
3
3
1
3
2
3
3
Col.
3
C
1
2
3
2
3
1
3
1
2
P. Reyes/Sept. 2007
Col.
4
D
1
2
3
3
1
2
2
3
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
Exp. No.
1
2
3
4
5
6
7
8
9
Col.1 Col.
2
A
B
1
1
1
2
1
3
2
1
2
2
2
3
1
1
1
2
1
3
Col.
3
C
1
2
3
2
3
1
3
1
2
Col.
4
D
1
2
3
3
1
2
2
3
1
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
Pgina 30 de 66
P. Reyes/Sept. 2007
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
Exp. No.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
10
11
12
13
14
15
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
1
1
2
1
1
2
1
1
2
1
2
1
1
2
1
1
2
1
1
2
1
2
2
2
2
2
2
2
2
2
2
2
2
1
1
1
1
2
2
2
2
2
2
2
2
2
2
2
2
1
1
1
1
2
1
1
2
2
1
1
2
2
2
2
1
1
2
2
1
1
2
2
2
1
1
1
1
2
2
2
2
1
1
2
2
2
1
1
2
2
1
1
1
1
2
2
2
1
2
1
2
2
1
2
1
2
1
2
1
2
1
2
1
2
2
1
2
1
1
2
1
2
2
1
2
1
2
2
1
2
1
2
1
2
1
1
2
1
2
1
1
2
2
1
1
2
2
1
1
2
2
1
1
1
2
2
1
2
1
1
2
2
1
1
2
1
2
1
1
2
1
2
2
1
2
1
1
2
1
2
1
1
2
2
1
1
2
1
2
2
1
2
2
2
2
2
2
2
2
2
1
1
2
2
1
1
2
2
2
1
2
1
2
1
2
1
2
Sus grficas lineales son las siguientes:

1
B(4)
D(5)
F(7)
H(6)
G(9)
11
BC(12)DE(15)FG(14)13
C(8)
E(10)
A
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.
Pgina 31 de 66
L16
1, 2, 3
Exp. No.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
A
1
1
1
1
2
2
2
2
3
3
3
3
1
1
1
1
4
B
1
1
2
2
1
1
2
2
1
1
2
2
1
1
2
2
P. Reyes/Sept. 2007
10
11
12
D
1
1
2
6
H
1
1
2
F
1
1
2
C
1
2
1
G
1
2
1
E
1
2
1
e
1
2
1
BC e
1
1
FG DE
1
1
2
2
2
2
2
2
2
2
2
1
1
2
2
2
2
1
1
2
2
1
1
2
2
2
1
1
1
1
2
2
2
2
1
1
2
2
2
1
1
2
2
1
1
1
1
2
2
2
1
2
1
2
2
1
2
1
2
1
2
1
2
1
2
1
2
2
1
2
1
1
2
1
2
2
1
2
1
2
2
1
2
1
2
1
2
1
1
2
1
2
1
1
2
2
1
1
2
2
1
1
2
2
1
1
1
2
2
1
2
1
1
2
2
1
1
2
1
2
1
1
2
1
2
2
1
2
1
1
2
1
2
1
1
2
2
1
1
2
1
2
2
1
2
1
2
1
2
1
2
1
2
13
14
15
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.
Pgina 32 de 66
P. Reyes/Sept. 2007
El arreglo original es:

L9
Exp.
No.
1
2
3
4
5
6
7
8
9
Col.1 Col. Col. Col.

2
3
4
A
B
C
D
1
1
1
2
2
2
3
3
3
1
2
3
1
2
3
1
2
3
1
2
3
2
3
1
3
1
2
1
2
3
3
1
2
2
3
1
El arreglo modificado queda como:

L9
Col.1
Exp.
No.
1
2
3
4
5
6
7
8
9
AB
Col. Col. Col.

2
3
4
C
D
E
(AB)1
(AB)1
(AB)1
(AB)2
(AB)2
(AB)2
(AB)3
(AB)3
(AB)3
1
2
3
1
2
3
1
2
3
1
2
3
2
3
1
3
1
2
1
2
3
3
1
2
2
3
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:
Pgina 33 de 66
P. Reyes/Sept. 2007
Ejemplo 5: 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
A
B
C
D
AxC
AxB
BxC
Nivel alto
Nivel bajo 1 2
Baja
Alta
Estrecha
Abierta
Descripcin
Tensin del diafragma
Entrada para aire
Apertura
para
combustible
Pequea
Flujo de gasolina
Lento
Interaccin
Interaccin
Interaccin
Grande
Rpido
Grfica lineal que se desea es:

A
AxC
AxB
.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
A
C
Exp.
No.
1
1
2
1
3
1
4
1
5
2
6
2
7
2
8
2
Total = 71.6
1
1
2
2
1
1
2
2
Col.
3
AxC
Col.
4
B
Col.
5
AxB
Col.
6
BxC
Col.
7
D
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
Tensin
Tipo I
Tipo I
Tipo I
Tipo I
Tipo II
Tipo II
Tipo II
Tipo II
Apertura
5%
5%
10%
10%
5%
5%
10%
10%
Entrada
10 seg
10 seg
15 seg
15 seg
15 seg
15 seg
10 seg
10 seg
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.
Pgina 34 de 66
Flujo
3%
5%
3%
5%
3%
5%
3%
5%
Yi
0.49
0.42
0.38
0.3
0.21
0.24
0.32
0.28
P. Reyes/Sept. 2007
El anlisis utilizado ANOVA es:

A
AxC
AxB
BxC
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:

Efecto
SS
G.l.
Fexp
0.0800*
0.0800
0.6050
0.6050
8.85
AxC
22.4450
22.4450
328.46
0.5000
0.5000
7.32
AxB
0.0800*
0.0800
BxC
0.1250
0.1250
1.83
0.0450*
0.0450 -
(e)
0.2050 3
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:
B1= B1 /4= 36.8/4= 9.20; B2 = B2/4=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:
Pgina 35 de 66
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
P. Reyes/Sept. 2007
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 Total
Promedio
A1 C1
22.0
11.00
Como es un caso mejor,
A1 C2
14.2
7.10
se selecciona el promedio
A2 C1
14.9
7.45
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
Pgina 36 de 66
P. Reyes/Sept. 2007
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 C2 - Y) ( A1 Y) - ( C2 - 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 B2= B2 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
Anlisis de datos experimentales de Taguchi

Hay muchas similaridades entre el anlisis de experimentos de Taguchi y el mtodo
clsicoEn 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:
Pgina 37 de 66
SS
P. Reyes/Sept. 2007
k
k
T2
2
T
t Nxn
Nxn t 1
Donde:
K = nmero de niveles
Tt = Suma de respuestas en el nivel t
N = Nmero total de corridas experimentales
n = Nmero de rplicas
Ejemplo 8: Uso de Minitab
Se estudia el efecto de varios factores en la porosidad:
Factores
A Temperatura del Molde
B
Temperatura
del
qumico
C Rendimiento
E ndice
G Tiempo de curado
Bajo
A1
Alto
A2
B1
C1
D1
G1
B2
C2
D2
G2
Se deben considerar las interacciones AB y BD.

L8
Col.1 Col.
2
Exp. No. A
B
1
1
1
2
1
1
3
1
2
4
1
2
5
2
1
6
2
1
7
2
2
8
2
2
Col.
3
AxB
1
1
2
2
2
2
1
1
Col.
4
D
1
2
1
2
1
2
1
2
Col.
5
E
1
2
1
2
2
1
2
1
Col.
6
BD
1
2
2
1
1
2
2
1
Col.
7
G
1
2
2
1
2
1
1
2
Porosidad
Y1
26
16
3
18
0
0
4
5
Y2
38
6
17
16
5
1
5
3
Entonces se determina SSA:
SS A
2
T2
(TA21 TA22 )
8x2
8x2
TA1 = 26 + 38 + 16 + 6 + 3 + 17 = 140
TA2 = 0 + 5 + 0 + 1 + 4 + 5 + 5 + 3 = 23
T = suma total = 163
Pgina 38 de 66
P. Reyes/Sept. 2007
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
N
SST y ij2
i 1 j 1
T2
Nxn
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
A
B
D
E
G
Type
fixed
fixed
fixed
fixed
fixed
Levels
2
2
2
2
2
Values
1, 2
1, 2
1, 2
1, 2
1, 2
Analysis of Variance for Y1, using Adjusted SS for Tests

Model
Source
A
B
D
E
G
A*B
B*D
Error
Total
DF
1
1
1
1
1
1
1
8
15
Reduced DF
1
1
1
1
1
1
0+
9
15
Seq SS
855.56
27.56
68.06
33.06
175.56
115.56
0.00
455.06
1730.44
% de contribucin
49.44%
1.59%
3.93%
1.91%
10.15%
6.68%
10.15%
13.72%
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:
Pgina 39 de 66
P. Reyes/Sept. 2007
SST SSA SSB SSAB SSD SSE SSBD SSG SSerror

SSA SSB
SSerror
......
100%
SST SST
SST
Los efectos que tienen el porcentaje de contribucin ms alto se consideran que tienen
ms influencia en la respuesta, en este caso:
A
con 49%
BD
con 12.57%
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:
26 38 16 6 3 17 18 16
17.5
8
0 5 0 1 4 5 5 3
2.875
8
Y A1
YA2
Y as se calculan los promedios para los otros factores.

Least Squares Means for Y1
Mean
SE Mean
A
1
2
B
1
2
AxB
1
2
D
1
2
E
17.500
2.875
1.926
1.926
11.500
8.875
1.926
1.926
12.875
7.500
1.926
1.926
12.250
8.125
1.926
1.926
Pgina 40 de 66
1
2
BD
1
2
G
1
2
11.625
8.750
1.926
1.926
13.875
6.500
1.926
1.926
13.500
6.875
1.926
1.926
P. Reyes/Sept. 2007
Main Effects Plot (data means) for Means

A
15
Mean of Means
10
5
1
15
10
5
1
Para el caso de la interaccin significativa BD se analiza la respuesta promedio en

cada una de sus diferentes combinaciones:
26 38 0 5
17.25
4
16 6 0 1
5.75
4
3 17 4 5
7.25
4
18 16 5 3
10.5
4
YB1D1
YB1D 2
YB 2 D1
YB 2 D 2
Obteniendo la siguiente grfica de interaccin:
Pgina 41 de 66
P. Reyes/Sept. 2007
Interaction Plot (data means) for Means

1
A
1
2
20
10
0
20
B
1
2
10
E
1
2
20
10
0
1
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:
y y A 2 y G 2 y B1D 2 2T
T T /( Nn )
Yest = 2.875 + 6.875 + 5.75 3x10.188 + 10.188 = -4.873
Ejemplo 6: Experimentos con 3 niveles

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:
Pgina 42 de 66
Factores
A Nitrgeno
B
cido
fosfrico
C Potasa
1
0.5
Niveles
2
1
3
1.5
0.03
0.04
0.6
0.7
0.9
1
P. Reyes/Sept. 2007
Se usa el arreglo L9 con un arreglo como el siguiente:

L9
Col.1
Exp. No.
1
2
3
4
5
6
7
8
9
A
1
1
1
2
2
2
3
3
3
Col. 2
B
1
2
3
1
2
3
1
2
3
Col. 3
e
1
2
3
2
3
1
3
1
2
Otra vez utilizando las frmulas:
SS
k
k
T2
2
T
t
Nxn t 1
Nxn
SST y ij2
i 1 j 1
T2
Nxn
Se obtienen los resultados siguientes:

SSA = 158
SSB = 2.667
SSC = 18.667
SST = 180
Los porcentajes de contribucin de cada factor son:
A
con 87.78%
con 10.37%
con 1.48%
Pgina 43 de 66
Col. 4
C
1
2
3
3
1
2
2
3
1
Respuesta
Rendim.
8
12
9
11
12
15
21
18
20
P. Reyes/Sept. 2007
Para la obtencin de las grficas factoriales se estiman los promedios en los diferentes
niveles de los factores como sigue:
8 12 9
9.67
3
11 12 15
12.67
3
21 18 20
19.67
3
Y A1
YA2
Y A3
Se sigue el mismo procedimiento para el caso de B y C.

Response Table for Means
Level
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
5.
DE

A
20.0
DISEO
17.5
Mean of Means
15.0
12.5
10.0
1
20.0
17.5
15.0
12.5
10.0
1
PARMETROS CON ANLISIS DE SEAL A RUIDO

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.
Pgina 44 de 66
P. Reyes/Sept. 2007
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.
Factores controlables
x1 x2 x3 x4 ... xp
Entradas
Proceso
Salida
y
z1 z2 z3 z4 ... zq
Factores incontrolables
Fig. 1.1
Figura
1. Modelo general de un proceso o sistema
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.
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.
Pgina 45 de 66
P. Reyes/Sept. 2007
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
LSE
Si la temperatura se fija a su nivel 2 afectando la variabilidad, obtenemos:
LIE
LSE
Si la presin, que afecta la media sin afectar la variabilida, la variamos a su nivel de

dos, obtenemos:
LIE
LSE
Por lo tanto, podemos utilizar la presin, manteniendo la temperatura a su nivel II, para
ajustar o sincronizar la media.
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.
Pgina 46 de 66
P. Reyes/Sept. 2007
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:
Caso nominal es mejor

Suponga que se tienen r lecturas, y1,y2,y3,yr, el ndice SN a utilizar es:
SN= 10 log Sm Vm / r Vm donde Sm= (y1 + y2 + y3 +,yr,)2/r
Vm=
y2 y3 ... yr Sm / r 1
2
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:
L(Y )k ( T ) 2 k 2
1 n
y i
n i 1
s 2
1 n
( yi y ) 2
n 1 i 1
Para un grupo de caractersticas dadas, y1, y2, ., yn, la relacin seal a ruido S/N
es:
Pgina 47 de 66
2
2

S / N 10 log
y2
2
s
10 log
P. Reyes/Sept. 2007
20 log
Caso menor es mejor

La funcin de prdida est dada por:
L(Y ) kE Y 2
Para un grupo de caractersticas dadas, y1, y2, ., yn, el estimador estadstico de
E(Y2) es:
MSD
1 n 2
yi
n i 1
MSD = Mean squared deviation = Desviacin cuadrtica promedio con relacin a la

media.
La relacin seal a ruido correspondiente es:
1 n 2
S / N 10 log y i
n i 1
Esta cantidad estima el logaritmo de base 10 de (media2 + varianza).
Maximizar la relacin S/N equivale a minimizar la funcin de prdida.
Caso mayor es mejor

La funcin de prdida est dada por:
1
2
Y
L(Y ) kE
Para un grupo de caractersticas dadas, y1, y2, ., yn, el estimador estadstico de

E(1/Y2) es:
MSD
1 n 1
n i 1 y i2
La relacin seal a ruido S/N correspondiente es:
1 n 1
2
n
y
i
1
i
S / N 10 log
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.
Pgina 48 de 66
P. Reyes/Sept. 2007
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.
Pgina 49 de 66
P. Reyes/Sept. 2007
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.
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.
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:
Pgina 50 de 66
P. Reyes/Sept. 2007
Ejemplo: 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:
Factor
A
B
C
Descripcin
Temperatura del horno
Presin de prensado
Velocidad de recocido
Velocidad de alimentacin
Nivel 1
1500 F
200 psi
8 seg
Nivel 2
1600 F
220 psi
12 seg
D
G
H
AxC
AxD
ref.
Tipo de modelo
Templabilidad del material
Interaccin
Interaccin
80 gal/min
chico
25 Rc
100gal/min
grande
30 Rc
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:
3
1 A
.2
Pgina 51 de 66
P. Reyes/Sept. 2007
5 A xC
4 C
AxD
6
7D
La columna correspondiente a la lnea punteada se utilizar para cuantificar el error.

Una posible asignacin es:
A
1
B
2
e
3
C
4
AxC
5
AxD
6
D
7
Este ser el arreglo

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
Observe que no se asigna efecto alguno a la columna 3, la cual queda libre.
Pgina 52 de 66
P. Reyes/Sept. 2007
Arreglo total
Los dos arreglos anteriores se mezclan o combinan en un solo arreglo total, tal y
como se muestra:
1
A B
2
e
3
C
4
AxC
5
AxD
6
D
7
Y11
Y12
Y13
Y14
Y21
Y22
Y23
Y24
Y31
Y32
Y33
Y34
Y41
Y42
Y43
Y44
Y51
Y52
Y53
Y54
Y61
Y62
Y63
Y64
Y71
Y72
Y73
Y74
Y81
Y82
Y83
Y84
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 Y11, Y12, Y13, Y14 . 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 Y11, Y12, Y13, Y14 se toman a los mismos
niveles de los factores de diseo, cada una se toma a diferentes niveles de los
factores de ruido.
Pgina 53 de 66
P. Reyes/Sept. 2007
En resumen se tiene:
Todos los factores de
diseo a su nivel 1
Lectura
Factores de ruido
Temperatura 1500 F
Y11
Modelo chico y 25 Rc
Presin de 200 Psi, 8 seg
Y12
Modelo chico y 30 Rc
de tiempo de recorrido y
Y13
Modelo grande y 25 Rc
velocidad de alimentacin
Y14
Modelo grande y 30 Rc
refrigerante 80 gal/min
De acuerdo con esto, se toman las primeras cuatro lecturas.
En seguida deseamos obtener las lecturas Y21 , Y22
, Y23 , Y24. 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 Y73 , 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.
Pgina 54 de 66
P. Reyes/Sept. 2007
Las 32 lecturas son las siguientes:
L8
Col.1 Col.
2
Exp. A
B
1
1
1
2
1
1
3
1
2
4
1
2
5
2
1
6
2
1
7
2
2
8
2
2
Col.
3
e
1
1
2
2
2
2
1
1
Col.
4
C
1
2
1
2
1
2
1
2
Col.
5
AxC
1
2
1
2
2
1
2
1
Col.
6
AxD
1
2
2
1
1
2
2
1
Col.
7
D
1
2
2
1
2
1
1
2
1
1
2
2
2
1
1
2
1
y1
1.1
1.2
2.0
2.1
1.0
1.2
1.6
1.5
11.7
1
y2
1.2
1.3
2.1
2.2
1.4
1.3
2.1
2.0
13.6
2
y3
1.3
1.2
2.2
2.1
1.2
1.5
2.4
2.3
14.2
2
y4
1.1
1.3
2.1
2.0
1.3
1.0
2.0
2.5
13.3
G
Total
4.7
5.0
8.4
8.4
4.9
5.0
8.1
8.3
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.
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
Exp. A
B
1
1
1
2
1
1
3
1
2
4
1
2
5
2
1
6
2
1
7
2
2
8
2
2
Col.
3
e
1
1
2
2
2
2
1
1
Col.
4
C
1
2
1
2
1
2
1
2
Col.
5
AxC
1
2
1
2
2
1
2
1
Col.
6
AxD
1
2
2
1
1
2
2
1
Col.
7
D
1
2
2
1
2
1
1
2
Total
Pgina 55 de 66
y1
1.1
1.2
2.0
2.1
1.0
1.2
1.6
1.5
11.7
y2
1.2
1.3
2.1
2.2
1.4
1.3
2.1
2.0
13.6
y3
1.3
1.2
2.2
2.1
1.2
1.5
2.4
2.3
14.2
y4
1.1
1.3
2.1
2.0
1.3
1.0
2.0
2.5
13.3
Total
4.7
5.0
8.4
8.4
4.9
5.0
8.1
8.3
52.8
P. Reyes/Sept. 2007
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.
1
2
3
4
5
6
7
8
A
1
1
1
1
2
2
2
2
B
1
2
2
1
1
2
2
1
C
1
2
1
2
1
2
1
2
D
1
2
2
1
2
1
1
2
y1
1.1
1.2
2
2.1
1
1.2
1.6
1.5
y2
1.2
1.3
2.1
2.2
1.4
1.3
2.1
2
y3
1.3
1.2
2.2
2.1
1.2
1.5
2.4
2.3
y4
1.1
1.3
2.1
2
1.3
1
2
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 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 Sm Vm / r * Vm ;
donde Sm= Yi / r y Vm=
2
Sm / r 1
Pgina 56 de 66
P. Reyes/Sept. 2007
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= [ (1.12+1.22+1.32+1.12) 5.5225 ]/ (4-1) =[ 5.55 5.5225] / 3 = 0.00916
SN= 10 log
5.5225 0.00916 / 4 * 0.00916 = 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= (1.22 + 1.32 + 1.22 + 1.32 6.2500)/3= 0.0033
SN= 10 log
6.2500 0.0033 / 4 * 0.0033
= 26.7071
Los ocho ndices son:

N
Sm
Vm
Sn (dB)
5.5225
0.00916
21.771
6.2500
0.00333
26.707
17.6400
0.00666
28.203
17.6400
0.00666
28.203
6.0025
0.02916
17.092
6.2500
0.04333
15.539
16.4025
0.10916
15.718
17.2225
0.18916
13.524
Nuestro arreglo es ahora:
Pgina 57 de 66
P. Reyes/Sept. 2007
AxC
AxD
SN
dB
21.771
26.707
28.203
28.203
17.092
15.539
15.718
13.524
Para el factor A se tiene:

A1
= Total de las lecturas tomadas bajo el nivel 1 del factor A

= 21.7714+26.7071+28.2036+28.2036= 104.8857
A2

=17.0927+15.5397+15.7186+13.5420= 61.8750
SSA
= (A2 A1)^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
Fexp
A
B
C
231.2413
2.5751 1
0.1764 1
1
2.5751
0.1764
231.2413
00.16
00.01
14.44
AxC
9.4284 1
9.4284
00.59
AxD
3.8880 1
3.8880
00.24
2.3047 1
2.3047
00.14
16.0135
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:
Pgina 58 de 66
A1
= SN promedio= 104.8857/4= 26.22
A2
= SN promedio= 61.8750/4= 15.47
P. Reyes/Sept. 2007
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.
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
C AxC AxD D
Total
Promedio
4.7
1.175
1.2 1.3 1.2 1.3
5.0
1.250
2.0 2.1 2.2 2.1
8.4
2.100
2.1 2.2 2.1 2.0
8.4
2.100
1.0 1.4 1.2 1.3
4.9
1.225
1.2 1.3 1.5 1.0
5.0
1.250
1.6 2.1 2.4 2.0
8.1
2.025
1.5 2.0 2.3 2.5
8.3
2.075
4
1
5
1
7
1
1.1 1.2 1.3 1.1
Totales
13.200
Considerando nicamente los promedios, tendremos un arreglo L8 con una lectura. El

anlisis en base a los promedios es:
A1

=1.175+1.250+2.100+2.100= 6.625
A2

= 1.225+1.250+2.075+2.025= 6.575
Pgina 59 de 66
SSA
P. Reyes/Sept. 2007
= (A2 A1) 2 /Nmero total de lecturas SN

= (6.625 6.575)2/8= 0.0003
Similarmente para el factor B se tiene

B1
= 1.175+1.250+1.225+1.250= 4.900
B2
= 2.100+2.100+2.025+2.075= 8.300
SSB
= (B2 - B1 )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
La tabla ANOVA es:

Efecto
SS G.l.
Fexp
0.0003 1
0.0003
0.11
1.4450 1
1.4450
513.75
0.0028 1
0.0028
1.00
AxC
0.0000 1
0.0000
0.00
AxD
0.0003 1
0.0003
0.11
0.0013 1
0.0013
0.44
0.0028 1
0.0028
Totales1.4525 8
Analysis of Variance for Means

Source
A
B
C
D
A*C
A*D
Residual Error
Total
DF
1
1
1
1
1
1
1
7
Seq SS
0.00031
0.00031
0.00281
0.00281
1.44500
0.00000
0.00125
1.45250
Adj SS
0.00031
0.00031
0.00281
0.00281
1.44500
0.00000
0.00125
Adj MS
0.00031
0.00031
0.00281
0.00281
1.44500
0.00000
0.00125
F
0.25
0.25
2.25
2.25
1156.00
0.00
P
0.705
0.705
0.374
0.374
0.019
1.000
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.
Pgina 60 de 66
P. Reyes/Sept. 2007
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:
B1 = 4.9/4= 1.225; B2= 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
2.0
1.5
1.0
B
200
220
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:
A1
= (21.7714+26.7071+28.2036+28.2036)/4= 26.2214
A2
= (17.0927+15.5397+15.7186+13.5240)/4= 15.4687
Pgina 61 de 66
P. Reyes/Sept. 2007
Para promedio de lecturas individuales se tiene:

A1
= 6.625/4= 1.6562; A2= 6.575/4= 1.6437
En resumen, los promedios para todos los factores son:

Nivel
SN promedio
Y promedio
A1
26.22
1.6
A2
15.47
1.6
B1
20.38
1.2
B2
21.41
2.0
C1
20.71
1.6
C2
20.99
1.6
D1
20.31
1.6
D2
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
Response Table for Means
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
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
Pgina 62 de 66
P. Reyes/Sept. 2007
afecta la respuesta promedio sin afectar el ndice SN, la respuesta promedio aumenta
al aumentar el factor B de su nivel 1 al 2.
Main Effects Plot (data means) for SN ratios

A
25.0
Mean of SN ratios
22.5
20.0
17.5
15.0
1
2
D
25.0
22.5
20.0
17.5
15.0
1
Signal-to-noise: Nominal is best (10*Log(Ybar* * 2/s* * 2))

A
1.67
1.66
Mean of Means
1.65
1.64
1.63
1
1.67
2
D
1.66
1.65
1.64
1.63
1
Pgina 63 de 66
P. Reyes/Sept. 2007
I nteraction Plot (data means) for SN ratios

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

1
A
1
2
2.0
1.6
1.2
2.0
C
1
2
1.6
1.2
D
1
2
2.0
1.6
1.2
1
Conclusiones generales del experimento

De acuerdo con los resultados que se han obtenido de los anlisis, las conclusiones
generales son:
Pgina 64 de 66
P. Reyes/Sept. 2007
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)= k 2 d 2 ; donde K= 8000/.52= 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= 2 = 0.00916
La media estimada es (1.1+1.2+1.3+1.1)/4= 1.175 y;

d2= (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 ; 2 = 0.005714
Pgina 65 de 66
P. Reyes/Sept. 2007
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.
Pgina 66 de 66

Dise o Robusto de Productos Tag2

Hochgeladen von

Dokumentinformationen

Originaltitel

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

Dise o Robusto de Productos Tag2

Hochgeladen von

Copyright:

Verfügbare Formate

DISEO ROBUSTO DE PRODUCTOS CON TAGUCHI