CLCULOS EN MINITAB SE OBTIENE:

Taguchi Analysis
Linear Model Analysis:
Stem-and-Leaf Display: D, CONC., HUMEDAD, Yi

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

1.59 1.36

1.51

1.40

1.39

1.28

1.35

1.05 1.28

1.13

1.24

1.25

1.36

1.29

2.64 2.64

2.64

2.64

2.64

2.64

2.64

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

0.03645

0.03645

0.00080

0.00080

1.28

0.01805

0.01805

28.88

0.00320

0.00320

5.12

0.00245

0.00245

3.92

Error

0.00125

Total

G.l.

0.0622

Fexp
58.32

0.000625
7

Bajo la columna SS se tienen las sumas de cuadrados. Bajo la columna G.l.

(grados de libertad), tendremos el nmero de columnas que se usaron para
evaluar el factor, en este caso, slo puede ser de uno para cada factor y ms
de uno nicamente para el 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

V
0.03645
0.01805
0.00320
0.00245
0.00068

Fexp
53.60
26.54
4.71
3.60

Con Minitab
Stat > DOE > Taguchi > Analyze Taguchi Design
Response data in Y
Analysis. Fit linear model for Signal to Noise Ratios Means
Graphs: Signal to Noise Ratios Means
Terms: A B C D E F

Analysis graphs: Residuals for plots Standardized

plots Normal plot
Options: Smaller is better
Storage: Signal to Noise Ratios Means
OK

Residual Plots Individual

Los resultados son los siguientes: Factores significativos a 0.1 de nivel de

significancia
Taguchi Analysis: Yi versus A, B, C, D, E
Linear Model Analysis: SN ratios versus A, B, C, D, E
Estimated Model Coefficients for SN ratios
Term
Constant
A 1
B 1
C 1
D 1
E 1

Coef
9.93728
-1.78903
-0.01666
-1.26604
-0.42402
-0.42402

S = 0.8581

SE Coef
0.3034
0.3034
0.3034
0.3034
0.3034
0.3034

R-Sq = 96.6%

T
32.753
-5.897
-0.055
-4.173
-1.398
-1.398

P
0.001
0.028
0.961
0.053
0.297
0.297

R-Sq(adj) = 88.0%

Analysis of Variance for SN ratios

Source
A
B
C
D
E
Residual Error
Total

DF
1
1
1
1
1
2
7

Seq SS
25.6050
0.0022
12.8230
1.4384
1.4384
1.4728
42.7797

Adj SS
25.6050
0.0022
12.8230
1.4384
1.4384
1.4728

Adj MS
25.6050
0.0022
12.8230
1.4384
1.4384
0.7364

F
34.77
0.00
17.41
1.95
1.95

P
0.028
0.961
0.053
0.297
0.297

Main Effects Plot for SN ratios

Data Means
A

12

11

Mean of SN ratios

10
9
8
1

12

11
10
9
8
1

Signal-to-noise: Smaller is better

Linear Model Analysis: Means versus A, B, C, D, E

Estimated Model Coefficients for Means

Term
Constant
A 1
B 1
C 1
D 1
E 1
S = 0.025

Coef
0.33000
0.06750
0.01000
0.04750
0.02000
0.01750

SE Coef
0.008839
0.008839
0.008839
0.008839
0.008839
0.008839

R-Sq = 98.0%

T
37.335
7.637
1.131
5.374
2.263
1.980

P
0.001
0.017
0.375
0.033
0.152
0.186

R-Sq(adj) = 93.0%

Analysis of Variance for Means

Source
A
B
C
D
E
Residual Error
Total

DF
1
1
1
1
1
2
7

Seq SS
0.036450
0.000800
0.018050
0.003200
0.002450
0.001250
0.062200

Adj SS
0.036450
0.000800
0.018050
0.003200
0.002450
0.001250

Adj MS
0.036450
0.000800
0.018050
0.003200
0.002450
0.000625

F
58.32
1.28
28.88
5.12
3.92

Main Effects Plot for Means

Data Means
A

0.40

Mean of Means

0.35

0.30

0.25
1

0.40

0.35

0.30

0.25
1

Response Table for Signal to Noise Ratios

Smaller is better
Level
1
2
Delta
Rank

A
8.148
11.726
3.578
1

B
9.921
9.954
0.033
5

C
8.671
11.203
2.532
2

D
9.513
10.361
0.848
3.5

E
9.513
10.361
0.848
3.5

Response Table for Means

Level
1
2
Delta
Rank

A
0.3975
0.2625
0.1350
1

B
0.3400
0.3200
0.0200
5

C
0.3775
0.2825
0.0950
2

D
0.3500
0.3100
0.0400
3

E
0.3475
0.3125
0.0350
4

P
0.017
0.375
0.033
0.152
0.186

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).
A1= A1/4= 1.59/4= 0.3975
A2= A2/4= 1.05/4= 0.2625

El resto de los promedio son:

Factor
A
B
C
D
E

Nivel 1
A1= 0.3975
B1= 0.3400
C1= 0.3775
D1= 0.3500
E1= 0.3475

Nivel 2
A2= 0.2625
B2= 0.3200
C2= 0.2825
D2= 0.3100
E2= 0.3125

El promedio general denotado como Y es:

Y= (0.49+0.42+0.38+0.30+0.21+0.24+0.32+0.28)/8=T/n= 2.64/8= 0.33
Los factores A, C, D y E que afectan emisin de 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 = C2 Y= 0.2825-0.3300= -0.0475
EF D = D2 Y= 0.3100-0.3300=-0.0200
EF E = 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

0.3325
Nivel 2

B
0.3975

C
0.3400

D
0.3775

E
0.3500

e
e
0.3475

0.3200

0.2625

0.3200

0.2825

0.3100

0.3125

0.3400

0.3225
Promedio global Y= T/n= 2.64/8 = 0.33
Observe que para cada factor, uno de los promedios es mayor y el otro
menor que el promedio global. Esto siempre debe de ocurrir.
2) Calcule la diferencia entre los promedios de niveles para cada factor, y
ordnelos de mayor a menor 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
1
2
3
4
5
6
7
8
T1

A
1
1
1
1
2
2
2
2
1.59

B
1
1
2
2
1
1
2
2
1.36

C
1
1
2
2
2
2
1
1

D
1
2
1
2
1
2
1
2
1.51

E
1
2
1
2
2
1
2
1
1.40

e1
1
2
2
1
1
2
2
1
1.39

1.35 Tot
T2
1.05
1.28
1.13
1.24
1.25 1.36
SS 0.03645 0.00080
0.01805
0.00320
0.00245
0.00045
Ve
gl
1
V
0.03645

1
1
1
1
0.00080 0.01805 0.00320

.00062 F 58.32
1.28
28.88
5.12
Sg
si
no
si
si
P1 0.3975
0.3400
0.3775
0.3500
P2
Ni
Ef

Y
0.2625
0.33
2
-0.0675

0.3200
-

0.2825
2

2
-0.0475

Yest. = Y + Ef A2 + Ef C2 + Ef D2 + Ef E2
T1
T2

= Total de lecturas al nivel 1

= Total de lecturas al nivel 2

0.3100
2
-0.0200

e2
Yi
1
0.49
2
0.42
2
0.38
1
0.30
2
0.21
1
0.24
1
0.32
2
0.28
1.28
1.29
2.64
0.00080
2

0.00245
3.92
si
0.3475
0.3125

-0.0175

n
SS

= Nmero total de lecturas

= (T2 - T1 )2 /n

gl

= Grados de libertad (columnas)

V
F
Sg
P1
P2
Ni
Ef
Y
Yest

= 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

0.1350

0.0950

0.0400

e
0.0350

e
0.0200

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

A1 A2

C1 C2 D1 D2

E1 E2 B1 B2 e 1 e 2

e1

e2

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.

Para predecir la respuesta con Minitab

Stat > DOE > Taguchi > Predict Taguchi Results

Predict Mean Signal to Noise Ratio

Terms: A C D E
Levels: Seleccionar Coded Units Select levels from a list: A = 2, C = 2, D = 2, E = 2
OK

Los resultados se muestran a continuacin:

Predicted values
S/N Ratio
13.8404

Mean
0.1775

Factor levels for predictions

A
2

C
2

D
2

E
2