S.E.P. S.N.E.S.T. D.G.E.S.T. S.E.V.

INSTITUTO TECNOLGICO SUSPERIOR DE LAS CHOAPAS.

INGENIERA INDUSTRIAL

Ingeniera de calidad

Derian Alfonso Mndez Zaragoza

Unidad 2.- Experimentos con arreglos

ortogonales.

Ing. Ral Ramos Urgell

6 A

FECHA DE ENTREGA:
30/04/2017
Introduccin

En el campo de la industria es una prctica comn hacer experimentos o pruebas

con la intencin de que al mover o hacer algunos cambios en los materiales,
mtodos o condiciones de operacin de un proceso se puedan detectar, resolver o
minimizar los problemas de calidad. Por ejemplo, se prueban varias temperaturas
en una maquina hasta encontrar la que da el mejor resultado, o se intenta un nuevo
material con la intensin de eliminar los problemas que tiene el material actual, o
bien, se prueban diferentes velocidades para determinar la que minimiza la vibracin
excesiva del equipo.

1
Unidad 2.- Experimentos con arreglos ortogonales.

2.1.- Planeacin y conduccin de experimentos.

Para aplicar el enfoque estadstico en el diseo y anlisis de un experimento, es necesario

que todos los que participan en el mismo tengan desde el principio una idea clara de qu
es exactamente lo que va a estudiarse, cmo van a colectarse los datos, y al menos una
comprensin cualitativa de la forma en que van a analizarse estos datos. En la tabla 1-1 se
muestra un esquema general del procedimiento recomendado. A continuacin se presenta
una breve explicacin de este esquema y se elaboran algunos de los puntos clave. Para
mayores detalles, ver Coleman y Montgomery [27], as como las referencias al final del libro.
Tambin es til el material complementario para este captulo.

1. Identificacin y enunciacin del problema. Este punto podra parecer muy obvio, pero
es comn que en la prctica no sea sencillo darse cuenta de que existe un problema que
requiere experimentacin, y tampoco es fcil desarrollar una enunciacin clara, con la que
todos estn de acuerdo, de este problema. Es necesario desarrollar todas las ideas acerca
de los objetivos del experimento. Generalmente, es importante solicitar aportaciones de
todas las reas involucradas: ingeniera, aseguramiento de calidad, manufactura,
mercadotecnia, administracin, el cliente y el personal de operacin (el cual por lo general
conoce a fondo el proceso y al que con demasiada frecuencia se ignora). Por esta razn,
se recomienda un enfoque de equipo para disear experimentos.

En la mayora de los casos es conveniente hacer una lista de los problemas o las preguntas
especficas que van a abordarse en el experimento. Una enunciacin clara del problema
contribuye sustancialmente a menudo para alcanzar una mejor comprensin de los
fenmenos bajo estudio y la solucin final del problema. Tambin es importante tener
presente el objetivo global; por ejemplo, se trata de un proceso o sistema nuevo (en cuyo
caso el objetivo inicial posiblemente ser la caracterizacin o tamizado de los factares) o se
trata de un sistema maduro que se conoce con profundidad razonable y que se ha
caracterizado con anterioridad (en cuyo caso el objetivo puede ser la optimizacin)? En un
experimento puede haber muchos objetivos posibles, incluyendo la confirmacin (el
sistema se comporta de la misma manera ahora que en el pasado?), el descubrimiento
(qu ocurre si se exploran nuevos materiales, variables, condiciones de operacin, etc.?)

2
y la estabilidad (bajo qu condiciones las variables de respuesta de inters sufren una
degradacin seria?). Obviamente, las cuestiones especficas que habrn de abordarse en
el experimento se relacionan de manera directa con los objetivos globales. Con frecuencia
en esta etapa de la formulacin del problema muchos ingenieros y cientficos se percatan
de que no es posible que un experimento comprensivo extenso responda las cuestiones
clave y de que un enfoque secuencial en el que se utilice una serie de experimentos ms
pequeos es una estrategia ms adecuada.

2. Eleccin de los factores, los niveles y los rangos. (Como se indica en la tabla 1-1, los
pasos 2 y 3 muchas veces se hacen simultneamente o en orden inverso.) Cuando se
consideran los factores que pueden influir en el desempeo de un proceso o sistema, el
experimentador suele descubrir que estos factores pueden clasificarse como factores
potenciales del diseo o bien como factores perturbadores. Los factores potenciales del
diseo son aquellos que el experimentador posiblemente quiera hacer variar en el
experimento. Es frecuente encontrar que hay muchos factores potenciales del diseo, por
lo que es conveniente contar con alguna clasificacin adicional de los mismos. Algunas
clasificaciones tiles son factores del diseo, factores que se mantienen constantes y
factores a los que se permite variar. Los factores del diseo son los que se seleccionan
realmente para estudiarlos en el experimento. Los factores que se mantienen constantes
son variables que pueden tener cierto efecto sobre la respuesta, pero que para los fines del
experimento en curso no son de inters, por lo que se mantendrn fijos en un nivel
especfico. Por ejemplo, en un experimento de grabado qumico en la industria de los
semiconductores puede haber un efecto, que es nico, de la herramienta especfica para el
grabado qumico con plasma que se utiliza en el experimento. Sin embargo, sera muy difcil
variar este factor en un experimento, por lo que el experimentador puede decidir llevar a
cabo todas las corridas experimentales en un grabador qumico particular (idealmente
"tpico"). De este modo, este factor se mantiene constante. Como un ejemplo de factores a
los que se permite variar, las unidades experimentales o los "materiales" a los que se
aplican los factores del diseo no son homogneos por lo general, no obstante lo cual con
frecuencia se ignora esta variabilidad de una unidad a otra y se confa en la aleatorizacin
para compensar cualquier efecto del material o la unidad experimental. Muchas veces se
trabajar con el supuesto de que los efectos de los factores que se mantienen constantes
y de los factores a los que se permite variar son relativamente pequeos.

Por otra parte, los factores perturbadores pueden tener efectos considerables que deben
tomarse en consideracin, a pesar de que no haya inters en ellos en el contexto del
experimento en curso. Los factores perturbadores suelen clasificarse como factores
controlables, no controlables o de ruido. Un factor perturbador controlable es aquel cuyos
niveles pueden ser ajustados por el experimentador. Por ejemplo, el experimentador puede
seleccionar lotes diferentes de materia prima o diversos das de la semana para conducir
el experimento. La estructura bsica de la formacin de bloques, comentada en la seccin
anterior, suele ser til para trabajar con factores perturbadores controlables. Si un factor
perturbador no es controlable en el experimento, pero puede medirse, muchas veces puede
usarse el procedimiento de anlisis denominado anlisis de covarianza para compensar
este efecto. Por ejemplo, la humedad relativa en el medio ambiente del proceso puede

3
afectar el desempeo del proceso, y si la humedad no puede controlarse, probablemente
podr medirse y tratarse como una covariable. Cuando un factor que vara de manera
natural y no controlable en el proceso puede controlarse para los fines de un experimento,
con frecuencia se le llama factor de ruido. En tales situaciones, es comn que el objetivo
sea encontrar los ajustes de los factores controlables del diseo que minimicen la
variabilidad transmitida por los factores de ruido. En ocasiones a esto se le llama el estudio
de robustez del proceso o el problema de robustez del diseo. La formacin de bloques, el
anlisis de covarianza y los estudios de robustez del proceso se comentan ms adelante.

Una vez que el experimentador ha seleccionado los factores del diseo, debe elegir los
rangos en los que har variar estos factores, as como los niveles especficos con los que
se realizarn las corridas. Tambin deber pensarse cmo van a controlarse estos factores
en los valores deseados y cmo van a medirse. Por ejemplo, en el experimento de la
soldadura lquida, el ingeniero ha definido 12 variables que pueden afectar la ocurrencia de
defectos de soldadura. El ingeniero tambin tendr que tomar una decisin en cuanto a la
regin de inters para cada variable (es decir, el rango en el que se har variar cada factor)
y en cuanto al nmero de niveles de cada variable que usar. Para ello se requiere del
conocimiento del proceso. Este conocimiento del proceso suele ser una combinacin de
experiencia prctica y conocimientos tericos. Es importante investigar todos los factores
que pueden ser de importancia y no dejarse influir demasiado por la experiencia pasada,
en particular cuando uno se encuentra en las fases iniciales de la experimentacin o cuando
el proceso no est del todo maduro.

Cuando el objetivo del experimento es el tamizado de los factores o caracterizacin del

proceso, por lo general es mejor mantener reducido el nmero de niveles de los factores.
En general, dos niveles funcionan bastante bien en los estudios de tamizado de factores.
Elegir la regin de inters tambin es importante. En el tamizado de factores, la regin de
inters deber ser relativamente grande; es decir, el rango en el que se hacen variar los
factores deber ser amplio. Conforme se sepa ms acerca de las variables que son
importantes y de los niveles que producen los mejores resultados, la regin de inters se
har por lo general ms estrecha.

3. Seleccin de la variable de respuesta. Para seleccionar la variable de respuesta, el

experimentador deber tener la certeza de que esta variable proporciona en realidad
informacin til acerca del proceso bajo estudio. En la mayora de los casos, el promedio o
la desviacin estndar (o ambos) de la caracterstica medida ser la variable de respuesta.
No son la excepcin las respuestas mltiples. La eficiencia de los instrumentos de medicin
(o error de medicin) tambin es un factor importante. Si la eficiencia de los instrumentos
de medicin es inadecuada, el experimentador slo detectar los efectos relativamente
grandes de los factores o quiz sean necesarias rplicas adicionales. En algunas
situaciones en que la eficiencia de los instrumentos de medicin es pobre, el
experimentador puede decidir medir varias veces cada unidad experimental y usar el
promedio de las mediciones repetidas como respuesta observada. Suele ser de importancia
determinante identificarlos aspectos relacionados con la definicin de las respuestas de
inters y cmo van a medirse antes de llevar a cabo el experimento. En ocasiones se

4
emplean experimentos diseados para estudiar y mejorar el desempeo de los sistemas de
medicin.

Se reitera lo crucial que es exponer todos los puntos de vista y la informacin del proceso
en los pasos 1 al 3 anteriores. Se hace referencia a esto como planeacin previa al
experimento. Coleman y Montgomery [27] proporcionan hojas de trabajo que pueden ser
tiles en la planeacin previa al experimento. Vase tambin la informacin complementaria
del texto para ms detalles y un ejemplo del uso de estas hojas de trabajo. En muchas
situaciones, no es posible que una sola persona posea todos los conocimientos requeridos
para hacer esto adecuadamente. Por lo tanto, se hace una amplia recomendacin para el
trabajo en equipo durante la planeacin del experimento. La mayor parte del xito gravitar
en torno a qu tan bien se haya hecho la planeacin previa del experimento.

4. Eleccin del diseo experimental. Si las actividades de planeacin previas al

experimento se realizan como es debido, este paso es relativamente sencillo. La eleccin
del diseo implica la consideracin del tamao de la muestra (nmero de rplicas), la
seleccin de un orden de corridas adecuado para los ensayos experimentales y la
determinacin de si entran en juego o no la formacin de bloques u otras restricciones sobre
la aleatorizacin. En este libro se revisan algunos de los tipos ms importantes de diseos
experimentales, y puede usarse en ltima instancia como un catlogo para seleccionar el
diseo experimental apropiado para una amplia variedad de problemas.

Existen tambin varios paquetes interactivos de software de estadstica que soportan esta
fase del diseo experimental. El experimentador puede introducir la informacin del nmero
de factores, los niveles y los rangos, y estos programas presentarn a la consideracin del
experimentador una seleccin de diseos o recomendarn un diseo particular. (Nosotros
preferimos ver varias alternativas en lugar de confiar en la recomendacin de la
computadora en la mayora de los casos.) Estos programas proporcionan tambin por lo
general una hoja de trabajo (con el orden aleatorizado de las corridas) que se usar en la
conduccin del experimento.

Al seleccionar el diseo, es importante tener en mente los objetivos experimentales. En

muchos experimentos de ingeniera se sabe de antemano que algunos de los niveles de
los factores producirn valores diferentes de la respuesta. En consecuencia, el inters se
centra en identificar qu factores causan esta diferencia yen estimar la magnitud del cambio
de la respuesta. En otras situaciones podra haber ms inters en verificar la uniformidad.
Por ejemplo, pueden compararse dos condiciones de produccin Ay B, donde A es el
estndar y B es una alternativa con una eficiencia de costos mayor. El experimentador
estar interesado entonces en demostrar que, por ejemplo, no hay ninguna diferencia en el
rendimiento entre las dos condiciones.

5. Realizacin del experimento. Cuando se lleva a cabo el experimento es vital monitorear

con atencin el proceso a fin de asegurarse de que todo se est haciendo conforme a la
planeacin. Los errores en el procedimiento experimental en esta etapa destruirn por lo
general la validez experimental. Poner en un primer plano la planeacin es crucial para el

5
xito. Es fcil subestimar los aspectos de logstica y planeacin cuando se corre un
experimento diseado en un ambiente complejo de manufactura o de investigacin y
desarrollo.

Coleman y Montgomery [27] sugieren que antes de llevar a cabo el experimento, es

conveniente en muchas ocasiones realizar algunas corridas piloto o de prueba. Estas
corridas proporcionan informacin acerca de la consistencia del material experimental, una
comprobacin del sistema de medicin, una idea aproximada del error experimental y la
oportunidad de poner en prctica la tcnica experimental global. Esto ofrece tambin una
oportunidad para revisar, de ser necesario, las decisiones tomadas en los pasos 1 al 4.

6. Anlisis estadstico de los datos. Debern usarse mtodos estadsticos para analizar
los datos a fin de que los resultados y las conclusiones sean objetivos y no de carcter
apreciativo. Si el experimento se ha diseado correctamente y si se ha llevado a cabo de
acuerdo con el diseo, los mtodos estadsticos necesarios no deben ser complicados.
Existen varios paquetes de software excelentes diseados para auxiliar en el anlisis de
datos, y muchos de los programas usados en el paso 4 para seleccionar el diseo cuentan
con una interfase directa para el anlisis estadstico. Con frecuencia se encuentra que los
mtodos grficos simples desempean un papel importante en el anlisis e interpretacin
de datos. Debido a que muchas de las preguntas que el experimentador quiere responder
pueden insertarse en el marco de la prueba de hiptesis, los procedimientos para probar
hiptesis y estimar intervalos de confianza son muy tiles en el anlisis de datos de un
experimento diseado. Muchas veces es muy til tambin presentar los resultados de varios
experimentos en trminos de un modelo emprico, es decir, mediante una ecuacin
derivada de los datos que expresa la relacin entre la respuesta y los factores importantes
del diseo. El anlisis residual y la verificacin de la adecuacin del modelo son tambin
tcnicas de anlisis importantes. Ms adelante se revisarn en detalle estos temas.

Recuerde que los mtodos estadsticos no pueden demostrar que un factor (o factores)
posee un efecto particular, slo proporcionan pautas generales en cuanto a la confiabilidad
y la validez de los resultados. Aplicados en forma correcta, los mtodos estadsticos no
permiten la demostracin experimental de nada, pero s sirven para medir el error posible
en una conclusin o asignar un nivel de confianza a un enunciado. La ventaja principal de
los mtodos estadsticos es que agregan objetividad al proceso de toma de decisiones. Las
tcnicas estadsticas, aunadas a una buena ingeniera o conocimiento del proceso y el
sentido comn, llevarn por lo general a conclusiones slidas.

7. Conclusiones y recomendaciones. Una vez que se han analizado los datos, el

experimentador debe sacar conclusiones prcticas acerca de los resultados y recomendar
un curso de accin. Los mtodos grficos suelen ser tiles en esta etapa, en particular para
presentar los resultados. Tambin debern realizarse corridas de seguimiento o pruebas
de confirmacin para validar las conclusiones del experimento.

A lo largo del proceso completo es importante tener presente que la experimentacin es

una parte esencial del proceso de aprendizaje, en la que se formulan hiptesis tentativas

6
acerca de un sistema, se realizan experimentos para investigar estas hiptesis y se
formulan nuevas hiptesis con base en los resultados, y as sucesivamente. Esto sugiere
que la experimentacin es iterativa. Por lo general es un gran' error disear un solo
experimento comprensivo y extenso al principio de un estudio. Un experimento exitoso
requiere conocer los factores importantes, los rangos en los que debern hacerse variar
estos factores, el nmero apropiado de niveles que debern usarse y las unidades de
medicin apropiadas para estas variables. En general, no se conocen las respuestas
precisas de estas cuestiones, pero se aprende acerca de ellas sobre la marcha. A medida
que avanza un programa experimental, es comn abandonar algunas variables de entrada
e incorporar otras, modificar la regin de exploracin de algunos factores o incorporar
nuevas variables de respuesta. Por consiguiente, generalmente la experimentacin se hace
en forma secuencial y, como regla general, no deber invertirse ms de 25% de los recursos
disponibles en el primer experimento. Con esto se asegurar que se contar con los
recursos suficientes para realizar las corridas de confirmacin y que se alcanzar en ltima
instancia el objetivo final del experimento.

2.2.- El diseo 23

Suponga que tres factores, A, B y C, cada uno con dos niveles, son de inters. Al diseo se
le llama diseo factorial 23, y en este caso la representacin geomtrica de las ocho
combinaciones de tratamientos puede hacerse con un cubo, como se muestra en la figura
6-4a. Utilizando la notacin"+" y "-" para representar los niveles alto y bajo de los factores,
las ocho corridas del diseo 23 pueden enlistarse como en la figura 6-4b. Se le conoce en
ocasiones como la matriz del diseo. Haciendo una ampliacin de la notacin de las
etiquetas revisada en la seccin 6-2, las combinaciones de los tratamientos en el orden
estndar se escriben como (1), a, b, ab, c, ac, bc y abc. Recuerde que estos smbolos
representan tambin el total de las n observaciones hechas con esa combinacin de
tratamientos particular.

7
Existen en realidad tres notaciones diferentes para las corridas del diseo 23 que son de
uso general. La primera es la notacin + y -, llamada con frecuencia notacin geomtrica.
La segunda es el uso de las etiquetas en letras minsculas para identificar las
combinaciones de los tratamientos. La tercera y ltima notacin utiliza 1 y 0 para denotar
los niveles alto y bajo, respectivamente, de los factores, en lugar de + y -. Estas diferentes
notaciones se ilustran enseguida para el diseo 23:

Hay siete grados de libertad entre las ocho combinaciones de tratamientos del diseo 2 3.
Tres grados de libertad se asocian con los efectos principales de A, B y C. Cuatro grados
de libertad se asocian con las interacciones; uno con cada una de las interacciones AB, AC
y BC y uno con la interaccin ABC. Considere la estimacin de los efectos principales.
Primero, considere la estimacin del efecto principal A. El efecto de A cuando B y C estn
en el nivel bajo es [a - (1)]/n. De manera similar, el efecto de A cuando B est en el nivel
alto y C est en el nivel bajo es (ab b)/n. El efecto de A cuando C est en el nivel alto y B
est en el nivel bajo es (ac c)/n. Por ltimo, el efecto de A cuando tanto B como C estn
en el nivel alto es [abc - bc]/n. Por lo tanto, el efecto promedio de A es slo el promedio de
estos cuatro efectos, o

Esta ecuacin tambin puede desarrollarse como un contraste entre las cuatro
combinaciones de tratamientos de la cara derecha del cubo de la figura 6-5a (donde A est
en el nivel alto) y las cuatro de la cara izquierda (donde A est en el nivel bajo). Es decir, el
efecto de A es slo el promedio de las cuatro corridas donde A est en el nivel alto (A +)
menos el promedio de las cuatro corridas donde A est en el nivel bajo (A-), o

8
Esta ecuacin puede reescribirse como

que es idntica a la ecuacin 6-11.

De manera similar, el efecto de B es la diferencia en los promedios entre las cuatro

combinaciones de tratamientos de la cara frontal del cubo y las cuatro de la cara posterior.
Se obtiene as

9
El efecto de C es la diferencia en los promedios entre las cuatro combinaciones de
tratamientos de la cara superior del cubo y las cuatro de la cara inferior, es decir,

Los efectos de la interaccin de dos factores pueden calcularse con facilidad. Una medida
de la interaccin AB es la diferencia entre los efectos promedio de A con los dos niveles de
B. Por convencin, a la mitad de esta diferencia se le llama la interaccin AB. Utilizando
smbolos,

Puesto que la interaccin AB es la mitad de esta diferencia,

La ecuacin 6-14 puede escribirse de la siguiente manera:

En esta forma, resulta fcil ver que la interaccin AB es la diferencia en los promedios entre
las corridas de dos planos diagonales del cubo de la figura 6-5b. Utilizando un razonamiento
lgico similar y con referencia a la figura 6-5b, las interacciones AC y BC son

10
La interaccin ABC se define como la diferencia promedio entre la interaccin AB para los
dos diferentes niveles de C. Por lo tanto,

Como antes, la interaccin ABC puede considerarse como la diferencia de dos promedios.
Si se aslan las corridas de los dos promedios, stas definen los vrtices de los dos
tetraedros que componen el cubo de la figura 6-Sc.

En las ecuaciones 6-11 a 6-17, las cantidades entre corchetes son contrastes de las
combinaciones de los tratamientos. Es posible desarrollar una tabla de signos positivos y
negativos a partir de los contrastes, la cual se muestra en la tabla 6-3. Los signos de los
efectos principales se determinan asociando un signo positivo con el nivel alto y un signo
negativo con el nivel bajo. Una vez que se han establecido los signos de los efectos
principales, los signos de las columnas restantes pueden obtenerse multiplicando las
columnas precedentes apropiadas, rengln por rengln. Por ejemplo, los signos de la
columna AB son el producto de los signos de la columna A y la columna B en cada rengln.
El contraste de cualquier efecto puede obtenerse fcilmente con esta tabla.

La tabla 6-3 tiene varias propiedades interesantes: 1) Con excepcin de la columna J, cada
una de las columnas tienen el mismo nmero de signos positivos y negativos. 2) La suma
de los productos de los signos de dos columnas cualesquiera es cero. 3) La columna J
multiplicada por cualquiera de las columnas deja la columna sin cambio. Es decir, J es un
elemento identidad. 4) El producto de dos columnas cualesquiera produce una columna de
la tabla. Por ejemplo, A x B = AB, y

Se observa que los exponentes de los productos se forman utilizando la aritmtica mdulo
2. (Es decir, el exponente slo puede ser 0 o 1; si es mayor que 1, se reduce con mltiplos
de 2 hasta que es 0 o 1.) Todas estas propiedades se derivan de la ortogonalidad de los
contrastes usados para estimar los efectos.

11
Las sumas de cuadrados de los efectos se calculan con facilidad, ya que cada efecto tiene
un contraste correspondiente con un solo grado de libertad. En el diseo 23 con n rplicas,
la suma de cuadrados de cualquier efecto es

2.3.-Definicion de ortogonalidad.

En matemticas, el trmino ortogonalidad (del griego ortos recto y gonos ngulo) es

una generalizacin de la nocin geomtrica de perpendicularidad. En el espacio
eucldeo convencional el trmino ortogonal y el trmino perpendicular son sinnimos. Sin
embargo, en espacios de dimensin finita y en geometras no eucldeas el concepto de
ortogonalidad generaliza al de perpendicularidad.

Ortogonalidad en otros contextos

El concepto de ortogonalidad puede extenderse a otros objetos geomtricos diferente de los

vectores. Por ejemplo dos curvas suaves se consideran ortogonales en un punto si sus
respectivos vectores tangentes son ortogonales. Dos familias de curvas se llaman ortogonales
si en el punto de interseccin de una curva de la primera familia con una curva de la segunda
familia ambas resultan ser ortogonales. Un ejemplo de esto es el de las lneas isostticas de
traccin y compresin en una viga, las cuales son las envolventes de las tensiones principales.

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

12
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.

2.4- El arreglo ortogonal L6 (23).

Vase diseo 23

13
2.5.- El anlisis de varianza en arreglos ortogonales.

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 A B C D E e e

Nivel 1 1.59 1.36 1.51 1.40 1.39 1.28 1.35

Nivel 2 1.05 1.28 1.13 1.24 1.25 1.36 1.29

2.64 2.64 2.64 2.64 2.64 2.64 2.64

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

14
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 G.l. V Fexp

A 0.03645 1 0.03645 58.32

B 0.00080 1 0.00080 1.28

C 0.01805 1 0.01805 28.88

D 0.00320 1 0.00320 5.12

E 0.00245 1 0.00245 3.92

15
 Error 0.00125 2 0.000625

Total 0.0622 7

Bajo la columna SS se tienen las sumas de cuadrados. Bajo la columna G.l. (grados de
libertad), tendremos el nmero de columnas que se usaron para evaluar el factor, en este
caso, slo puede ser de uno para cada factor y ms de uno nicamente para el 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.

16
La tabla ANOVA queda ahora

Efecto SS G.1 V Fexp

A 0.03645 1 0.03645 53.60

C 0.01805 1 0.01805 26.54

D 0.00320 1 0.00320 4.71

E 0.00245 1 0.00245 3.60

Error 0.00205 3 0.00068

Total 0.0622 7

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

Los promedios de la emisin de 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 Nivel 1 Nivel 2

A A1= 0.3975 A2= 0.2625

B B1= 0.3400 B2= 0.3200

C C1= 0.3775 C2= 0.2825

D D1= 0.3500 D2= 0.3100

E E1= 0.3475 E2= 0.3125

17
 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

2.6.- Razones para usar arreglos ortogonales.

La ventaja de los arreglos ortogonales es que pueden ser aplicados al diseo experimental
involucrando un gran nmero de factores.

DESVENTAJAS

La desventaja del arreglo ortogonal es que puede ser nicamente aplicado en la etapa inicial
del diseo del sistema del producto o proceso. Un arreglo ortogonal permite asegurar

18
que el efecto de "B" en "A1" es el mismo efecto de "B" en "A2". As se podr estar seguro
de que se est haciendo comparaciones entre efectos de niveles de un factor.

2.7.- Otros arreglos para factores en dos niveles.

El diseo 22

El primer diseo de la serie 2k es el que slo tiene dos factores, por ejemplo, A y B; cada
uno se corre a dos niveles. A este diseo se le llama diseo factorial 22. Los niveles de los
factores pueden denominarse arbitrariamente "bajo" y "alto". Como un ejemplo, considere
la investigacin del efecto de la concentracin del reactivo y de la cantidad del catalizador
sobre la conversin (rendimiento) de un proceso qumico. Sea la concentracin del reactivo
el factor A, y sean 15 y 25 por ciento los dos niveles de inters. El catalizador es el factor
B, con el nivel alto denotando el uso de 2 libras del catalizador y el nivel bajo denotando el
uso de 1 libra. Se hacen tres rplicas del experimento, y los datos son los siguientes:

Las combinaciones de los tratamientos se ilustran grficamente en la figura 6-1. Por

convencin, el efecto de un factor se denota con una letra mayscula latina. Por lo tanto,
"A" se refiere al efecto del factor A, "B" al efecto del factor B, y "AB" a la interaccin AB. En
el diseo 22, los niveles bajo y alto de A y B se denotan por "-" y "+", respectivamente, en
los ejes A y B. Por lo tanto, - en el eje A representa el nivel bajo de la concentracin (15%),
mientras que + representa el nivel alto (25%), y - en el eje B representa el nivel bajo del
catalizador, mientras que + denota el nivel alto.

Las cuatro combinaciones de tratamientos suelen representarse con letras minsculas,

como se muestra en la figura 6-1. Por la figura se observa que el nivel alto de cualquiera de
los factores en una combinacin de tratamientos se denota por la letra minscula
correspondiente y que el nivel bajo de un factor .en una combinacin de tratamientos se
denota por la ausencia de la letra respectiva. Por lo tanto, a representa la combinacin de
tratamientos con A en el nivel alto y B en el nivel bajo, b representa A en el nivel bajo y B
en el nivel alto, y a b representa ambos factores en el nivel alto. Por convencin, se usa (1)
para denotar que ambos factores estn en el nivel bajo. Esta notacin se utiliza en todas
las series 2k.

19
En un diseo factorial con dos niveles, el efecto promedio de un factor puede definirse como
el cambio en la respuesta producido por un cambio en el nivel de ese factor promediado
para los niveles del otro factor. Asimismo, los smbolos (1), a, b y ab representan ahora el
total de las n rplicas hechas con la combinacin de los tratamientos, como se ilustra en la
figura 6-1. Ahora el efecto de A en el nivel bajo de B es [a - (1)]/n y el efecto de A con el
nivel alto de B es [ab - b]/n. Al promediarse estas dos cantidades se obtiene el efecto
principal de A:

El efecto principal promedio de B se encuentra a partir del efecto de B con el nivel bajo de
A (es decir, [b - (1)]/n) y con el nivel alto de A (o sea, [ab - a]/n) como

20
El efecto de la interaccin AB se define como la diferencia promedio entre el efecto de A
con el nivel alto de B y el efecto de A con el nivel bajo de B. Por lo tanto,

De manera alternativa, AB puede definirse como la diferencia promedio entre el efecto de

B con el nivel alto de A y el efecto de B con el nivel bajo de A. Esto llevar tambin a la
ecuacin 6-3.

Las frmulas de los efectos de A, B y AB pueden deducirse con otro mtodo. El efecto de
A puede encontrarse como la diferencia en la respuesta promedio de las dos combinaciones
de tratamientos situadas a la derecha del cuadrado de la figura 6-1 (a este promedio se le
llama A+, porque es la respuesta promedio con las combinaciones de tratamientos donde
A est en el nivel alto) y las dos combinaciones de tratamientos situadas a la izquierda del
cuadrado de la figura 6-1 (o YA-). Es decir,

Se trata exactamente del mismo resultado que el de la ecuacin 6-1. El efecto de B,

ecuacin 6-2, se encuentra como la diferencia entre el promedio de las dos combinaciones
de tratamientos de la parte superior del cuadrado (YB+) y el promedio de las dos
combinaciones de tratamientos de la parte inferior (YB-), o

21
Por ltimo, el efecto de la interaccin AB es el promedio de las combinaciones de
tratamientos de la diagonal de derecha a izquierda del cuadrado [ab y (1)] menos el
promedio de las combinaciones de tratamientos de la diagonal de izquierda a derecha (a y
b), o

resultado que es idntico a la ecuacin 6-3.

Utilizando el experimento de la figura 6-1, los efectos promedio pueden estimarse como

El efecto de A (concentracin del reactivo) es positivo; esto sugiere que al incrementar A

del nivel bajo (15%) al nivel alto (25%), el rendimiento se incrementar. El efecto de B
(catalizador) es negativo; esto sugiere que al incrementar la cantidad del catalizador que se
agrega al proceso se reducir el rendimiento. El efecto de la interaccin parece ser pequeo
en comparacin con los dos efectos principales.

En muchos experimentos que incluyen diseos 2kse examinar la magnitud y la direccin

de los efectos de los factores a fin de determinar las variables que son de posible
importancia. En la mayora de los casos puede usarse el anlisis de varianza para confirmar
esta interpretacin. Hay varios paquetes de software de estadstica excelentes que son
tiles para establecer y analizar diseos 2k.Se cuenta tambin con mtodos especiales que
ahorran tiempo cuando los clculos se hacen manualmente.

22
Considere las sumas de cuadrados de A, B y AB. Observe, por la ecuacin 6-1, que se us
un contraste para estimar A, a saber

A este contraste suele l1amrsele el efecto total de A. A partir de las ecuaciones 6-2 y 6-3,
se observa que tambin se usan contrastes para estimar B y AB. Adems, estos tres
contrastes son ortogonales. La suma de cuadrados de cualquier contraste puede calcularse
con la ecuacin 3-29, la cual establece que la suma de cuadrados del contraste es igual al
cuadrado del contraste dividido por el nmero de observaciones en cada total del contraste
multiplicado por la suma de cuadrados de los coeficientes del contraste. Por consiguiente,
se tienen

como las sumas de cuadrados de A, B Y AB.

Al utilizar el experimento de la figura 6-1, las sumas de cuadrados de las ecuaciones 6-5,
6-6 y 6-7 pueden encontrarse como

La suma de cuadrados total se encuentra como de costumbre, es decir,

23
En general, SST tiene 4n -1 grados de libertad. La suma de cuadrados del error, con 4(n -
1) grados de libertad, suele calcularse por sustraccin como

Para el experimento de la figura 6-1, se obtiene

al utilizar SSA, SSB y SSAB de la ecuacin 6-8. En la tabla 6-1 se resume el anlisis de
varianza completo. Con base en los valores P, se concluye que los efectos principales son
estadsticamente significativos y que no hay interaccin entre estos factores. Esto confirma
la interpretacin de los datos que se hizo originalmente con base en las magnitudes de los
efectos de los factores.

Con frecuencia resulta conveniente escribir las combinaciones de los tratamientos en el

orden (1), a, b, ab. Se hace referencia a esto como el orden estndar (u orden de Yates,
por el Dr. Frank Yates). Al utilizar este orden estndar, se observa que los coeficientes de
los contrastes usados para estimar los efectos son

24
Observe que los coeficientes de los contrastes para estimar el efecto de la interaccin son
slo el producto de los coeficientes correspondientes de los dos efectos principales. El
coeficiente de un contraste es siempre +1 o -1, y puede usarse una tabla de signos positivos
y negativos como la tabla 6-2 para determinar el signo correcto para cada combinacin de
tratamientos. Los encabezados de las columnas de la tabla 6-2 son los efectos principales
(Ay B), la interaccin AB e I, que representa el total o promedio del experimento completo.
Observe que la columna que corresponde a I incluye nicamente signos positivos. Las
etiquetas de los renglones son las combinaciones de los tratamientos. Para encontrar el
contraste para estimar cualquier efecto, simplemente se multiplican los signos de la
columna apropiada de la tabla por la combinacin de tratamientos correspondiente y se
hace la suma. Por ejemplo, para estimar A, el contraste es -(1) + a - b + ab, que concuerda
con la ecuacin 6-1.

El diseo general 2k

Los mtodos de anlisis que se han presentado hasta este punto pueden generalizarse
para el caso de un diseo factorial 2k, es decir, un diseo con k factores que tienen dos
niveles cada uno. El modelo estadstico para un diseo 2k incluira k efectos principales, (k2)
interacciones de dos factores, (k3) interacciones de tres factores, ..., y una interaccin de k
factores. Es decir, para un diseo 2k el modelo completo contendra 2k -1 efectos. Tambin
se usa aqu la notacin introducida anteriormente para las combinaciones de los
tratamientos. Por ejemplo, en un diseo 25, abd denota la combinacin de tratamientos con
los factores A, B y D en el nivel alto y los factores C y E en el nivel bajo. Las combinaciones
de los tratamientos pueden escribirse en orden estndar introduciendo los factores uno a la
vez y combinando sucesivamente cada nuevo factor con los que lo preceden. Por ejemplo,
el orden estndar de un diseo 24 es (1), a, b, ab, e, ac, bc, abc, d, ad, bd, abd, cd, acd,
bcd y abcd.

El enfoque general para el anlisis estadstico del diseo 2k se resume en la tabla 6-8. Como
se seal anteriormente, suele emplearse un paquete de software de computadora en este
proceso de anlisis.

A estas alturas, la secuencia de pasos de la tabla 6-8 debe resultar familiar. El primer paso
es estimar los efectos de los factores y examinar sus signos y magnitudes. De este modo
el experimentador obtiene informacin preliminar respecto de los factores y las
interacciones que pueden ser importantes, y en qu direcciones debern ajustarse estos
factores para mejorar la respuesta. Para formar el modelo inicial del experimento, por lo
general se elige el modelo completo, es decir, todos los efectos principales y las

25
interacciones, siempre que se haya hecho una rplica de al menos uno de los puntos del
diseo (en la seccin siguiente se revisa una modificacin de este paso). Despus, en el
paso 3 se usa el anlisis de varianza para probar formalmente la significacin de los efectos
principales y las interacciones. En la tabla 6-9 se presenta la forma general de un anlisis
de varianza para un diseo factorial 2k con n rplicas. El paso 4, refinar el modelo, suele
consistir en la eliminacin de las variables no significativas del modelo completo. El paso 5
es el anlisis residual usual para verificar la adecuacin del modelo y los supuestos. En
ocasiones ocurrir una refinacin del modelo despus del anlisis residual, si se encuentra
que el modelo es inadecuado o que hay violaciones serias de los supuestos. El ltimo paso
consiste generalmente en el anlisis grfico: grficas de los efectos principales o las
interacciones, o superficies de respuesta y grficas de contorno.

Aun cuando los clculos descritos se realizan por lo general con una computadora, en
ocasiones es necesario calcular manualmente la estimacin de un efecto o la suma de
cuadrados de un efecto. Para estimar un efecto o calcular la suma de cuadrados de un
efecto, primero debe determinarse el contraste asociado con ese efecto. Esto puede
hacerse siempre utilizando una tabla de signos positivos y negativos, como la tabla 6-2 o 6-
3. Sin embargo, para valores grandes de k esto resulta laborioso, y puede usarse un mtodo
alternativo. En general, el contraste del efecto AB...K se determina expandiendo el miembro
derecho de

26
Para expandir la ecuacin 6-21 se usa el lgebra ordinaria reemplazando "1" con (1) en la
expresin final. El signo de cada grupo de parntesis es negativo si el factor est incluido
en el efecto y es positivo si el factor no est incluido.

Para ilustrar el uso de la ecuacin 6-21, considere un diseo factorial 23.El contraste de AB
sera

Como un ejemplo ms, en un diseo 25, el contraste de ABCD sera

27
Una vez que se han calculado los contrastes de los efectos, pueden estimarse los efectos
y calcular las sumas de cuadrados de acuerdo con

respectivamente, donde n denota el nmero de rplicas. Se cuenta tambin con un

algoritmo tabular debido al Dr. Frank Yates que en ocasiones puede ser til para el clculo
manual de las estimaciones de los efectos y las sumas de cuadrados.

2.8.- Grficos lineales.

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

28
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 ttulo 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.

29
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) un efecto individual se representa con un punto.

b) una interaccin se representa mediante una lnea que une los dos efectos
individuales.

En nuestro caso esto procede como sigue:

Primero dibujamos cuatro puntos, uno para cada efecto.

A. B.

C. D.

30
En seguida mostramos las interacciones que nos interesan, mediante lneas. Para nuestro
caso tenemos (grfica de la izquierda):

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:

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:

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).

31
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 A D C B AxB E F

Columna 1 2 3 4 5 6 7

2.9.- Arreglos ortogonales para factores de tres niveles.

El diseo 32

El diseo ms simple del sistema 3k es el diseo 32, el cual tiene dos factores, cada uno
con tres niveles. Las combinaciones de tratamientos de este diseo se mostraron en la
figura 9-1. Puesto que estn presentes 32 =9 combinaciones de tratamientos, hay ocho
grados de libertad entre estas combinaciones de tratamientos. Los efectos principales de A
y B tienen dos grados de libertad cada uno, y la interaccin AB tiene cuatro grados de
libertad. Si hay n rplicas, habr n32 -1 grados de libertad totales y 32 (n -1) grados de
libertad del error.

Las sumas de cuadrados de A, B YAB pueden calcularse mediante los mtodos usuales
para los diseos factoriales. Cada efecto principal puede representarse con un componente
lineal y uno cuadrtico, cada uno con un solo grado de libertad, como se observa en la
ecuacin 9-1. Desde luego, esto slo tiene sentido si el factor es cuantitativo.

La particin de la interaccin de dos factores AB puede hacerse de dos maneras. El primer

mtodo consiste en subdividir AB en los cuatro componentes con un solo grado de libertad
que corresponden a ABL x L, ABL x Q, ABQ x L y ABQ x Q. Esto puede hacerse ajustando los
trminos 12x1x2, 122x1x22, 112x12x2, y 1122x12x22, respectivamente.

El segundo mtodo se basa en los cuadrados latinos ortogonales. Estos totales se muestran
en la figura 9-3 como los nmeros encerrados en crculos dentro de los cuadrados. Los dos
factores A y B corresponden a los renglones y las columnas, respectivamente, de un
cuadrado latino 3 x 3. En la figura 9-3 se muestran dos cuadrados latinos 3 x 3 particulares,
superpuestos en los totales de las celdas.

32
Estos dos cuadrados latinos son ortogonales; es decir, si uno de los cuadrados se
superpone en el otro, cada letra del primer cuadrado aparecer exactamente una vez con
cada letra del segundo cuadrado. Los totales de las letras en el cuadrado a son Q =18, R
=-2 y S =8, y la suma de cuadrados entre estos totales es [182+ (-2)2 + 82]/(3)(2) - [242
/(9)(2)] =33.34, con dos grados de libertad. De manera similar, los totales de las letras en
el cuadrado b son Q= 0, R =6 y S =18, y la suma de cuadrados entre estos totales es [02 +
62 + 182]/(3)(2) - [242 /(9)(2)] = 28.00, con dos grados de libertad. Observe que la suma de
estos dos componentes es 33.34+ 28.00 = 61.34 =SSAB con 2 + 2 = 4 grados de libertad.

En general, a la suma de cuadrados calculada con el cuadrado a se le llama el componente

AB de la interaccin, y a la suma de cuadrados calculada con el cuadrado b se le llama el
componenteAB2 de la interaccin. Cada uno de los componentes AB y AB2 tiene dos grados
de libertad. Se usa esta terminologa porque si los niveles (0, 1, 2) de A y B se denotan por
X1 y X2, respectivamente, entonces se encuentra que las letras ocupan celdas de acuerdo
con el siguiente patrn:

Por ejemplo, en el cuadrado b se observa que la celda de en medio corresponde a X 1 = 1

Y X2 = 1; por lo tanto, x1 + 2x2 =1 + (2) (1) =3 = 0 (mod 3), y Q ocupara la celda de en
medio. Cuando se consideran expresiones de la forma ApBq, se establece la convencin de

33
que el nico exponente permitido en la primera letra es 1. Si el exponente de la primera
letra no es 1, la expresin completa se eleva al cuadrado y los exponentes se reducen al
mdulo 3. Por ejemplo, A2B es lo mismo que AB2 porque

Los componentes AB yAB2 de la interaccin AB no tienen significado real y por lo general

no se incluyen en la tabla del anlisis de varianza. Sin embargo, esta particin en gran
medida arbitraria de la interaccin AB en dos componentes ortogonales con dos grados de
libertad es muy til para construir diseos ms complicados. Adems, no hay relacin entre
los componentes AB yAB2 de la interaccin y las sumas de cuadrados de ABL x L, ABL x Q,
ABQ x L y ABQ x Q.

Los componentes AB yAB2 de la interaccin pueden calcularse de otra manera. Considere

los totales de las combinaciones de los tratamientos en cualquiera de los cuadrados de la
figura 9-3. Si se hace la suma de los datos en las diagonales hacia abajo de izquierda a
derecha, se obtienen los totales-3 + 4-1 = 0, -3 + 10 -1 =6 Y5 + 11 + 2 =18.La suma de
cuadrados entre estos totales es 28.00 (AB2). En forma similar, los totales de la diagonal
hacia abajo de derecha a izquierda son 5 + 4-1 =8, -3 + 2-1 =-2 y -3 + 11 + 10 = 18. La
suma de cuadrados entre estos totales es 33.34 (AB). Yates llam a estos componentes de
la interaccin los componentes I y J de la interaccin, respectivamente. Se usarn aqu
indistintamente las dos notaciones; es decir,

I(AB) = AB2

J(AB) =AB

El diseo 33

Suponga ahora que hay tres factores (A, B Y C) bajo estudio, y que cada factor tiene tres
niveles dispuestos en un experimento factorial. Las 27 combinaciones de tratamientos
tienen 26 grados de libertad. Cada efecto principal tiene 2 grados de libertad, cada
interaccin de dos factores tiene 4 grados de libertad y la interaccin de tres factores tiene
8 grados de libertad. Si se hacen n rplicas, hay n33 -1 grados de libertad totales y 33(n -1)
grados de libertad del error.

Las sumas de cuadrados pueden calcularse utilizando los mtodos estndares para los
diseos factoriales. Adems, si los factores son cuantitativos, es posible hacer la particin
de los efectos principales en un componente lineal y uno cuadrtico, cada uno con un solo
grado de libertad. Las interacciones de dos factores pueden descomponerse en efectos
lineal x lineal, lineal x cuadrtico, cuadrtico x lineal y cuadrtico x cuadrtico. Por ltimo,
puede hacerse la particin de la interaccin de tres factores ABC en ocho componentes con
un solo grado de libertad que corresponden a lineal x lineal x lineal, lineal x lineal x
cuadrtico, etctera. Esta descomposicin de la interaccin de tres factores no es por lo
general de gran utilidad.
34
Tambin es posible hacer la particin de las interacciones de dos factores en sus
componentes I y J. stos se designaran AB, AB2, AC, AC2, BC y BC2, y cada componente
tendra dos grados de libertad. Como en el diseo 32, estos componentes no tienen
significacin fsica.

Es posible hacer la particin de la interaccin de tres factores ABC en cuatro componentes

ortogonales con dos grados de libertad, a los que suele denominarse los componentes W,
X, Y y Z de la interaccin. Tambin se hace referencia a ellos como los componentes AB2
C2, AB2C, ABC2 y ABC de la interaccin ABC, respectivamente. Las dos notaciones se usan
indistintamente; es decir,

W(ABC) = AB2C2

X(ABC) = AB2C

Y(ABC) = ABC2

Z(ABC)=ABC

Observe que ninguna de las primeras letras puede tener un exponente diferente de 1. Al
igual que los componentes I y J, los componentes W, X, Y y Z no tienen ninguna
interpretacin prctica. Sin embargo, son tiles para construir diseos ms complejos.

2.10.- Mtodos para modificar los arreglos ortogonales.

DISEO FACTORIAL COMPLETO

En este diseo se investigan todas las combinaciones de todos los niveles de todos los
factores, permitiendo investigar el efecto de varios factores al mismo tiempo. En un diseo
experimental de 7 factores en 2 niveles cada uno, se requieren 128 experimentos --- (2) 7.

En experimentos de manufactura es comn 13 factores con 3 niveles cada uno, siendo

entonces necesario (3) 13 = 1, 594,323 experimentos. ANLISIS DE

DATOS MEDIANTE ARREGLOS ORTOGONALES

Determinacin de promedios de respuesta para niveles de factores.

Seleccin de niveles ptimos de un factor mediante la comparacin de

promedios de respuestas.

Predecir la respuesta promedio del proceso utilizando los niveles ptimos.

Comparacin de la prediccin con los resultados de una corrida de

confirmacin.

35
INTERACCIONES ENTRE FACTORES

Existe una interaccin cuando el efecto de un factor depende del nivel en el que se
encuentre otro factor. Se gratifican los cambios de un factor "A" a los cambios del factor "B"
para ver si hay interaccin.

Si las lneas trazadas son paralelas, no existe interaccin entre los factores.

Si las lneas no son paralelas, quiere decir que el efecto de "A" no es el mismo para "B1"
y "B2", existiendo interaccin.

Si las lneas se intersectan en la grfica, se interpreta que existe una

interaccin bastante fuerte.

APROXIMACIN DE UN FACTOR A LA VEZ

En este mtodo se vara el nivel de un solo factor, manteniendo constantes los niveles de
los dems factores. Suponga que se investiga sobre efectos de temperatura y presin. Se
seleccionan dos niveles para el factor temperatura (T1 y T2) y 2 niveles para el factor
presin (P1, P2). La temperatura se fija a T1 mientras se varan los niveles de la presin;
despus se poda fijar la presin a P1 y vara los niveles de la temperatura. Si se
realizara un diseo con 7 factores en 2 niveles cada uno, se necesitara realizar 8
experimentos.

36
Conclusin

Los arreglos ortogonales son herramientas que permiten al ingeniero evaluar qu

tan robustos son los diseos del proceso y del producto con respecto a los
factores de ruido. Es comn que estas pruebas o experimentos se hagan sobre la
marcha, a prueba y error, apelando a la experiencia y a la intuicin; en lugar de
seguir un plan experimental adecuado que garantice una buena respuesta a las
interrogantes planteadas.

37
Bibliografa
Douglas c. Montgomery (2004). Diseo y anlisis de experimentos. Mexico: Limusa Wiley.

https://es.slideshare.net/salvadorbarraganhernandez9/experimentos-con-arreglos-
ortogonales

http://www.itchihuahua.edu.mx/academic/industrial/ingcalidad/unidad1.html

http://www.redalyc.org/pdf/944/94401906.pdf

38