Beruflich Dokumente
Kultur Dokumente
De estas tres etapas, la más importante es el diseño de parámetros cuyos objetivos son:
a) Identificar qué factores afectan la característica de calidad en cuanto a su magnitud y en cuanto a su
variabilidad.
b) Definir los niveles “óptimos” en que debe fijarse cada parámetro o factor, a fin de optimizar la
operación del producto y hacerlo lo más robusto posible.
c) Identificar factores que no afectan substancialmente la característica 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 estadísticas conocida como diseño de
experimentos, tratadas anteriormente.
Taguchi ha propuesto una alternativa no del todo diferente que se que conoce como: Arreglos Ortogonales
y las Gráficas Lineales.
La herramienta utilizada normalmente son diseños Factoriales fraccionados, sin embargo cuando el
número de factores se ve incrementado, las posibles interacciones aumentan, así como la complicaciones
para identificar cuáles son las condiciones específicas a experimentar.
Un arreglo ortogonal se puede comparar con una replicación factorial fraccionada, de manera que
conserva el concepto de ortogonalidad y contrastes. Un experimento factorial fraccionado es también un
arreglo ortogonal .
Taguchi desarrolló una serie de arreglos particulares que denominó:
La (b)C
Donde:
a = Representa el número de pruebas o condiciones experimentales que se tomarán. Esto es el número de
renglones o líneas en el arreglo.
b = Representa los diferentes niveles a los que se tomará cada factor.
c = Es el número de efectos independientes que se pueden analizar, esto es el número de columnas.
F A C T O R E S (c)
No. (a) A B C Resultado
1 1 1 1 Y1
2 1 2 2 Y2
3 2 1 1 Y3
4 2 2 1 Y4
Taguchi ha desarrollado una serie de arreglos para experimentos con factores a dos niveles, los más
utilizados y difundidos según el número de factores a analizar son:
Si se desea analizar el efecto de estos factores, es necesario variarlos, esto es probarlos bajo diferentes
valores cada uno. A cada uno de estos valores se les llama nivel. Se requieren de al menos dos niveles o
valores distintos para cada factor. A uno de ellos arbitrariamente le llamamos nivel bajo o nivel “1”, al otro
nivel alto o nivel “2”.
En este caso estamos interesados en analizar el efecto de 5 efectos o factores a dos niveles cada uno, por lo
tanto, se usará un arreglo ortogonal L8. Esto implica que se ejecutarán 8 pruebas o condiciones
experimentales. Por otra parte se disponen de 7 columnas, a cada columna se le puede asignar o asociar un
factor. Si en particular, asignamos los factores en orden a las primeras cinco Columnas, dejando libres las
últimas dos columnas, el arreglo queda:
El análisis de resultados, se puede efectuar de dos maneras diferentes. Una de ellas mediante una serie de
gráficas, la otra mediante el análisis de varianza, se muestra en este ejemplo primero el uso del análisis de
varianza, posteriormente se muestra el uso de gráficas.
Análisis 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:
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:
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.
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 número total de lecturas que se tomaron.
Así 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
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 asignó factor (SSe) se toman como estimaciones del
error y se suman.
Bajo la columna SS se tienen las sumas de cuadrados. Bajo la columna G.l. (grados de libertad),
tendremos el número de columnas que se usaron para evaluar el factor, en este caso, sólo puede ser de uno
para cada factor y más de uno únicamente para el caso del error.
La columna V, se obtiene dividiendo el número bajo la columna SS, entre el número de la columna G.L.
Por último, el valor de Fexp, se obtiene de dividir el valor de V de cada factor, entre el valor de V para la
estimación del error.
Todos aquellos factores, que tienen un valor de Fexp mayor que 2 se considera que afectan la variable de
respuesta, emisión de formaldehído 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
presión respectivamente.
Se acostumbra que aquellos efectos que no resultaron significantes, se consideren como error aleatorio, a
fin de obtener una mejor estimación (con mayor número de grados de libertad).
Nos resta decidir a que nivel habrá de fijar cada factor significante, y qué podremos esperar. Para tomar
esta decisión, 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 emisión de formaldehído 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
Los factores A, C, D y E que afectan emisión de formaldehído deberán fijarse al nivel que minimicen la
emisión, esto es, al nivel que se obtenga el promedio menor, en este ejemplo; A 2, C2, D2 y E2; resina tipo II,
15 segundos como tiempo de prensado, 5% de humedad y 900 psi.
El factor B juega aquí un papel sumamente importante. Dado que no afecta la emisión de formaldehído,
dentro del intervalo analizado, se utiliza para reducir los costos de producción. Esto se hace fijándolo a su
nivel más económico. ¿Cuál será el nivel esperado de emisión 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
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.
Existe una alternativa al análisis ANOVA, esta es una serie de gráficas 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 número de lecturas con el
que se obtuvo cada total. Para nuestro ejemplo, los totales a cada nivel los tenemos ya en la sección
anterior. Los promedios son:
Factor A B C D E e e
Nivel 1 0.3975 0.3400 0.3775 0.3500 0.3475 0.3200 0.3325
Nivel 2 0.2625 0.3200 0.2825 0.3100 0.3125 0.3400 0.3225
Promedio global Y= T/n= 2.64/8 = 0.33
Observe que para cada factor, uno de los promedios es mayor y el otro menor que el promedio global.
Esto siempre debe de ocurrir.
2) Calcule la diferencia entre los promedios de niveles para cada factor, y ordénelos de mayor a menor en
valor absoluto.
Factor A B C D E e e
Yest. = Y + Ef A2 + Ef C2 + Ef D2 + Ef E2
T1 = Total de lecturas al nivel 1
T2 = Total de lecturas al nivel 2
n = Número total de lecturas
SS = (T2 - T1 )2 /n
gl = Grados de libertad (columnas)
V = SS/gl
F = V/Ve
Sg = ¿Efecto significante?
P1 = Promedio nivel 1
P2 = Promedio nivel 2
Ni = Nivel seleccionado
Ef = Efecto de la variable
Y = Promedio de todos los datos
Yest = Valor estimado de la variable a las condiciones propuestas
Factor A C D E B e e
Se puede observar que el orden en que quedaron los datos anteriores, es también el orden de mayor a
menor Fexp que se obtiene con la ANOVA.
.40
.35
.33
.30
.25
A1 A2 C1 C2 D1 D2 E1 E2 B1 B2 e1 e2 e1 e2
Mediante esta gráfica, se puede evaluar el efecto de cada factor. Entre mayor sea la línea de cada factor,
o bien, entre más vertical se encuentre, mayor será el efecto de este factor.
Observamos un grupo de líneas inclinadas, seguida de un grupo de líneas que súbitamente se “acuestan”
o se hacen horizontales. Es de esperar que las líneas que presentan columnas vacías o error aleatorio,
quedan prácticamente 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
rápidamente, si deseamos reducir la variable de respuesta, se toma el nivel más bajo, en este caso A2, C2, D2
y E2, es decir, los puntos por debajo de la línea promedio global.
En conclusión, el método gráfico puede ser utilizado para fines de exposición o presentación y el
ANOVA para fines de tomar una decisión más objetiva.
Como hemos visto anteriormente en los procesos de producción se producen interacciones. En esta sección
describiremos esta situación.
En los casos anteriores se asumió que el efecto de un factor sobre la variable de respuesta, no dependía del
nivel de otros factores. Cuando el efecto de un factor depende del nivel de otro factor, se dice que existe
una interacción entre los factores.
Si nos preguntamos cual es el efecto de la temperatura sobre la planicidad, podemos contestar que
depende del tipo de refrigerante que se utilice. En este caso se dice que existe una interacción entre la
temperatura y el refrigerante.
B1
B1
B2
B2
A1 A2 A1 A2
En las secciones anteriores se analizaron aplicaciones de arreglos ortogonales, en los cuales no existían
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 qué sucede cuando se desea incluir interacciones en un arreglo ortogonal?, se puede decir lo
siguiente:
a) los arreglos ortogonales a utilizar para los casos con interacciones, son exactamente los mismos que se
usan para el caso sin interacciones.
b) al asignar dos factores, A y B por ejemplo, a ciertas columnas, automáticamente la interacción de esos
dos factores AxB se reflejará en otra columna del arreglo. Por lo tanto, esta tercera columna ya no podrá ser
utilizada por algún otro factor o interacción a menos que se pueda suponer la interacción AxB como
inexistente.
c) una interacción significante que se desee probar, tomará una columna y en consecuencia un grado de
libertad. Por lo tanto, si deseamos analizar el efecto de 6 factores y 4 de las interacciones entre ellos,
requerimos por lo menos de 10 grados de libertad, esto es de 10 columnas, o sea un arreglo L 16 y no un
arreglo L8, que sería suficiente sin interacciones.
d) se deberá 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 también deseamos
probar.
Una condición que existe para el manejo de las interacciones mediante procedimientos de arreglos
ortogonales Taguchi, es que se tenga una definición “a priori “ de cuales interacciones específicamente
sospechamos que existen. Esto es, debemos definir de antemano qué interacciones creemos son relevantes,
a fin de incluirlas en nuestro análisis. Esto se puede saber en base a la experiencia previa del proceso.
Para ayudar en la asignación de factores a un arreglo, se han desarrollado gráficas lineales. Su aplicación
se muestra mediante un ejemplo:
NOTA: En los ejemplos que siguen, para denotar una interacción entre dos factores, A y B por ejemplo, se
utiliza indistintamente la notación AB o AxB.
Gráficas lineales
A continuación se muestra un arreglo L8 junto con una matriz triangular y dos gráficas lineales. Estas se
reproducen aquí para su explicación.
1 3 2
3 5 1
.7 5 4
6
2 6 4 7
(b)
(a)
¿Qué representa cada tabla?. En primer lugar, el arreglo ortogonal L8 es exactamente el mismo que se
utilizó en el caso experimental y cada columna un factor o interacción cuyo impacto sobre la variable de
respuesta se desea conocer.
La matriz triangular nos representa las interacciones entre columnas. En el primer renglón, con el titulo
de columna, cada número corresponde a la columna con ese mismo número del arreglo, al igual que los
números entre paréntesis 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 interacción de AxB aparecerá en otra columna ya
definida. En el cruce de la columna número 5 y el renglón número 3 de la matriz, aparece el número 6
(marcado con * en la tabla), de manera que la interacción de AxB se deberá 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 más esta asignación nos podemos auxiliar de las gráficas
lineales (1) y (2) que se muestran.
En particular, el arreglo ortogonal L8 tiene dos alternativas de arreglo mostrados por las gráficas (a) y (b)
respectivamente.
Por ejemplo, la gráfica (a) indica que con este arreglo se pueden analizar, tres factores principales, (puntos
1, 2 y 4) y las interacciones entre ellos, (líneas 3, 5 y 6), además de un cuarto factor, (punto 7), que no
interactua con los otros tres.
Los números indican que si deseamos lo anterior, los tres factores deberán asignarse a las columnas 1, 4 y
2. Las interacciones aparecen en las columnas 3, 5 y 6.
La gráfica (b) indica cuatro factores, (puntos 1, 2, 4 y 7) con interacciones de uno de ellos con los otros
tres (líneas 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 quedarán en las columnas 3, 5 y 6.
Supongamos que queremos analizar el efecto de cuatro factores A, B, C y D, además de las interacciones
AxB, AxC y AxD.
1) Como primer paso, seleccionamos un arreglo ortogonal tentativo. Esto depende del número de efectos
totales a analizar.
A. B.
C. D.
En seguida mostramos las interacciones que nos interesan, mediante líneas. Para nuestro caso tenemos
(gráfica de la izquierda):
AxB 3
A B 1 2
AxC AxD 5
6
C D 7 4
Supongamos que ahora queremos analizar un factor más, el factor E y creemos que la interacción AxC
realmente no es relevante. La gráfica lineal que requerimos es:
B
AxB
A C E
AxD
D
Esta gráfica es parecida a la gráfica lineal (2) excepto por la interacción de AxC, por lo tanto, una
asignación lógica es:
Observe que en este último caso, también se pudo utilizar la gráfica lineal (1).
Si por alguna razón, la gráfica que deseamos, no puede quedar incluida en las gráficas lineales (1) ó (2) es
necesario usar otro arreglo ortogonal de mayor tamaño.
Si deseamos analizar los factores A, B, C, D, E y F, además de la interacción AxB, una posible asignación
es:
Efecto A D C B AxB E F
Columna 1 2 3 4 5 6 7
Ejemplo:
A
AxC AxB
C B .D
CxB
Esta gráfica se ajusta a la gráfica lineal (1) del arreglo ortogonal L8, por lo que una asignación apropiada
de efectos es:
Observe que al tomar las lecturas, (efectuar las pruebas), se ignoran las columnas donde se asignaron
interacciones.
El análisis utilizado ANOVA es:
Total 23.8800 7
El error aleatorio (e) se estima usando los efectos más pequeños marcados con *
El factor C también resulta significante. Sin embargo, también lo es su interacción con el factor A.
Cuando resulta significante la interacción de algún 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 resultó además significante individualmente y el factor A no.
Nº A C Yi
1 1 1 11.20 Siempre existirán entre dos columnas
2 1 1 10.80 cuatro posibles combinaciones de
3 1 2 7.2 números: 1 1; 1 2; 2 1; 2 2
4 1 2 7.0
5 2 1 8.0
6 2 1 6.9
7 2 2 10.4
8 2 2 10.1
La combinación 1 2, se presenta en los renglones Nº 3 y 4, con un total de 7.2 + 7.0= 14.2, con un
promedio de 14.2/2= 7.10
La combinación 2 1 se presenta en los renglones Nº 5 y 6, con un total de 8.0 + 6.9= 14.9, con un
promedio de 7.45
Por último la combinación 2 2, se presenta en los renglones Nº 7 y 8 con un total de 10.4 + 10.1= 20.5 y
un promedio de 10.25
En resumen
11.0
10.0
9.00
8.00
7.00
A1 A2
En resumen, las condiciones propuestas son: factor A a su nivel 1, factor C a su nivel 2, factor B a su nivel
2. El resto a su nivel más económico.
Observe que al efecto de la interacción, se le resta el efecto de los factores individuales que intervienen
(hayan resultado significantes de manera individual o no).
Una estimación del porcentaje de hidrocarburos sin quemar es igual a la suma de los efectos significantes,
incluyendo los factores que intervienen en una interacción significante, hayan resultado significantes de
manera individual o no.
Yest = Y + EF A1 C2 + EF A1 + EF C2 + EF B2
= 8.95 + (-1.675) + (9.05 – 8.95) + (8.675 – 8.95) + (-0.25)= 6.85
Considere los siguientes ejemplos propuestos.
Hasta aquí se han considerado ejemplos para arreglos ortogonales L8, por su comodidad en cuanto al
tamaño. A continuación se hacen algunos comentarios sobre otros arreglos.
• El arreglo L12 es un caso especial. Se observa en el apéndice, que no se muestran gráficas lineales ni
matriz de interacciones, esto es porque está diseñado para analizar únicamente hasta once factores
individuales sin interacciones. Con este arreglo no se pueden analizar interacciones.
Las interacciones en un arreglo L12 se distribuyen de una manera uniforme en todas las columnas. La
ventaja de esto es que le permite investigar 11 factores sin preocuparse por sus interacciones. El arreglo
L12 en general tiene buena reproducibilidad de conclusiones.
• Para un arreglo L16 existen una gran variedad de posibles gráficas lineales, en el apéndice se muestran
las seis más utilizadas con tres variantes cada una.
• Para un arreglo L32 se muestran en el apéndice 13 diferentes gráficas dentro de las varias posibles que
existen.
• En cualquier caso, se puede tratar de construir más gráficas de acuerdo con las necesidades que se
tengan, respetando siempre la matriz de interacciones.
• En los gráficos lineales que se anexan en el apéndice, se observa que los vértices se representan con
diferentes símbolos, específicamente con o, ∃ y ! . La razón y su significado es el siguiente:
Taguchi sugiere que las pruebas o corridas se lleven a cabo en el orden indicado por los renglones del
arreglo ortogonal, esto es, primero las condiciones indicadas por el renglón 1, seguidas de las del renglón 2
y así sucesivamente.
Por otra parte, al ejecutar el experimento, no todos los factores tienen la misma flexibilidad de estar
variando de nivel de una prueba a otra.
Por otro lado, se sugiere que los factores con menor flexibilidad se asignen al grupo 1 del arreglo
representados por el símbolo o, de la gráfica lineal. Estos factores tendrán menos cambios de nivel a lo
largo de todo el experimento. De hecho, observe que el factor asignado a la columna 1 de cualquier arreglo,
solo tiene un cambio de nivel, mientras que por ejemplo, un factor asignado a la columna Nº 15 de un
arreglo L16 cambia 10 veces de nivel.
Los factores que le siguen en inflexibilidad se deberán asignar sucesivamente a los símbolos ∃ , # y !
en una gráfica lineal.
Ud. habrá observado ya la complicación que agregan a los análisis la presencia de interacciones. Para lidiar
con estas, la gente que sabe mucho de esto le hace las observaciones siguientes:
• Por lo general, existen pocas interacciones dentro de las múltiples posibles entre factores.
• El efecto de las interacciones sobre la variable de respuesta, es por lo general menor que el efecto de
los factores individuales solos.
• Recuerde que algunos arreglos ortogonales, le permiten analizar un problema sin preocuparse por las
interacciones. El L12 es un ejemplo de ellos.
• Se sugiere que, en caso de dudas sobre las interacciones, siempre sea preferible incluir más factores, en
lugar de interacciones. Si estas últimas no son muy fuertes, se pueden considerar como ruido.
De todos los factores que afectan un proceso, se pueden extraer dos grupos:
• Factores de ruido. Son aquellos que no podemos, queremos o deseamos controlar, y más bien
deseamos que nuestros procesos y productos sean insensibles a su impacto.
• Factores de diseño. Son aquellos que si podemos controlar en nuestro proceso de producción, y
deseamos encontrar a qué nivel operarlos, a fin de optimizar el producto o proceso, esto es, que los
productos sean de alta calidad y bajo costo.
es deseable tener una cantidad o expresión que de alguna manera, involucre media y variación, o que por lo
menos, ayude a que nuestras conclusiones sean más confiables.
Esta cantidad ya existe y se llama índice señal ruido, denotado como SN o SR de aquí en adelante.
EL ÍNDICE SE DISEÑÓ DE TAL MANERA, QUE PRODUCTOS MÁS ROBUSTOS SIEMPRE
TENGA UN MAYOR VALOR DEL ÍNDICE SN.
Vm= [( y
1
2 2 2 2
) ]
+ y2 + y3 ... + yr − Sm / ( r − 1)
El lector reconocerá a Vm como la varianza de los “r” datos. Sn estima el logaritmo de base 10 de la
relación (media/desviación estándar)2.
En ocasiones se utiliza:
El uso de logaritmos pretende hacer la respuesta más “lineal” y el signo negativo es para que siempre se
maximice el índice SN. Se multiplica por 10 para obtener decibeles.
En un experimento señal ruido, generalmente se incluye un grupo de factores de ruido, contra los que
específicamente se desea hacer robusto el producto, y que se pueden controlar durante un experimento.
Un diseño de experimentos para un análisis señal a ruido consiste de dos partes, un arreglo ortogonal o
matriz de diseño o interno y un arreglo ortogonal o matriz de ruido o externo. Las columnas de una matriz
de diseño representan parámetros de diseño. Las columnas de la matriz de ruido representan factores de
ruido.
Ejemplo:
Una característica de calidad importante para un cierto producto metálico es el terminado, que se mide
según su planicidad en milésimas de pulgada (mmplg). Esta característica se piensa es afectada por los
siguientes factores:
Los factores G y H son factores que no se pueden controlar durante el proceso, ya que el tipo de modelo
depende del requerimiento específico del cliente y la templabilidad es una característica de la materia
prima. Estos dos factores se consideran al menos inicialmente como factores de ruido.
Considere únicamente los factores de diseño, se desea detectar 6 efectos en total, y para ello, se requiere
de un arreglo ortogonal L8. La gráfica lineal requerida es:
3
1 A .2 B
5 A xC
4 C
AxD 6
7 D
La columna correspondiente a la línea punteada se utilizará para cuantificar el error. Una posible
asignación es:
Considere ahora únicamente los factores de ruido G y H. Se requieren de dos columnas, de manera que un
arreglo ortogonal L4 es suficiente. El arreglo, al que llamaremos arreglo externo es:
G H
Nº 1 2 3
1 1 1 1
2 1 2 2
3 2 1 1
4 2 2 1
Los dos arreglos anteriores se “mezclan” o “combinan” en un solo arreglo total, tal y como se muestra:
1 2 2 1
H 1 2 1 2
G 1 1 2 2
A B e C AxC AxD D
Nº 1 2 3 4 5 6 7 1 2 3 4
1 1 1 1 1 1 1 1 Y11 Y12 Y13 Y14
2 1 1 1 2 2 2 2 Y21 Y22 Y23 Y24
3 1 2 2 1 1 2 2 Y31 Y32 Y33 Y34
4 1 2 2 2 2 1 1 Y41 Y42 Y43 Y44
5 2 1 2 1 2 1 2 Y51 Y52 Y53 Y54
6 2 1 2 2 1 2 1 Y61 Y62 Y63 Y64
7 2 2 1 1 2 2 1 Y71 Y72 Y73 Y74
8 2 2 1 2 1 1 2 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 también que existen 8x4= 32 posibles lecturas, tomadas bajo diferentes
condiciones todas ellas (valores de Yij ). 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 número de factores de ruido (valor de N) no sea mayor que 3.
Pero, ¿cómo 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 diseño de acuerdo con los
niveles indicados por el renglón Nº 1 del arreglo interno, esto es, todos los factores de diseño a su nivel 1.
Sin embargo, si bien las cuatro lecturas Y 11, Y12, Y13, Y14 se toman a los mismos niveles de los factores de
diseño, cada una se toma a diferentes niveles de los factores de ruido.
En resumen se tiene:
En seguida deseamos obtener las lecturas Y21 , Y22 , Y23 , Y24. Todas estas lectura se tomarán al mismo
nivel de los factores de diseño y estos niveles serán indicados por el renglón Nº 2 del arreglo interno.
Manteniendo estas condiciones, los factores de ruido se varían a sus cuatro combinaciones indicadas por el
arreglo externo.
De esta manera se van obteniendo todas las 32 lecturas. Se fijan los factores de diseño según un renglón
del arreglo interno y se mantienen fijos mientras se varían los factores de ruido de acuerdo con el arreglo
interno.
Como ejemplo, la lectura Y73 , se obtendrá bajo las condiciones siguientes: factor A, 1600 ºF, 220 psi,
factor C. 8 seg, factor D, 80 gal/min; factor G, tipo grande; y factor H, 25 Rc.
Suponga que por alguna razón para este ejemplo en particular, se tiene un valor deseado de m= 2 mmplg.
Para obtener conclusiones a partir de un experimento señal a ruido se puede usar la tabla ANOVA, o bien, a
través de gráficas.
Para responder a la pregunta de a qué niveles fijar los factores de diseño, a fin de minimizar la
variabilidad en la característica de respuesta, ignoramos el arreglo externo conservando las 32 lecturas,
específicamente, el arreglo para análisis es:
A B e C AxC AxD D
Nº 12 3 4 5 6 7 1 2 3 4 Total
1 1 1 1 1 1 1 1 1.1 1.2 1.3 1.1 4.7
2 1 1 1 2 2 2 2 1.2 1.3 1.2 1.3 5.0
3 1 2 2 1 1 2 2 2.0 2.1 2.2 2.1 8.4
4 1 2 2 2 2 1 1 2.1 2.2 2.1 2.0 8.4
5 2 1 2 1 2 1 2 1.0 1.4 1.2 1.3 4.9
6 2 1 2 2 1 2 1 1.2 1.3 1.5 1.0 5.0
7 2 2 1 1 2 2 1 1.6 2.1 2.4 2.0 8.1
8 2 2 1 2 1 1 2 1.5 2.0 2.3 2.5 8.3
Totales= 11.7 13.6 14.2 13.3 52.8
Lo que observamos en esta última tabla es un arreglo L8 con 4 lecturas para cada condición o renglón.
Estamos interesados en analizar la variabilidad de las 4 lecturas tomadas bajo cada condición. Para esto,
nos ayudamos del índice SN, o sea, la variabilidad de las cuatro lecturas que se tomaron bajo cada
condición, la resumiremos en un índice señal a ruido. Al hacerlo, en lugar de 32 lecturas individuales
tendremos 8 valores del índice SN, uno para cada renglón o condición experimental.
Para la primera condición experimental o renglón Nº 1, se tienen las lecturas siguientes: 1.1, 1.2, 1.3, 1.1,
con un total de 4.7
Para el renglón o condición experimental Nº 2 se tienen las lectural: 1.2, 1.3, 1.2, 1.3, con un total de 5.0
Nº Sm Vm Sn (dB)
1 5.5225 0.00916 21.771
2 6.2500 0.00333 26.707
3 17.6400 0.00666 28.203
4 17.6400 0.00666 28.203
5 6.0025 0.02916 17.092
6 6.2500 0.04333 15.539
7 16.4025 0.10916 15.718
8 17.2225 0.18916 13.524
A B e C AxC AxD D SN
Nº 1 2 3 4 5 6 7 dB
1 1 1 1 1 1 1 1 21.771
2 1 1 1 2 2 2 2 26.707
3 1 2 2 1 1 2 2 28.203
4 1 2 2 2 2 1 1 28.203
5 2 1 2 1 2 1 2 17.092
6 2 1 2 2 1 2 1 15.539
7 2 2 1 1 2 2 1 15.718
8 2 2 1 2 1 1 2 13.524
Factor SS Gl V Fexp
A 231.2413 1 231.2413 14.44
B 2.5751 1 2.5751 00.16
C 0.1764 1 0.1764 00.01
AxC 9.4284 1 9.4284 00.59
AxD 3.8880 1 3.8880 00.24
D 2.3047 1 2.3047 00.14
e 16.0135 1 16.0135
El factor A, temperatura del horno, es el factor que estadísticamente afecta el índice señal a ruido, y que
por consiguiente “afecta la variabilidad. De acuerdo con los niveles del factor A, se tiene:
Dado que siempre deseamos maximizar el índice señal a ruido, el factor A se fija en su nivel 1, esto es, la
temperatura del horno se fija en 1500 ºF.
¿Qué hacer con el resto de los factores? antes de contestar esta pregunta, se deben identificar de entre los
factores que NO AFECTARON el índice SN, cuáles afectan la media. Esto se muestra en lo que sigue.
Después de identificar los factores que “afectan” la variabilidad, el siguiente paso es identificar qué
factores, dentro de los que no afecta la variabilidad, afectan la media del proceso. Estos factores llamados
factores de señal, nos permitirán “ajustar” la media del proceso hacia su valor nominal, sin incrementar la
variabilidad del proceso.
Para el análisis, se utilizan las 32 lecturas iniciales. Para ello se obtiene el promedio de cada renglón.
A B e C AxC AxD D
Nº 1 2 3 4 5 6 7 1 2 3 4 Total Promedio
1 1 1 1 1 1 1 1 1.1 1.2 1.3 1.1 4.7 1.175
2 1 1 1 2 2 2 2 1.2 1.3 1.2 1.3 5.0 1.250
3 1 2 2 1 1 2 2 2.0 2.1 2.2 2.1 8.4 2.100
4 1 2 2 2 2 1 1 2.1 2.2 2.1 2.0 8.4 2.100
5 2 1 2 1 2 1 2 1.0 1.4 1.2 1.3 4.9 1.225
6 2 1 2 2 1 2 1 1.2 1.3 1.5 1.0 5.0 1.250
7 2 2 1 1 2 2 1 1.6 2.1 2.4 2.0 8.1 2.025
8 2 2 1 2 1 1 2 1.5 2.0 2.3 2.5 8.3 2.075
Totales 13.200
Considerando únicamente los promedios, tendremos un arreglo L8 con una lectura. El análisis en base a
los promedios es:
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 así sucesivamente
El factor B, presión de prensado, es el único factor significante. Mediante este factor se puede ajustar la
media del proceso, y llevarla lo más cerca posible a su valor ideal de 2.
También se debe hacer la observación, de que si el factor A hubiera resultado significante en este segundo
análisis, no podríamos utilizarlo, ya que resultó significante en el análisis con el índice SN.
Se puede interpolar para conocer el valor al que se debe fijar la presión. La respuesta promedio a 200 psi
es de 1.225 y a 220 psi es 2.075
Y 2.0
1.5
1.0 B
200 220
Como se mencionó anteriormente, una alternativa a la ANOVA son las gráficas de promedios, ya sea del
índice SN o de las lecturas individuales.
Por ejemplo, para el factor A encontramos el promedio a cada uno de sus niveles, tanto del índice señal a
ruido como de las lecturas individuales.
Gráficas de estos promedios se muestran más adelante, en estas gráficas, la importancia de cada efecto se
observar según la inclinación de cada línea, 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 más afecta el índice señal a
ruido, y lo hace mayor a su nivel A1. El factor B es el que más afecta la respuesta promedio sin afectar el
índice SN, la respuesta promedio aumenta al aumentar el factor B de su nivel 1 al 2.
De acuerdo con los resultados que se han obtenido de los análisis, las conclusiones generales son: