You are on page 1of 178

LA INGENIERÍA DE CALIDAD DE TAGUCHI

P. Reyes / Sept. 2007

LA INGENIERÍA DE
CALIDAD DE TAGUCHI

Dr. Primitivo Reyes Aguilar
Septiembre de 2006

Página 1 de 178

Diseño de Experimentos de Taguchi

P. Reyes / Dic. 2006

Objetivos del curso
- Que el alumno comprenda que es la ingeniería de calidad
de Taguchi, su ámbito de aplicación y beneficios que
acarrea en su área de trabajo.
- Que el alumno comprenda a nivel de aplicación, las
principales herramientas de la Ing. de calidad, como son:
- La función de pérdida;
- arreglos ortogonales;
- análisis señal ruido;
- características dinámicas;
- datos por atributos;
- diseño de tolerancias;
- y análisis B vs C.

Pág 2 de 178

Diseño de Experimentos de Taguchi

P. Reyes / Dic. 2006

CONTENIDO
1. Introducción

3

2. La función de pérdida

10

3. Arreglos ortogonales

16

4. Diseño de parámetros con análisis Señal/Ruido

71

5. Diseño de parámetros de características dinámicas 109
6. Datos por atributos

140

7. Diseño de tolerancias

148

8. Análisis B vs. C

168

9. Conclusiones

Bibliografía

Pág 3 de 178

Taiwan. 2006 1. ¿cómo se incrementa la competitividad?. algunos centros de producción se enfocan a contestar las últimas dos preguntas. Algunas de estas técnicas son sumamente útiles en potencia y algunas otras son comercializadas rápidamente y ofrecidas como “fórmulas mágicas“ que resolverán todos los problemas. Debido a las políticas de apertura comercial en nuestro país. Brasil. ¿cómo sabemos que un producto es competitivo?. algunos sectores empiezan a librar una batalla con insumos y productos internacionales en nuestro propio país. etc. una serie de interrogantes que surge de inmediato son: ¿qué es un producto competitivo?. Con el objetivo de mejorar rápidamente su situación. Corea. INTRODUCCIÓN Ante las crecientes presiones económicas y comerciales que enfrenta nuestro país. China. a fin de poder decidir objetivamente la posibilidad de éxito y maneras de aplicación en nuestro medio. Ante la contracción de nuestro mercado interno. resulta imprescindible para nuestra planta industrial incrementar su competitividad. Reyes / Dic. de acuerdo con varios autores. 2.Diseño de Experimentos de Taguchi P. en mercados y submercados locales. ¿Qué técnicas se pueden utilizar en nuestros medios?. de adquirir productos fabricados en U. entender y evaluar cada una de estas metodologías. la imperiosa necesidad de incrementar la competitividad de sus productos. conocer sus requerimientos y alcances antes de poder implantarlas.A. ya que además no disponemos de mucho tiempo. Sin embargo. Japón. la competitividad de un producto se puede medir de acuerdo con tres dimensiones que son: Calidad El producto en Ingeniería Pág 4 de 178 . resulta necesario para algunos sectores incursionar en mercados internacionales. Es por lo tanto necesario. ¿cómo saber si nuestros productos son más competitivos?. así como. Cada vez aumenta la posibilidad para un consumidor nacional. por lo tanto. Esto se acentúa por dos aspectos: 1. Pero. Nuestros sectores de transformación y de servicios tiene.S. Esto trae como consecuencia una búsqueda de técnicas provenientes de otros países.

resulta demasiado costosa eliminarla directamente. sin embargo. la ingeniería de calidad pretende no remover la causa directamente. que a partir de Pág 5 de 178 . así como. deje utilidades y que se pueda entregar rápidamente al cliente en plazos preestablecidos. Ante estas situaciones. los últimos avances de ingeniería. Bajo la idea de que “La calidad es primero y las utilidades consecuencia” han desarrollado una serie de metodologías que parecen ser aplicables en otros países. Varias de las técnicas que incluye fueron desarrolladas por Genichi Taguchi y se han extendido a varias partes del mundo probando su aplicación y efectividad. Japón considerado actualmente como el país con mayor potencial económico. y ello es factible únicamente a través de una búsqueda sistemática. De todas estas dimensiones. De hecho. Estos efectos además se deben de estudiar sobre el proceso real en un tiempo limitado. En este material.Diseño de Experimentos de Taguchi P. tenga un bajo precio al consumidor que sin embargo. es necesario analizar el efecto de una gran cantidad de factores. mediante otros factores que sea más económico manejar. la tecnología no es adaptada a nuestro medio. Una de estas metodologías se conoce como ingeniería de calidad. Pero para hacer esto. Reyes / Dic. que un producto competitivo será aquel que posee un alto nivel de calidad al cliente. tratando de mostrar su potencial de uso. sus principales herramientas. se muestra un panorama general de esta metodología. Cabe mencionar también que en ocasiones se conoce la causa que está originando un cierto problema. 2006 Precio Seriedad en tiempos de entrega Servicio Longitud de tiempo de entrega o prontitud de respuesta Quiere esto decir. ha usado como bandera la calidad de sus productos para incursionar en mercados mundiales. algunos controlables y otros no. sobre el proceso de producción. sino anular su efecto. la que parece haber sido explorada con más intensidad por países altamente productivos es el renglón de la calidad. metodología de diseño experimental o metodologías Taguchi. Dicho de otra manera.

el diseño del sistema y el diseño de tolerancias. Esta fase es la última a recurrir y se hace después de un diseño de parámetros. digamos Y1 se muestra en la figura siguiente: Pág 6 de 178 . antes de tratar de controlar esa variabilidad en los insumos se debe de tratar de nulificar su efecto mediante diseño de parámetros. es útil también el diseño de experimentos. Diseño de tolerancias En esta última fase. nos permita obtener conclusiones consistentes y válidas. 2006 pocas lecturas. Para esto último. se efectúan las etapas uno y tres. durante un diseño de parámetros u optimización del proceso? Considere un proceso cualquiera. 1. se imponen una serie de tolerancias estrechas para lograr los resultados que se obtienen en el país donde se adquirió (no usar aditivos de Pemex. por lo tanto. sino sobre aquellos que de veras afecten el proceso y que convenga desde el punto de vista económico de hacerlo. En este proceso se combinan una serie de insumos para cumplir con ciertas características Factores Xi Respuestas Y1 Proceso Y2 Y3 Suponga que la situación de alguna de las características. que en muchas de las situaciones en nuestro medio. pero no el diseño de parámetros. esto es. El imponer tolerancias más estrechas sobre los insumos. Después de adquirir la tecnología.1 ¿qué hace el diseño de experimentos. Podrá observar. por ejemplo). lo que se pretende es fijar tolerancias a los insumos a fin de poder mejorar la calidad de los productos. Pero si es necesario imponer tolerancias. Esto es posible únicamente a través de técnicas de diseño experimental o diseño de experimentos. El diseño de experimentos se convierte por lo tanto.Diseño de Experimentos de Taguchi P. Reyes / Dic. en una técnica imprescindible para obtener altos niveles de calidad y bajos costos en los productos. Esto posiblemente se debe al desconocimiento de la importancia del diseño de parámetros y de las técnicas del diseño de experimentos. esto no se debe hacer indiscriminadamente sobre los insumos. necesariamente incrementa los costos de los productos.

Diseño de Experimentos de Taguchi

P. Reyes / Dic. 2006

LIE
LSE
Evidentemente, el proceso está generando producto con características no
satisfactorias. A fin de corregir la situación es necesario:
1. Centrar el proceso, modificando la media o promedio del mismo.
2. Reducir la variabilidad del proceso eliminando causas comunes de variación,
dicho de otra manera, el proceso está en control estadístico.
3. De ser posible reducir el costo del proceso.
Todos los factores x, que afectan este proceso, se pueden clasificar en cuatro
grandes grupos:

Factores que afectan la media y/o la variabilidad.
Factores de ruido
Factores que afectan
la media sin afectar
la variabilidad

Factores que no
afectan, ni la media
ni la variabilidad

Los factores de ruido son aquellos que no podemos o deseamos controlar, en
general, se consideran tres tipos:
-

Ruido externo. Son los factores que están fuera del ámbito del producto,
pero que afectan el proceso en el ámbito del cliente durante su uso.
Ruido interno. Son los factores que originan deterioro, o que las
características de calidad se degraden con el tiempo.
Ruido de producto a producto. Son los factores que en el centro de
producción ocasionan variación de un producto a otro.

Los factores que afectan la media y/o variabilidad, se utilizan para reducir la
variabilidad. Los que afectan solamente a la media, se utilizan para reducir la
variabilidad. Los que afectan solamente a la media, se utilizan para centrar el
proceso, o bien para maximizar o minimizar la respuesta. Por último, los factores
que no afectan ni la media ni variación se utilizarán para reducir el costo del
proceso, esto es, se ubicarán a su nivel más económico.
Recuerde , que el objetivo es fijar los factores que están en nuestro control, a
un nivel tal que el producto sea robusto a los factores de ruido.

Pág 7 de 178

Diseño de Experimentos de Taguchi

P. Reyes / Dic. 2006

El problema es, que de antemano no sabemos dónde se ubica cada factor: el
diseño de experimentos es un grupo de herramientas que nos ayuda de una
manera sistemática y eficiente, a ubicar cada factor y en un caso dado, como
exactamente afecta a la variable de respuesta.

Pág 8 de 178

Diseño de Experimentos de Taguchi

P. Reyes / Dic. 2006

1.2 Procedimiento general para un estudio de ingeniería de calidad
Uno de los procedimientos que se pueden utilizar es el siguiente:
1. Identificar el problema y formar grupo de trabajo.
Este es quizá el paso más importante, existe la posibilidad de que en este pase
se termine el experimento. En primer lugar, se debe de identificar un problema que
sea importante resolver para la empresa (no únicamente para el experimentador).
Esto quiere decir, que si el problema se resuelve, pondría en una mejor posición al
producto y permitiría a la empresa generar más utilidades. Si esta condición no se
cumple, es recomendable olvidarse por lo pronto del problema y buscar otro.
Una vez aprobado el problema, se debe definir por escrito cuál es el problema a
resolver, qué tipo de solución se busca, cuál es la situación actual y sobre todo,
quién sabe acerca del mismo o está directamente afectado, a fin de integrarlo
dentro del grupo de trabajo.
2. Lluvia de ideas
En esta fase, se pretende identificar como evaluar y/o cuantificar la
característica que se desea mejorar. Asegurarse que realmente representa el
problema que se quiere resolver. Una vez definida,
se debe cuestionar si la
puede medir de una manera confiable sino es posible, busque alternativas.
Es posible que en un mismo problema existan dos o más características de
interés, conviene sin embargo que usted, asigne prioridades y tome una como
titular. La o las características seleccionadas son las variables de respuesta para
todo el estudio (Y).
En esta fase se deben identificar, el grupo de factores que potencialmente afecta
la variable de respuesta (las X’s). Se puede ayudar con un diagrama causa-efecto
en el que intervengan las personas que conocen el proceso; operadores, técnicos,
ingenieros, etc. Una cosa importante es que busque en la literatura, en ocasiones
el problema que
pretende resolver ha sido tratado en otras partes y esto le
puede orientes sobre que factores considerar.
En un segundo paso, se debe seleccionar aquellos factores que se consideran
con mayores posibilidades y que entrarán al primer experimento, se debe hacer un
juicio y a falta de información, un pareto logístico puede ser de gran ayuda.
Considere también, que existen factores que no se pueden controlar y no tiene
caso que entren al experimento. Si aún así, quedan muchos factores candidatos,
inicie con lo s que sea más sencillo y menos costoso manipular.
Una vez seleccionados los factores, se deberán proponer los niveles a estudiar
para cada factor. No sea demasiado conservador, considere dentro de que rangos
varían generalmente los factores y trate de cubrir estos rangos. Es probable que
Pág 9 de 178

Diseño de Experimentos de Taguchi P. Organizar el experimento Hojas de datos Quién hace qué 3. Esto se analiza en el siguiente capítulo bajo el tema de la función de pérdida. Selecciona índice señal a ruido Hacer análisis Anova Encontrar para nominal es mejor Factores que reducen variabilidad Factores que ajustan la media Factores que reducen costo Encontrar para mayor es mejor o menor es mejor Factores que mejoran la media y/o la variabilidad Encontrar las mejores condiciones de operación Predecir resultados esperados bajo las condiciones propuestas. no se ha definido explícitamente en términos de ingeniería de calidad. Seleccionar el arreglo a usar. Por otra parte necesitamos de alguna manera evaluar económicamente las posibles desviaciones del valor ideal de la variable de respuesta. 4. 2. Arreglo interno Arreglo externo Tamaño de la muestra 2. Hacer una corrida de comprobación Si los resultados no coinciden con lo esperado. 1. Implementar las condiciones propuestas. será muy riesgoso extrapolar resultados. Varios de los términos mencionados serán estudiados a lo largo del material. Aunque se ha hablado del concepto de la calidad. 1. identificar causas posibles Evaluar la ganancia que se obtiene con las nuevas condiciones. Reyes / Dic. Pág 10 de 178 . 2006 los resultados que obtenga se puedan interpolar sin embargo. Correr el experimento Recolectar datos Analizar resultados.

mediante el dinero gastado debido a que el producto no cumple con lo esperado. tiene que hacer algo antes de utilizarlo. Por otra parte. se involucra a la sociedad entendida como el conjunto de clientes incluyendo al productor. supongamos que porque no lo puede utilizar. Pág 11 de 178 . MEDIANTE LA (MINIMA) PÉRDIDA QUE LE OCASIONA A LA SOCIEDAD. pero. o bien. Se indica que es deseable que estos índices sean mayores a 1. que pretende hacer algo a primera vista tan blasfemo como. para producir un producto a bajo costo y de alta calidad. Ciertamente.. que no haría si el producto fuera aceptable. y todo esto lleva implícito un gasto. G. Si el producto no se puede utilizar. Taguchi ha propuesto una herramienta llamada función de pérdida. etc. Esto es.1 Introducción Como se mencionó anteriormente.00. ¿cuánto debería estar dispuesto a invertir para que el Cpk. LA FUNCIÓN DE PÉRDIDA 2. sobre todo para el cliente y el costo necesario para efectuarlas. es posible compara económicamente las mejoras en calidad. Esto le implica un gasto en dinero. etc. evaluar monetariamente la calidad de un producto. De esta manera. Para lograr lo anterior. Pero si bien.Diseño de Experimentos de Taguchi P. Taguchi propone el siguiente enunciado: “LA CALIDAD DE UN PRODUCTO SE PUEDE MEDIR. 2006 2. Reyes / Dic. Existen diferentes definiciones de lo que es la calidad. poco ayudan para evaluar la calidad y orientar acciones. estas definiciones sin embargo. las herramientas de ingeniería de calidad son una ayuda. UN PRODUCTO DESDE EL MOMENTO DE SER EMBARCADO” En esta definición. el costo lo podemos medir claramente.00 a 1. ¿cuál es su valor óptimo?. molestarse y buscar otro proveedor. la adecuación al uso se puede medir de alguna manera. por ejemplo el Cp y Cpk. detener su línea de producción. regresarlo y reclamar al productor. G. varie de 1. desde el punto de vista económico. el consumidor deberá reprocesarlo. cumplir con requisitos. por ejemplo.20?. adecuación al uso. ¿qué acerca de la calidad?. ¿por qué le molesta a un cliente recibir un producto fuera de especificaciones?. existen algunos indicadores como los índices de habilidad del proceso. De manera que. que los problemas de calidad deben ser vistos de una manera global para evitar que una parte se beneficie a costa de la otra.

se tiene un continuo de pérdida tan pronto como el producto se desvía del valor idealmente deseado por el cliente. Taguchi considera esta visión incorrecta. se le ocasiona al cliente una pérdida. y no por eso su producto es considerado un buen producto por el cliente. esta igualmente contento. De ahí el nombre de pérdida. Por lo tanto. nadie tendría porque hacer un costo adicional.98 y 10. Siempre que “y” es diferente de “m”.9801 es más parecido a uno defectuoso que al deseado de 10. El cliente realmente recibe un producto con una característica de calidad que llamaremos aquí ”y” . El único valor aceptable de una característica de calidad. En seguida se discutirá este punto. Por eso en la definición se aclara que es un costo después de embarcarlo. Este desembolso adicional que el consumidor tiene que gastar sin tener porque hacerlo es una pérdida para él y para la sociedad en general.9799 pulg. 2006 Si el producto cumple exactamente con lo esperado. Fuera de este rango el producto es completamente inaceptable. Pero cómo es esta relación pérdida-desviación. Lo anterior implica cosas como: no porque un producto está dentro de especificaciones. Ya sea que y>m ó y<m. si el producto hubiese sido producido bien. Esta característica “y”. Para el cliente un producto que mide 9. necesariamente es un buen producto para el cliente. más que una pérdida súbita que se tenga cuando el producto sales de especificaciones. De hecho. Esto es: L(y)=k (y-m)2 Pág 12 de 178 .02 pulg. llamémosla L(y) con (y-m)?. no se ocasiona un costo adicional para el consumidor aparte de su precio.02 pulg.9801 pulg. se asigna una cierta tolerancia de digamos  0. es el valor deseado por el cliente. una para cada cliente Taguchi sugiere que en la gran mayoría de las veces esta relación es descrita de manera cuadrática. no es muy diferente a uno que mida 9. si bien existen un sin número de maneras. de la cual forma parte. entonces no se ocasiona costo de calidad alguno. llámelo en este caso “m”. no necesariamente coincide con “m” de manera que. Dado que es imposible obtener siempre este diámetro.Diseño de Experimentos de Taguchi P. todo esta bien mientras el diámetro se encuentre en este intervalo. se puede tener una desviación de (y-m). un producto aceptable que mida 9. puede incluso hacer una inspección 100% para que todo producto quede dentro de especificaciones. Suponga que desea adquirir un cierto producto con un diámetro de 10 pulg. la cual puede ser positiva o negativa.0000 pulg. Reyes / Dic. Dicho de otra manera. con ejemplos más específicos para como cliente. Tradicionalmente esto quiere decir que si usted recibe un producto con un diámetro entre 9.

Diseño de Experimentos de Taguchi

P. Reyes / Dic. 2006

Donde k es una constante específica para cada consumidor, que gráficamente
queda representado por:

Pág 13 de 178

Diseño de Experimentos de Taguchi

P. Reyes / Dic. 2006

L(y)

m

y

Vale la pena observar lo siguiente:
-

Desviaciones pequeñas del valor ideal, ocasionan una pérdida pequeña.
La pérdida aumenta más que linealmente conforme “y” se aleja del valor ideal
m.
Cuando el valor de “y” coincide con el valor de m, la pérdida es cero. Esto es,
L(y=m)= 0.
La curva se ve afectada por el valor de la constante k.
Existe una función de pérdida L(y) asociada con cada característica de calidad
del producto. La pérdida total que ocasiona el producto, es la suma de las
pérdidas de cada una de sus características.

Un problema que surge de inmediato es ¿cómo evaluar la constante k?
Considere una característica de calidad, digamos un diámetro con un valor ideal
de 10.0000 pulg. Si el diámetro de desvía un poco el producto aún se puede
utilizar. Conforme el diámetro se aleja aun más del ideal, llegará un punto en el
cual no se puede utilizar el producto tal y como este. A este valor se le puede
llamar “yc” y a la desviación(yc-m)= Tc. se le llama tolerancia del consumidor.
En este momento, se debe hacer algo para que el producto se pueda utilizar
originando un costo, llame a este costo Ac. Al sustituir en la fórmula de L(y), se
tiene que

Ac= k Tc2; k= Ac/ Tc2
La función de pérdida se puede expresar también de la
manera siguiente
L(y)= (Ac/ Tc2)(y-m) 2
Algunos autores, sugieren utilizar como Tc, lo que se considere como tolerancia
actual o de operación, y entonces un buen valor de Ac es un 10% del precio del
producto.
Como corolario podemos observar lo siguiente: corregir, arreglar o aun desechar
un producto es más económico siempre para el productor. Esto es, se le ocasiona
un costo menor. Si a este costo le llamamos Ap, donde siempre sucede que Ap <
Ac, ¿cuál debe ser entonces la tolerancia que debe manejar el productor en sus
dibujos?.

Pág 14 de 178

Diseño de Experimentos de Taguchi

P. Reyes / Dic. 2006

Al sustituir en la función de pérdida anterior esta pérdida Ap y manejando la
tolerancia (yp-m)= Tp, se tiene:

Ap= (Ac/ Tc2)Tp 2, y por lo tanto Tp=

Ap
Ac

Tc

Esto quiere decir, que la tolerancia del productor, debe siempre ser menor que la
del consumidor. La relación viene representada por la raíz cuadrada de la relación
entre la pérdida del producto y del consumidor para el mismo producto.

2.2 Función de pérdida promedio
Si bien, la forma de la función de pérdida anterior describe la situación para una
unidad de producto en particular, el productor, probablemente este más interesado
en la pérdida promedio que su producción induce al cliente. Para esto es suficiente
obtener el promedio para todos sus productos, esto es:

Lmedia=  k ( yi  m) / n  (k ( y1  m )  k ( y 2

 m )  ...  k ( y n  m )) / n

Si el número de productos es pequeño, el promedio se puede obtener
directamente.
Si el valor no crece, se puede demostrar mediante un poco de manipuleo
algebraico, que el valor de Lmedia es
Lmedia= k  2  d 2  ; donde d= (-m)
 y  2 representan la media y varianza del proceso respectivamente.
Si el productor desea disminuir la pérdida que su producto ocasiona a sus
consumidores, deberá por lo tanto, reducir su variabilidad (minimizar  2 ) y centrar
su proceso de manera que la media del mismo coincida con el ideal m, (disminuir

d 
2

2.3 Función de pérdida para otro tipo de características
Una característica de calidad, por lo general es de uno de los siguientes tipos:
Cualitativa. No se puede medir directamente sobre una escala continua
Cuantitativa. Se divide en tres:
1. Menor es mejor. Son aquellas características que el cliente desea sea mínima,
m es igual a cero y la característica “y” no puede ser menor que esta ideal.
Ejemplo: desgaste, fricción, etc.
2. Mayor es mejor. Son aquellas características en que el valor ideal parra el
cliente tiende a infinito. Por ejemplo: duración, rendimiento, etc.

Pág 15 de 178

si algunos de los insumos me salen mal. es de $2 para el cliente. ¿Debe salir al mercado una fuente que entregue 132 volts?.00000 pulg. Corregir un problema de planicidad cuesta $50. La tolerancia del consumidor es de 5. Al productor le cuesta corregir la fuente de poder antes de embarcarla $150.S i la fuente se sale de este intervalo. etc. 3. 1. 2006 3. ¿Cuál es el impacto económico de esta decisión?. Comente lo siguiente: “yo no tengo problemas de pérdida. muestra una distribución uniforme y tiene una variancia de 102/12. ¿Qué tolerancia debe manejar el productor?. Una fuente de poder debe entregar un voltaje de 115 volts. Ejemplo: diámetro. Para cada una de las características cuantitativas. ya que. Mediante la función de pérdida podemos: . el proveedor decide que para mejorar la calidad.¿Qué pérdida se le ocasiona al consumidor si se le entrega una fuente que genera 125 volts?. los efectos de una calidad no adecuada . El proceso está centrado. 2. las tolerancias se deben reducir a 2/3 del original. se debe ajustar a un costo de $300. existe una función de pérdida tanto individual como promedio. longitud. Realizar ejemplos numéricos indicados por el instructor. El consumidor puede tolerar una desviación de  20 volts. Para el caso cualitativo dependiendo del caso. indica la dirección de mejora para un proceso cualquiera. se los regreso a mis proveedores y ellos me lo recuperan sin costo adicional”. Son aquellas características en que existe un valor nominal deseado por el consumidor “m” y la característica real “y” puede ser mayor o menor que este ideal. Defina explícitamente la función de pérdida. Un block requiere que la planicidad sea mínima y que la distancia entre dos puntas sea de 1. y uno Pág 16 de 178 . Las expresiones son: Tipo Nominal es mejor Menor es mejor Individual L(y)= k(y-m)2 L(y)=K y2 Promedio L(y)= k  2  d 2  L(y)= K  2   2  Mayor es mejor L(y)= K/ y2   L(y)= K  1 2       1  3 2     2 Cada una de estas expresiones. se puede adaptar a una de ellas. si está desajustado después del embarque. Nominal es mejor.000.Evaluar el impacto económico que sobre el cliente tiene alguna acción de mejora. El costo de reparar un equipo de video. Reyes / Dic.Cuantificar en dinero.Interpretar los resultados de un experimento en base económica .000.Diseño de Experimentos de Taguchi P.

4 2.9 2.5 2.2 2.0 1. Antes Después 2. se desea maximizar.3 2.000020 0. Reyes / Dic. La tolerancia de longitud es de 0.1 2.3 Evalúe la reducción en la pérdida con la mejora. Se producen 250.7 2. tiene como especificaciones 8.00018 0.50.999995 1.999998 0.9 1.2 psi. algunas soldaduras se quebraría y tendrían un costo promedio de reemplazo de $200 para el consumidor.00010 0.6 2.999990 0.999990 0.00010 0.1 2.000020 1. Encuentre la función de pérdida.4 2.Diseño de Experimentos de Taguchi P.0 1.00005 0. Una dimensión crítica para una parte automotríz.00020 ¿Cuál es la pérdida promedio esperada? 4. si es que la hubo. Cuando la tensión de la soldadura es de 0. Esta parte tiene un precio de venta de $20 y se estima que un 10% es un buen estimado de la pérdida por estar justamente en uno de los límites de especificación.492 y desviación estándar de 0.000000 0. Pág 17 de 178 .00006 0. ¿Qué pasa con un valor de 0.00015 0. La resistencia a la tracciónd e una soldadura.000010 1.6 2.00010 y para la planicidad un máximo de 0.4 2. El proceso está en control estadístico con una media de 8. Se muestrean 10 piezas y se obtiene lo siguiente: 1.00020.00003 0.05 pulg.000010 0.01?. Si se lleva a cabo una mejora se obtienen los siguientes resultados antes y después de la mejora.1 2.000 unidades al año.2 1.00020 0.7 2. 2006 de longitud $20. ¿Cuánto es lo máximo que se debería invertir por hacer ambas mejoras? 5.000005 1.016.8 2.00010 1. ¿Cuál es la pérdida a la sociedad en un año?.

la experimentación juega un papel vital cuando se desea mejorar un proceso de producción. que sean válidas al momento de implantar la decisión en condiciones reales de operación y a plena escala. si desea saber si un factor afecta una característica de calidad. que en los análisis estadísticos. .1 Introducción Como se mencionó en el capítulo 1. Ahora bien. En las fases iniciales de la experimentación. sin embargo. que el problema es: identificar de los cientos de posibles factores que afectan una característica de calidad. cuáles de ellos afectan el promedio. nos permita evaluar con cierta confianza el efecto de todos los factores analizados.Sin embargo.Diseño de Experimentos de Taguchi P. se tienen una gran cantidad de factores potenciales. de los cuales se selecciona un grupo inicial a probar. ya que si tiene digamos 10 factores a probar. EL OBJETIVO DE LOS ARREGLOR ORTOGONALES ES FACILITAR EL PROCESO DE EXPERIMENTACIÓN. Este número de pruebas es demasiado grande para casi cualquier situación práctica.Los resultados de estas pruebas se reproduzcan. es necesario que varíe el factor y evalúe si esto tuvo algún impacto sobre la característica de calidad. El problema no es sencillo. De una manera gráfica. NUESTRO INTERÉS ES ENCONTRAR QUÉ FACTORES AFECTAN FUERTEMENTE LAS CARACTERÍSTICAS DE CALIDAD Y HACER PREDICCIONES SOBRE LAS CONDICIONES PROPUESTAS DE OPERACIÓN. se tienen 1024 posibles condiciones diferentes que se pueden presentar. digamos unas 12 pruebas . el objetivo de los arreglos ortogonales es: (suponga por ejemplo 10 factores a dos niveles) 1.No permita hacer sólo una pequeña cantidad de las pruebas posibles en lugar de 1024. Se necesita por lo tanto alguna alternativa que: . esto es. .Sea algo sencillo y relativamente rápido como para concentrarse más en entender el proceso de producción en sí. Recuerde. 024 pruebas posibles: Pág 18 de 178 . 2006 3. cuál es la variación y cuáles no la afectas. Reyes / Dic. ARREGLOS ORTOGONALES 3.

Diseño de Experimentos de Taguchi

P. Reyes / Dic. 2006

Efectuar unas cuantas (digamos 12)
Nos permita analizar el efecto de
los 10 factores

Nos permite identificar la mejor
condición, (aun cuando ésta
no se haya probado) y estimar
el resultado a esperar y estimar

3.2 Arreglos ortogonales para experimentos a dos niveles
El método de Taguchi es una estrategia completa de calidad que construye
robustez en los productos y procesos durante su fase de diseño. El sistema de
diseño de experimentos de Taguchi de deriva de alrededor de 18 arreglos
ortogonales estándar.
Un arreglo ortogonal es un matriz experimental factorial fraccional que es
ortogonal y balanceada. El arreglo más sencillo es el arreglo L4 de la tabla
siguiente.
En esta sección, se analiza qué son, cómo se usan y cuáles son los arreglos
ortogonales más importantes para experimentos en los que cada factor toma dos
niveles.
Un arreglo ortogonal es una tabla de números. Ejemplo de un arreglo ortogonal
es:
Factor

1
2
3
Resultado
1
2
3
4

1
1
2
2

1
2
1
2

1
2
2
1

Y1
Y2
Y3
Y4

Columna 1
Columna 3
Columna 2
Gráfica lineal del arreglo ortogonal L4

Pág 19 de 178

Diseño de Experimentos de Taguchi

P. Reyes / Dic. 2006

Se tienen en este caso en particular cuatro renglones y 3 columnas. Bajo el
encabezado Nº se tiene el número de pruebas.
Se tienen tres columnas que consisten de números “1” y “2”. A cada columna se
asigna un factor o variable cuyo efecto en la variable de respuesta se desea
investigar. Con este arreglo se pueden investigar hasta tres factores.
Cada columna de un factor consiste de números “1” y “2” donde el número “1”
indica que el factor se encuentra a su nivel inferior y el “2 “a su nivel superior.
Se puede observar que cada columna tiene la misma cantidad de números “1”
que de números “2”. Si tomamos cualquier pareja de columnas, existen cuatro
posibles combinaciones de sus valores,”11”, “12”, “21” y “22”. Como en cada
pareja de columnas se presenta el mismo número de veces cada combinación, se
dice que el arreglo es ortogonal o balanceado.
El resultado de cada condición experimental se muestra con el encabezado
resultado.
De acuerdo con la notación empleada por Taguchi al arreglo mostrado como
ejemplo. se le llama un arreglo L4, por tener cuatro renglones.
Si en el arreglo anterior se cambia el 1 por el -1 y el 2 por el 1, el arreglo se
transforma claramente en un arreglo factorial fraccional 2 31 con la relación que
lo genera C = - AB en la columna 3.

1

Factor
2

3

Resultado

1
2
3
4

-1
-1
+1
+1

-1
+1
-1
+1

-1
+1
+1
-1

Y1
Y2
Y3
Y4

Para cada arreglo ortogonal de Taguchi se tienen gráficas lineales, usadas para
ilustrar las relaciones de interacción en el arreglo ortogonal, en este caso la
interacción de las columnas 1 y 2 están confundidas con las columna 3.
Para arreglos ortogonales más grandes no solo se cuenta con gráficas lineales
sino además con tabla de interacciones para explicar las interacciones entre
columnas, por ejemplo para el arreglo L8 se tiene:

Pág 20 de 178

Diseño de Experimentos de Taguchi

P. Reyes / Dic. 2006

COLUMNAS

Exp. No.
1
2
3
4
5
6
7
8

Columnas
1
2
3
4
5
6
7

1
1
1
1
1
2
2
2
2

2
1
1
2
2
1
1
2
2

1
(1)

3
1
1
2
2
2
2
1
1

4
1
2
1
2
1
2
1
2

Matriz o tabla
de
interacciones
2
3
3
2
(2)
1
(3)

5
1
2
1
2
2
1
2
1

4
5
6
7
(4)

6
1
2
2
1
1
2
2
1

5
4
7
6
1
(5)

1

7
1
2
2
1
2
1
1
2

6
7
4
5
2
1
¡(1)

7
6
5
4
3
2
6
(7)

3

2

35
1
.7
2

6
(a)

5
6

4

4
(b)

7

¿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

Pág 21 de 178

etc. para simplificar aun más esta asignación nos podemos auxiliar de las gráficas lineales (1) y (2) que se muestran. (puntos 1. La gráfica (2) indica cuatro factores. (puntos 1. la gráfica (1) indica que con este arreglo se pueden analizar. 2. También se puede ver que la columna 3 es equivalente a –BC. Los números indican que si deseamos lo anterior. Pág 22 de 178 . además de un cuarto factor. 5 y 6. que no interactúa con los otros tres. mediante prueba y error. la columna 6 es equivalente a –BC. (punto 7). y la columna 1 del arreglo L8 corresponde a la columna C del arreglo 2 7  4 . los tres factores deberán asignarse a las columnas 1. la columna de cualquier línea representando una interacción que no es relevante. los otros tres factores a las columnas 2. de manera que la interacción de AxB se deberá asignar a la columna 6 del arreglo ortogonal. la columna 5 es equivalente a –AC. (líneas 3. se puede utilizar para representar un factor adicional. 5 y 6). Reyes / Dic. En una gráfica lineal: a)un efecto principal se representa mediante un punto.Diseño de Experimentos de Taguchi P. 2006 la matriz. aparece el número 6 (marcado con * en la tabla). b) una interacción se representa mediante una línea. 2 y 4) y las interacciones entre ellos. Si se cambian el 1 y 2 por -1 y +1 en el arreglo L8. Las interacciones quedarán en las columnas 3. el arreglo ortogonal L8 tiene dos alternativas de arreglo mostrados por las gráficas (1) y (2) respectivamente. 4 y 7) con interacciones de uno de ellos con los otros tres (líneas 3. 5 y 6. tres factores principales. Sin embargo. Las interacciones aparecen en las columnas 3. Con ayuda de matriz de interacciones es factible. el factor que interactúa con los otros tres se debe asignar a la columna 1 del arreglo. 4 y 7. Si se desea analizar un número menor de interacciones y un número mayor de factores en el mismo arreglo ortogonal. En particular. Por ejemplo. asignar los factores a las columnas. 4 y 2. Por lo tanto. la columna 2 del arreglo L8 corresponde a la columna B del arreglo 2 7  4 . c)los números representan las columnas correspondientes del arreglo ortogonal a donde se asignan los efectos principales y las interacciones. es claro que representa un arreglo factorial fraccional 2 7  4 donde la columna 4 del arreglo L8 corresponde a la columna A del arreglo 2 7  4 . 5 y 6).

Los arreglos ortogonales de Taguchi también incluyen arreglos de 3 niveles arreglos mezclados. 7 En la notación de los arreglos ortogonales L8 (2 ) . No. COLUMNAS Exp. El más simple es el L9. el 8 indica 8 corridas experimentales y el 7 significa que se pueden acomodar hasta 7 factores o una combinación con sus interacciones. por ejemplo: muestra que la columna 3 se confunde con la interacción de las columnas 1 y 2. tomando la primera como renglón y la segunda como columna identificando la intersección (en este caso 3). 1 2 3 4 5 6 7 8 1 2 3 4 1 1 1 2 2 2 3 3 1 2 3 1 2 3 1 2 1 2 3 2 3 1 3 1 1 2 3 3 1 2 2 3 Pág 23 de 178 . 2006 COLUMNAS C B -BC A -AC -BC Exp. pero también se confunde con la interacción entre las columnas 5 y 6 y las columnas 4 y 7. No. por ejemplo: la interacción entre columnas 1 y 2 se confunden con la columna 3. la interacción entre las columnas 2 y 4 se confunde con la columna 6. Sin embargo se sabe que el diseño 2 7  4 tiene 4 generadores. la interacción entre columnas 1 y 4 se confunde con la columna 5. de manera que cada efecto principal será confundido con muchas interacciones de dos factores por tanto las gráficas lineales solo muestran un subconjunto de relaciones de interacciones. 1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 -1 -1 -1 -1 +1 +1 +1 +1 -1 -1 +1 +1 -1 -1 +1 +1 -1 -1 +1 +1 +1 +1 -1 -1 -1 +1 -1 +1 -1 +1 -1 +1 -1 +1 -1 +1 +1 -1 +1 -1 -1 +1 +1 -1 -1 +1 +1 -1 -1 +1 +1 -1 +1 -1 -1 +1 Las gráficas lineales muestran donde se confunden las interacciones. La tabla lineal muestra otras alternativas adicionales. Reyes / Dic. Su gráfica lineal indica que las columnas 3 y 4 están confundidas con los efectos de la interacción de las columnas 1 y 2. el 2 significa dos niveles.Diseño de Experimentos de Taguchi P.

4 1 Columna 2 Gráfica lineal del arreglo ortogonal L9 En general.1: En un proceso de formación de paneles una característica no deseada es la emisión de formaldehido en el producto final. 2006 2 Columnas 3. Se requieren de al menos dos niveles o valores distintos para cada factor. para un arreglo a dos niveles. Actualmente se estima en 0. Después de análisis previo. Si se desea analizar el efecto de estos factores.Diseño de Experimentos de Taguchi 9 Columna 1 3 3 P. Se acostumbra llamar nivel “1” a la situación actual si esta existe. Se desea que esta emisión sea lo mínima posible. los efectos que se pueden analizar.) se cree que cinto factores pueden estar afectando la emisión. tiempo de ciclo de prensado. esto es probarlos bajo diferentes valores cada uno. Para nuestro ejemplo en particular estos niveles son: Factor Descripción Nivel 1 Pág 24 de 178 Nivel 2 . A cada uno de estos valores se les llama nivel. A uno de ellos arbitrariamente le llamamos nivel bajo o nivel “1”. es necesario variarlos. concentración de la solución. Taguchi ha desarrollado una serie de arreglos para experimentos con factores a dos niveles. (lluvia de ideas. es igual al número de renglones menos 1. cartas multi-vari. estos son: tipo de resina. etc.45 ppm. el número de columnas. los más utilizados y difundidos se anexan en el apéndice y según el número de factores a analizar son: Si el número de factores que se desean analizar es Arreglo a utilizar Nº de condiciones a probar Entre 1 y 3 Entre 4 y 7 Entre 8 y 11 Entre 12 y 15 Entre 16 y 31 Entre 32 y 63 L4 L8 L12 L16 L32 L64 4 8 12 16 32 64 Para aclarar lo anterior y mostrar los análisis considere el siguiente ejemplo: Ejemplo 3. Reyes / Dic. humedad y presión. al otro nivel alto o nivel “2”.

El análisis de resultados. Esto implica que se ejecutarán 8 pruebas o condiciones experimentales. ¿A qué columna específicamente se asignará cada factor?.21 0. asignamos los factores en orden a las primeras cinco Columnas.28 2.38 0. No. Una de ellas mediante una serie de gráficas. 1 2 3 4 5 6 7 8 A B C D E e e 1 1 1 1 2 2 2 2 1 1 2 2 2 2 1 1 1 2 1 2 1 2 1 2 1 2 1 2 2 1 2 1 1 2 2 1 1 2 2 1 1 1 2 2 1 1 2 2 1 2 2 1 2 1 1 2 Resina Tipo I Tipo I Tipo I Tipo I Tipo II Tipo II Tipo II Tipo II Conc. la otra mediante una herramienta sofisticada (para algunos). el arreglo queda: COLUMNAS Exp. Pág 25 de 178 . diferentes personas pueden asignar de diferente manera los factores. dejando libres las últimas dos columnas. Sin embargo.49 0. esto trae como consecuencia un conjunto de pruebas diferentes. por lo tanto.64 Observe que en las columnas vacías. las conclusiones a que se llegue deben ser iguales o similares. 5% 5% 10% 10% 5% 5% 10% 10% Tiempo 10 seg 10 seg 15 seg 15 seg 15 seg 15 seg 10 seg 10 seg Humedad 3% 5% 3% 5% 3% 5% 3% 5% T = total Presión 800 psi 900 psi 800 psi 900 psi 900 psi 800 psi 900 psi 800 psi Yi 0. 2006 Tipo de resina Concentración Tiempo de ciclo de prensado Humedad Presión Tipo I 5% 10 seg 3% 800 Psi Tipo II 10% 15 seg 5% 900 Psi En este caso estamos interesados en analizar el efecto de 5 efectos o factores a dos niveles cada uno.24 0. Los resultados de Yi se muestran en ppm.32 0. en estos casos se pueden asignar a cualquier columna. posteriormente se muestra el uso de gráficas. se muestra en este ejemplo primero el uso del análisis de varianza. Si en particular. se usará un arreglo ortogonal L8. se ha escrito la letra e. a cada columna se le puede asignar o asociar un factor.42 0. Reyes / Dic. Por otra parte se disponen de 7 columnas. 6 y 7.Diseño de Experimentos de Taguchi A B C D E P. esto para indicar que en ellas se evaluará la variación natural o error aleatorio. De hecho. Si no se asigna ningún factor. se puede efectuar de dos maneras diferentes. llamada análisis de varianza. es de esperar que ahí se manifieste la variación natural.3 0.

59 1.64 2.32= 1.36 1.24+0.3.39 1.36 1.38+0.64 2.35 Nivel 2 1.28= 1. Reyes / Dic.21+0.64 2. 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) 1).64 2.30+0.49+0.32+0.Diseño de Experimentos de Taguchi P. para cada uno de los niveles de los factores.64 2.29 2.38+0.13 1.28= 1.05 1.24 En resumen se tiene: Factor A B C D E e Nivel 1 1. Pág 26 de 178 .05 Para el factor D se tiene que las pruebas 1.5 y 7 se efectuaron a su nivel 1 (humedad del 5%).40 1.42+0. 2006 3.21+0.51 1. se obtienen los totales de la variable de respuesta o lecturas.49+0.24+0. para calcular los totales para cada nivel del factor A.30=1.64 e Observe que la suma de los dos niveles debe dar siempre el total de las ocho lecturas. por lo tanto los totales son: D1= Total de las lecturas que se tomaron con el factor D a su nivel 1 = 0.24 1.59 A2= total de las lecturas que se tomaron con el factor A a su nivel 2 = 0. Los totales son por lo tanto: A1= total de las lecturas que se tomaron con el factor A a su nivel 1 = 0.3 Análisis de varianza Como primer paso. Por ejemplo.42+0.64 2.64 para este caso 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.40 D2= Total de las lecturas que se tomaron con el factor D a su nivel 2 = 0.25 1. 2.28 1.28 1.

32 C 0.92 Error 0.39) 2/ 8= 0. se obtiene de dividir el número bajo la columna SS.13-1.03645 con 1 g .00080+0.00320 5.000625 Total 0.28-1.03645/1= 0.01805 1 0.51) 2/ 8= 0.59-1.00245 1 0.24-1. de A=1 V= SSA/G.00320 con 1 g.01805 con 1 g.= 0.25-1.1 V A 0.28 Bajo la columna SS se tienen las sumas de cuadrados.00080 Fexp B 0.00045= 0. para el factor A.00080 58.00080 con 1 g. 2006 Así por ejemplo.00245 con 1 g.1 SSe= 0. entre el valor de V para la estimación del error.03645 Por último.00125 con 2 g. SSe= 0. ésta es: Efecto SS G.1 Similarmente SSC= (C2 –C1) 2/ 8= (1. tendremos que dado que n=8  SSA= (A2 –A1) 2/ 8= (1. para el factor A se tiene SSA= 0.12 E 0.L.00045 con 1 g.03645 1 0.L.40) 2/ 8= 0. en este caso.00245 3. tendremos el número de columnas que se usaron para evaluar el factor.05) 2/ 8=0.1 SSD= (D2 –D1) 2/ 8= (1.Diseño de Experimentos de Taguchi P. Reyes / Dic. (grados de libertad). Bajo la columna G.36) 2/ 8= 0.00080 con 1 g.00320 1 0.88 D 0.03645 1 0. La columna V.1 SSE= (E2 –E1) 2/ 8= (1.L.1 3) Se construye una tabla ANOVA. G.1 Para el factor B se tiene SSB= (B2 –B1) 2/ 8= (1. sólo puede ser de uno para cada factor y más de uno únicamente para el cado del error.01805 28.1 La suma de cuadrados de las columnas donde no se asignó factor (SSe) se toman como estimaciones del error y se suman. Así por ejemplo.L.00125 2 0. se obtiene de dividir el valor de V de cada factor. el valor de Fexp.03645. Pág 27 de 178 .1 SSe= 0.0622 7 1. entre el número de la columna G.

01805 26. En este caso por ejemplo.54 7 Nos resta decidir a que nivel habrá de fijar cada factor significante. C.59/4= 0.00205 3 0.000625=58. En este ejemplo resultan significantes los factores A. que tienen un valor de Fexp mayor que 2 se considera que afectan la variable de respuesta.00125= 0.0622 V Fexp 0. humedad y presión respectivamente.71 E 0. D y E.  A1= A1/4= 1. Para tomar esta decisión.3975  A2= A2/4= 1. (c/total es la suma de cuatro lecturas).05/4= 0.00068 Las estimaciones que se obtienen de esta manera suelen escribirse entre paréntesis. tipo de resina. y qué podremos esperar.01805 D 0. 2006 Fexp de A= V(A) / V(error)= 0. Aquí les llamaremos elegantemente factores significantes.Diseño de Experimentos de Taguchi P.32 4) Se obtienen conclusiones: Todos aquellos factores.2625 El resto de los promedio son: Pág 28 de 178 .03645 1 0.00205 Con 1 + 2 = 3 grados de libertad y (Ve)= (SSe)/3= 0.03645/0. es de mucha ayuda obtener los promedios de las lecturas que se tomaron a cada nivel para cada uno de los factores significantes. se consideren como error aleatorio. emisión de formaldehido en este caso.00068 A Total G.00320 1 0. Se acostumbra que aquellos efectos que no resultaron significantes. Reyes / Dic.00245 3.00245 1 0.00080+0.60 0.00320 4.00205/3= 0. Los promedios de la emisión de formaldehido para cada nivel se obtienen dividiendo c/u de los totales entre 4.1 1 0. una mejor estimación de SSe es SSe= SSB + SSe= 0. tiempo de ciclo. La tabla ANOVA queda ahora Efecto C SS 0. a fin de obtener una mejor estimación (con mayor número de grados de libertad).60 Error 0.03645 53.

3300-0.32+0.42+0.0175 Finalmente.2625  B2= 0.38+0.33 Los factores A. D y E que afectan emisión de formaldehido deberán fijarse al nivel que minimicen la emisión.0175=0. ¿Cuál será el nivel esperado de emisión bajo las nuevas emisiones propuestas Y est. D2 y E2.49+0.3300=-0. para cada efecto significante se calcula una resta.28)/8=T/n= 2. en este ejemplo. resina tipo II.30+0. C2. se utiliza para reducir los costos de producción.21+0. Dado que no afecta la emisión de formaldehido. 15 segundos como tiempo de prensado.Diseño de Experimentos de Taguchi Factor P.3125-0.3125 A Nivel 2  A2= A2/4= 0. que llamaremos Yest. E2. D2. el resultado esperado bajo las condiciones A2. Observe que la condición propuesta.0675-0.3200 El promedio general denotado como Y es: Y= (0. esto es.3100 E  E1= 0.4 Análisis utilizando gráficas Pág 29 de 178 .3300= -0.3975  B1= 0.0200-0. El factor B juega aquí un papel sumamente importante.? Para contestar esta pregunta.3475  E2= 0. dentro del intervalo analizado.24+0. 5% de humedad y 900 psi. 2006 B Nivel 1  A1= A1/4= 0.1775 3.3775  C2= 0.0675 (A se fijó a su nivel 2) EF C = C2 – Y= 0.04750. A2.3300= -0. C. Esto se hace fijándolo a su nivel más económico.64/8= 0. no coincide con ninguna de las que se probaron en el arreglo ortogonal.3100-0.0200 EF E = E2 – Y= 0. Yest= Y + EF A + EF C +EF D +EF E= 0. al nivel que se obtenga el promedio menor. que llamaremos el efecto de cada factor respecto al promedio general.2825-0. Reyes / Dic.3300= -0. C2. para este caso el efecto es EF A = (promedio bajo la condición propuesta del factor promedio general) = A2 – Y= 0.2825 D  D1= 0.3400 C  C1= 0.3500  D2= 0.0475 EF D = D2 – Y= 0.2625-0. se calcula sumando al promedio general Y todos los efectos de los factores significantes.

Para hacer esto.00062 F .30 5 2 1 2 1 2 1 2 0.0400 E 0. Para nuestro ejemplo.0950 D 0. para el resto tenemos: Factor A B Diferencia 0.3975 – 0.00245 3.3325 Nivel 2 0.21 6 2 1 2 2 1 2 1 0.33 Observe que para cada factor. Esto es por ejemplo para el factor A A1 – A2 = 0.3775 0. 2006 Existe una alternativa al análisis ANOVA. Los promedios son: Factor Nivel 1 A B C D E e 0.2625= 0.40 1.00080 0.00045 Ve 2 .0200 C 0.36 1.28 1.88 5.0200 e 0.Diseño de Experimentos de Taguchi P.3200 0.0350 e -0.0100 Nº A B C D E e e Yi 1 1 1 1 1 1 1 1 0.3975 0.29 2.38 4 1 2 2 2 2 1 1 0.3475 0.64 SS 0.3125 0.1350 0.3100 0.64/8= 0.49 2 1 1 1 2 2 2 2 0.00320 1 0.24 1.24 7 2 2 1 1 2 2 1 0.28 T1 1.1350. para cada uno de los factores.00080 0.32 8 2 2 1 2 1 1 2 0.51 1.00320 1 1.35 Tot T2 1.36 1.00245 1 0.3500 0.01805 28. Reyes / Dic.05 1. 1) Primero se obtienen los promedios en cada nivel.42 3 1 2 2 1 1 2 2 0.3400 0.2825 0.92 Pág 30 de 178 0. Esto siempre debe de ocurrir.00080 0.3225 Promedio global Y= T/n= 2.03645 gl 1 V 0.2625 0.25 1.39 1. los totales a cada nivel los tenemos ya en la sección anterior. 2) Calcule la diferencia entre los promedios de niveles para cada factor.32 0.3400 0.13 1. incluyendo las columnas vacias. esta es una serie de gráficas que se muestran enseguida. y ordénelos de mayor a menor valor absoluto.3200 e 0. encontramos los totales para cada nivel y dividimos entre el número de lecturas con el que se obtuvo cada total.59 1.28 1 0.28 1.03645 58.12 0.01805 0. uno de los promedios es mayor y el otro menor que el promedio global.

se obtiene una gráfica como se muestra en seguida: Pág 31 de 178 . Siguiendo el orden anterior.0100 Por cierto.3100 si 0.0200 e 0.0175 Yest.0950 D 0.33 2 -0.3400 0.3125 2 -0.0475 -0.3775 0.3500 0.2625 Ni 2 no 0.0675 2 P.Diseño de Experimentos de Taguchi Sg si P1 0.3975 P2 0. Reyes / Dic.0200 Y 0.0350 0. 2006 si 0.2825 - Ef -0.3200 si 0.3475 0.T1 )2 /n = Grados de libertad (columnas) = SS/gl = V/Ve = ¿Efecto significante? = Promedio nivel 1 = Promedio nivel 2 = Nivel seleccionado = Efecto de la variable = Promedio de todos los datos = Valor estimado de la variable a las condiciones propuestas Ordenando de mayor a menor valor absoluto (ignorando el signo).= Y + Ef A2 + Ef C2 + Ef D2 + Ef E2 T1 T2 n SS gl V F Sg P1 P2 Ni Ef Y Yest = Total de lecturas al nivel 1 = Total de lecturas al nivel 2 = Número total de lecturas = (T2 .0400 E B 0.1350 C 0.0200 e -0. es también el orden de mayor a menor Fexp que se obtiene con la ANOVA. podrá observar que el orden en que quedaron.tenemos: Factor A Diferencia 0.

se puede evaluar el efecto de cada factor. seguida de un grupo de líneas que súbitamente se “acuestan” o se hacen horizontales. sin embargo.01m/min 10 grados tipo I marca 1 tipo I tipo 200 0. si deseamos reducir la variable de respuesta. requiere un poco de práctica. Es de esperar que las líneas que presentan columnas vacías o error aleatorio. o bien.03 15 grados tipo II marca 2 tipo II Pág 32 de 178 II rpm . D y e. se ve afectada con siete factores: Factor Descripción Nivel 1 Nivel 2 A B C D E F G tipo de herramienta velocidad de corte avance de la herramienta ángulo de corte porta herramientas materia prima tipo de refrigerante tipo I 150 rpm 0. Reyes / Dic. La práctica indica que observará un grupo de líneas inclinadas. En conclusión. I. esto es. Ejemplo 3. H. E. C.35 . F. D2 y E2. PARA VERIFICAR QUE SE OBTIENEN LOS RESULTADOS ESPERADOS. Observe que las conclusiones a que se llega en este ejemplo son similares a las de la ANOVA. es decir. Sin embargo. quedan prácticamente horizontales. igualmente los niveles recomendados se pueden identificar rápidamente. D. 2006 . BAJO LAS CONDICIONES PROPUESTAS. C2.33 . puede utilizar el método gráfico para fines de exposición o presentación y el ANOVA para fines de tomar una decisión más objetiva. G.3 Se considera que el acabado de una pieza metálica medida en picos/pulgadas.30 .2 ¿Qué arreglo ortogonal seleccionaría para investigar el efecto de los factores A. factores significantes A. tome en cuenta que: ANTES HABRA QUE HACER UNA CORRIDA DE COMPROBACION. Entre mayor sea la línea de cada factor.Diseño de Experimentos de Taguchi P. en este caso A2. se toma el nivel más bajo.40 . J.25 A1 A2 C1 C2 D1 D2 E1 E2 B1 B2 e1 e2 e1 e2 Mediante esta gráfica. los puntos por debajo de la línea promedio global. a dos niveles? Ejemplo 3. entre más vertical se encuentre. mayor será el efecto de este factor. El decidir hasta que factor es significante. B. C.

porta Nº A B C D E F G hmta corte avance ángulo hta m.25 9.00 14.50 34.01 0.00 26. Por lo tanto se requiere de un L8 y se correrán 8 pruebas experimentales.50 1.75 27.01 0.25 00. lubri 1 2 3 4 5 6 7 8 1 1 1 1 2 2 2 2 1 1 2 2 1 1 2 2 1 1 2 2 2 2 1 1 1 2 1 2 1 2 1 2 1 2 1 2 2 1 2 1 1 2 2 1 1 2 2 1 1 2 2 1 2 1 1 2 I I I I II II II II 150 150 200 200 150 150 200 200 0.50 E 27.01 0.00 D 25.25 12.25 27. El arreglo que se tiene es: tipo vel.00 3) Construcción de las gráficas de respuesta.01 10 15 10 15 10 15 10 15 I II I II II I II I 1 2 2 1 1 2 2 1 I II II I II I I II res 7 10 30 34 10 11 55 61 Observe que en este caso.03 0.50 29. El total de los datos T= Yi= 218 El promedio global de los datos es Y= T7n= 218/8= 27.00 F 28. 2006 Se desea medir el efecto de los siete factores sobre la variable de respuesta en picos por pulg. Se procede al análisis utilizando gráficas en primer lugar cada uno de los factores.50 G 26.50 C 33.p.25 El total para cada uno de los niveles de cada factor es: Nivel 1 Nivel 2 A 81 137 218 B 38 180 218 C 133 85 218 D 102 116 218 E 109 109 218 F 112 106 218 G 107 111 218 El promedio para cada nivel se obtiene dividiendo los totales entre cuatro (cada total es la suma de cuatro lecturas) Nivel 1 Nivel 2 Diferencia A B 20.03 0. El número de datos es n= 8. Reyes / Dic. no quedan columnas vacías para evaluar el error aleatorio. Pág 33 de 178 .25 21.03 0.00 35.03 0.Diseño de Experimentos de Taguchi P. y se desea determinar las condiciones que maximizan la variable de respuesta.25 45.75 1.00 3.

Reyes / Dic.75 Yest = Y + EF A2 + EF B2 =27. esto es. bajo las condiciones propuestas. la diferencia en la respuesta es de solo 1. ya que a esos niveles la respuesta promedio es mayor.75. se obtiene evaluando el efecto de cada factor significante: EF A2 = A2 .Y= 34.75 EF C1 = C1 . entonces Yest= 58.75.00 – 27.Y= 33. B1.75+6. que aparentemente los factores B.Y= 45.00 – 27.75=59.Y= 29.25-27.75 + EF C1 + EF D2 Observe que si se tuviera duda de considerar o no significante al factor D. esto es.25= 1. Si se utiliza ANOVA depués de calcular los totales. 2006 Graficando en orden de mayor a menor diferencia se obtiene B1 B2 A1 A2 C1 C2 D1 D2 F1 F2 G1 G2 E1 E2 Se puede observar en la gráfica. Análisis utilizando ANOVA. A. para el factor A se tiene SSA= (A2 – A1 )2/8= (137 – 81) 2 /8= 392. lo cual no es muy diferente de 59.25= 6.00+17. Una estimación de la rugosidad. que si considera no significante al factor D.00 EF B2 = B2 .00 EF D2 = D2 .00. Por ejemplo.25+7.0 con 1 g. C y D son significantes. que ya se tienen para este caso.00+1.l. La tabla ANOVA completa es: Pág 34 de 178 . 4) Se determinan las mejores condiciones de operación Las condiciones de operación que maximizan la variable de respuesta (rigurosidad en picos/pulg) son A2.Diseño de Experimentos de Taguchi P.25= 7. afectan a la variable de respuesta.25= 17. se evalúa la suma de cuadrados. C1 y D2.25 – 27.

00 1 2520.5 288.166 Este tipo de estimaciones se escriben entre paréntesis en la tabla ANOVA Factor A B C D E F G (e) SS 392.0 24. Reyes / Dic.0 2.9 11.00 24.5. 2006 V Fexp.9 1163.50 2. se utiliza la siguiente aproximación: Considere el número total de grados de libertad.0 4.00 2520. (número de columnas del arreglo para casos a dos niveles) divídalo entre dos y redondeando hacia el número menor: 7/2= 3.00 24.0+4.0 2520.5 2.0 4.5 2.5/3= 2.5 288.l. 392.50 00.0 6. no tuvo mucho impacto cuando se utilizan gráficas.3 132. Cuando no se tienen columnas libres. En este caso de la ANOVA. de manera que: (SSe)= SSe + SSF + SSG= 0. 1 1 1 1 1 1 P.50 288. sin embargo.50 2.l. es indispensable tener una estimación de la suma de cuadrados del error para evaluar la Fexp.5+2= 6.00 4.50 00.5 0. SSF y SSG. SSE.00 7 El hecho de no tener columnas libres para evaluar el error. V Fexp 1 1 1 1 1 1 1 1 392.166 180.0 24.5  3 Según el número resultante. tome las sumas de cuadrados más pequeñas como una estimación del error. 1 + 1 + 1= 3  Ve= SSe/3= 6.00 Total g.0 2520. con g.l.5 g. se toman las 3 sumas de cuadrados más pequeñas.3 - Pág 35 de 178 .Diseño de Experimentos de Taguchi Factor A B C D E F G SS 392.00 4.50 288.5 0. En este ejemplo.

40% Temperatura de recocido 800 ºC Contenido de azufre 0.9567 102. sea exactamente de 100 décimas de milímetro.6862 1326.1259 103. 2006 Observe que ya no se evalúa el valor de la Fexp. Reyes / Dic. Ejemplo 3. para los factores considerados como error.05% Tipo de refrigerante I Marca de herramienta I Porta herramienta 1 Tipo de horno I Angulo de corte 20º Nivel 2 marca 2 700 rpm no 1.7297 114.4 En seguida.3784 96.7219 117.06% II II 2 II 25º Dado que requiere analizar 11 factores. considere u ejemplo para el caso de nominal es mejor.45% 900 ºC 0. En este ejemplo.9900 116. Se desea que el diámetro de una pieza que se ensambla en otra. Así que los resultados son los mismos.0000 111. se necesita utilizar un arreglo ortogonal L12 sin dejar columnas vacías.Diseño de Experimentos de Taguchi P.6494 109. los resultados son: Nº A B C D E F G H I J K Resultado 1 2 3 4 5 6 7 8 9 10 11 12 1 1 1 1 1 1 2 2 2 2 2 2 1 1 1 2 2 2 1 1 1 2 2 2 1 1 2 1 2 2 2 2 1 2 1 1 1 1 2 2 1 2 2 1 2 1 2 2 1 1 2 2 2 1 1 2 2 1 1 2 1 2 1 1 2 2 1 2 2 1 2 1 1 2 1 2 1 2 2 2 1 1 1 2 1 2 1 2 2 1 2 1 2 2 1 1 1 2 2 1 1 2 1 1 2 2 1 2 1 2 2 1 2 1 2 1 1 1 2 2 1 2 2 2 1 1 1 2 1 2 2 1 Total = T = Pág 36 de 178 109.9904 108. los factores significantes coinciden con los que se encontraron al utilizar gráficas.9736 123.1848 .9826 110. Se considera que los siguientes factores afectan el diámetro final: Factor Descripción A B D C E F G H I J K Nivel 1 Materia prima marca 1 Velocidad de corte 600 rpm Prelavado si Contenido de carbono 1.

Considerando las 5 sumas de cuadrados más pequeñas como se error se obtiene que: (SSe)= SSA + SSC +SSH + SSK= Con 5 g.Diseño de Experimentos de Taguchi P. esto se realiza en etapas.3810 688.6047 0. E. se procede a la estimación.4782 Así por ejemplo.7876 1 1 0.8207 1 1 1 1 1 145.4 - 145.9967 3.l.0014 1.4882 666.l. 2006 Los totales para cada uno de los niveles de los factores son: Nivel 1 Nivel 2 Nivel 1 Nivel 2 A B C D 666. Con el objetivo de entender a que nivel fijar cada uno de los factores. Reyes / Dic. G. V Fexp. A B C D 3.6966 J 669. Resultan significantes los factores B.1572 660.9967 3.8016 66.4712 La tabla ANOVA completa es: Efecto SS g.1710 684.9003 1.6424 – 681.7764 G 642.7211 665. I y J. la suma de cuadrados para el factor I es: SSI= (I2 – I1) 2/2= (644.7876 99.9 - E F G H I J K (e) Dado que no se tiene una evaluación del error.9003 1. Pág 37 de 178 .8016 113.0138 H I 681.7066 666.4084 659.8207 5.6047 1 3.0014 1.4712 12.6424 E F 659.5430) 2//12= 113.5430 644.3360 K 659.2 - 12. Se tienen 11 grados de libertad entre dos y redondeando hacia abajo se obtiene 5.8038 637.4637 663.

velocidad de corte es significante. Pág 38 de 178 . de 110.4637/6= 106. es factible realizar una interpolación como sigue: B1 (600 rpm)= B1/6= 688. lo único que se puede decidir es fijar el factor al nivel al cual se acerca más al valor deseado.5154) = 106. Dado que se trata de un factor cuantitativo.0023 si G se fija a su nivel 2. para obtener una Yest de 107.5154)=114.7868 – 110.0000 para una velocidad de corte aproximadamente 656 rpm. es cualitativo la cual implica que no se puede interpolar. 120 Yest 110 105 100 B1 600 rpm B2 700 rpm Por lo que se obtiene una Yest. refrigerante tipo I Yest= 117.2439 Dado que lo que se desea es una Y est de 110. b) Solamente el factor G resulta significante. aunque no haya sido cierto en este ejemplo.7868 Si B se fija a su nivel 2.2439 Si B se fija a su nivel 1. En este caso.2439 – 110. ya que como dicen en los libros.7868 B2 (700 rpm)= B2/6= 637. 2006 a) caso 1. entonces: Yest= 110. Suponga.7211/6= 114.0285. fijar G al nivel 1. se puede continuar sin pérdida de generalidad). Reyes / Dic.0000 se puede hacer una interopolación. refrigerante tipo II Sin embargo.0285 si G se fija a su nivel 1.Diseño de Experimentos de Taguchi P.5154 + (114. el factor G tipo refrigerante. en nuestro caso.5154 + (106. el siguiente caso se puede brincar. Si se procede igual que en el caso anterior se tiene que: Yest= 107. Si o el instructor en turno lo consideran pertinente. entonces: Yest= 110. (se recomienda que sea en forma gráfica). que únicamente el factor B.

0285 113. Se tiene que decidir en secuencia para cada uno de los factores procurando acercarse al valor nominal.5154) = 113.0629 + (106. En seguida los cuantitativos también de mayor a menor importancia.1036 + (109.0629 + (B2 – Y)= 109. Con esto se obtiene: Yest = 107. la Yest hasta el momento es inferior al valor deseado.2439 113.0000 Pág 39 de 178 .2305 Y= 110. si el factor B se fija a su nivel 1 (600 rpm).0285 + EF I1= 107. por lo tanto.0025 107.1036 El factor J se fija a su nivel 1. de acuerdo con el cado b) anterior se fija G a su nivel 1 y se estima una Yest= 107.1036 + EF J1= 110.5905 114. En este caso.0629 + (B1 – Y)= 109.3343 Si B se fija a su nivel 2 (700 rpm) se obtiene: Yest = 109. ya que se desea bajar el valor actual del Yest.5154) = 109. se desea aumentar la variable de respuesta. resultaron significantes dos factores cuantitativos (B y E) y tres cualitativos (G.0629 + (114. En nuestro ejemplo original.7868 – 110. Reyes / Dic.Diseño de Experimentos de Taguchi P.5905 – 110.5154) = 104. I y J).5154 Se inicia con el factor cualitativo G.0629 Partiendo del valor actual de Yest.4747 – 110. se obtiene Yest = 109.5561 Cualitativos B E 114. 2006 c) Varios factores cualitativos y cuantitativos significantes.8005 106. Esto se logra fijando el factor I a su nivel 1.0285 + (113.2439 – 110. Los promedios para cada nivel son: Nivel 1 Nivel 2 Cuantitativos G I 107.4404 J 109.7868 107.4747 111. la decisión es un tanto más elaborada. Para decidir sobre el factor I.0285.5154) = 110. Yest = 110.7914 Interpolando se obtiene que para B a 639 rpm se obtiene el valor deseado de Yest = 110. Siempre se recomienda decidir primero para los factores cualitativos en orden de mayor a menor importancia.

6 (se tomaron 8 lecturas en total y son cuatro efectos significantes A. Si se realiza la corrida bajo las condiciones propuestas A2. A fin de que su efecto sea nulo.61 5.96 4. se fijan a su nivel más económico. Se recomienda que este cálculo se efectúe después de que los efectos no significantes se sumen al error. C1 y D2. Ve= 2. ¿Qué puede suceder al efectuar la corrida? Considere el ejemplo 3 de la sección anterior. B2. Más bien habrá de esperar que el resultado quede en un intervalo que se puede definir como sigue: Yest  Fgl (Ve ) / ne Donde Fgl= valor que depende de los grados de libertad del error aleatorio.40 18.32 5. C y D). esto es. según la siguiente tabla: gl 1 2 3 4 5 6 7 8 9 10 11 Fgl 161.13 El intervalo por lo tanto es: 59. a 850 C ya que a ese nivel se obtendrá una respuesta igual a Y. Reyes / Dic.5 Resultados esperados en una corrida de comprobación o confirmación El objetivo de la corrida de confirmación es checar la reproducibilidad de los resultados bajo las condiciones propuestas.75. Dado que el error tiene 3 grados de libertad entonces Fgl= 10.12 4. más uno. se esperaría un resultado de 59. se debe fijar justo a la mitad del intervalo que se probó.116 ) / 1.75  3. Como se podrá dar cuenta.75. en= 8/(4 + 1)=1.99 5. B. (ya se tiene el valor deseado de Yest).453 Pág 40 de 178 . para el ejemplo se tiene lo siguiente.166 de la tabla ANOVA. El resto de los factores por supuesto.59 5.Diseño de Experimentos de Taguchi P. Así.6 : 59.84 Ve= en= valor de v para el error número total de lecturas/suma de los grados de libertad de los efectos que resultaron significantes.047 y 63.75  10. al considerar el aspecto económico se puede decidir por alguna.13( 2.703. existen muchas otras combinaciones que dan el resultado deseado. Yest= 59. osea entre 56. 2006 Falta aún por decidir acerca del factor E. En la práctica será difícil que se presente exactamente el resultado de 59.71 6.75.13 7. 3.51 10.

pero si es peor. Checar si los niveles de los factores fueron demasiado estrechos. 3. Posteriormente se deben determinar los grados de libertad. los grados de libertad son los (nA-1)*(nB-1) . Pág 41 de 178 . Para cada factor A. sus grados de libertad son el número de niveles – 1 (n-1). analizar los resultados del siguiente arreglo L8 Nº D     E F C B G A Yi 11 13 3 1 13 9 8 8 3. Reyes / Dic. ya que pudo haberse olvidado considerar un factor controlable que influye fuertemente. checar lo siguiente: 1. 3. 2006 ¿Qué hacer cuando se obtiene un valor fuera de este intervalo? Si el resultado es mejor de lo esperado.Diseño de Experimentos de Taguchi P. por ejemplo A y B. Analizar los factores potenciales de nuevo. Para las interacciones.6 Diseños experimentales para factores con interacciones Los diseños de experimentos de Taguchi son similares a los diseños de experimentos clásicos. se recomienda no hacer nada. sin embargo en los de Taguchi solo se consideran los factores principales y las interacciones de dos factores. Checar por posibles interacciones. 2. se asume que las interacciones de mayor orden no tienen efecto significativo. Adicionalmente los experimentadores deben utilizar su experiencia para anticipar cuales interacciones pudieran ser significativas antes de realizar los experimentos. …. que son la cantidad relativa de datos requeridos para estimar los efectos a ser analizados. Para los grados de libertad se siguen las reglas siguientes: 1. Como ejemplo propuesto. La media general tiene un grado de libertad. 2. B.

Depende de qué? del tipo de refrigerante que use. Gráficamente se puede observar si existe o no interacción entre los factores: B1 B1 B2 B2 A1 A2 Las dos líneas son paralelas. suponga que en un experimento se ha encontrado que la temperatura y el tipo de refrigerante. al aumentar la temperatura. O sea. se dice que los dos medicamentos interactúan. los grados de libertad son los siguientes: Factores Media A B. Otro ejemplo es el caso de 2 medicamentos que al suministrarse en forma independiente. Existen dos marcas de refrigerante. lo único que puede contestar es Depende. F. D. Este fenómeno se llama interacción entre dos factores y se describen en esta sección. provocan mejoría en las condiciones del paciente. la planicidad disminuye. C. G) con 3 niveles y una interacción entre los factores A y B. al aumentar la temperatura la planicidad aumenta. la marca I y la marca II. Por otro lado. no dependía del nivel de otros factores. G AB Total Grados de libertad 1 2-1 = 1 6 x (3-1) = 12 (2-1)(3-1) = 2 16 Existe un fenómeno que se presenta en algunas situaciones en los procesos de producción. Cuando el efecto de un factor depende del nivel de otro factor. E. 2006 Por ejemplo en un experimento hay un factor A con dos niveles. no A1 A2 El efecto de A depende del nivel de B Pág 42 de 178 . En los casos anteriores se asumió que el efecto de un factor sobre la variable de respuesta. Si se le pregunta cual es el efecto de la temperatura sobre la planicidad. En este caso se dice que existe una interacción entre la temperatura y el refrigerante. Pero si usa la marca de refrigerante II. E.Diseño de Experimentos de Taguchi P. C. Resulta que si se usa el refrigerante I. afectan la variable de respuesta llamada planicidad. se dice que existe una interacción entre los factores. 6 factores (B. F. Reyes / Dic. cuando los dos medicamentos son suministrados al mismo tiempo y la condición del paciente empeora. D.

requerimos por lo menos de 10 grados de libertad. por conocimiento del proceso y por la literatura. Reyes / Dic. al final de esta elección se le indica que hacer. automáticamente la interacción de esos dos factores AxB se reflejará en otra columna del arreglo. no lo puede saber con certeza. c)una interacción significante que se desee probar. no se preocupe demasiado si no puede identificar ninguna. d) se deberá tener cuidado especial. ¿Cómo se puede dar cuenta antes del experimento que existe una interacción?. isi deseamos analizar el efecto de 6 factores y 4 de las interacciones entre ellos. A y B por ejemplo. 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. Una condición que existe para el manejo de las interacciones mediante procedimientos de arreglos ortogonales Taguchi. Sin embargo. en los cuales no existían interacciones entre los factores principales. a ciertas columnas.Diseño de Experimentos de Taguchi P. esto es de 10 columnas. podemos estar interesados en analizar el efecto que algunas interacciones en particular tienen sobre la variable de respuesta. es que se tenga una definición “a Pág 43 de 178 . b) al asignar dos factores. que sería suficiente sin interacciones. pero una buena guía es la experiencia de experimentos previos. El efecto de A no es consistente. 2006 existe interacción entre los factores. y viceversa. o sea un arreglo L 16 y no un arreglo L8. tomará una columna y en consecuencia un grado de libertad. son exactamente los mismos que se usan para el caso sin interacciones. en la manera como se asignan los factores a las columnas. Existe interacción. En las secciones anteriores se analizaron aplicaciones de arreglos ortogonales. Por lo tanto. En otros casos. ¿Pero qué sucede cuando se desea incluir interacciones en un arreglo ortogonal?. Las interacciones existen en los procesos en mayor o menor grado. se puede decir lo siguiente: a)los arreglos ortogonales a utilizar para los casos con interacciones. para que sus interacciones no se confundan con otros factores principales u otras interacciones que también deseamos probar.

tales como niveles artificiales y construcción de columnas. El número de experimentos o corridas en el arreglo ortogonal >= Total Df.Seleccionar un arreglo ortogonal estándar por medio de las dos reglas siguientes: Regla 1.Diseño de Experimentos de Taguchi P. El arreglo ortogonal seleccionado deberá poder acomodar las combinaciones de niveles de factores en el experimento. Reyes / Dic. Diseños experimentales El diseño experimental de Taguchi sigue un proceso de tres pasos: 1. 3. Esto es. debemos definir de antemano qué interacciones creemos son relevantes. 2006 priori “ de cuáles interacciones específicamente sospechamos que existen. Se puede usar la tabla siguiente como referencia: Arreglo ortogonal L4 L8 L9 L12 L16 L16’ L18 L25 L27 L32 L32’ Número De exper. Asignar interacciones de acuerdo a la gráfica lineal y tabla de interacciones. Mantener algunas columnas vacías is no pueden ser asignadas todas las columnas. Usar técnicas especiales. 4 8 9 12 16 16 18 25 27 32 32 Factores Máximos 3 7 4 11 15 5 8 6 13 31 10 Máximo 2 3 7 Número 3 De cols. a fin de incluirlas en nuestro análisis.Determinar los grados de libertad totales (Df) 2. Regla 2.Asignar factores a las columnas apropiadas usando las reglas siguientes: Regla 1. cuando el arreglo ortogonal original no puede acomodar los niveles de los factores en el experimento. Regla 2. Regla 3. 4 En niveles 5 4 11 15 5 1 7 6 13 31 1 Pág 44 de 178 9 .

L8 Col. Gráficas lineales En el apéndice se muestra un arreglo L8 junto con una matriz triangular y dos gráficas lineales. se han desarrollado gráficas lineales.1 Col. 2006 23 16 12 26 63 21 40 11 3 1 1 63 12 13 11 21 40 Para ayudar en la asignación de factores a un arreglo. No. 1 2 3 4 5 6 7 8 1 1 1 1 2 2 2 2 1 1 2 2 1 1 2 2 1 2 1 2 1 2 1 2 1 2 2 1 1 2 2 1 Columnas 1 2 3 4 5 6 7 1 (1) 1 1 2 2 2 2 1 1 1 2 1 2 2 1 2 1 Matriz o tabla de interacciones 2 3 3 2 (2) 1 (3) 4 5 6 7 (4) 5 4 7 6 1 (5) 1 1 2 2 1 2 1 1 2 6 7 4 5 2 1 ¡(1) 3 35 Pág 45 de 178 7 6 5 4 3 2 6 (7) 2 .Diseño de Experimentos de Taguchi L36 L36’ L50 L54 L64 L64’ L81 36 36 50 54 64 64 81 P. Col. 6 7 Exp. Reyes / Dic. Su aplicación se muestra mediante un ejemplo: NOTA: En los ejemplos que siguen. para denotar una interacción entre dos factores. Col. 2 3 Col. Col. se utiliza indistintamente la notación AB o AxB. A y B por ejemplo. Estas se reproducen aquí para explicación. 4 5 Col.

7 2 6 (a) 5 6 4 4 (b) 7 La aplicación de gráficas lineales se muestra mediante una serie de ejemplos. En nuestro caso esto procede como sigue: Primero dibujamos cuatro puntos. C y D. Ejemplo 3. B. b) una interacción se representa mediante una línea que une los dos efectos individuales. En seguida mostramos las interacciones que nos interesan. el siguiente paso es desarrollar la gráfica lineal que deseamos. mediante líneas. Esto depende del número de efectos totales a analizar. de acuerdo con las reglas mencionadas anteriormente: a)un efecto individual se representa con un punto. C. 1) Como primer paso. Reyes / Dic. AxC y AxD. A. seleccionamos un arreglo ortogonal tentativo. 4 factores + 3 interacciones= 7 efectos o columnas 2) Después de seleccionar un arreglo ortogonal tentativo. 2006 1 . B. uno para cada efecto.6: Supongamos que queremos analizar el efecto de cuatro factores A.Diseño de Experimentos de Taguchi P. D. Para nuestro caso tenemos (gráfica de la izquierda): AxB 3 A B AxC 1 2 AxD 5 6 C D 7 Pág 46 de 178 4 . un L8 en este caso. además de las interacciones AxB.

el factor C a la columna 7 y la interacción AxC a la columna 6. interacción AxB a la columna 3.Diseño de Experimentos de Taguchi P. el factor D a la columna 4. podremos asignar el factor A a la columna 1. y vemos que esta es la gráfica (2). la interacción AxB a la columna 3. (dibujada a la derecha de la anterior). una asignación lógica es: Factor A a la columna 1. Por lo tanto. la interacción AxD a la columna 5. la interacción AxD a la columna Pág 47 de 178 .E AxD D Esta gráfica es parecida a la gráfica lineal (2) excepto por la interacción de AxC. Reyes / Dic. el factor E y creemos que la interacción AxC realmente no es relevante. el factor C a la columna 4. el factor D a la columna 7. por lo tanto. 1 2 3 4 5 6 7 8 Columna 1 Columna 2 Columna 3 Columna 4 Columna 5 Columna 6 Columna 7 A 1 1 1 1 2 2 2 2 B 1 1 2 2 1 1 2 2 AxB 1 1 2 2 2 2 1 1 D 1 2 1 2 1 2 1 2 AxD 1 2 1 2 2 1 2 1 AxC 1 2 2 1 1 2 2 1 C 1 2 2 1 2 1 1 2 Supongamos que ahora queremos analizar un factor más. La gráfica lineal que requerimos es: B A AxB C . Esto es: Exp. No. 2006 3) Identificamos la gráfica mostrada en el apéndice que más se parece a la gráfica deseada. factor B a la columna 2. el factor B a la columna 2.

Por tanto se debe usar un arreglo ortogonal que la menos tenga 14 corridas experimentales. El arreglo ortogonal L18 tiene una columna para un factor de dos niveles y 7 columnas de 3 niveles. B. 1 2 3 4 5 6 A 1 1 1 1 1 1 Col. C. también se pudo utilizar la gráfica lineal (1). no puede quedar incluida en las gráficas lineales (1) ó (2) es necesario usar otro arreglo ortogonal de mayor tamaño. G. E. 8 e 1 2 3 3 1 2 . D. una posible asignación es: Efecto Columna 1 Columna 2 Columna 3 Columna 4 Columna 5 Columna 6 Columna 7 A D C B AxB E F Ejemplos adicionales 3. se consideran sólo los efectos principales. L18 Col. 4 5 Col. Reyes / Dic. Col. B. b) En un experimento hay un factor A de dos niveles y 6 factores de 3 niveles. 6 7 B 1 1 1 2 2 2 D 1 2 3 1 2 3 F 1 2 3 2 3 1 C 1 2 3 1 2 3 E 1 2 3 2 3 1 Pág 48 de 178 G 1 2 3 3 1 2 Col.5: Si deseamos analizar los factores A. se le asigna el factor E. por tanto es el arreglo a usar. Observe que en este último caso. C. a la columna 5 que de otra manera sería la interacción AxC. Por último. El arreglo ortogonal seleccionado debe tener al menos 8 corridas experimentales. la gráfica que deseamos. El L16 tiene experimentos pero no puede acomodar 6 columnas de tres niveles. La columna 8 se deja vacía. D. en este caso puede ser un L8. E y F. F. Col.Diseño de Experimentos de Taguchi P. Col. Los grados de libertad son Df = 1 + 7(“1) = 8. 2006 6.6: a)En un experimento hay 7 factores. Ejemplo 3. además de la interacción AxB.1 Exp. No. 2 3 Col. Los grados de libertad son: Df = 1 + (2-1) +6(3-1) = 14. Si por alguna razón.

…. A B AB E H 6 C 7 8 9 10 11 12 13 14 15 AC F AF e G D AD I E 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 …. …. G. Reyes / Dic. …. No. Los experimentos necesarios son al menos Df = 1 + 9(2-1) + 4(2-1)(2-1) = 14 El diseño L16 tiene 16 corridas experimentales y puede acomodar hasta 15 factores o sus interacciones en dos niveles. …. …. B. …. Usando la gráfica lineal para identificar las columnas de las cuatro interacciones se tiene: A(1) C(6) 7 13 3 9 B(2) 10 D(12) G(11) 15 F(8) I(14) E(4) H(5) Las columnas 3. …. 1 2 …. A. 2006 2 3 1 3 1 2 2 3 1 3 1 2 1 2 3 3 1 2 3 1 2 2 3 1 3 1 2 2 3 1 1 2 3 3 1 2 2 3 1 2 3 1 3 1 2 1 2 3 3 1 2 1 2 3 2 3 1 2 3 1 c)En un experimento hay 9 factores de dos niveles. Pág 49 de 178 .Diseño de Experimentos de Taguchi 7 8 9 10 11 12 13 14 15 16 17 18 1 1 1 2 2 2 2 2 2 2 2 2 3 3 3 1 1 1 2 2 2 3 3 3 1 2 3 1 2 3 1 2 3 1 2 3 P. AC. C. …. El arreglo queda como sigue: L16 1 2 3 4 5 Exp. …. F. 7. …. 9 y 13 se dejan vacías para evitar confundir los efectos principales con las interacciones de dos factores. E. …. AD y AF se piensa que pueden presentarse. I y las interacciones AB. …. …. …. H. D.

El arreglo L27 tiene 27 corridas experimentales y puede acomodar 13 factores de 3 niveles. y BC. Reyes / Dic. AC. AC. D. 7. 4. Pág 50 de 178 . y BC. 8. Los experimentos necesarios son: Df = 1 + 6(3-1) + 3(3-1) (3-1) = 25. B. F y las interacciones probables AB.7 C(5) Las columnas 3.Diseño de Experimentos de Taguchi P. C. E. En base a su gráfica lineal se tiene: A(1) D(9) 3. 2006 d) En un experimento hay 6 factores con 3 niveles A. 6.4 B(2) E(10) F(12) e(13) 6. y 11 se dejan vacías para evitar confusión de efectos principales con las interacciones AB.

La interacción AB puede ser significativa. 2006 Técnicas especiales Algunas veces se requiere tener algunos factores con diferentes niveles en el mismo experimento. 1 2 3 4 5 6 7 8 1 1 1 1 2 2 2 2 1 1 2 2 1 1 2 2 1 2 1 2 1 2 1 2 1 2 2 1 1 2 2 1 1 1 2 2 2 2 1 1 1 2 1 2 2 1 2 1 Combinando las columnas 1.Diseño de Experimentos de Taguchi P. 2 3 Col. 4 5 Col. Calculando los grados de libertad se tiene: Df = 1 + (4-1) + (2-1) + (4-1)(2-1) = 8 Por lo que se puede utilizar el arreglo L8 como sigue: L8 Col. 2 y 3 se tiene: Pág 51 de 178 1 2 2 1 2 1 1 2 . Col. 6 7 Exp. Por ejemplo si se hay dos factores en un experimento A y B. Col. que se forman con dos columnas y la columna de su interacción. No. a)Creación de una columna columnas de dos niveles: de cuatro niveles usando Se requieren tres columnas de dos niveles para crear una columna de 8 niveles. como cada columna tiene un grado de libertad. Reyes / Dic. y una de cuatro niveles tiene tres grados de libertad. con A un factor de cuatro niveles y B un factor de dos niveles. Combinación de columnas Se pueden combinar varias columnas de bajo nivel en una columna de mayor nivel.1 Col. por ejemplo cuatro o más niveles. Col. para esto se utilizan algunas técnicas especiales. se requieren tres columnas.

1 2 3 4 5 6 7 8 1 1 1 1 2 2 2 2 L8 Exp. Nueva Col.1 Exp. 1 2 3 4 5 6 7 8 Col. 2 B 1 1 2 2 1 1 2 2 1 1 2 2 3 3 4 4 Col. por tanto se deben utilizar tres columnas. Col. también su columna 3 al interaccionar con la columna 4 (AB) la interacción se presenta en la columna 7 de la gráfica lineal L8 siguiente: Matriz o tabla Pág 52 de 178 .Diseño de Experimentos de Taguchi A P. 6 7 1 1 2 2 3 3 4 4 1 2 2 1 1 2 2 1 1 2 1 2 1 2 1 2 1 2 1 2 2 1 2 1 Col. Reyes / Dic. 4 5 Col. nueva Col. las columnas 5 y 6 están relacionadas con la interacción de AB. No. 1 2 2 1 2 1 1 2 Calculando los grados de libertad de AB se tiene Df = (4-1)(2-1) = 3. 2006 1 3 AB(5) 2 B(4) AB(6) 7 L8 Col. No.

Se puede aplicar la técnica de nivel artificial para asignar un factor de 3 niveles a un arreglo ortogonal de 2 niveles. D. C. 1 2 3 4 5 6 7 8 1 1 2 2 3 3 4 4 B 1 2 1 2 1 2 1 2 AB 1 2 1 2 2 1 2 1 AB 1 2 2 1 1 2 2 1 AB 1 2 2 1 2 1 1 2 Técnica de nivel artificial Se utiliza para asignar un factor con m niveles a una columna con n niveles.Diseño de Experimentos de Taguchi Columnas 1 2 3 4 5 6 7 1 (1) P. si en un experimento hay 1 factor de 2 niveles A. donde n > m. y 3 factores de 3 niveles B. Por ejemplo. No. 2006 de interacciones 2 3 3 2 (2) 1 (3) 4 5 6 7 (4) 5 4 7 6 1 (5) 6 7 4 5 2 1 ¡(1) 7 6 5 4 3 2 6 (7) Y la gráfica lineal queda como sigue: A 1 3 AB(5) 2 B(4) AB(6) AB(7) El arreglo ortogonal resultante es el siguiente: L8 A Exp. Reyes / Dic. Los grados de libertad son los siguientes: Pág 53 de 178 .

C. 1 2 3 4 5 6 7 8 9 A 1 1 1 2 2 2 1’ 1’ 1’ Col. de esta forma se puede utilizar una columna para el factor A en 2 niveles y los factores B. 4 B 1 2 3 1 2 3 1 2 3 D 1 2 3 3 1 2 2 3 1 C 1 2 3 2 3 1 3 1 2 En este caso los 1’ indican que se asignó el nivel 1 en lugar del nivel 3 en la columna 1. Determinado los grados de libertad se tiene: Pág 54 de 178 . Col. DE y FG. No. No. se requiere un arreglo mayor como el L9 que puede acomodar hasta 4 factores de tres niveles. 4 B 1 2 3 1 2 3 1 2 3 D 1 2 3 3 1 2 2 3 1 C 1 2 3 2 3 1 3 1 2 Por ejemplo en otro experimento se tiene un factor A en 3 niveles. Col. 7 factores en 2 niveles B. H así como sus interacciones BC. El nivel seleccionado a duplicarse debe ser el nivel del cual nos gustaría obtener más información. Reyes / Dic.Diseño de Experimentos de Taguchi P.1 Exp. G. E.1 Exp. F. y D a otras 3 columnas como sigue: El arreglo L9 original es: L9 Col. también se pudo haber asignado el nivel 2. D. Y el arreglo modificado queda como: L9 Col. C. 2006 Df = 1 + (2-1) + 3(3-1) = 8 El arreglo L8 no puede acomodar este diseño porque solo tiene columnas de 2 niveles. 2 3 Col. 2 3 Col. 1 2 3 4 5 6 7 8 9 A 1 1 1 2 2 2 3 3 3 Col.

No. La columna A se formará tomando 3 columnas que se pueden ser seleccionar de sus correspondientes gráficas lineales. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 1 1 2 1 1 2 1 1 2 1 2 1 1 2 1 1 2 1 1 2 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 1 1 1 1 2 2 2 2 2 2 2 2 1 1 1 1 1 1 2 2 2 1 1 2 2 1 1 1 1 2 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 1 2 1 2 2 1 2 1 2 1 2 1 2 1 2 1 1 2 1 2 1 2 2 1 1 2 2 1 1 2 2 1 1 2 2 1 2 1 1 2 2 1 1 2 2 1 1 2 1 2 2 1 2 1 1 2 2 1 1 2 2 1 1 2 1 2 2 1 2 2 2 2 2 2 2 2 2 2 2 2 1 1 1 1 2 2 2 2 2 1 1 2 2 1 1 2 2 1 1 2 2 2 2 1 1 2 2 1 1 2 2 1 1 1 1 2 2 2 2 1 1 2 1 2 1 2 1 2 1 2 Sus gráficas lineales son las siguientes: 1 3 2 B(4) D(5) F(7) H(6) BC(12) DE(15) FG(14) 13 C(8) E(10) G(9) 11 A Las columnas 1.Diseño de Experimentos de Taguchi P. 2 y 3 se pueden combinar para formar la columna A y todos los demás factores e interacciones. Después se pude utilizar la técnica de la variable artificial para acomodar al factor A. 2006 Df = 1 + (3-1) + 7(2-1) + 3(2-1)(2-1) = 13 El arreglo L16 tiene 16 corridas experimentales y puede acomodar hasta 15 factores de 2 niveles. Pág 55 de 178 . El arreglo original es: L16 Exp. Reyes / Dic.

El arreglo original es: L9 Exp. sólo 4 factores pueden asignados en el arreglo l9. El factor compuesto AB puede ser asignado a la columna de 3 niveles. 2006 L16 1.1 Col. Hay cuatro combinaciones para A y B: A1B1. sólo se pueden seleccionar 3 combianciones tales como (AB)1 = A1B1. Col. Por ejemplo si se quieren 2 factores de 2 niveles A y B y 3 factores C. Suponiendo que se ha seleccionado el arreglo L9. y la dirección sólo permite 9 experimentos. 2. No. Col. (AB)2 = A1B2 y (AB)3 = A2B1. 1 Col. No. A2B1 y A2B2. dado que la columna tiene sólo 3 niveles. 3 4 5 Exp. 3 2 4 A B C D 1 1 1 1 Pág 56 de 178 . 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 A B D 6 H 1 1 1 1 1 1 2 1 1 2 2 2 2 2 2 3 3 3 1 1 2 3 1’ 1’ 1’ 1’ 2 2 1 1 2 1 1 2 2 7 8 9 10 11 12 13 14 15 F C G E e BC e FG DE 1 1 2 1 1 2 1 2 1 1 2 1 1 2 1 1 2 1 1 1 1 1 2 2 2 2 2 2 2 2 2 1 1 2 2 2 2 1 2 2 2 1 1 1 1 2 2 2 2 1 1 2 2 1 2 2 2 1 2 1 2 1 2 2 2 1 2 1 1 2 1 2 2 1 2 1 2 1 2 1 1 2 2 1 1 2 2 1 1 2 2 1 2 1 1 1 2 1 1 2 1 2 2 1 2 1 1 2 2 1 1 1 2 2 1 1 2 2 2 1 1 1 1 1 2 2 2 1 2 1 2 1 2 2 1 2 1 1 1 2 1 2 1 1 2 2 1 2 2 1 1 2 1 2 1 1 2 2 1 2 2 1 1 2 1 2 1 2 1 1 2 1 2 Método del factor compuesto Este método se usa cuando el número de factores excede al número de columnas en el arreglo ortogonal. Reyes / Dic. D y E en 3 niveles. de modo que estamos tratando de asignar estos factores de 2 niveles A y B en 1 columna de 3 niveles. A1B2.Diseño de Experimentos de Taguchi P.

1 2 3 4 5 6 7 8 9 AB C D E (AB)1 (AB)1 (AB)1 (AB)2 (AB)2 (AB)2 (AB)3 (AB)3 (AB)3 1 2 3 1 2 3 1 2 3 1 2 3 2 3 1 3 1 2 1 2 3 3 1 2 2 3 1 Se pierde cierta ortogonalidad.1 Col. La variable de respuesta de interés es el porcentaje de hidrocarburos no quemados que arroja el motor. los factores compuestos no son ortogonales entre sí. Col. Col. Un ejemplo completo con una réplica se muestra a continuación: Ejemplo 3. pero si lo son con los otros factores. No.7: Diseño experimental L8 completo: Se desea analizar un nuevo tipo de carburador. 3 2 4 Exp. 2006 2 3 3 1 2 2 3 1 El arreglo modificado queda como: L9 Col.Diseño de Experimentos de Taguchi 2 3 4 5 6 7 8 9 1 1 2 2 2 3 3 3 2 3 1 2 3 1 2 3 2 3 2 3 1 3 1 2 P. Reyes / Dic. Cuatro diferentes factores y tres interacciones parecen afectar esta variable: Efecto A B C D AxC AxB BxC Descripción Tensión del diafragma Entrada para aire Apertura para combustible Flujo de gasolina Interacción Interacción Interacción Nivel bajo 1 Baja Estrecha Nivel alto 2 Alta Abierta Pequeña Lento Grande Rápido Pág 57 de 178 .

(efectuar las pruebas). 1 1 1 1 1 1 1 3 V 0.5 36. El análisis utilizado ANOVA es: Nivel 1 Nivel 2 A 36. Col.9 34.2 35.83 - Pág 58 de 178 .6 El resultado se expresa en porcentaje de hidrocarburos sin quemar. Reyes / Dic.1 Exp.0638 Fexp 8. 6 7 C 1 1 2 2 1 1 2 2 B 1 2 1 2 1 2 1 2 BxC 1 2 2 1 1 2 2 1 AxC 1 1 2 2 2 2 1 1 AxB 1 2 1 2 2 1 2 1 D 1 2 2 1 2 1 1 2 Tensión Apertura Entrada Flujo Yi Tipo I 5% 10 seg 3% 0.1 34.6050 22.24 Tipo II 10% 10 seg 3% 0. 2 3 Col.5 36.3 36.46 7.4 36.0450 0.1 La tabla ANOVA que resulta es: Efecto A C AxC B AxB BxC D (e) SS 0.1250 0.0800 0.38 Tipo I 10% 15 seg 5% 0.49 Tipo I 5% 10 seg 5% 0.0800* 0. se ignoran las columnas donde se asignaron interacciones. por lo que una asignación apropiada de efectos es: L8 Col.D Esta gráfica se ajusta a la gráfica lineal (1) del arreglo ortogonal L8.Diseño de Experimentos de Taguchi P.4450 0.3 D 35.85 328.8 29.4450 0.3 Tipo II 5% 15 seg 3% 0.1250 0.32 1. 2006 Gráfica lineal que se desea es: A AxC C AxB B CxB .7 AxC B 42.32 Tipo II 10% 10 seg 5% 0.0800* 0.21 Tipo II 5% 15 seg 5% 0.2050 G. No.6050 22.8 AxB BxC 35.0800 0. Col.0450* 0. 1 2 3 4 5 6 7 8 A 1 1 1 1 2 2 2 2 Col.l.2 35.28 Total = 71. Observe que al tomar las lecturas.4 C 36. Col.5000 0. 4 5 Col.5000 0.42 Tipo I 10% 15 seg 3% 0.

0 6. Para analizar estos factores.2 7. con un promedio de 14.45 Por último la combinación 2 2.2 + 10.0= 14. 2 2 Así la combinación 1 1 se presenta en los renglones Nº 1 y 2.2. Reyes / Dic. Esto es. lo que da un total de lecturas de 11.0/2= 11.25 Pág 59 de 178 .2/2= 7.4 10. el factor C y el factor B.20 10.00 con un promedio de 22.10 La combinación 2 1 se presenta en los renglones Nº 5 y 6. 1 2. el factor C se debe analizar en conjunto con el factor A. también lo es su interacción con el factor A. aun cuando el factor C resultó además significante individualmente y el factor A no.9. El factor C también resulta significante.1 Siempre existirán entre dos columnas cuatro posibles combinaciones de números: 1 1.9 10. se presenta en los renglones Nº 3 y 4. no se puede analizar por separado.70 Como es un caso de menor es mejor.8/4= 9. Sin embargo. pero no son significantes alguna de sus interacciones.1= 20.00 La combinación 1 2. 2006 7 El error aleatorio (e) se estima usando los efectos más pequeños marcados con *. Dado que el factor B resulta significante. se presenta en los renglones Nº 7 y 8 con un total de 10. se obtienen los promedios:  B1=  B1 /4= 36.5 y un promedio de 10.80 7. se reproducen aquí las columnas de A y C: Nº 1 2 3 4 5 6 7 8 A 1 1 1 1 2 2 2 2 C 1 1 2 2 1 1 2 2 Yi 11. su mejor nivel se puede decidir de manera independiente al igual que se realizó en secciones anteriores.8= 22.Diseño de Experimentos de Taguchi Total 23. se selecciona el nivel 2. con un promedio de 7.8800 P.  B2 =  B2/4=8. con un total de 8. En este caso. 2 1.0 + 6.0 8.2 + 7. sino en conjunto con el factor con el que se interactua.9= 14. Resulta significante la interacción AxC.20. con un total de 7. Cuando resulta significante la interacción de algún factor.4 + 10.

675 – 8. factor C a su nivel 2. Yest = Y + EF A1 C2 + EF A1 + EF C2 + EF B2 = 8.85 Análisis de datos experimentales de Taguchi Hay muchas similaridades entre el análisis de experimentos de Taguchi y el método “clásico”En el método Taguchi lo siguiente es muy importante: Pág 60 de 178 .25)= 6. El resto a su nivel más económico. El efecto respecto al promedio de cada factor o interacción es: EF A1C2 = (A1 C2 .00 7.675 – 8. se selecciona el promedio menor.95 + (-1.Y) – ( A1 – Y) .45 10.675 Observe que al efecto de la interacción.05 – 8.95) + (8.0 A1 C 2 14.2 A2 C 1 14.10 7.25 Como es un caso mejor.00 8.00 A1 A2 En resumen.95) – (8. las condiciones propuestas son: factor A a su nivel 1.( C2 . EF  B2= B2 – Y= 8.Diseño de Experimentos de Taguchi P.95= -0.95)= -1.9 A2 C 2 20. incluyendo los factores que intervienen en una interacción significante.5 Total Promedio 11.10 – 8.95) – (9.25 Una estimación del porcentaje de hidrocarburos sin quemar es igual a la suma de los efectos significantes.0 10. factor B a su nivel 2.05 – 8.Y) = (7. 2006 En resumen Combinación A1 C 1 22.0 9. se le resta el efecto de los factores individuales que intervienen (hayan resultado significantes de manera individual o no).00 7. Graficando estos promedios se tiene que: 11.95) + (-0.70 – 8. hayan resultado significantes de manera individual o no. Reyes / Dic.675) + (9. A1 C2 en este caso.

después los cuadrados medios (MS) dividiendo los SS entre los grados de libertad correspondientes.ANOVA No hay diferencia real entre el ANOVA clásico y el de Taguchi. 3. Col. Optimización y predicción de la respuesta esperada. Análisis de varianza 2. En Taguchi la prueba F no es tan importante como en el método clásico. 2 3 Col. la suma de cuadrados es: SS  k k T2 2 T   t Nxn Nxn t 1 Donde: K = número de niveles Tt = Suma de respuestas en el nivel t N = Número total de corridas experimentales n = Número de réplicas Ejemplo 3. Reyes / Dic. L8 Col. A 1 1 Col. No. Primero se determinan las sumas de cuadrados (SS). Col.Diseño de Experimentos de Taguchi P. Gráfica de efectos principales y gráfica de interacciones.. algunas veces la importancia relativa de cada factor se determina por su porcentaje de contribución a la suma de cuadrados total.8: Uso de Minitab Se estudia el efecto de varios factores en la porosidad: Factores Bajo Alto A Temperatura del Molde A1 A2 B Temperatura del químico B1 B2 C Rendimiento C1 C2 E Índice D1 D2 G Tiempo de curado G1 G2 Se deben considerar las interacciones AB y BD. Col. 6 7 B 1 D 1 BD 1 AxB 1 E 1 Pág 61 de 178 G 1 Porosidad Y1 Y2 26 38 . 4 5 Col. Para cada columna. Análisis de varianza .1 Exp. 2006 1.

06 SSBD = 217.56 SSE = 33.56 N n SST   y ij2  i 1 j 1 T2 Nxn SST = (26^2+38^2+…. D. 2 1.+5^2+3^2)-163^2/16 = 1730.44 De Minitab se tiene: General Linear Model: Y1 versus A. Reyes / Dic. 2 1. B. 2 1.56 SSAB = 115.56 SSG = 175.56 De manera similar: SSB = 27. 2 Analysis of Variance for Y1. using Adjusted SS for Tests Model Source DF Reduced DF Seq SS % de contribución Pág 62 de 178 . 2 1. G Factor A B D E G Type fixed fixed fixed fixed fixed Levels 2 2 2 2 2 Values 1. E.Diseño de Experimentos de Taguchi 2 3 4 5 6 7 8 1 1 1 2 2 2 2 1 2 2 1 1 2 2 1 2 2 2 2 1 1 P. 2006 2 1 2 1 2 1 2 2 1 2 2 1 2 1 2 2 1 1 2 2 1 2 2 1 2 1 1 2 16 3 18 0 0 4 5 6 17 16 5 1 5 3 Entonces se determina SSA: SS A  2 T2 (TA21  TA22 )  8x2 8x2 TA1 = 26 + 38 + 16 + 6 + 3 + 17 = 140 TA2 = 0 + 5 + 0 + 1 + 4 + 5 + 5 + 3 = 23 T = suma total = 163 SSA = 2/16 ( 140^2 + 23^2 ) – 163^2 / 16 = 27.

collinearity. 2006 855.57% con 10.91% 10.70% R-Sq(adj) = 56.. en este caso: A BD G AB con 49% con 12.44 49.93% 1.06 33.15% 6. como sigue: SST  SSA  SSB  SSAB  SSD  SSE  SSBD  SSG  SSerror SSA SSB SSerror   ..59% 3..06 1730. se ilustra con el ejemplo: Para las gráficas de efectos principales e interacciones se calculan los promedios en cada nivel de cada factor: 26  38  16  6  3  17  18  16  17. Reyes / Dic..00 455.11073 R-Sq = 73.Diseño de Experimentos de Taguchi A B D E G A*B B*D Error Total 1 1 1 1 1 1 1 8 15 1 1 1 1 1 1 0+ 9 15 P.72%  Rank deficiency due to empty cells. Gráficas factoriales de efectos principales y de interacciones. unbalanced nesting.06 175. No storage of results or further analysis will be done.875 8 Y A1  YA2 Pág 63 de 178 .68% 10..44% 1.   100% SST SST SST Los efectos que tienen el porcentaje de contribución más alto se consideran que tienen más influencia en la respuesta.56 68.17% En Taguchi normalmente se utilizan los porcentajes de las contribuciones de las sumas de cuadrados para evaluar la importancia relativa de cada efecto.68%. S = 7. Se calculan los promedios de las respuestas correspondientes a cada nivel o combinación de factores.56 27.56 0.15% 13. or an undeclared covariate.15% con 6.5 8 0  5  0 1 4  5  5  3   2.56 115.

926 11.926 1. 2006 Y así se calculan los promedios para los otros factores.Diseño de Experimentos de Taguchi P.926 1.926 B 1 2 AxB 1 2 12.926 D 1 2 E 1 2 BD 1 2 G 1 2 Main Effects Plot (data means) for Means A B D 15 Mean of Means 10 5 1 2 1 E 2 G 15 10 5 1 2 1 2 Pág 64 de 178 1 2 .926 1.926 1.500 8. Reyes / Dic.500 6.875 1.926 1.500 1.926 12.500 2.250 8.750 1.875 1.875 1.926 13.926 11.875 6.926 13.625 8.926 1.926 1.875 7. Least Squares Means for Y1 Mean SE Mean A 1 2 17.500 1.125 1.

75 4 3  17  4  5   7.25 4 18  16  5  3   10.5 4 YB1D1  YB1D 2 YB 2 D1 YB 2 D 2 Obteniendo la siguiente gráfica de interacción: Interaction Plot (data means) for Means 1 2 A 1 2 20 10 A 0 20 B B 1 2 10 0 E 1 2 20 10 E 0 1 2 1 2 Optimización y predicción de la respuesta esperada La Optimización implica encontrar la combinación de los niveles de los factores significativos que proporcione la respuesta óptima. 2006 Para el caso de la interacción significativa BD se analiza la respuesta promedio en cada una de sus diferentes combinaciones: 26  38  0  5  17. la cual depende del objetivo buscado:  Menor es mejor (como en el ejemplo)  Mayor es mejor  Nominal es mejor Pág 65 de 178 .25 4 16  6  0  1   5. Reyes / Dic.Diseño de Experimentos de Taguchi P.

875 + 5. La predicción de la respuesta de este problema es: yˆ  y A 2  y G 2  y B1D 2  2T T  T /( Nn ) Yest = 2.5 0. Otra vez utilizando las fórmulas: SS  k k T2 2 T   t Nxn t 1 Nxn N n SST   y ij2  i 1 j 1 T2 Nxn Pág 66 de 178 8 12 9 11 12 15 21 18 20 . Reyes / Dic. 2 Col.873 Ejemplo 3. 3 Col.Diseño de Experimentos de Taguchi P.1 Col.7 3 1.75 – 3x10.5 0. 2006 De la gráfica anterior. P2O5) y K2O). No.03 0.9 1 Se usa el arreglo L9 con un arreglo como el siguiente: L9 Col.875 + 6.9: Experimentos con 3 niveles Tres fertilizantes se aplican a la soya (N. Por área. la respuesta de interés es el rendimiento promedio en Kg. los factores son asignados como sigue: Factores A Nitrógeno B Ácido fosfórico C Potasa 1 0. B debe estar en 1 y D en nivel 2.6 0.04 Niveles 2 1 0. 4 Respuesta Exp. 1 2 3 4 5 6 7 8 9 A 1 1 1 2 2 2 3 3 3 B 1 2 3 1 2 3 1 2 3 e 1 2 3 2 3 1 3 1 2 C 1 2 3 3 1 2 2 3 1 Rendim.188 + 10. se observa que A y G deben estar en nivel 2.188 = -4.

333 2 Pág 67 de 178 .667 14.67 3 Y A1  YA2 Y A3 Se sigue el mismo procedimiento para el caso de B y C.667 SSC = 18.67 3 11  12  15   12.000 1 1.667 13.000 16.48% Para la obtención de las gráficas factoriales se estiman los promedios en los diferentes niveles de los factores como sigue: 8  12  9  9. Reyes / Dic. 2006 Se obtienen los resultados siguientes: SSA = 158 SSB = 2.78% C con 10.333 3 3.333 2 12.000 3 19.667 Delta Rank 10.333 13.Diseño de Experimentos de Taguchi P.667 12. Response Table for Means Level A B C 1 9.667 SST = 180 Los porcentajes de contribución de cada factor son: A con 87.67 3 21  18  20   19.37% B con 1.667 14.

5 10. Reyes / Dic.0 1 2 3 1 C 20.5 Mean of Means 15.0 B 17.5 15.0 17. 2006 Main Effects Plot (data means) for Means A 20.0 12.0 12.5 10.0 1 2 3 Pág 68 de 178 2 3 .Diseño de Experimentos de Taguchi P.

ExF . A B C D E Factores Nivel I Nivel II Mezcla de hule crudo si no Curado no 24 hrs.3 0. el mayor valor es deseado. por su comodidad en cuanto al tamaño. Acomodar los siguientes efectos en un arreglo ortogonal: A. C. 2 3 Col. Analizar el problema siguiente: Variable de respuesta. No.24 0. ¿Puede acomodar en un arreglo L8 los efectos A.32 0. H. AxB.1 Exp. Pág 69 de 178 .38 0. F.42 0.49 0. 1 2 3 4 5 6 7 8 E 1 1 1 1 2 2 2 2 Col. B. AxB y CxD? 2. D. AxG. Velocidad de prensado 50m/min 55 Enfriamiento del tambor con agua sin agua Secado con vapor envolvente si no Interacción ExD Interacción DxC m/min Arreglo ortogonal y resultados L8 Col. C.21 0. D. E. Col. Col. 4 5 Col. viscosidad. I. 6 7 D 1 1 2 2 1 1 2 2 C 1 2 1 2 1 2 1 2 DxC 1 2 2 1 1 2 2 1 ExD 1 1 2 2 2 2 1 1 B 1 2 1 2 2 1 2 1 A 1 2 2 1 2 1 1 2 Yi 0. AxC.7 Algunos comentarios adicionales Hasta aquí se han considerado ejemplos para arreglos ortogonales L8. AxE. 2006 Problemas propuestos 1. B. 3.28 3.Diseño de Experimentos de Taguchi P. Col. Reyes / Dic. G. A continuación se hacen algunos comentarios sobre otros arreglos.

Algo similar se puede decir del arreglo L18  Para un arreglo L16 existen una gran variedad de posibles gráficas lineales. que no se muestran gráficas lineales ni matriz de interacciones. observe que el factor asignado a la columna 1 de cualquier arreglo.  En cualquier caso. Con este arreglo no se pueden analizar interacciones. no todos los factores tienen la misma flexibilidad de estar variando de nivel de una prueba a otra. solo Pág 70 de 178 . Por otra parte. Por otro lado. primero las condiciones indicadas por el renglón 1.Diseño de Experimentos de Taguchi P.  y . respetando siempre la matriz de interacciones. Estos factores tendrán menos cambios de nivel a lo largo de todo el experimento. Las interacciones en un arreglo L12 se distribuyen de una manera uniforme en todas las columnas. 2006  El arreglo L12 es un caso especial. seguidas de las del renglón 2 y así sucesivamente. se observa que los vértices se representan con diferentes símbolos. El arreglo L12 en general tiene buena reproducibilidad de conclusiones. 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. La ventaja de esto es que le permite investigar 11 factores sin preocuparse por sus interacciones. al ejecutar el experimento. se sugiere que los factores con menor flexibilidad se asignen al grupo 1 del arreglo representados por el símbolo o. se puede tratar de construir más gráficas de acuerdo con las necesidades que se tengan. esto es porque está diseñado para analizar únicamente hasta once factores individuales sin interacciones.  Para un arreglo L32 se muestran en el apéndice 13 diferentes gráficas dentro de las varias posibles que existen. Se observa en el apéndice. De hecho. en el apéndice se muestran las seis más utilizadas con tres variantes cada una.  En los gráficos lineales que se anexan en el apéndice. de la gráfica lineal. específicamente con o. Reyes / Dic. esto es.

se pueden considerar como ruido. le permiten analizar un problema sin preocuparse por las interacciones.  y  en una gráfica lineal. en caso de dudas sobre las interacciones. El L12 es un ejemplo de ellos. 2006 tiene un cambio de nivel.  El efecto de las interacciones sobre la variable de respuesta. es por lo general menor que el efecto de los factores individuales solos.Diseño de Experimentos de Taguchi P. Habrá observado ya la complicación que agregan a los análisis la presencia de interacciones. en lugar de interacciones. Los factores que le siguen en inflexibilidad se deberán asignar sucesivamente a los símbolos . Si estas últimas no son muy fuertes.  Se sugiere que. la gente que sabe mucho de esto le hace las observaciones siguientes:  Por lo general. siempre sea preferible incluir más factores. mientras que por ejemplo. Pág 71 de 178 . Reyes / Dic. existen pocas interacciones dentro de las múltiples posibles entre factores.  Recuerde que algunos arreglos ortogonales. un factor asignado a la columna Nº 15 de un arreglo L16 cambia 10 veces de nivel. Para lidiar con estas.

Diseño de Experimentos de Taguchi P. a pesar del impacto de factores de ruido o no controlables.. y más bien deseamos que nuestros procesos y productos sean insensibles a su impacto. que de todos los factores que afectan un proceso. Factores controlables x1 x2 x3 x4 . Dentro de los factores de diseño a su vez.. a fin de optimizar el producto o proceso.. Modelo general de un proceso o sistema Esto quiere decir que en lugar de tratar de eliminar un factor de ruido (variabilidad en la materia prima del proveedor. Reyes / Dic. DISEÑO DE PARÁMETROS CON ANÁLISIS DE SEÑAL A RUIDO 4. es diseñar productos y procesos robustos.1 Introducción Como recordará. que los productos sean de alta calidad y bajo costo.1 Figura 1. 1. en el capítulo I se comentó que el objetivo fundamental de la ingeniería de calidad. zq Factores incontrolables Fig.. 2006 4. por ejemplo) deseamos identificar factores que controlamos (velocidad de alimentación. Son aquellos que si podemos controlar en nuestro proceso de producción. esto es. Factores de diseño. queremos o deseamos controlar. recuerde que estamos interesados en identificar diferentes tipos de factores. Se mencionó también. por ejemplo) y fijarlos a un nivel tal. que consistentemente realicen la función que deben hacer con poca variabilidad. esto es. Pág 72 de 178 . y deseamos encontrar a qué nivel operarlos. Son aquellos que no podemos. xp Entradas Salida Proceso y z1 z2 z3 z4 . se pueden extraer dos grupos:   Factores de ruido. que el impacto de los factores de ruido sean mínimos.

2006 Un estudio en el cual se desarrolla un análisis de este tipo. la variamos a su nivel de dos. sin afectar la variabilidad. Utilícelos para reducir costos. El estudio procede como sigue: 1. 4. obtenemos: LIE m LSE Pág 73 de 178 . y la presión afecta la media del proceso. Dentro de los factores de diseño. Utilícelos para minimizar la variabilidad.Diseño de Experimentos de Taguchi P. pero sin afectar la variabilidad. separe los de ruido y los de diseño o control. identifique aquellos que afectan la variabilidad del proceso. Dentro de los factores de diseño. 2. Dentro de los factores a estudiar. suponga que la temperatura afecta la variabilidad del proceso. se llama análisis señal ruido o diseño directo de productos. la situación es: Temperatura a su nivel I Presión a su nivel I LIE m LSE Si la temperatura se fija a su nivel 2 afectando la variabilidad. identifique aquellos que afectan la media. que afecta la media sin afectar la variabilida. Identifique aquellos factores de diseño que no afectan ni media ni variabilidad. Para ilustrar lo anterior. obtenemos: LIE m LSE Si la presión. Utilícelos para optimizar la media. Si inicialmente estamos en el nivel 1 de cada factor. Reyes / Dic. 3.

para ajustar o sincronizar la media. usando una lectura o el promedio si son varias lecturas. manteniendo la temperatura a su nivel II. el índice SN a utilizar es: SN= 10 log   Sm  Vm  /  r Vm   donde Sm= (y1 + y2 + y3 +. En seguida se muestran los tres casos: 4. denotado como SN o SR de aquí en adelante. La forma de calcular el índice SN depende del tiempo de característica de que se trate. Sin embargo.)2/r    Vm= y1  y2  y3 . Reyes / Dic. Para medir la variabilidad de una característica de calidad.…yr.  yr  Sm /  r  1 2 2 2 2 reconocerá a Vm como la varianza de los “r” datos.2. el rango y la varianza son las medidas más populares.. EL ÍNDICE SE DISEÑÓ DE TAL MANERA. podemos evaluar su media y su variabilidad. SIN EMBARGO. 2006 Por lo tanto. 4.… yr. 2 Índices señal ruido Una vez que podemos medir la característica de calidad que nos interesa. es deseable tener una cantidad o expresión que de alguna manera. se requiere de varias lecturas. La función de pérdida para nominal es mejor es: L(Y )k (   T ) 2  k 2 Pág 74 de 178 . y 1. Sn estima el logaritmo de base 10 de la relación (media/desviación estándar)2.y2. La media la podemos evaluar directamente. QUE PRODUCTOS MÁS ROBUSTOS SIEMPRE TENGA UN MAYOR VALOR DEL ÍNDICE SN. o que por lo menos.1 Caso nominal es mejor Suponga que se tienen “r” lecturas. ayude a que nuestras conclusiones sean más confiables. involucre media y variación.y3.Diseño de Experimentos de Taguchi P. Esta cantidad ya existe y se llama índice señal ruido. podemos utilizar la presión. y se tienen diferentes opciones..

Diseño de Experimentos de Taguchi P. La relación señal a ruido correspondiente es:  1 n 2  yi   n i 1  S / N  10 log Esta cantidad estima el logaritmo de base 10 de (media 2 + varianza).2.2. la relación señal a ruido S/N es:  ˆ 2 2  ˆ S / N 10 log 4. yn. …. …. y2. 4. y1.3 Caso mayor es mejor La función de pérdida está dada por:  1  2   Y  L(Y )  kE  Pág 75 de 178 . Maximizar la relación S/N equivale a minimizar la función de pérdida.2   y2 2  s   10 log    y   s    20 log Caso menor es mejor La función de pérdida está dada por:   L(Y )  kE Y 2 Para un grupo de características dadas. yn. el estimador estadístico de E(Y2) es: MSD  1 n 2  yi n i 1 MSD = Mean squared deviation = Desviación cuadrática promedio con relación a la media. y1.. y2.. 2006 1 n    y i n i 1 ˆ  s 2  1 n ( yi y ) 2  n  1 i 1 Para un grupo de características dadas. Reyes / Dic.

2006 Para un grupo de características dadas.3.Diseño de Experimentos de Taguchi P. 4. Reyes / Dic. 3 Diseño de parámetros con análisis señal a ruido En un experimento señal ruido. contra los que específicamente se desea hacer robusto el producto. el estimador estadístico de E(1/Y2) es: MSD  1 n 1  n i 1 y i2 La relación señal a ruido S/N correspondiente es:  1 n 1  S / N  10 log  2   n i 1 y i  Esta cantidad funciona de una manera similar al caso anterior. yn. El uso de logaritmos pretende hacer la respuesta más “lineal” y el signo negativo es para que siempre se maximize el índice SN. Un diseño de experimentos para un análisis señal a ruido consiste de dos partes. Las columnas de la matriz de ruido representan factores de ruido. pero con el inverso.. Se multiplica por 10 para obtener decibeles.1 Caso nominal es mejor: Pág 76 de 178 . un arreglo ortogonal o matriz de diseño o interno y un arreglo ortogonal o matriz de ruido o externo.Ajustar los parámetros de diseño para maximizar la relación S/N. y2. E(Y). 4. Las columnas de una matriz de diseño representan parámetros de diseño. 2. el cual es el parámetro de ajuste al a media.Identificar otros parámetros de diseño que no afecten la relación S/N pero que si tengan efecto en la media de Y. Maximizar una cantidad es equivalente a minimizar la función de pérdida. y que se pueden controlar durante un experimento. …. y1. y utilizarlo para ajustar la media del proceso a su media meta de acuerdo a especificaciones. generalmente se incluye un grupo de factores de ruido. Taguchi propone un procedimiento de optimización en dos pasos: 1.

Realizar los experimentos. dar prioridad a los que sirven para maximizar la relación S/N. 8. 3. asignar los factores de control al arreglo interno y los factores de ruido al arreglo externo. 2006 Los pasos del diseño de parámetros es como sigue: 1. 6. 4. 2. 5. Seleccionar una característica de calidad de salida a ser optimizada.Diseño de Experimentos de Taguchi P. si son demasiados combinarlos en dos o tres factores combinados. Predecir el desempeño de salida óptimo con base en una combinación óptima de niveles de factores de control y realiza un experimento confirmatorio. identificando sus posibles interacciones. Seleccionar los arreglos interno y externo adecuados. Realizar análisis estadístico con base en las medias para identificar los niveles de los factores de control óptimos que ajustan a la respuesta promedio en el nivel deseado. Seleccionar los factores de ruido y sus niveles. Realizar análisis estadístico con base en S/N para identificar los niveles de los factores de control óptimos Algunas veces ayuda realizar un estudio de la interacción entre factores de control y de ruido. Si hay conflicto entre los niveles de los factores para maximizar la relación S/N y ajustar la media. 7. Tipo de modelo Nivel 1 1500 ºF 200 psi 8 seg 80 gal/min chico Pág 77 de 178 Nivel 2 1600 ºF 220 psi 12 seg 100gal/min grande . La metodología en detalle se muestra mediante el ejemplo siguiente: Ejemplo 4.1: Caso nominal es mejor Una característica de calidad importante para un cierto producto metálico es el terminado. Esta característica se piensa es afectada por los siguientes factores: Factor A B C D G Descripción Temperatura del horno Presión de prensado Velocidad de recocido Velocidad de alimentación ref. Reyes / Dic. que se mide según su planicidad en milésimas de pulgada (mmplg). Seleccionar factores de control y sus niveles.

Diseño de Experimentos de Taguchi H AxC AxD P. se requiere de un arreglo ortogonal L8. Estos dos factores se consideran al menos inicialmente como factores de ruido. lo que se desea saber es cuáles deben ser las condiciones de operación o niveles de los factores de diseño A. B. 2006 Templabilidad del material Interacción Interacción 25 Rc 30 Rc Los factores G y H son factores que no se pueden controlar durante el proceso. Una posible asignación es: Nº 1 A B 2 e 3 C 4 AxC 5 AxD 6 D 7 Este será el arreglo interno y consiste de 8 condiciones experimentales/renglones Arreglo externo Considere ahora únicamente los factores de ruido G y H. El arreglo. se consideran como factores de diseño a los factores A. Arreglo interno Considere únicamente los factores de diseño. B. se desea detectar 6 efectos en total. Reyes / Dic. y para ello. Por lo tanto. La gráfica lineal requerida es: 3 1 A . Se requieren de dos columnas. al que llamaremos arreglo externo es: G H Nº 1 2 3 1 1 1 1 2 1 2 2 3 2 1 1 Pág 78 de 178 . que lleven el producto a la característica objetivo y además con la mínima variabilidad. C y D.2 B 5 A xC 4C AxD 6 7 D La columna correspondiente a la línea punteada se utilizará para cuantificar el error. De acuerdo con esto. C y D. de manera que un arreglo ortogonal L4 es suficiente. a pesar de las variaciones en los factores G y H. ya que el tipo de modelo depende del requerimiento específico del cliente y la templabilidad es una característica de la materia prima.

Pág 79 de 178 . la cual queda libre. Reyes / Dic. 2006 1 Observe que no se asigna efecto alguno a la columna 3.Diseño de Experimentos de Taguchi 4 2 2 P.

se fijan todos los factores de diseño de acuerdo con los niveles indicados por el renglón Nº 1 del arreglo interno. Observe también que existen 8x4= 32 posibles lecturas. En general. Sin embargo. si bien las cuatro lecturas Y 11. Y14 se toman a los mismos niveles de los factores de diseño. cada una se toma a diferentes niveles de los factores de ruido. tomadas bajo diferentes condiciones todas ellas (valores de Yij ). En resumen se tiene: Todos los factores de diseño a su nivel 1 Temperatura 1500 ºF Presión de 200 Psi. Pero. 8 seg de tiempo de recorrido y velocidad de alimentación refrigerante 80 gal/min Lectura Y11 Y12 Y13 Y14 Factores de ruido Modelo chico y 25 Rc Modelo chico y 30 Rc Modelo grande y 25 Rc Modelo grande y 30 Rc Pág 80 de 178 . escrito sus renglones como columnas. esto es.Diseño de Experimentos de Taguchi P. tal 2 2 1 2 1 2 1 2 2 2 Y12 Y22 Y32 Y42 Y52 Y62 Y72 Y82 3 Y13 Y23 Y33 Y43 Y53 Y63 Y73 Y83 4 Y14 Y24 Y34 Y44 Y54 Y64 Y74 Y84 Observe que la matriz de ruido o arreglo externo se ha traspuesto o acostado. que pueden ser tomadas bajo condiciones diferentes. todos los factores de diseño a su nivel 1. Y14 . esto es. Y12. Reyes / Dic. deseamos tomar las lecturas Y 11. Por eso se recomienda que el número de factores de ruido (valor de N) no sea mayor que 3. Y13. Para esto. si el arreglo interno tiene M renglones y el externo tiene N renglones. Y13. Y12. ¿cómo se toman exactamente cada una de las 32 lecturas? suponga que inicialmente. 2006 Arreglo total Los dos arreglos anteriores se “mezclan” o “combinan” en y como se muestra: 1 H 1 G 1 A B e C AxC AxD D Nº 1 2 3 4 5 6 7 1 1 1 1 1 1 1 1 1 Y11 2 1 1 1 2 2 2 2 Y21 3 1 2 2 1 1 2 2 Y31 4 1 2 2 2 2 1 1 Y41 5 2 1 2 1 2 1 2 Y51 6 2 1 2 2 1 2 1 Y61 7 2 2 1 1 2 2 1 Y71 8 2 2 1 2 1 1 2 Y81 un solo arreglo total. entonces existen un total de MxN lecturas.

2 2. En seguida deseamos obtener las lecturas Y21 . Reyes / Dic.2 1.4 4.4 8. 25 Rc.0 2. Inicialmente se muestra el análisis usando ANOVA. Pág 81 de 178 . 80 gal/min. se toman las primeras cuatro lecturas. Las 32 lecturas son las siguientes: L8 Col.3 14.3 G Total 4. a través de gráficas. Col. 2006 De acuerdo con esto.7 5. 220 psi.8 Suponga que por alguna razón para este ejemplo en particular.5 2. Manteniendo estas condiciones.9 5.6 2 y3 1.2 1.1 1.3 1.5 11. tipo grande. Como ejemplo. Col. se obtendrá bajo las condiciones siguientes: factor A.1 2.1 1. factor D. los factores de ruido se varían a sus cuatro combinaciones indicadas por el arreglo externo.3 2.0 1.1 Exp. 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.0 13.5 13. 4 5 C AxC 1 1 2 2 1 1 2 2 1 2 2 1 1 2 2 1 Col.3 2.2 2 y4 1.2 2.0 8.3 52.1 2. Para obtener conclusiones a partir de un experimento señal a ruido se puede usar la tabla ANOVA.3 1.0 2. 6 7 AxD D 1 1 2 2 2 2 1 1 1 2 2 1 2 1 1 2 1 1 2 2 2 1 1 2 H 1 y1 1.2 2.1 1. Col. Y24. Y23 . 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.6 1. factor G. 2 3 B e 1 1 1 1 2 2 2 2 1 2 1 2 2 1 2 1 Col. la lectura Y73 .1 8.3 2. factor C.0 2.1 2.2 1.0 1.7 1 y2 1. se tiene un valor deseado de m= 2 mmplg. o bien.2 1. 1 2 3 4 5 6 7 8 A 1 1 1 1 2 2 2 2 Col.Diseño de Experimentos de Taguchi P.1 1. y factor H. De esta manera se van obteniendo todas las 32 lecturas.4 2.4 1. Y22 . 8 seg. 1600 ºF.0 8.

5 Lo que observamos en esta última tabla es un arreglo L8 con 4 lecturas para cada condición o renglón.0 8. 6 7 B 1 1 2 2 1 1 2 2 C 1 2 1 2 1 2 1 2 AxD 1 2 2 1 1 2 2 1 e 1 1 2 2 2 2 1 1 AxC 1 2 1 2 2 1 2 1 D 1 2 2 1 2 1 1 2 Total y1 1.3 1.4 2.1 2.0 2. 7 To allow estimation of interactions AxC AxD OK --.5 11. 4.2 2.1 1 1.1 Exp. Col. B col.5 y2 1.4 1.2 2.1 1.1 2.4 8.2 2 2.4 1.0 8.3 14.5 13. el arreglo para análisis es: L8 Col. 1 2 3 4 5 6 7 8 A 1 1 1 1 2 2 2 2 B 1 2 2 1 1 2 2 1 C 1 2 1 2 1 2 1 2 D 1 2 2 1 2 1 1 2 y1 1.1 2 y3 1.0 2.3 2.5 2. 2006 Análisis con el Índice S/N Para responder a la pregunta de a qué niveles fijar los factores de diseño.3 1.6 1.1 2.3 52.3 1.1 1.2 1.1 1.4 4. 1 2 3 4 5 6 7 8 A 1 1 1 1 2 2 2 2 Col. 2. específicamente.2 1. 1.6 1. 2 3 Col.1 1.2 2. D col.1 2.3 y4 1. nos ayudamos del índice S/N.3 2.2 1.3 2. Reyes / Dic.2 1.1 1.0 13.0 1.1 1. C col.8 En Minitab se genera el arreglo: Stat > DOE > Taguchi Create Taguchi Design > 2 leveles > 4 factors Factors A col.Diseño de Experimentos de Taguchi P.4 2. Estamos interesados en analizar la variabilidad de las 4 lecturas tomadas bajo cada condición. ignoramos el arreglo externo conservando las 32 lecturas.2 1.0 2.3 2.9 5. o sea.0 1.1 8.2 y4 1.3 1 2 2.1 2 1.7 y2 1.3 Total 4.2 2.6 y3 1. Col. 4 5 Col. Col. Para esto.2 1.2 2.2 1.2 1.3 2.7 5.3 2.1 1.5 2. la variabilidad de Pág 82 de 178 .modificar las columnas para C y D a que correspondan a las anteriores: L8 Exp. a fin de minimizar la variabilidad en la característica de respuesta.

en lugar de 32 lecturas individuales tendremos 8 valores del índice SN.6400 6. r= 4.22+1.7 El cálculo del índice es: Sm= (1. cada índice se calcula a partir de 4 lecturas individuales.0033  = 26.771 26.3.1)2/4= 5.2500 16.7071 Los ocho índices son: Nº 1 2 3 4 5 6 7 8 Sm 5.718 13.539 15. uno para cada renglón o condición experimental.5225 Vm= [ (1.7714 Para el renglón o condición experimental Nº 2 se tienen las lectural: 1.707 28.55 – 5.22 + 1.00916 SN= 10 log   5.5225 6. 2006 las cuatro lecturas que se tomaron bajo cada condición.04333 0.3+1.5225] / 3 = 0.6400 17. Reyes / Dic.0 El cálculo del índice SN es: Sm= (1.3. Como estamos en un caso de nominal es mejor. la resumiremos en un índice señal a ruido. el índice apropiado es: SN= 10 log   Sm  Vm  /  r * Vm   .32 + 1.Diseño de Experimentos de Taguchi P.00916  /  4 * 0.3+1.00666 0.32+1. 1.18916 Sn (dB) 21.0025 6.092 15.   donde Sm=   Yi  / r y Vm=  Yi  Sm /  r  1 2 2 En este caso en particular. 1.12) – 5.2225 Vm 0.00333 0.2.02916 0.0033 SN= 10 log   6.5225 ]/ (4-1) =[ 5.12+1.524 Pág 83 de 178 .1.3) 2/4= 6. con un total de 5.3.2 +1.203 17. se tienen las lecturas siguientes: 1.5225  0. Para la primera condición experimental o renglón Nº 1.2500)/3= 0. Al hacerlo.2.0033 /  4 * 0.1+1. 1.2500 Vm= (1. con un total de 4. 1. 1.32 – 6. 1.203 28.00666 0.2+1.2+1.00916  = 21.1.2500 17.00916 0.2.4025 17.2500  0.10916 0.22 + 1.

2413 2.5420= 61. la temperatura del horno se fija en 1500 ºF.8857)2/8= 231.092 15. La tabla ANOVA total es: Factor A B C AxC AxD D e SS 231.8857 A2 = Total de las lecturas tomadas bajo el nivel 2 del factor A =17.Diseño de Experimentos de Taguchi P. es el factor que estadísticamente afecta el índice señal a ruido.22 = SN promedio= 61.l.2413 2.7714+26.3047 16.16 00.0927+15.7186+13. el factor A se fija en su nivel 1.14 El factor A.7071+28.8750/4= 15.01 00. se tiene:  A1  A2 = SN promedio= 104.2036= 104.0135 Fexp 14. temperatura del horno.1764 9.3047 16. De acuerdo con los niveles del factor A.203 17.771 26.539 15.0135 Gl 1 1 1 1 1 1 1 V 231.59 00.5751 0.5751 0. con 1 g. 2006 Nuestro arreglo es ahora: Nº 1 2 3 4 5 6 7 8 1 1 1 1 1 2 2 2 2 A B 2 1 1 2 2 1 1 2 2 e 3 1 1 2 2 2 2 1 1 C 4 1 2 1 2 1 2 1 2 AxC 5 1 2 1 2 2 1 2 1 AxD 6 1 2 2 1 1 2 2 1 D 7 1 2 2 1 2 1 1 2 SN dB 21.718 13.2036+28.8880 2.8857/4= 26. y que por consiguiente “afecta la variabilidad.8880 2.5397+15.203 28.524 Para el factor A se tiene: A1 = Total de las lecturas tomadas bajo el nivel 1 del factor A = 21.24 00.4284 3.8750 – 107.707 28.47 Dado que siempre deseamos maximizar el índice señal a ruido. esto es. Reyes / Dic.2413.8750 SSA = (A2 – A1)^2 /Número total de lecturas SN =(61.44 00.4284 3.1764 9. Pág 84 de 178 .

4 2.900 B2 = 2.3 1.3 5.4 2. Para el análisis.175 2 1 1 1 2 2 2 2 1.250+2.200 Considerando únicamente los promedios.0 2.1 2. el siguiente paso es identificar qué factores.025+2.4 1.625 – 6.0 8.175+1.0 1.5 8.250 7 2 2 1 1 2 2 1 1.0013 .1 2. cuáles afectan la media.300) 2/8= 1.0000.075= 8.075 Totales 13.2 1. nos permitirán “ajustar” la media del proceso hacia su valor nominal.175+1.2 1. sin incrementar la variabilidad del proceso.025 8 2 2 1 2 1 1 2 1.3 1.0 2.100 5 2 1 2 1 2 1 2 1.100+2.7 1.2 1.1 2.225+1.2 2.100+2.0028 Pág 85 de 178 . 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 1.225+1. Para ello se obtiene el promedio de cada renglón.075+2.250= 4. SSAxC= 0.225 6 2 1 2 2 1 2 1 1. SSe= 0.575 SSA = (A2 – A1) 2 /Número total de lecturas SN = (6.2 2. se utilizan las 32 lecturas iniciales.0003 Similarmente para el factor B se tiene B1 = 1. Esto se muestra en lo que sigue.575)2/8= 0.4450 Y así sucesivamente SSC = 0.100+2.1 2. SSAxD= 0.3 2. Estos factores llamados factores de señal.2 1. 2006 ¿Qué hacer con el resto de los factores? antes de contestar esta pregunta.9 1.1 1.0 1. El análisis en base a los promedios es: A1 = Total de las lecturas tomadas bajo el nivel 1 del factor A =1.900-8.0 5.025= 6.250+1.3 1.0003 SSD = 0.5 2.5 1.3 4.250 3 1 2 2 1 1 2 2 2.B1 )2/8= (4. tendremos un arreglo L8 con una lectura. Análisis usando los promedios Después de identificar los factores que “afectan” la variabilidad. afectan la media del proceso.4 2.250+2. Reyes / Dic. se deben identificar de entre los factores que NO AFECTARON el índice SN.1 4.3 2.1 8. dentro de los que no afecta la variabilidad.2 1.300 SSB = (B2 .6 2.625 A2 = Total de las lecturas tomadas bajo el nivel 2 del factor A = 1.100 4 1 2 2 2 2 1 1 2.0028 .100= 6.0 1.0 8.1 2.Diseño de Experimentos de Taguchi P.

44500 0. Reyes / Dic. ya que resultó significante en el análisis con el índice SN.0003 0. 2006 La tabla ANOVA es: Efecto A B C AxC AxD D e Totales SS 0.0013 0. 1 1 1 1 1 1 1 8 V 0.75 1. Mediante este factor se puede ajustar la media del proceso.00 0.019 1.25 0.0 200 B 220 Pág 86 de 178 . es el único factor significante. de que si el factor A hubiera resultado significante en este segundo análisis.0028 Fexp 0. También se debe hacer la observación.00125 F 0.0003 0. y llevarla lo más cerca posible a su valor ideal de 2.25 2.0028 1.00 P 0.4450 0.225 y a 220 psi es 2.4450 0.00031 0.00281 1.00031 0.705 0.075 Si se desea aumentar la planicidad. En particular.00125 1.000 El factor B. La respuesta promedio a 200 psi es de 1.11 513.0013 0.0003 1.9/4= 1.45250 Adj SS 0.Diseño de Experimentos de Taguchi P.0 1.225.00031 0. presión de prensado.00000 0.00281 1.3/4= 2.00 0. Se puede interpolar para conocer el valor al que se debe fijar la presión.00281 1.0003 1.00000 0.0028 0.44 Analysis of Variance for Means Source A B C D A*C A*D Residual Error Total DF 1 1 1 1 1 1 1 7 Seq SS 0.0028 0. Si se desea disminuir la planicidad.4525 G.44500 0.00031 0.0000 0.00125 Adj MS 0.374 0. no podríamos utilizarlo.00281 0.25 1156.44500 0.00031 0.  B2= 8.705 0.00031 0. se deberá incrementar la presión de prensado. se deberá reducir la presión.00281 0.0000 0.00000 0.l.374 0.11 0.00 0.00281 0.5 1.075 Y 2. la respuesta promedio para cada nivel del factor B es:  B1 = 4.25 2.

625/4= 1.72 1 1.39 3 2.644 1.575/4= 1.45 20.013 0.15 21.71 2 15. Por ejemplo.0927+15.656 1.38 21.22 15.82 2 0.01 Delta Rank 10.22 20.50 21.6562.5240)/4= 15. ya sea del índice SN o de las lecturas individuales.5 Pág 87 de 178 .4687 Para promedio de lecturas individuales se tiene:  A1 = 6.6 1.0 1. 2006 Análisis utilizando gráficas Como se mencionó anteriormente.6 1.56 22.6 1.2036)/4= 26.631 1.41 20.6 1.669 1.2 2.7714+26. para el factor A encontramos el promedio a cada uno de sus niveles.038 Rank 3 4 1.6 1. una alternativa a la ANOVA son las gráficas de promedios.17 19.99 20.669 Delta 0. los promedios para todos los factores son: Nivel A1 A2 B1 B2 C1 C2 D1 D2 (AxC) (AxC) (AxD) (AxD) SN promedio 26. tanto del índice señal a ruido como de las lecturas individuales.7186+13.47 20.7071+28.2214 = (17.  A2= 6.6437 En resumen.012 0. Para el índice señal a ruido se tiene:  A1  A2 = (21.5 1.Diseño de Experimentos de Taguchi P.38 19.76 21.5397+15. Reyes / Dic.6 Response Table for Signal to Noise Ratios Nominal is best (10*Log(Ybar**2/s**2)) Level A B C D 1 26.656 1.93 20.6 1.27 21.631 2 1.038 0.2036+28.54 Y promedio 1.644 1.71 20.6 1.31 21.30 4 Response Table for Means Level A B C D 1 1.6 1.6 1.

0 22.63 1 2 1 Pág 88 de 178 2 . en estas gráficas.5 15. 2006 Las gráficas de estos promedios se muestran más adelante.66 Mean of Means 1. el factor A es el que más afecta el índice señal a ruido.64 1. Reyes / Dic.66 1. la importancia de cada efecto se observar según la inclinación de cada línea.63 1 2 1 C 1. de hecho.Diseño de Experimentos de Taguchi P. Main Effects Plot (data means) for SN ratios A B 25. Las conclusiones que se obtienen son las mismas. esto es.0 1 2 1 C 2 D 25. la respuesta promedio aumenta al aumentar el factor B de su nivel 1 al 2.67 2 D 1.0 17.5 20.0 Mean of SN ratios 22.0 17.65 1.64 1.67 B 1. El factor B es el que más afecta la respuesta promedio sin afectar el índice SN. los efectos se encuentran graficados de acuerdo con su importancia. y lo hace mayor a su nivel A1.65 1.5 20.5 15.0 1 2 1 2 Signal-to-noise: Nominal is best (10*Log(Ybar* * 2/s* * 2)) Main Effects Plot (data means) for Means A 1.

6 1.0 C C 1 2 1. 2006 I nteraction Plot (data means) for SN ratios 1 2 A 1 2 25 A 20 15 C 1 2 25 C 20 15 D 1 2 25 D 20 15 1 2 1 2 Signal-to-noise: Nominal is best (10* Log(Ybar* * 2/s* * 2)) Interaction Plot (data means) for Means 1 2 A 1 2 2.2 D 1 2 2.2 2.6 1.6 1. Reyes / Dic. las conclusiones generales son: Pág 89 de 178 .2 1 2 1 2 Conclusiones generales del experimento De acuerdo con los resultados que se han obtenido de los análisis.Diseño de Experimentos de Taguchi P.0 D 1.0 A 1.

donde K= 8000/.2.1. esta situación está representada por las cuatro lecturas del renglón 1. 2. Cuando la desviación del valor objetivo es de 0. Reyes / Dic. Pág 90 de 178 .005714 L(y)= 32000 ( 0. se tendrá un ahorro de 22073.1+1.0.0-1.2.12 – 502. 2.3 por cada unidad de producto.00916+0. c)El resto de los factores de diseño. b) El factor B afecta la media del proceso. Además suponga que el nivel 1 de todos los factores representa la situación actual.2+1.175 y. ni la variabilidad del proceso. Los datos son: 2. 2.1)2) = 502.5 mmpl.570.1)/4= 1.124/unidad Si se fijan el factor A a su nivel 1 y B a su nivel 2.0.175)2= 0. (ignorando el resto de los factores que no afectan) que son el Nº3 y el Nº4.680625 L(y)= 32000(0. (factores C y D).1. 2 = 0.00916 La media estimada es (1. 2. Vm para el renglón 1 estima la varianza y es: Vm= 2 = 0.1.005714 + (2-2. por lo tanto se tendrá que para esta nueva condición: Y= 2.000. aumenta la media del proceso. 2. ya que no afectan sustancialmente ni la media.3+1. se tienen dos renglones en el experimento bajo esta condición.1 .52= 32000 SI el proceso se encuentra actualmente con todos los factores a su nivel 1.Diseño de Experimentos de Taguchi P. De acuerdo con estos datos la función de pérdida indica un valor de: L(y)= k  2  d 2  . se fijarán al nivel en que sea más económico para el proceso. Por lo tanto.680625)= 22073.85= $21. d2= (2.85 $/unidad Por lo tanto. 2006 a)El factor A afecta la variabilidad y se debe de fijar a su nivel 1. 2. En cuanto a la función de pérdida se tiene lo siguiente: Suponga que se incurre en un costo de $8.1 y 2.

recuerde que se puede estimar el valor tanto del promedio como del índice S/N tal y como se mostró en capítulos anteriores. Reyes / Dic.3. no se pueden identificar explícitamente factores de ruido. 4. si son demasiados combinarlos en dos o tres factores combinados. dar prioridad a los que sirven para maximizar la relación S/N. 6.2 Caso de menor es mejor En esta sección se presentan ejemplos para el caso de una característica de menor es mejor. 4. Seleccionar los arreglos interno y externo adecuados. Si hay conflicto entre los niveles de los factores para maximizar la relación S/N y ajustar la media. en cualquier caso. 5. Predecir el desempeño de salida óptimo con base en una combinación óptima de niveles de factores de control y realiza un experimento confirmatorio. 2006 En caso de que no se tenga ningún renglón bajo las condiciones propuestas. Al mismo tiempo. Realizar análisis estadístico con base en S/N para identificar los niveles de los factores de control óptimos Algunas veces ayuda realizar un estudio de la interacción entre factores de control y de ruido. 2. Seleccionar una característica de calidad de salida a ser optimizada. Los pasos del diseño de parámetros es como sigue: 1. Realizar los experimentos.Diseño de Experimentos de Taguchi P. 3. Ejemplo 4. identificando sus posibles interacciones. Sin embargo. se considera el caso cuando en un experimento. es recomendable el ejecutar una corrida de confirmación antes de aceptar la propuesta de una forma definitiva. 8. asignar los factores de control al arreglo interno y los factores de ruido al arreglo externo. 7. Realizar análisis estadístico con base en las medias para identificar los niveles de los factores de control óptimos que ajustan a la respuesta promedio en el nivel deseado.2: Caso menor es mejor Pág 91 de 178 . Seleccionar los factores de ruido y sus niveles. Seleccionar factores de control y sus niveles.

2475 0.30 10.20 0. Se considera que los factores siguientes afectan el proceso.07 0. depende del costo y dificultad de tomar lecturas.12 14.16 0. Se recomienda entre dos y cuatro lecturas. Si bien.38 0.186 0.2450 0.19 16.19 0.10 0.06 29.23 0. En este ejemplo se toman cuatro lecturas bajo cada condición.30 0.24 SN 0.22 11.26 0.13 0.0275 0.09 0.5% 0.15 0.25 9.37 0. para realizar variabilidad se deben tomar lecturas repetidas para cada condición del arreglo interno.2425 0. El número de lecturas a tomar bajo cada condición.995 0.1275 0.650 0.10 17.02 0. 0. La variable de respuesta se da en gramos/litro y los resultados son: 1 2 3 4 5 6 7 8 9 10 11 12 A 1 1 1 1 1 1 1 2 2 2 2 2 2 B 2 1 1 1 2 2 2 1 1 1 2 2 2 CDEFG 3 4 5 6 7 1 1 1 1 1 1 1 1 2 2 2 2 2 1 1 1 2 2 1 2 2 1 2 2 1 2 2 1 2 2 2 2 1 1 2 2 1 2 2 2 1 2 2 2 1 2 1 1 1 1 1 2 1 2 1 1 1 2 1 2 H 8 1 2 1 2 2 1 2 1 2 2 1 1 I J K 9 10 11 1 1 1 2 2 2 2 2 2 1 1 2 1 2 1 2 1 1 1 2 1 1 1 2 2 1 1 2 1 2 1 2 2 2 2 1 lecturas 0.37 0.1550 2.25 11.6% C Tipo de recipiente actual propuesto D Temperatura de precalentamiento 50 ºC 60 ºC E Agitación no si F Velocidad de alimentación 200 lt/min 210 lt/min G Presencia de elemento 1 4% 5% H Presencia de elemento 2 12% 15% I Presencia de elemento 3 1% 2% J Tiempo de reposo 10 min 15 min Se puede utilizar un arreglo L12 para el arreglo interno.15 0.13 17.24 0.30 0.27 0.30 0.3250 0.925 0.10 15. 2006 Se desea minimizar la presencia de un contaminante no deseado en un proceso de elaboración de alimento.2950 0. Se espera que los factores de ruido actúen al momento de tomar las lecturas.14 12.703 Totales 179.31 11.18 0.195 0.1175 0.3150 El índice SN se calculó según la fórmula para menor es mejor.Diseño de Experimentos de Taguchi P.765 Prom.12 0.1700 0.17 0.15 0.577 0.903 0.983 0.16 0.26 0.20 0.02 0.648 0.00 0. para los renglones 1 y 9 se tiene: Pág 92 de 178 .03 0.36 0.1325 0.881 0.28 0. Reyes / Dic. por ejemplo.23 0.33 0.08 0. dejando una columna varia para evaluar el error.2300 0. Factores Nivel 1 Nivel 2 A Temperatura 120 ºC 140 ºC B Catalizador 0. no se identifican explícitamente factores de ruido.119 0.

84 2.5882 La tabla ANOVA es: Factor SS g.01908) = 17.9778 = 102.252)/4) = .162 + 0.996 97.97 1.Diseño de Experimentos de Taguchi P.10 log (0.055 La suma de cuadrados por ejemplo para el factor A es SSA = (A2 – A1) 2 /12= (86.7160 21. los factores D y E son significantes.8141 55.260 97.302 + 0.898/6= 11.07 4.37 0.8348  D2  E2 = 107.163) 2/12= 3.602 – 93.7164 29.1025 1.867/6= 17.9830 = 77.132)/4 = .195 a)se procede a identificar los factores que afectan el índice señal ruido.648 SN = .5907 107.l. aunque la variable sea menor es mejor).602 89.307 99.5907 107.867 102.072 + 0.5634 19.163 90.10845) = 9.39 0.5872 0.2423 8.5872 0.898 77.484 Nivel 1 Nivel 2 I 80.32 1.1260 Pág 93 de 178 .7160 21.710 98. utilizando ANOVA en este caso (por supuesto.4439 30.756/6= 17.009 94.756 84. A B C D E F G H I J e 3.2423 8.009/6= 12.372 + 0.48 0.1025 1.954 99.811 80.10 log (0.067 107.4439 30.769 81. Nivel 1 Nivel 2 A B C D E F G H 93.2633 1 1 1 1 1 1 1 1 1 1 1 V Fexp 3.382 + 0.7164 29. es:  D1  E1 = 71.458 J e 82. 2006 SN = .87 Unicamente.10 log (0.3675 22.2633 0.8141 55.505 81.3675 22.281 86. Al nivel al cual maximizan el índice SN (recuerde que el índice SN siempre se maximiza.437 87.172 + 0. Reyes / Dic.328 92.00 0.698 71.5634 19. se pueden utilizar gráficas).16 0.10 log (0.

Reyes / Dic.2425 1. b) S procede al análisis de señal utilizando como respuesta el promedio de las cuatro lecturas para cada renglón.1400 1.1750 1.1625 1.8225 1.4925 0.0450 Nivel 1 Nivel 2 F 1.0375 1.0725 Pág 94 de 178 .1275 1.2900 1.0775 1.4000 0.2700 Nivel 2 1. temperatura de 60 ºC y con agitación respectivamente.2375 C D E 1.2775 I 1.9150 H 1.Diseño de Experimentos de Taguchi P. 2006 Los factores D y E se fijan a su nivel 2.1875 G 1.1525 1.0250 J 1. Se tienen los siguientes totales A B Nivel 1 1.

0196 1 0.0003 1 0.0550 La tabla ANOVA es Efecto A B C D E F G H I J e SS 0.0000 1 0. No es raro para el caso menor es mejor (y para mayor es mejor).0021 0.3: Minimizar fuga de líquido Se desea minimizar la fuga de líquido que existe en una bomba centrifuga.0196 0.68 Los factores significantes son otra vez D y E.0024 1 0.0374 0.0059 1 0.0374 1 0.00 10.0001 0.2600 1.l. no existen factores de señal que afecten la media sin afectar el índice SN y el resto de los factores se fijan a su nivel más económico.68 5. que son los mismos que afectaron el índice señal ruido.0000 0.0048 1 0. 2006 e 1.61 1.0035 Fexp 1. Se considera que los factores que pueden afectar la fuga son: Factores A Diseño de pieza frontal propuesto B Torque de tornillos frontales C Acabado cáscara D Tipo de empaque E Torque tornillo traseros F Método de apriete inicial G Diseño impulsor H Densidad del líquido Nivel 1 Pág 95 de 178 Nivel 2 actual actual liso marca 1 actual frente actual baja mayor rugoso marca 2 mayor atrás nuevo media alta . Así que. Reyes / Dic. varios analistas efectúan el análisis señal ruido y omiten el análisis de señal.03 1 0. Por esta razón.0024 0.0001 1 0.0048 0. ya que esperan los mismos resultados.0035 g.Diseño de Experimentos de Taguchi Nivel 1 Nivel 2 P. Ejemplo 4.0042 0.0021 1 0.0059 0.59 0. Esto sucede porque el índice SN evalúa el logaritmo de (media 2 + varianza). que los factores que afectan el índice SN sean los mismos que afectan la media.20 0.0042 1 0. V 0.0003 0.67 0.37 1.09 0.

0 14.93 98.7274 -21.9495 .4987 -21.32 + 12.0 11. Nº 1 2 3 4 5 6 7 8 Arreglo interno A B C D E 1 1 1 1 1 1 1 1 2 2 1 2 2 1 1 1 2 2 2 2 2 1 2 1 2 2 1 2 2 1 2 2 1 1 2 2 2 1 2 1 F 1 2 2 1 1 2 2 1 H Baja Media Alta 12.5 13.3434 -87.8068 -86.20 11.9 14. La tabla de totales es: Nivel 1 Nivel 2 Nivel 1 Nivel 2 AB -85.9 11.1 12.72)/3= -21. Por ejemplo.6 12.3 10. se puede utilizar un arreglo L8 para el arreglo interno.0 12.33 -21.5353 -174. para el índice señal ruido.Diseño de Experimentos de Taguchi P.1 10. para los renglones 1 y 2 se tiene SN SN = -10 log (Yi2/r) = -10 log (12. La variable de respuesta se da en mililitros. ya que se desea que la fuga se elimine a pesar del líquido bombeado.32)/3= -21. 2006 El factor H se puede considerar como de ruido.1 13.52 + 12.12 + 12.0 11.8769 -88. todo lo que hay que hacer es variar el factor a los niveles analizados.1397 Prom 12.3 12.5 12.9 Totales G 1 2 2 1 2 1 1 2 SN -21.7 10.2 12.2929 11.8246 F G D E -87.4861 Pág 96 de 178 -86.4987 Se procede al análisis ANOVA.9410 13.1 14. Cuando se tiene un solo factor de ruido.83 11. Por lo tanto.7274 = -10 log (Yi2/r) = -10 log (10. no se requiere un arreglo ortogonal como arreglo externo.0 11.4 12.15 El índice SN se calcula según la fórmula para el caso menor es mejor.2 11.8 13.22 + 12. Reyes / Dic.4160 C -874683 -86.9 11.0 13. después de un cierto número de horas de funcionamiento.03 -21.

3224 0.5075 12.Diseño de Experimentos de Taguchi P. 2006 La tabla ANOVA es: Factor SS g.2725 12.0321 E F 0. Se propone utilizar óxidos de hierro hidratados con un pH adecuado para remover los metales dañinos.3650 12. Los factores significantes y los niveles propuestos son: Para efectuar el análisis de señal se sugiere utilizar gráficas.4: Disminución de la contaminación Optimización de un método de purificación para drenajes contaminados con metales.19 0. Los factores de control son los siguientes: A B C D Factores de control Contaminación de FeII Temperatura ºC Tiempo de añejamiento h pH Nivel 1 2 25 1 8 Nivel 2 7 50 2 10 Nivel 3 15 75 3 12 El factor de ruido introducido artificialmente es permanganato de potasio.0025 1 1 0. La característica de salida es la concentración remanente de metales en mg/L.1725 D E 12.3224 0. Reyes / Dic. Pág 97 de 178 .8150 12.0025 A D G (e) .7225 C 12. la tabla de promedios para cada factor es: Nivel 1 Nivel 2 A B 11. Las aguas residuales que contienen iones metálicos es muy riesgoso por su toxicidad y no biodegradable. con una respuesta menor es mejor.l.2650 12.0225 F G 12.0321 1 1 0.0300 Ejemplo 4.0864 3 11. v Fexp B C 0.5150 12.0288 Las tres sumas de cuadrados más pequeñas son utilizadas para evaluar el error.

0375 Nivel 3 0.75 0.56 Rep.  Y9 ) 2 CF  1 2 9 La suma de cuadrados del factor B es: SSA  B1 = Y1 + Y4 + Y7 B2 = Y4 + Y5 + Y8 B3 = Y3 + Y6 + Y9 Pág 98 de 178 N3 N3 Rep.05 0.57 3 3.74 35.52 N2 Rep.52 1. Reyes / Dic. De KMnO4 P.65 0. Col.79 .75 3 5. 1 155.32 44.33 48.32 0.70 0.20 1.27 0.36 0.29 1.85 25.77 0.65 0..17 2 0.33 72.00375 Nivel 2 0.48 0. 1 5. 2 166.2 2 39.28 -36.44 25.04 0.08 0.39 1.59 5.48 46.31 0. 1 2 3 4 5 6 7 8 9 A Col. 2 0.61  1 n  S / N  10 log  yi2   n i1  Las sumas de cuadrados son las siguientes: Para el arreglo L9 con nueve respuestas Y1 a Y9 se tiene: La suma de cuadrados del factor A es: A1 = Y1 + Y2 + Y3 A2 = Y4 + Y5 + Y6 A3 = Y7 + Y8 + Y9 A12  A22  A33  CF 3 (Y  Y  .19 -9.42 N1 Rep.73 Y promedio 55.36 -7.07 0. realizando los experimentos se obtienen los datos siguientes con dos réplicas en cada nivel del factor de ruido: L9 Col.8 67.49 27.72 73.20 -33.1 Exp.41 1.26 7.88 165. 2006 Nivel 1 0.05 1.27 N2 Rep.61 22.38 0. No. 4 N1 D Rep.24 2 1.11 1.19 S/N -39.32 3 0.37 1 7..34 0.88 1 15. 1 1 2.4 0.91 47.51 4.91 92.07 0. 2 1.05 -7.7 36.05 -5.Diseño de Experimentos de Taguchi N Factores de ruido Conc.075 Se asume que no hay interacciones por lo que se puede utilizar un arreglo L9.42 120.54 -39.34 0.8 138.68 0.61 1.. 2 3 1 1 1 2 2 2 3 3 3 B 1 2 3 1 2 3 1 2 3 C 1 2 3 2 3 1 3 1 2 Col.54 0.

D Linear Model Analysis: SN ratios versus A. D Estimated Model Coefficients for Means Term Coef Constant 25. 2. Rep.6687 4.3499 -7. B.37 279.2281 A A B B C C D 1 2 1 2 1 2 1 -5. versus A.6078 4.2819 -6.5124 -9.6915 A A B B C C D D 1 2 1 2 1 2 1 2 1.0970 -18.732 * F * * * * P * * * * Linear Model Analysis: Means versus A.685 139.37 279.32% 74..91% 12.. D Estimated Model Coefficients for SN ratios Term Coef Constant -19.261 117. ..9386 2.28% .  Y9 ) 2 CF  1 2 9 SSB  De la misma forma se calculan las sumas de cuadrados para los factores C y D: La suma de cuadrados total es: SST = SSA + SSB + SSC + SSD Haciendo los cálculos en Minitab se obtiene: Taguchi Analysis: Rep. 1_1. C.52 234. C..46 * Adj MS 28.46 * 2276.52 234.86 1705. Reyes / Dic.49% 10. B.6215 8. 1.86 1705. B. 2006 B12  B22  B33  CF 3 (Y  Y  . Rep.428 852.8735 1..8598 0.1548 -8. 2_1.4707 Pág 99 de 178 Porcentaje de contribución 2.3221 S=* Analysis of Variance for SN ratios Source A B C D Residual Error Total DF 2 2 2 2 0 8 Seq SS 56.3748 33.Diseño de Experimentos de Taguchi P.21 Adj SS 56.8678 4. C. Rep.

39 5359.69 2679.35 * Adj MS 98.699 25.595 -26.29 438.342 -5.62 Adj SS 196.866 1 D -27.35 * 6951.741 15.Diseño de Experimentos de Taguchi D 2 P.29 438.337 D 33.758 C 58.559 -15.39 5359.146 12. 2006 0.904 57.434 32.093 Rank 4 2 1 3 Pág 100 de 178 .369 -16.416 4 B -14.818 -18.023 -23.438 22.30 478. Reyes / Dic.379 16.806 B 19.853 39.073 16.403 17.190 2 Response Table for Means Level 1 2 3 A 19.17 * F * * * * P * * * * Response Table for Signal to Noise Ratios Smaller is better Level 1 2 3 Delta Rank A -17.59 957.974 3 C -38.299 -15.753 -17.727 11.368 25.607 1.234 5.59 957.606 Delta 11.510 30.65 219.1513 S=* Analysis of Variance for Means Source A B C D Residual Error Total DF 2 2 2 2 0 8 Seq SS 196.

70044 -10.Diseño de Experimentos de Taguchi P. Reyes / Dic. C en 3 y D en 2 Main Effects Plot (data means) for Means A 60 B 45 Mean of Means 30 15 0 1 2 C 3 1 2 D 3 1 2 3 1 2 3 60 45 30 15 0 La respuesta estimada es: Predicted values S/N Ratio Mean 5.5261 Factor levels for predictions Pág 101 de 178 . B en 1. 2006 Las gráficas factorials son las siguientes: Main Effects Plot (data means) for SN ratios A B -10 Mean of SN ratios -20 -30 -40 1 2 C 3 1 2 D 3 1 2 3 1 2 3 -10 -20 -30 -40 Signal-to-noise: Smaller is better Los niveles seleccionados son A en 1.

identificando sus posibles interacciones. A fin de ilustrar un caso señal ruido. 2006 A B C D 11 3 2 4. 3. 4. Los factores que se creen afectan la variable de respuesta son: Factores Nivel 1 Nivel 2 A Tipo de electrodo I II B Marca de material I II Pág 102 de 178 . Predecir el desempeño de salida óptimo con base en una combinación óptima de niveles de factores de control y realiza un experimento confirmatorio.Realizar los experimentos. si son demasiados combinarlos en dos o tres factores combinados.Diseño de Experimentos de Taguchi P.Seleccionar una característica de calidad de salida a ser optimizada. Si hay conflicto entre los niveles de los factores para maximizar la relación S/N y ajustar la media. 6. asignar los factores de control al arreglo interno y los factores de ruido al arreglo externo.Seleccionar los factores de ruido y sus niveles.Realizar análisis estadístico con base en las medias para identificar los niveles de los factores de control óptimos que ajustan a la respuesta promedio en el nivel deseado. 5.3 Caso mayor es mejor Los pasos del diseño de parámetros es como sigue: 1. para cuando la variable de respuesta del tipo mayor es mejor. 2. 7.3. Reyes / Dic.Seleccionar factores de control y sus niveles.Realizar análisis estadístico con base en S/N para identificar los niveles de los factores de control óptimos Algunas veces ayuda realizar un estudio de la interacción entre factores de control y de ruido. dar prioridad a los que sirven para maximizar la relación S/N.Seleccionar los arreglos interno y externo adecuados. considere el siguiente ejemplo: Ejemplo 4.5: Incremento en la resistencia a la tracción Se desea incrementar la resistencia a la tracción (en libras) de un cierto tipo de soldadura.

7472 41.1314 3.67 120.4038 168.2148 168. de manera que los cinco factores y la interacción se pueden acomodar en un arreglo externo L8.5812 43.3706 170.02 Pág 103 de 178 .00 123.33 155. V Fexp 1 1 1 0.67 Para calcular el índice señal ruido.1128 170.4813 168. por ejemplo para los renglones 1 y 5 se tiene: SN   = -10 log (1 / y1   1 / y2   1 / y3  ) / 3 2  2 2  = -10 log (1 / 120  1 / 125  1 / 122 ) / 3 = 41.6096 0.67 123.3706 Nivel 2 168.67 1056.8271 41.0926 0.6371 170.1314 3.9134 166.0926 0.00 146. Se toman tres lecturas bajo cada condición y los resultados son: Nº 1 2 3 4 5 6 7 8 A 1 1 1 1 2 2 2 2 B AxB 1 1 1 1 2 2 2 2 1 2 1 2 2 1 2 1 C D 1 1 2 2 1 1 2 2 1 2 2 1 1 2 2 1 E 1 2 2 1 1 2 2 1 e 1 2 2 1 2 1 1 2 Resultados 120 125 122 118 120 122 140 148 150 152 145 140 130 125 115 160 150 155 119 122 130 112 120 130 Totales Indice SN 41.12 0.7976 41.5836 338. Reyes / Dic.33 120.8519 Prom 122.4813 E e Nivel 1 168.2276 La tabla ANOVA es: Factor A B AxB SS 0. 2006 Voltaje Rugosidad de superficie Prelavado Interacción 120 volts liso sin 130 volts rugoso no No se identifican factores de ruido.9957 169.Diseño de Experimentos de Taguchi C D E AxB P.00 145. se utiliza la fórmula apropiada.6243 Nivel 2 170.9385 172.18 5.7472 SN 2  2 2  =-10 log (1 / 1301   1 / 125  1 / 115  ) / 3 = 41.7391 168.7574 43.2524 41.4481 170.8562 168.2754 43.7874 2 2 2 Se procede al análisis del índice SN utilizando ANOVA A B C AxB C D Nivel 1 169.6096 gl.

50 Dif.84 20.00 128. máximo señal de ruido.7% 15% Pág 104 de 178 . Considere otro ejemplo.50 130.00 136.17 140 130 120 AxB AxB e1 e2 E1 E2 D1 D 2 C 1 C 2 B1 B2 A1 A2 Como se puede observar.16 121.43 0. se utilizan gráficas.83 136.83 3.66 0. Para efectuar el análisis de señal.17 136.00 142.17 127.4107/2= 41.17 9.4781 0.51 7.7180 0.50 135.5% 10% 18 aves/m2 No 8 días propuesta 5% 0.77 Unicamente la interacción AxB resulta significante. 2006 0. Reyes / Dic.67 Nivel 2 130. A fin de encontrar las mejores condiciones.31110.67 128.3111 0.67 134. Se desea maximizar el peso promedio que se obtiene en la crianza de un cierto tipo de ave.Diseño de Experimentos de Taguchi C D E e 0.4781 0.34 128. la interacción AxB es nuevamente el único factor significante.7925 = 83.5850/2= 42. se tiene:  A1   A1   A2   A2  B1 B2 B1 B2 = 83. 2. Se considera que los siguientes factores afectan el precio final: Factor A B C D E F G Densidad en crianza Dosificación de agua Edad de inicio Forma de alimento Componente 1 de alimento Componente 2 de alimento Componente 3 de alimento Nivel 1 Nivel 2 20 Si 5 actual 3% 0.83 6.5569 0.5278/2= 43.2639 = 85.6642 = 86.83 8. La tabla de promedios es: A B AxB C D E e Nivel 1 133.5569 0.7054 Las condiciones sugeridas son A a su nivel 1 y B a su nivel 2.3284/2= 41.7180 1 1 1 1 P.

90 5.30 10. Reyes / Dic.8215 6.14 Pág 105 de 178 G 36.1 2 1. Esta se varía a sus dos niveles.2141 e e 37.8889 43. analizando resultados en granjas con ubicación diferente.1654 42. 2006 Componente 4 de alimento Raza del ave Temperatura ambiente 4% I baja 2% II alta Dado que no se desea invertir en aire acondicionado.7 2.Diseño de Experimentos de Taguchi H I M P.9 1.5990 gl.45 79.9376 .4948 46.1 3. se considera a la temperatura ambiente como factor de ruido.2325 2.5 3.6082 Nivel 1 Nivel 2 H I 41.6082 43.35 9.0 2.4264 36.4 1.8343 Fexp 3.1462 33.0 1.5 3.9880 7.10 Se procede al análisis de señal ruido.2 1.1 2. 1.5557 2.20 2.9 2.25 2.5 2.7406 Prom.0315 6. Se puede utilizar un L12 como arreglo interno lo que deja dos columnas para evaluar el error.4748 2.2 3.9173 4.6766 42. 1 C D E F 35.4 1.5 2.8 Totales SN 1.20 1.9356 Fact A SS 16.3 2.1674 46.5 2.5 2.5165 2.00 2.4 2.8 2.2738 35.70 8. Los resultados en Kilogramos son los siguientes: 1 2 3 4 5 6 7 8 9 10 11 12 A 1 1 1 1 1 1 2 2 2 2 2 2 B 1 1 1 2 2 2 1 1 1 2 2 2 CDE 1 1 1 1 1 1 2 2 2 1 2 2 2 1 2 2 2 1 2 2 1 2 1 2 1 2 2 2 1 1 1 2 1 1 1 2 FG 1 1 2 2 1 1 1 2 2 1 2 2 1 2 2 2 2 1 1 1 2 1 1 2 H 1 2 1 2 2 1 2 1 2 2 1 1 I 1 2 2 1 1 2 1 1 2 2 1 2 e 1 2 2 1 2 1 2 1 1 1 2 2 e 1 2 2 2 1 1 1 2 1 2 2 1 1 1.1030 27.9 2.3 1. la tabla de totales y ANOVA es: Nivel 1 Nivel 2 AB 32.2687 41.9568 45.

A continuación se muestra la tabla de promedios para la señal a fin de elaborar las gráficas.2667 2.6883 1 1 0.21 Resultan significantes los factores A y E.3000 G2 I1 I2 D1 D2 podrá corroborar que las conclusiones son similares a las que se obtuvieron con el índice SN.0500 2.2167 2.4500 2.72 6.1417 2.3250 Nivel 2 2.Diseño de Experimentos de Taguchi B 0.0833 2.4667 2.8219 1 H I e P.4333 I 2.02 C F G 3.5687 1 1 1.73 2. Reyes / Dic. los cuales maximizan el índice de señal ruido a los niveles A2 y E2. Pág 106 de 178 .9417 Nivel 2 2. A Nivel 1 1.0667 2.1917 A1 A2 e 1 F1 F2 H1 B C D E F G 2.7061 1 0. 2006 0.1333 2.3833 e 2 E1 E2 H2 e1 e 2.4750 2.0417 C1 C2 G1 e2 B1 B2 e 2.8654 10.13 D E 3.1333 2.3833 2.4068 10.3750 2.5750 H Nivel 1 2.2500 2.

5 22.7 17.6 16.2 27.05 19. A B C D Factores de control Interferencia Espesor conector de pared Profundidad de inserción % de adhesivo en conector Nivel 1 Bajo Delgado Baja Bajo Nivel 2 Media Media Media Medio Nivel 1 24 72 25 Nivel 2 120 150 75 Nivel 3 Alta Gruesa Profunda Alto Hay tres factores de ruido U V W Factores de ruido Cond.3 19. ºF Cond. % Se usan dos factores de ruido combinados: N1 = U1.88 26.3 23.9 N2 20 24.49 La fórmula para la relación S/N es:  1 n 1    2  n y i  1 i   S / N  10 log La tabla de ANOVA para las relaciones S/ N es Fuente A B C Df 2 2 2 Seq.2 23. 2006 Ejemplo 4. 4 D 1 2 3 3 1 2 2 3 1 Lecturas en N1.1 Exp.4 21070 19.4 21.6 19. No.25 26.1 15. Hay cuatro factores de control en el experimento.2 6.2 22.4 18. Tiempo h Cond.9 45. N2 N1 9.3 23. 1 2 3 4 5 6 7 8 9 A 1 1 1 2 2 2 3 3 3 Col.68 25.1128 2.54 25.76 25. Reyes / Dic. SS 6.2 20 20.Diseño de Experimentos de Taguchi P. Humedad rel. Temp.3 23.6: Maximizar fuerza de retención Maximizar la fuerza de desacoplamiento entre un conector de elastómero a un tubo de nylon.42 26. 2 B 1 2 3 1 2 3 1 2 3 Col.4751 Pág 107 de 178 % de contribución 32. 3 C 1 2 3 2 3 1 3 1 2 Col.5 .19 25.25 S/N 21. V2 y W1 ésta combinación refuerza la conexión E usa el arreglo L9 siguiente: L9 Col.5 24.5 16. V1 y W2 ésta combinación debilita la conexión N2 = U2.7057 8.75 20.7 14.59 19.6 Y promedio 14.

9 100 80 80 60 60 40 40 20 20 Count 100 0 C1 Count Percent Cum % C 46 45.Diseño de Experimentos de Taguchi D Error Total P. 2006 2 0 8 1.87 17543.94 77. B. C.8% 24.11 77.24 5843.12 25.98 74.86 C1 C2 C3 D1 D2 D3 Promedio 0 7 6. D Estimated Model Coefficients for SN ratios Term SS 6.36 77.35 8.29 B1 B2 B3 24.7 78.94 78.11 SSA Coef Pág 108 de 178 33.1 D Suma 72.70 25. D Linear Model Analysis: SN ratios versus A.56 76.58 2.6% 24.61 77.73 5844.31 A2 26.97 78.08 1.0% .2 B 15 14.98 25.07 78.5 A 33 32. Reyes / Dic.60 25.48 SSC 45.58 17533.04 5850. N2 versus A.50 SST 6.21 SSD 18.02 A3 26.2080 0 18.32 72.5 45. B.10 Percent Pareto Chart of C1 5841.9 93.87 25. C.0 Factor corrección Para las relaciones S!N Nivel Promedio A1 24.85 25.48 74.99 26.80 17529.97 17551.5% La salida de Minitab es la siguiente: Taguchi Analysis: N1.71 SSB 14.95 5847.9 100.5016 6.

1128 2.11277 2. C.8622 6.1647 0.8939 * Adj MS 6.1672 Adj SS 12.1556 0.60402 * F * * * * P * * * * Linear Model Analysis: Means versus A.5778 -0.8939 * 42.7754 0.4089 0.0889 0.0022 22.2080 * 18.4278 S=* Analysis of Variance for Means Source A B C D Residual Error Total DF 2 2 2 2 0 8 Seq SS 12.0022 22. D Estimated Model Coefficients for Means Term Coef Constant 20.0056 A A B B C C D D 1 2 1 2 1 2 1 2 -1.0011 11.8622 6.3926 -1.3222 0.5127 -0.23757 0.4089 0.4311 3.4469 * F * * * * P * * * * Response Table for Signal to Noise Ratios Larger is better Pág 109 de 178 .70565 8.8778 -2.5016 Adj SS 6. Reyes / Dic. B.9111 -1.6889 0.7057 8.4751 1.05639 1.3588 0.5458 -0.2044 0.35283 4. 2006 Constant 25.4774 A A B B C C D D 1 2 1 2 1 2 1 2 -1.47514 1.4973 0.20804 * Adj MS 3.3747 S=* Analysis of Variance for SN ratios Source A B C D Residual Error Total DF 2 2 2 2 0 8 Seq SS 6.Diseño de Experimentos de Taguchi P.

99 26.32 20. 2006 D 24.5 25.20 1 P.90 0.0 24.75 4 Las gráficas factoriales son las siguientes: Main Effects Plot (data means) for SN ratios A B 26.5 24.10 1.88 20.70 25.60 2 B 18.5 25.92 20.Diseño de Experimentos de Taguchi Level 1 2 3 Delta Rank A 24.78 2.87 25.0 24.58 21.43 19.0 Signal-to-noise: Larger is better Pág 110 de 178 .85 20.73 1 D 19.0 25.0 Mean of SN ratios 25.02 26.5 24.0 1 2 C 3 1 2 D 3 1 2 3 1 2 3 26.78 2 B 24.32 2.86 1.58 3.98 25.12 25.22 1.60 0. Reyes / Dic.31 26.85 25.92 20.68 20.17 3 C 24.97 3 C 17.87 4 Response Table for Means Level 1 2 3 Delta Rank A 18.

B2.7096 23.0 = 23. C3 es: S/N = A3 + C3 +B2 – 2T = 26.87 – 2x25.10 + 26.6667 Pág 111 de 178 .24 Predicted values Predicted values S/N Ratio Mean 27.Diseño de Experimentos de Taguchi P.78 + 21. 2006 Main Effects Plot (data means) for Means A 21 B 20 Mean of Means 19 18 17 1 2 C 3 1 2 D 3 1 2 3 1 2 3 21 20 19 18 17 La relación S/N estimada con la combinación de factores A3.33 La fuerza estimada de desacoplamiento es: A3 + C3 + B2 – 2T = 20.32 + 25.58 + 20.48 = 27. Reyes / Dic.88 – 2x20.

Diseño de Experimentos de Taguchi

P. Reyes / Dic. 2006

5. DISEÑO DE PARÁMETROS PARA CARACTERÍSTICAS DINÁMICAS
Los diseños anteriores se denominan estático ya que identifican una meta fija
(mayor es mejor, menor es mejor o nominal es mejor), reduciendo la variabilidad
causada por los factores de ruido.
1. Relación S/N dinámica: Si se desea obtener calidad a lo largo del rango de
operación del producto o proceso, es necesario optimizar el diseño de parámetros
con la relación S/N dinámica referida a la relación entre entrada y salida o “función
ideal” o transferencia de energía relacionada a un diseño.
2. Interacción: En un sistema de relación S/N dinámica, las interacciones entre
factores de control (parámetros de diseño) es un indicador de inconsistencia y falta
de reproducibilidad del diseño. Sin embargo la interacción entre los factores de
ruido se puede utilizar para mejorar la robustez ante los factores de ruido.
3. Arreglos ortogonales: Taguchi sugiere utilizar los arreglos L12, L18 y L36 donde
las interacciones de sus efectos principales están confundidos uniformemente en
todas las columnas y los efectos de las interacciones pueden considerarse efectos
de ruido.
4. Desarrollo de tecnologías robustas: Taguchi sugiere que el diseño de
parámetros se realice en la fase cero del diseño del producto, reduciendo el
despliegue de variabilidad en el ciclo de desarrollo y acortando el tiempo de ciclo.
En lo referente a transformación de energía se tienen los siguientes aspectos:

 Cambio de energía (vg. Eléctrica a mecánica).
 Variación de componentes de energía (vg. Amplificación
de torque).
 Conectando energía con señales (conmutación de
energía eléctrica).
 Canalización de energía (vg. Transferencia de potencia).
 Almacenamiento de energía (vg. Almacenamiento de
energía cinética).

Para transformación de materiales se tiene:

 Cambiando la materia (vg. Líquidos a gases).
 Variando dimensiones de materiales (vg. Rolado de
lámina).
 Conectando materia con energía (vg. Movimiento de
materiales).
 Conectando materiales con señales (vg. Cortando
corriente o flujo).

Pág 112 de 178

Diseño de Experimentos de Taguchi

P. Reyes / Dic. 2006

 Conectando o separando materiales de diferente tipo
(vg. Mezcla o separación de materiales).
 Canalización de materiales ( vg. Extracción de carbón).
 Almacenamiento de materiales (vg. Almacenar granos en
un silo).
Transformaciones de señales:

 Cambio de señales (vg. Analógicas a digitales).
 Variar la magnitud de las señales (vg. Incremento de su
amplitud).
 Conectando señales con energía (vg. Amplificando una
medición).
 Conectando señales con materia (vg. Marcado de
materiales).
 Transformando señales (vg. Filtraje).
 Canalizando señales (vg. Transferencia de datos).
 Almacenando señales ( vg. Bases de datos).

Taguchi sugiere una función ideal como la relación ideal de entrada salida de un
diseño (vg. Se asume que no hay influencia de factores de ruido y los parámetros
de diseño son fijos), en realción a la transformación de energía que a su vez se
refiere a la función del producto. Taguchi lo ilustra con el ejemplo siguiente:
En el caso de los frenos del automóvil la función ideal es que la fuerza ejercida por
el pie como entrada sea proporcional al torque de frenado.

Y = torque
de frenado
Función ideal

M = fuerza del pie aplicada
Función ideal de un freno.
Sin embargo en el mundo real se tienen efectos de factores de ruido como
temperatura y ambiente:

Pág 113 de 178

Diseño de Experimentos de Taguchi

P. Reyes / Dic. 2006

Y = torque
de frenado
Función ideal

M = fuerza del pie aplicada
Función no robusta de un freno.
Haciendo robusto el diseño es decir:

 Asegurando que el proceso de transformación de energía
se realice en diferentes magnitudes de transformación.
 Asegurando que el sistema de freno tiene excelente
controlabilidad para este proceso de transformación, se
tiene:
Y = torque
de frenado
Función ideal

M = fuerza del pie aplicada
Función robusta de un freno.
Ejemplos de función ideal:

1. Proceso de oxidación de semiconductores
a. Función principal: Oxidar una capa delgada de material.
b. Transformación principal: Transformación del material (cambiando el material
con una reacción química).
c. Función ideal.

Y = Espesor
De oxidación
Función ideal

Pág 114 de 178

d. Si cambia el molde en dimensiones. De los ejemplos anteriores se desprenden algunas características comunes del as funciones ideales: 1. 2. Función principal: Moldear partes de acuerdo a la forma del molde. La robustez de la función ideal es: (1) Diferentes niveles de transformación. b. Reyes / Dic. Proceso de moldeo por inyección a. el molde es un “control” para la forma. Y = Dimensión De las partes Función ideal M = Dimensión del molde Función ideal de moldeo. Con diferentes ajustes de tiempo. (2) Controlabilidad. 2006 M = tiempo Función ideal de oxidación. Función ideal. Análisis: entre más tiempo opere el proceso. Transformación principal: Transformación del material. c. A veces es Pág 115 de 178 . mayor transformación del material ocurrirá. d. Análisis: el proceso de moldeo transforma los gránulos de polímero en partes formadas. (2) Controlabilidad: Se muestra como la repetibilidad similar a una línea recta.Diseño de Experimentos de Taguchi P. Una función ideal está relacionada directamente al proceso de transformación principal de la función principal del sistema técnico bajo estudio. así cambia la magnitud de la transformación de materiales. La robustez de la función ideal es: (1) Diferentes niveles de transformación.

2006 imposible medir la transformación en forma directa. Identificar la “señal” de control para la transformación principal. más bien se miden las cosas relacionadas directamente con esta transformación. Los pasos para identificar y definir la función ideal son los siguientes: 1. medio y alto. Por ejemplo para un proceso de transformación de energía. El proceso de transformación es repetible y robusto en diferentes niveles de transformación. Identificar la relación lineal ideal entre salida y entrada. Identificar la función principal del sistema.Diseño de Experimentos de Taguchi P. Si se cambia la señal. aun con la presencia de factores de ruido. 5. y la salida debe estar directamente relacionada a la magnitud de la transformación. Si un proceso es robusto en el desarrollo de la función ideal: a. bajo. Diseño de parámetros para características dinámicas El sistema de características dinámicas se denomina también diseño de señal respuesta como sigue: Señal Siste ma Respuest a de Ruido Diagrama P con señal de entrada Ates de iniciar se debe contar con un sistema de medición adecuado que cumpla los siguientes requisitos: Pág 116 de 178 . 3. 2. el proceso de transformación responderá con alta precisión y alta repetibilidad. 2. aun en la presencia de factores de ruido. Taguchi sugiere para lograr robustez utilizar el método de diseño de parámetros para características dinámicas. Identificar la entrada y salida medible. que se discute a continuación. 4. Identificar el tipo principal de transformación detrás de la función principal. La controlabilidad del procese de transformación es robusto. el proceso es robusto en diferentes niveles de enrgía. b. Reyes / Dic. donde la entrada debe ser la señal de control misma o un aspecto relacionado.

se deben detectar pequeñas diferencias en las características verdaderas por el sistema de medición. 2006 1. Un sistema de medición debe ser fácil de calibrar. La función ideal entre la señal y la respuesta de salida (vg.Diseño de Experimentos de Taguchi P. las mediciones deben ser repetibles. 3. Reyes / Dic. no importa quien esté haciendo las mediciones y cuantas veces se tome la muestra. idealmente debe existir una relación lineal entre el valor verdadero de la característica y el valor medido. 2. es decir es deseable que tenga una alta sensibilidad. Para la misma muestra. Un requerimiento funcional FR) se muestra a continuación: Pág 117 de 178 . A partir de dos muestras diferentes.

N2 ….2 …. …. …. 1 2 …. …. …. se utiliza el arreglo interno para factores de control y externo para factores de ruido. ….N2 Factor de señal Factores de S/N  ruido   Respuesta de salida Y        . la respuesta también se incremente.… y bajo cada combinación de factor de ruido se mide un requerimiento funcional (FR) como Yij. se asignan varias combinaciones de factores ruido N12. …. ….1 YN2. N2. M puede tener k niveles. Reyes / Dic. Factores de control Exp. M1. …. Por tanto por cada combinación del arreglo interno. 2006 Y = respuesta Función ideal Pendiente . Se espera que conforme el factor de señal se incremente. Pág 118 de 178 …. N2. M2. 1 1 …. 1 M1 …. N2 …. N1 2 2 … F …. Mk. YN1. Mk N3 N1 y11 y21 N2 y12 y22 N3 … y1. ….N2 y2. el factor de señal se varía k veces. El arreglo queda como sigue: Arreglo externo Arreglo interno 1 2 …. YN1. N2 Experimento No. En cada uno de los niveles del factor de señal. en cada factor de señal M se varían las diferentes combinaciones de los factores de ruido N1. 1 2 …. …. el factor de señal M es tratado como un factor experimental. …. sensibilidad M = Señal Relación ideal señal – respuesta Para el diseño de parámetros con características dinámicas.Diseño de Experimentos de Taguchi P. …. A B 1 2 ….

. sensibilidad M1 M2 Mk M = Factor de Señal Dispersión típica para una corrida completa de Arreglo interno La tabla completa para cada una de las corridas experimentales del arreglo interno queda como: Arreglo interno Factores de señal Factores de ruido N1 N2 …. M2 y12 y22 …. Reyes / Dic.) m ( M j  M ) 2 j 1 Pág 119 de 178 . ymk La ecuación de regresión es: y   0  1 M   Var ( )   2 Donde: k ˆ1  m  M i 1 j 1 k j ( yij  y. Nm ym1 ym2 … …. M1 y11 y21 …. Mk y1k y2k ….. 2006 Y = respuesta Función ideal Pendiente .Diseño de Experimentos de Taguchi P.

La relación S/N varía como sigue: Y = respuesta Función ideal M1 M2 Mk M = Factor de Señal a) Alta variación. Reyes / Dic. Taguchi sugiere utilizar la siguiente relación S/N:  12   12      10 log 2   ˆ   MSE  S / N  10 log Donde 1 es el coeficiente de la regresión lineal para la pendiente y MSE es el error cuadrático medio para la regresión lineal. 2006  0  y  ˆ1M k m 1  ( yij  ˆ0  ˆ1M j ) 2 mk  2 j 1 i 1 ˆ 2  MSE  En el caso de que y =0 cuando la señal M = 0 se tiene: y  1 M   Var ( )   2 k ˆ1  m  M i 1 j 1 k j m M j yij 2 j 1 k m 1  ( yij 0  ˆ1M j ) 2 mk  2 j 1 i 1 ˆ 2  MSE  Los cálculos anteriores se pueden realizar con un paquete estadístico como Minitab. baja relación S/N Pág 120 de 178 .Diseño de Experimentos de Taguchi P.

Reyes / Dic.Diseño de Experimentos de Taguchi P. Baja relación S/N Y = respuesta Función ideal M1 M2 Mk M = Factor de Señal d) Baja sensibilidad. Alta relación S/N Y = respuesta Función ideal M1 M2 Mk M = Factor de Señal c) No linealidad. baja relación S/N Pág 121 de 178 . 2006 Y = respuesta Función ideal M1 M2 Mk M = Factor de Señal b) Baja variación y linealidad.

Analizar ahora los resultados de los experimentos utilizando la sensibilidad  como respuesta. Ejemplo 5. En el experimento M es el cambio en resistencia y el requerimiento funcional y es el voltaje de salida.1 Mejora de Strain gage El “strain” o esfuerzo es la cantidad de deformación de un cuerpo debido a la aplicación de una fuerza. encontrar los factores que afecten a la sensibilidad. Se seleccionan tres niveles del factor de señal M1 = 10 . Usar un arreglo como el anterior.Diseño de Experimentos de Taguchi P. el cambio en resistencia es muy pequeño. del orden de micro ohms (). y usarlos para ajustar  al valor objetivo. Ciertos factores de ruido pueden afectar la medición tales como la temperatura. realizar los experimentos y colectar los datos. A continuación se muestra un ejemplo aplicando lo anterior. 2006 Y = respuesta Función ideal M1 M2 Mk M = Factor de Señal e) Alta sensibilidad. Para cada corrida del arreglo interno. y que no afecten a la relación S/N. La unidad de medida es en Microstrain (e). M2 = 100  y M3 = 1000 . dispositivo que varía su resistencia en función de la fuerza aplicada. por tanto se requiere una alta reproducibilidad y repetibilidad en la medición. 2. Se utilizan dos niveles de factor de ruido Pág 122 de 178 . Reyes / Dic. Analizar los resultados de los experimentos y utilizando la relación dinámica S/N como respuesta. La salida está en milivolts y debe ser proporcional al cambio en resistencia. determinar la relación señal a ruido S/N y la sensibilidad  como respuestas. Alta relación S/N El diseño de parámetros roibusto de Taguchi sigue los pasos siguientes de preparación y optimización: 1. La deformación se mide con un strain gauge. Preparación. encontrar la combinación de los factores de control para maximizar S/N. 3.

79 2. A B C D E FG 1 2 3 4 5 6 7 8 9 10 11 12 1 1 1 2 2 2 3 3 3 1 1 1 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 1 2 3 3 1 2 2 3 1 3 1 2 2 3 1 1 1 1 1 1 1 1 1 1 2 2 2 2 3 2 3 1 3 1 2 H 1 2 3 3 1 2 2 3 1 2 3 1 I 1 2 3 3 1 2 3 1 2 1 2 3 Pág 123 de 178 M1 = 10 M2 = 100 M3 = 1000 N1 N2 N1 N2 N1 N2 10 10 249 258 2602 2608 9 9 249 256 2490 2501 8 9 241 243 2420 2450 10 11 260 2751 12 280 259 291 2710 11 2996 3011 9 10 260 265 2793 2800 9 9 229 231 2400 2456 8 9 272 2738 9 270 276 275 2702 9 2761 2799 10 11 267 279 2809 2903 16 16 240 251 2616 2699 8 9 241 248 2406 2499 Beta 2.59 -15.72 2.90 -21.27 -21. Reyes / Dic.23 -19.5 2.43 2. Arreglo externo .97 -12. utilizando las ecuaciones con intersección en el origen.43 2. Nueve factores corresponden al diseño de parámetros del gauge y sus niveles se listan a continuación: Factores control Nivel 1 Nivel 2 Nivel 3 A Aleación hoja B Espesor hoja Tipo I 5 C Tipo material 6 nylon Método I Tipo 2 10 6/6 nylon Método II 45/60 35 9 50 10 40/55 25 3 70 25 D Método ens.07 . E Ancho línea Externa F Ancho línea interna G Espesor acabado H Dimensión Loop I Espesor de muestra 15 6/6 nylon v Método III 35/40 80 40 Se utiliza el arreglo L18 para acomodar los factores de control. No.78 2.45 S/N -12.10 -22.04 -15.10 -16. Con Minitab se pueden hacer regresiones simples de Y vs M para cada renglón con lo que se obtiene el valor de i y posteriormente el valor de cada S/N. se requiere cero señal – cero salida.66 2.73 3 2.85 2.67 -15. 2006 combinado N1 y N.77 -14. el factor compuesto FG se define como: (FG)1 = F1G1 (FG)2 = F2G1 (FG)3 = F2G2 Como el Strain gauge es un sistema de medición.Factores control Exp.93 -15.Diseño de Experimentos de Taguchi P.6 2.factores control L18 Arreglo interno . la asignación se muestra a continuación: Para asignar los factores F y G se usa el método de factores compuestos.

51 -15.03 2.66 -19.14 -17.00815 319.1 2.58 Donde Beta = 2.05 2.60 M Predictor Coef SE Coef T P Noconstant M 2.000 S = 11.89 -14.69 0. Reyes / Dic.60415 0.61 .91 -15. 100.66 2. 2006 3 1 2 2 3 1 1 2 3 3 1 2 3 1 2 1 2 3 2 3 1 2 3 1 16 17 12 13 10 11 9 10 11 12 13 14 291 301 3002 3100 259 272 2622 2699 250 261 2699 2702 298 3010 3052 190 299 198 2094 2100 241 258 2582 2632 Cálculo de los coeficientes Beta: 10 *10  10 *10  100 * 249  100 * 258  1000 * 2602  1000 * 2608 ˆ1   2.60 2(10 2  100 2  1000 2 ) Esto mismo se puede obtener con Minitab: Stat > Regresión > Regresión Response Y = datos de primer renglón Predictors M = 10.Diseño de Experimentos de Taguchi 13 14 15 16 17 18 2 2 2 3 3 3 2 2 2 2 2 2 1 2 3 1 2 3 2 3 1 3 1 2 P.60 y MSE = 134 Sustituyendo en la fórmula de S/N se tiene: Pág 124 de 178 P 0. 100 correspondientes a los datos del primer renglón M 10 10 100 100 1000 1000 Y 10 10 249 258 2602 2608 Los resultados de la regresión son los siguientes: Regression Analysis: Y versus M The regression equation is Y = 2.61 -20.000 3.7 3.5779 Analysis of Variance Source Regression Residual Error Total DF 1 5 6 SS 13700163 670 13700833 MS 13700163 134 F 102203.

Reyes / Dic.Diseño de Experimentos de Taguchi P. 7 factors 3 levels seleccionar Add a signal factor for dynamic characteristics Factors Signal factor name Resistance 10 100 1000 renombrar los factores F por FG. dando los valores indicados en la tabla. G por H y H por I El arreglo que se genera es el siguiente ya con datos acomodados: Exp.3 levels Designs L18 1 factor 2 levels. No. 2006  ˆ12    MSE  S / N  10 log  2. Para la corrida en Minitab: Stat > DOE > Taguchi > Create Taguchi design Seleccionar Mixed level design Factors 8 Display available designs L18 Mixed 2 . 1 1 1 2 2 2 3 3 3 4 4 4 5 5 5 6 6 6 A 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 B 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 C 1 1 1 2 2 2 3 3 3 1 1 1 2 2 2 3 3 3 D 1 1 1 2 2 2 3 3 3 1 1 1 2 2 2 3 3 3 E 1 1 1 2 2 2 3 3 3 2 2 2 3 3 3 1 1 1 F 1 1 1 2 2 2 3 3 3 2 2 2 3 3 3 1 1 1 G 1 1 1 2 2 2 3 3 3 3 3 3 1 1 1 2 2 2 Pág 125 de 178 H 1 1 1 2 2 2 3 3 3 3 3 3 1 1 1 2 2 2 Resis 10 100 1000 10 100 1000 10 100 1000 10 100 1000 10 100 1000 10 100 1000 N1 10 249 2602 9 249 2490 8 241 2420 10 260 N2 10 258 2608 9 256 2501 9 243 2450 11 259 2710 2751 11 12 280 291 2996 3011 9 10 260 265 2793 2800 .60 2  S / N  10 log     12.97 134  Similarmente se pueden calcular para todos los demás renglones.

se tiene: 9 231 229 2400 2456 8 9 2799 11 279 2903 16 251 248 2499 17 301 3100 13 272 2699 11 261 2702 10 299 3052 12 198 2100 14 258 2632 Stat > DOE > Taguchi > Analyze Taguchi design Seleccionar Response Data in N1 N2 Graphs: Signal to noise ratios Slopes Options: Fit all lines through a fixed reference point Response reference value 0 Signal reference value 0 Pág 126 de 178 . 2006 7 7 7 8 8 8 9 9 9 10 10 10 11 11 1 1 1 1 1 1 1 1 1 2 2 2 2 2 3 3 3 3 3 3 3 3 3 1 1 1 1 1 1 1 1 2 2 2 3 3 3 1 1 1 2 2 2 2 2 3 3 3 1 1 1 3 3 3 1 1 1 1 1 2 2 2 3 3 3 3 3 3 1 1 3 3 3 1 1 1 2 2 2 2 2 2 3 3 2 2 2 3 3 3 1 1 1 2 2 2 3 3 3 3 3 1 1 1 2 2 2 1 1 1 2 2 10 100 1000 10 100 1000 10 100 1000 10 100 1000 10 100 9 272 2702 9 270 2761 10 267 2809 16 240 276 2738 9 275 11 12 12 12 13 13 13 14 14 14 15 15 15 16 16 16 17 17 17 18 18 18 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 1 1 1 1 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3 2 3 3 3 1 1 1 2 2 2 3 3 3 1 1 1 2 2 2 3 3 3 1 2 2 2 2 2 2 3 3 3 1 1 1 3 3 3 1 1 1 2 2 2 1 2 2 2 3 3 3 1 1 1 2 2 2 2 2 2 3 3 3 1 1 1 3 1 1 1 1 1 1 2 2 2 3 3 3 3 3 3 1 1 1 2 2 2 3 1 1 1 3 3 3 1 1 1 2 2 2 1 1 1 2 2 2 3 3 3 2 3 3 3 2 2 2 3 3 3 1 1 1 2 2 2 3 3 3 1 1 1 1000 10 100 1000 10 100 1000 10 100 1000 10 100 1000 10 100 1000 10 100 1000 10 100 1000 2616 8 241 2406 16 291 3002 12 259 2622 10 250 2699 9 298 3010 11 190 2094 13 241 2582 2699 9 Analizando los datos en Minitab.Diseño de Experimentos de Taguchi P. Reyes / Dic.

4578 27.12 D 6.3742 0. F.0192 1. B.738 R-Sq = 62.005 0. 2006 Analysis: Display response tables y Fit linear model for Signal to noise ratios Slopes Store Signal to noise ratios Slopes Terms: Seleccionar los 8 factores OK Los resultados de Minitab son: Taguchi Analysis: N1. C.911 0.09 0. E.926 P 0.489 5. H Linear Model Analysis: SN ratios versus A.407 0.738 1. B. F.445 6.584 10. F.08881 SE Coef 0.075 0. G.813 0.529 0.038 P 0.947 0. C.584 10.359 146.851 0.738 1.967 0.6178 0. N2 versus A.04612 T 81.6665 0.9900 1.6203 2.0% Analysis of Variance for SN ratios Source A B C D E F G H Residual Error Total DF 1 2 2 2 2 2 2 2 2 17 Seq SS 49.914 0.199 -1.67159 -0. E. D.7477 0.916 54.135 9.990 3.9% T -13. D.892 0.20 P 0.489 5.308 0.308 0. D.850 1.551 -0.2918 5.973 R-Sq(adj) = 0.194 Pág 127 de 178 .229 1.495 Adj SS 49. Reyes / Dic.337 1. H Estimated Model Coefficients for SN ratios Term Constant A 1 B 1 B 2 C 1 C 2 D 1 D 2 E 1 E 2 F 1 F 2 G 1 G 2 H 1 H 2 S = 5.359 Adj MS 49.690 0.974 0.17 0.42 Linear Model Analysis: Slopes versus A.337 1.135 9.Diseño de Experimentos de Taguchi P.00650 -0.1795 F 1.738 1.03 0.709 0. C.51 7.780 0.738 1.724 0.241 5.0668 SE Coef 1.6687 0.5552 0.4668 0. B.12 0.355 0.7071 0.7443 2. de contribuciçon A 34.7225 3.738 1. G.5675 4.738 1. E.974 0.637 0.920 -0.916 54.756 0. G.000 0.738 1.10 0.269 0.06 0.460 -0.738 1.944 0.319 0. H Estimated Model Coefficients for Slopes Term Constant A 1 B 1 Coef 2.738 1.990 3.229 1.8001 -0.738 0.356 -0.849 0.241 5.860 0.445 6.0629 -0.9186 0.03261 0.384 0.650 0.430 0.84 0.833 Porc.738 1.0804 -0.9574 -0.45 H I 4.738 1.046 -0.6665 -0.213 Coef -17.738 1.215 0.738 1.036 -0.1309 0.03261 0.

04612 0.04612 0.994 0.013 0.04612 0.04612 0.403 -1.082 0. 2006 R-Sq = 96.605 2.010327 0.387591 0.04612 0.089 0.54 0.103469 0.764 0.748 2 2.025787 0.760 0.04612 0.82 -16.89 0.090 Response Table for Signal to Noise Ratios Dynamic Response Level A B C D E F G H 1 -15.688 2.678 2.18 -17.31 -17.178 0.12928 S = 0.94 -16.04612 0.449 -1.138 0.466 Delta 0.749 2.132 0.699 2.54 -16.01583 0.594 2.77 -16.194 0.399 1.11084 -0.561 2.689 0.072464 0.06 -17.76 3 1.801 3 2.21 6 1.156 0.04612 0.04612 0.03 7 1.90 2 Response Table for Slopes Level A B C D E F G H 1 2.335 Rank 8 2 4 5 7 6 3 1 Pág 128 de 178 .000761 0.984066 Adj SS 0.387591 0.07792 0.650 0.04612 0.665 2.112135 0.271 2.06683 -0.57 -17.687 2.241 0.598 0.12 10.610 2.69 -16.71 -17.10 2 -18.628 2.343 1.67 3.072464 0.020653 0.056067 0.019144 F 0.1% 3.9% Analysis of Variance for Slopes Source A B C D E F G H Residual Error Total DF 1 2 2 2 2 2 2 2 2 17 Seq SS 0.059725 0.822 2.12 P 0.11 -16.35 -17.93 1.375 0.243 0.022 0.96 -16.038288 0.020653 0.1384 0.803 0.04712 0.206938 0.55 -17.213 0.206938 0.05220 0.112135 0.119449 0.619 2.193796 0.012893 0.414 0.39 -16.036232 0.46 4 1.233 0.782 2.349 -1.860 0.755 2.802 -2.000761 0.11065 0.35 -16.32 5 0.07595 0.647 2.703 2.346 0.04612 0.000761 0.64 -16.078 0.00 Delta Rank 3.284 0.40 2.Diseño de Experimentos de Taguchi B C C D D E E F F G G H H 2 1 2 1 2 1 2 1 2 1 2 1 2 0.155 0.240 0.119449 0.624 2.672 2.01610 -0.009 -1.33 1 1.69 8 1. Reyes / Dic.08310 -0.255 0.95 3 -16.04612 P.89 -16.107 R-Sq(adj) = 66.74 -17.139 0.708 2.15085 0.038288 Adj MS 0.025787 0.82 -18.04612 0.04 5.583 2.00042 -0.

1 2.65539 * * * * -22. 1 1 1 2 2 2 3 3 3 4 4 4 5 5 5 6 6 6 7 7 7 8 8 8 9 9 9 10 10 10 11 11 11 12 12 12 13 13 13 14 SNRA2 SLOPE2 -12.43469 * * * * -16. 2006 Exp.49563 * * * * -15.66031 Pág 129 de 178 .23 2.59 3.79462 * * * * -19.72001 * * * * -15. Reyes / Dic.96 2.89 2.1 2.77927 * * * * -21.60415 * * * * -12.45227 * * * * -20. No.04996 * * * * -19.72899 * * * * -14.27 2.Diseño de Experimentos de Taguchi P.00185 * * * * -15.04 2.77 2.42658 * * * * -15.89 2.85457 * * * * -21.93 2.66 3.67 2.09 2.

60577 * * * * P.91 3.61 2.6989 * * * * -15. Reyes / Dic.03034 * * * * -15.14 2.09535 * * * * -17.51 2.Diseño de Experimentos de Taguchi 14 14 15 15 15 16 16 16 17 17 17 18 18 18 * * * * -14. 2006 Las graficas factoriales son las siguientes: Main Effects Plot (data means) for SN ratios A B C -16 -17 Mean of SN ratios -18 1 2 1 D 2 3 1 E 2 3 F -16 -17 -18 1 2 3 1 G 2 3 1 H -16 -17 -18 1 2 3 1 2 3 Dynamic Response: Signal reference 0 Response reference 0 Pág 130 de 178 2 3 .

2006 Main Effects Plot (data means) for Slopes A 2.75 – 6(2.82+2.35-16.55 1 2 3 1 G 2.70 2.1-5(-17.76 Utilizando la Opción de Minitab: Stat > DOE > Taguchi > Predict Taguchi Results Predict Slope Signal to noise ratio Terms A C D E G H Levels: Select levels from a list 1 2 1 2 2 1 OK Predicted values S/N Ratio Slope Pág 131 de 178 .Diseño de Experimentos de Taguchi P.64 El factor B tiene efecto significativo en la sensibilidad pero no tiene efecto en el S/N por lo que se selecciona en su nivel alto para aumentar la sensibilidad (mayor resolución).85 2 3 1 E 2 3 F 2.55 1 2 1 D 2.55 1 2 3 1 2 3 Dynamic Response: Signal reference 0 Response reference 0 La media de las S/N es – 17.66+2.70 2.31-16. Reyes / Dic.69+2.020) = -11.85 2 3 1 2 3 H 2.70 Mean of Slopes 2.67) = 2.60+2.020 La S/N pronosticada con los niveles que maximizan la relación S/N son: S / N  A1  C2  D  E2  H 2  I 2  5T S/N = -16. por tanto para Beta se tiene: ˆ  A1  B2  C2  D1  E2  H 2  I1  6T Beta = 2.85 B C 2.61+2.

50174 Factor levels for predictions A C D E G H 1 2 1 2 2 1 Ejemplo 5. La función ideal es como sigue: Y = Presión/carga Función ideal M1 M2 Mk M = Factor de Señal Desplazamiento hacia adentro del hule Los factores de ruido son: N1 N2 Q1 Q2 Q3 Ambiente húmedo Ambiente seco Flujo lento de aire Flujo medio de aire Flujo alto de aire Los factores de control son los siguientes: Factores control de A Material B Recubrimiento C Forma de esquina D Ventilación E Forma bulbo F Accesorios Nivel 1 Esponja baja Ninguno Radio pequeño Ninguno Redondeado Cinta Nivel 2 Nivel 3 Nivel 4 Esponja media Tipo 1 Esponja alta Tipo 2 Densa Densa baja media Radio grande Grande Cuadrado Pin Plano Pequeña Triangular Carrillera Pág 132 de 178 Nivel 5 Nivel 6 Densa alta . Reyes / Dic. esfuerzo para cerrar y ruido del aire ambiente que están en contradicción. con dos características.Diseño de Experimentos de Taguchi  P.6363 2. 2006 11.2: Mejora del sistema de sello de hule de puerta Se usa un hule para sellar la puerta de un automóvil.

Reyes / Dic.Diseño de Experimentos de Taguchi P. 2006 El arreglo a usar es el L18 mostrado a continuación: Pág 133 de 178 .

79 5 4.25 1.19 1.72 3.58 2.53 11.68 2.07 7.56 3.46 10.61 3. 2006 L18 Factores de control Exp.36 10.25 9.59 3.43 3.52 3.13 5.85 4.38 4.7 11.47 9.06 0 3.43 6.4 1.25 4.9 3.62 4.12 5.24 0.93 1.7 4.21 2.08 1.15 2.28 0 1.57 2.25 6.69 0.6 3.68 2.81 0 0 2.18 Pág 134 de 178 3.22 2.11 13.9 10.77 15 14.04 4.63 6.38 4.36 0 4.29 3.84 1.48 6.11 7.73 2.17 28.72 4. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Q2 Q3 M3 Q1 Q3 Q1 Q2 Q3 N1 N2 N1 N2 N1 N2 N2 N1 N2 N1 N2 N1 N2 N1 N2 N1 N2 1.91 4.44 9.68 3.42 4.79 0 4.6 5.78 6.82 4.59 3.59 6.27 8.61 10.62 4.25 2.15 1.17 8.26 3.75 3.81 3.66 4.51 4.74 3.78 9.77 1.65 0.85 9.73 4.79 3.31 6.3 12.67 9.69 3.57 11.62 10.42 11.13 2.24 4.51 13.65 2.23 4.47 8.74 9.35 3.41 0 0.81 12.35 0 0 8.86 2.02 9.79 0 13.91 0 0.33 3.26 4.6 10.83 12.06 6.68 6.75 4.61 0 2.22 21.65 29.38 30.2 6.97 12.35 6.47 11.38 4.37 12.44 4.52 25.16 9.63 4.2 1.15 8.91 2.83 3.34 1.85 3.69 8.67 5.43 3.51 0 4.66 3.62 10.63 0 1.52 12.07 7.72 6.14 4.46 6.02 0 1.95 13.38 0 0 0 0 0 0 0 0 0.74 10.34 10. Reyes / Dic.4 5.86 4.38 10.34 7.77 28.53 5.8 4.11 10.37 4.29 0 0.65 6.35 3.64 0 0 0 0 0 0 3.37 8.69 0 1.24 7.72 3.72 6.69 3.59 3.88 11.92 8.32 3. Q1 No.68 26.3 0.34 9.16 4.29 8.71 0 0 7.25 5.28 1.49 7.29 8.67 4.88 N1 Q2 0 2.68 8 11.58 7.54 9.23 0 2.41 9.74 0.72 20.07 4.17 5.68 3.29 21. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 A B C D E F 1 1 1 2 2 2 3 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 2 2 3 1 3 1 2 2 3 1 1 2 3 3 1 2 3 1 2 3 1 2 1 2 3 2 3 1 2 3 1 3 4 4 4 5 5 5 6 6 6 3 1 1 2 3 1 3 1 2 2 3 1 3 1 2 2 3 3 1 2 3 1 2 2 3 1 El arreglo externo y los datos obtenidos se muestran en la tabla siguiente: L18 M1 M2 Exp.Diseño de Experimentos de Taguchi P.96 0 6.55 6.27 0 4.5 3.49 1.62 0 3.17 1.84 6.26 4.86 1.26 13.33 9.92 6.74 0 1.84 6.76 8.96 4.13 1.29 4.44 5.69 14.53 14.78 9.62 4.7 1.74 13.07 .2 2.7 0 3.54 4.

82 3.85 3.45 OK Los datos se arreglan como sigue: L18 Q1N1 Q1N2 Q2N1 Q2N2 Q3N1 Q3N2 1 1 1 2 2 2 3 3 3 4 4 4 5 5 5 6 6 6 7 7 7 8 8 8 9 1.81 5.91 4.52 3.6 2.43 3.24 5.72 3.27 0 3.03 5.32 3.03 6.44 1.65 9.62 4.88 11.47 10.16 4.52 4.4 5.67 4.78 9.24 10.75 3.64 4.25 3.17 28.Diseño de Experimentos de Taguchi 16 17 18 0 0 0 4.53 11.07 7.11 7.65 6.28 1.57 11.68 26.81 3.79 8.14 4.39 3.62 4.6 12.15 2.93 4.91 2.61 9.5 2.29 4.8 3.72 3.34 7.57 9.85 2.63 4.59 3.05 0.68 3.55 6.4 1.9 P.07 7.48 2.79 6.86 2.46 2.65 29.68 8 12.35 25.29 8.98 3.35 6.75 4.82 4.86 0.27 8.58 2.75 4. 2006 0 0 0.44 7.25 9.78 9.35 3.62 4.64 0 0 0 0 0 0 3.16 0 1.65 0.62 10.25 10.72 6.88 2.67 5.74 3.92 6.47 6.64 1.62 0 0 28.11 5.59 6.04 4.02 9.13 1.39 5.63 6.4 Las instrucciones en Minitab son las siguientes: Stat > DOE > Taguchi > Create Taguchi design Number of factors 6 Design L18 1 column 6 levels.9 3.42 2.9 3.38 4.99 3.65 3.43 6.78 6.44 4.08 1.69 0 1.79 Pág 135 de 178 .48 6.74 7.61 1.11 4.34 10.21 5.69 0.94 0 0 4.34 1.33 3.21 4.42 4.42 4.07 2.81 3.83 3.69 3. 5 columns 3 levels (display available designs Mixed 3 – 6 levels) Seleccionar: Add a signal factor for dynamic characteristics Factors Signal Factor Name M Levels 0.9 10.31 8.59 3.3 4.73 2.92 8.37 12.2 2.54 4.59 3.74 3.96 4.38 3.62 4.85 4.38 4.13 30.41 0 1.67 9.31 6.52 9.38 4.96 3.25 0.36 10.38 10.6 11.38 4.72 6.52 4.84 6.17 0.49 0.1 9. Reyes / Dic.73 4.46 2.17 1.72 4.16 6.84 0 3.07 4.53 5.23 2.25 0 2.52 3.26 4.12 4.68 2.69 3.15 1.4 3.74 2.09 1.

07 0 1.4 2.2 1.38 11.29 0 0 0.46 4.76 7.47 6.79 5 4.77 15 14.95 13.81 5.07 7.12 4.56 3.61 9.41 9.35 0 6.55 5.25 1.28 0 2.38 4.49 1.23 1.03 5.75 Y se cargan al arreglo que genera Minitab: Pág 136 de 178 .38 12.51 0 6.58 8.25 5.29 3.34 9.84 6.38 3.28 1.86 4.82 3.Diseño de Experimentos de Taguchi 9 9 10 10 10 11 11 11 12 12 12 13 13 13 14 14 14 15 15 15 16 16 16 17 17 17 18 18 18 P.78 6.06 6.64 6.51 13.02 0 1.28 1.83 12.63 8.17 5.52 5.91 0 0 0 0 0 0 0 0 0 0 0.84 2.07 0 0 0 0 0 0 0.09 1.99 3.65 3.2 10.15 8.22 0 3.16 2.33 9.77 1.17 1.11 7.26 10.07 6.47 8.13 21.79 4.26 5.74 1.96 3.16 9.23 0 2.29 13.42 2.68 3.39 8.1 9.81 13.96 13.84 1.36 0 11. 2006 0 10.3 0.94 0 2.53 14.21 4.74 0 1.43 3.64 4.72 0 7.52 3.71 0 13.69 3.46 10.78 6.97 4.68 2.79 0 6.51 0 5.98 6.4 1.7 0 3.24 4.11 4.26 4.68 3.9 0 3.8 4.66 11.7 0 3.54 12.7 4.69 14.11 9.03 6.66 6.48 3.47 1.8 4.29 21.37 4.06 20.9 10.31 3.77 8.37 2.17 8.55 6.12 0 0.16 9.11 3. Reyes / Dic.22 8.39 6.19 1.23 1.18 4.7 1.

16 9.66 6.11 7.44 1.7 0 3.47 * * * 4 1 3 3 2 1 0.27 0 3.48 6.25 2.36 0 11.68 8 12.69 3.2 1.45 4.05 4.3 4.81 13.64 * * * 1 2 2 2 2 2 0.44 0 5 3 1 2 3 1 0.49 7.72 6.54 12.26 4.24 10.02 9.83 * * * 3 1 2 1 3 3 0.1 9.4993 30.16 2.13 28.3089 11.65 29.7 0 3.45 3.79 0 4 3 2 2 1 3 0.05 0 0.45 3.9 9.69 8.69 0.65 6.37 12.46 30.3326 12.78 9.28 4.07 4.8761 34.41 9.26 5.67 0 4 1 3 3 2 1 0.38 11.74 22.29 4.56 3.68 0 1 2 2 2 2 2 0.72 0 7.25 2.62 * * * 3 3 1 3 2 2 0.4 1.86 * * * 5 3 1 2 3 1 0.35 25.35 15.15 2.44 2.81 3.52 4.79 8.77 15 14.45 4.59 3.05 0 0 0 0 0 0 19.5 * * * 3 2 3 2 1 1 0.29 8.9069 17.29 21.11 7.63 6.19 1.6 2.54 0 1 3 3 3 3 3 0.73 * * * 2 1 1 2 2 3 0.8 4.74 0 1.91 * * * 5 2 3 1 2 3 0.75 3.43 3.05 1.68 3.12 0 * * * 5 2 3 1 2 3 0.17 28.52 3.05 1.91 4.25 5.363 0 2 2 2 3 3 1 0.11 9.61 9.28 0 2.72 6.57 9.68 26.93 4.05 0 0 0.25 3.25 1.38 12.25 1.74 7.88 19.92 * * * 3 2 3 2 1 1 0.0392 9.17 * * * 4 2 1 1 3 2 0.05 1.06 6.36 0.25 2.75 * * * 1 3 3 3 3 3 0.05 2.13 21.25 7.82 4.21 5.25 10.18 4.6 12.33 3.62 4.51 0 * * * 4 1 3 3 2 1 0.52 4.31 10.44 4.71 0 13.07 * * * 6 1 3 2 3 2 0.45 4.88 11.38 4.34 0 6 1 3 2 3 2 0.79 0 6.25 3.04 0 3 2 3 2 1 1 0.5441 9.72 3.16 * * * 1 1 1 1 1 1 0.79 5 4.4 5.59 * * * 2 1 1 2 2 3 0.7066 18.69 3.45 4.43 6.74 * * * 5 1 2 3 1 2 0.84 0 5 1 2 3 1 2 0.65 0.42 0 3 3 1 3 2 2 0.9 3.51 * * * 3 3 1 3 2 2 0.05 1.63 1. 2006 A B C D E F Desplazamiento Q1N1 Q1N2 Q2N1 Q2N2 Q3N1 Q3N2 SNRA4 SLOPE4 INT4 1 1 1 1 1 1 0.31 6.62 10.25 6.34 10.62 4.45 6.34 9.2 14.4482 10.77 8.86 2.77 1.9 3.67 * * * 2 3 3 1 1 2 0.45 12.7 18.07 6.73 2.4972 17.45 4.46 10.58 8.62 4.4 3.67 9.96 4.81 3.35 0 6.23 * * * 4 2 1 1 3 2 0.45 3.22 8.25 9.72 3.57 11.26 4.38 4.85 3.34 10.25 0 0 0 0 0.59 * * * 1 2 2 2 2 2 0.6 11.85 * * * 3 1 2 1 3 3 0.62 4.96 13.58 2.97 * * * 4 3 2 2 1 3 0.78 6.69 0 1.45 8.05 2.07 7.53 5.25 9.25 10.84 1.61 * * * 2 3 3 1 1 2 0.68 3.65 9.7 11.05 0 3.24 5.05 4.45 6.91 2.22 * * * 4 3 2 2 1 3 0.51 13.54 4.84 6.05 0 0 0 0 0 0 13.29 * * * 5 3 1 2 3 1 0.83 * * * 5 1 2 3 1 2 0.0203 34.37 2.02 0 1.43 * * * 2 2 2 3 3 1 0.23 0 20.6134 17.11 3.Diseño de Experimentos de Taguchi P.42 2.04 4.38 4.25 0.79 * * * Pág 137 de 178 .42 4.74 3.25 2.72 * * * 1 3 3 3 3 3 0.17 1.45 0 5.29 3.25 4.09 * * * 6 1 3 2 3 2 0.47 10.79 0 3.45 5.66 10.95 13.84 6.13 1.6634 12.47 8.289 0 5 2 3 1 2 3 0.34 1.05 1.08 1.25 0 10.27 8.15 1.25 10.78 9.25 2.15 0 1 1 1 1 1 1 0.29 13.68 2.06 20.45 1.11 4.63 4.45 0.9356 17.68 11.86 * * * 2 2 2 3 3 1 0.3 0.26 4.32 3.53 14.42 4.31 0 4 2 1 1 3 2 0.37 8.55 13.14 4.59 3.17 8.328 0 2 3 3 1 1 2 0.25 0 2 1 1 2 2 3 0.05 0 2.13 0 3 1 2 1 3 3 0.41 0 1.33 23.0658 4.24 17.15 8.17 0.49 1.67 5.38 10.68 3.92 6.2 10.61 9.2873 41.35 3.05 0 0 0 0 0 0 12.8 3. Reyes / Dic.25 6.69 14.74 3.76 7.53 11.85 4.

68 11.4 * * * 6 3 2 1 2 1 0.64 4.96 3.57 28.32 9.71 34.09 10.05 0 1.99 40.03 6.12 4.84 2.05 4.25 6.89 20.64 6.39 8. 2006 6 2 1 3 1 3 0.45 3.18 13.81 5.84 17.78 11.46 4.27 9.55 11.61.05 1 2 2 2 3 3 3 4 4 4 5 5 5 6 6 6 3 1 2 3 2 3 1 3 1 2 2 3 1 3 1 2 3 1 1 2 3 3 1 2 3 1 2 2 3 1 La salida de Minitab es la siguiente: Pág 138 de 178 .25 1.16 4.58 10.89 13.07 7.39 6.21 4.75 * * * El análisis se realiza con las siguientes instrucciones de Minitab: Stat > Taguchi > Analyze Taguchi Design Response Data in: Q1N1 Q1N2 Q2N1 Q2N2 Q3N1 Q3N2 Graphs: Signal to noise ratios / Slopes Analysis: Signal to noise ratios / Slopes Terms: A B C D E F Analysis graphs: Normal plot of residues Options: Fit all lines trhough a fixed point 0 0 Storage: Signal to noise ratios / Slopes OK La tabla de resultados manual es: L18 Factores de control Exp.52 3.07 * * * 6 3 2 1 2 1 0.1305 10.50 14.57 0 6 3 2 1 2 1 0.40 15.48 5.31 10. A 1 1 2 1 B C D E F Sensibilidad S/N 1 1 1 2 2 2 1 2 1 2 17.92 17.94 0 2.38 4.45 2.52 5.72 19.25 10.28 1.03 5.65 23.00 22.85 2 2 3 1 3 1 2 2 3 1 1 2 3 3 1 2 3 1 2 3 1 2 1 2 3 2 3 1 2 3 1 33.86 0 6 2 1 3 1 3 0.01 11.47 10.65 * * * 6 2 1 3 1 3 0.98 3.39 12.Diseño de Experimentos de Taguchi P.89 18.23 15.21 7.9 0 3.82 3.47 6.5932 13.47 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 3 3 3 17.55 6.65 19. 11. Reyes / Dic.20 17.78 4.20 15.38 3.99 3.45 13.38 18.

632 1.08 P 0.632 1.580 1.252 3.252 3.0160 -2.932 0.744 0.407 -0.2808 SE Coef 1.481 Linear Model Analysis: Slopes versus A. Q2N2.3130 0.932 323.943 0.631 1.435 0. B.63 9.485 89.742 44.632 1. F Estimated Model Coefficients for Slopes Term Constant A 1 A 2 A 3 A 4 A 5 B 1 B 2 Coef 17. F Taguchi Analysis: Q1N1.6 16.928 4.340 0. Q2N1. E.193 -1.315 0. C.6 27.6621 2.705 15. Q3N1.2861 0.632 1. E.485 89.361 11.692 0.2% T 13.838 23.2966 3.374 0.348 0.006 0. F Linear Model Analysis: SN ratios versus A.186 7.565 0.632 1.361 11.74 0.785 P 0.580 2. Q1N2.411 31. Q2N2. D.015 -0.896 Coef 15.969 Pág 139 de 178 Porc. C.425 1.080 0.242 -0.361 11.516 0. Q1N2.20 0. Q2N1.0 .932 Adj MS 17.9107 3.076 Adj SS 89.782 0.682 0. F Estimated Model Coefficients for SN ratios Term Constant A 1 A 2 A 3 A 4 A 5 B 1 B 2 C 1 C 2 D 1 D 2 E 1 E 2 F 1 F 2 S = 4.411 31.659 0.574 0.856 9. E. C. 2006 Taguchi Analysis: Q1N1.026 0. C.5822 4.87 0.6102 1.676 47.2034 -0.733 25.827 0.66 1.632 1. B.712 0.361 11. D. De contribución 27.515 R-Sq(adj) = 0.580 2.868 0.8211 -0. D.9453 -2. E.632 R-Sq = 85.3073 -0.836 0.248 -0.072 0.741 0.967 0.3150 -2.5787 1. E. D.154 2.632 1.850 1.719 -0. Q3N2 versus A.186 T 3.6570 -1.081 11.781 -1. Reyes / Dic.465 51.865 0.465 51.380 0.0157 1. B.8275 1.597 0.0972 3.096 0. C.580 2.Diseño de Experimentos de Taguchi P.0% Analysis of Variance for SN ratios Source A B C D E F Residual Error Total DF 5 2 2 2 2 2 2 17 Seq SS 89.966 F 0.3106 SE Coef 5.043 P 0. Q3N1.622 1.632 1.417 0.532 -0.4705 -1.624 0.188 -0.457 0. B.856 9.361 7.387 0. F Linear Model Analysis: SN ratios versus A.4809 2.982 0.07 1.8051 -0. D.604 0.228 0.244 0.580 2. Q3N2 versus A.1134 1.632 1. B.676 47.

42 17.129 0.9281 0.21 0.634 -0.49 15. 2006 R-Sq = 48.577 0.35 F 18.0% Analysis of Variance for Slopes Source A B C D E F Residual Error Total DF 5 2 2 2 2 2 2 17 Seq SS 218.186 7.43 16.26 10.15 0.62 E 22.983 Response Table for Signal to Noise Ratios Dynamic Response Level 1 2 3 4 5 6 Delta Rank A 13.24 0.186 7.12 17.622 0.64 16.88 4 5.00 1 B 21.58 16.094 464.68 3 Response Table for Slopes Level 1 2 3 4 5 6 Delta Rank A 15.63 2 7.Diseño de Experimentos de Taguchi C C D D E E F F 1 2 1 2 1 2 1 2 2.591 0.13 13.720 0.63 5 3.828 0.99 82.01 5 8.3744 S = 21.87 18.118 96.909 0.00 142.80 22.186 7.963 R-Sq(adj) = 0.9605 -2.16 16.384 112.99 82.90 17.186 7. Reyes / Dic.99 17.623 0.24 192.32 16.09 0.06 E 17.08 0.412 0.806 0.5% 0.23 6 Las graficas factoriales se muestran a continuación: Pág 140 de 178 .39 F 16.918 0.65 21.94 6 5.186 7.9629 0.33 D 14.00 142.52 3 2.43 16.19 929.693 F 0.052 0.23 18.19 929.53 22.86 12.86 16.867 0.03 1 B 15.186 7.495 41.81 18.599 71.77 224.47 2 1.98 16.64 6.412 -0.597 0.720 0.67 13.26 14.50 14.802 0.57 18.56 7.24 192.46 6.24 4 3.75 13.28 15.00 Adj SS 218.89 15.02 P 0.03 D 13.5558 -2.09 0.285 -0.09 C 12.186 P.91 15.0493 -4.16 15.1487 4.26 18.39 1806.4780 4.35 C 20.186 7.49 12.77 224.39 Adj MS 43.216 8.984 0.

69) = 30.0 1 2 3 4 5 6 1 2 E 3 1 2 F 3 1 2 3 1 2 3 D 18.12 La Beta 1 estimada es:  ˆ1  A5  B1  C2  D2  E1  F1  5T Beta 1 = 18.5 15.0 Mean of SN ratios 16.63-5(15.0 16.4) = 25. Reyes / Dic.0 1 2 3 Dynamic Response: Signal reference 0 Response reference 0 Main Effects Plot (data means) for Slopes A 24 B C 21 Mean of Slopes 18 15 12 1 2 3 4 5 6 1 D 24 2 3 1 E 2 3 F 21 18 15 12 1 2 3 1 2 3 1 2 3 Dynamic Response: Signal reference 0 Response reference 0 La S/N estimada seleccionando los factores significativos que maximizan la respuesta S/N es la siguiente:  S / N  A5  B1  C2  D2  E1  F1  5T S/N = 18.1+18.31+16.55 Pág 141 de 178 .8-5(17.81+22.04+15.16+22.08+16.0 13.0 13.5 12.5 15.6+15.79+21.5 12.Diseño de Experimentos de Taguchi P.4+18.4+17. 2006 Main Effects Plot (data means) for SN ratios A B C 18.

se eliminarán muchos síntomas potenciales (factores de ruido) en las etapas posteriores de desarrollo. junto con una adecuada selección de factores de ruido y parámetros de diseño en un diseño de parámetros robusto. 2006 Con la opción de Predicción de Minitab Stat > DOE > Taguchi > Predict Taguchi Results Predict Slope Signal to noise ratio Terms A B C D E F Levels: Select levels from a list 5 1 2 2 1 OK Los resultados son los siguientes: Predicted values S/N Ratio Slope 24. Cuando se define una buena función ideal y se usa la relación dinámica S/N como la medición de robustez. En la etapa de diseño de un producto/proceso. El uso de S/N dinámica como medición de la robustez derivada de la función lineal ideal. Si se logra la robustez. En resumen enfocándose a la calidad funcional y usando S/N dinámica se asegura la calidad funcional y se reduce el tiempo de desarrollo. 2. material o señal. Reyes / Dic.0547 Factor levels for predictions A B C D E F 5 1 2 2 1 1 Calidad funcional y relación S/N dinámica La calidad funcional se expresa por la función ideal.Diseño de Experimentos de Taguchi P. relacionada directamente con el proceso de transformación principal ya sea de energía. se alcanzan diversos objetivos: 1. 3. de esta manera se garantiza que el sistema tiene excelente controlabilidad. Una mayor relación S/N significa que el sistema sigue la función ideal con la mínima cantidad de variación. claramente penaliza: Pág 142 de 178 . La meta del diseño robusto de parámetros es hacer que el sistema realice su función principal consistentemente bajo la influencia de factores de ruido.9579 30. el objetivo más importante es asegurarse que el producto desarrolle su función principal correctamente y de manera consistente.

Diseño de Experimentos de Taguchi P. se puede el procedimiento de optimización para ajustarla al objetivo. Si se requiere una sensibilidad objetivo. que no sea ni muy baja ni muy alta. Reyes / Dic. Las interacciones entre factores de control no son deseables. 2006  La variación – es indeseable.  La no linealidad – que es una forma de complejidad desde el punto de vista del diseño axiomático (se prefiere el concepto más sencillo). las interacciones introducen complejidad. L18 y L36.  Baja sensibilidad – una alta sensibilidad es una propiedad deseable. ya que elimina la aditividad de los efectos lo que aumenta la complejidad. debido a que en esos arreglos las interacciones están confundidas uniformemente en todas las columnas. Cuando existen varias no linealidades en la relación señal / respuesta se puede complicar demasiado en un ambiente de producción masiva. en el diseño robusto dinámico se sugieren los arreglos L12. las relaciones S/N se pueden tornar incontrolables o impredecibles. Desde el punto de vista del diseño axiomático. Pág 143 de 178 . por lo que un diseño con interacciones no es una selección adecuada de diseño. La linealidad es una propiedad deseable de la señal. lo que equivale a tener ruido.

Se pensó en hacer un experimento para identificar el problema. DATOS POR ATRIBUTOS Los datos por atributos están en forma discontinua. Para mejorar la potencia de discriminación se pueden utilizar datos con más clases por ejemplo: Clase 1 2 3 4 Descripción Sin defecto Defecto ligero Defecto moderado Defecto severo Entre mayor sea el número de clases mejora su habilidad para detectar corrimientos en la media o en la variabilidad. en esta etapa del proceso el costo es más alto. 1 Frecuencia de % de ocurrencias ocurrencias Caso II Análisis acumulativo Ejemplo 6. Reyes / Dic. a un alto costo. defectivos. el problema se detecta al maquinar las carcasas después de la fundición.1: Fracturas en carcasas de transmisiones a) Pasa no pasa En tiempos recientes se han encontrado entre 10 y 15% de carcasas defectuosas. o 0 y 1.) entre ocurrencias y no ocurrencias. Estos datos con dos clases producen menos discriminación que los datos por variables. etc.Diseño de Experimentos de Taguchi P. con valores discretos tales como bueno o malo. Tamaño de muestra Una regla general es captar un mínimo de 20 muestras de la clase con la menor frecuencia (defectos. los factores que identificó el equipo de trabajo fueron los siguientes: Pág 144 de 178 . Una solución contingente fue seleccionar al 100% estas caracasas con tinta penetrante. entre menor sea la tasa de falla mayor será el tamaño de muestra. definitivamente algo ha cambiado en el proceso. 2006 6. Métodos de análisis Se tienen varios casos como se muestra a continuación: Dos clases Más de dos clases Ocurrencias y no Sólo las ocurrencias son ocurrencias conocidas conocidas Caso I Caso III ANOVA ANOVA Datos 0.

1 2 3 4 5 6 7 8 A Col. 2 3 1 1 1 1 2 2 2 2 B 1 1 2 2 1 1 2 2 Col. No. Col. Col. SST = T – T^2/N SST = 1^2+1^2+………+0+0 – 16^2/ 192 = 16 – 16^2/192 = 14. a una tasa de defectos del 10%. Por tanto para el primer experimento se tienen 4 unos y 20 ceros. se necesitan al menos 200 muestras. 2006 Factor A Temperatura B Tiempo C Tasa de enfriamiento Nivel 1 Producción Producción Producción (ventilador) Producción (un ciclo) D Limpieza con chorro de arena Nivel 2 Más alta Menor tiempo Sin ventilador Más ciclos Como se requieren 20 defectivos.021 Columna 5 SSeb (10-6)^2/192=0. Los factores se asignaron a un diseño ortogonal L8 como sigue: L8 Col.188 SSC = (C1-C2)^2 / N = (9-2)^2 / 192 = 0.521 SSAB=(AxB1-AxB2)/N= (5-11)^2/192=0.083 Columna 6 Pág 145 de 178 .667 SSA = (A1-A2)^2 / N = (8-8)^2/192 = 0 SSB = (B1-B2)^2 / N = (13-3)^2/192 = 0. Col.Diseño de Experimentos de Taguchi P. Reyes / Dic.1 Exp.083 SSea (9-7)^2/192 = 0.021 SSD = (D1-D2)^2 / N =(10-6)^2 /192 = 0. 6 7 e 1 2 2 1 1 2 2 1 Carcasas D 1 2 2 1 2 1 1 2 Total Def 4 1 1 2 4 4 0 0 16 Buenas 20 23 23 22 20 20 24 24 176 = 192 No funciona con Minitab Los productos malos se codifican con un 1 y los buenos con 0. 4 5 AxB C 1 1 2 2 2 2 1 1 1 2 1 2 1 2 1 2 e 1 2 1 2 2 1 2 1 Col.

083 0.75 con (N-1-7) gl = 184 gl.188 0.95 2. 2006 Se tienen dos fuentes de error: e1 a partir de las columnas restantes e1 = 0.0 0.052 0.75 14.521 0.083=0.104 e2 en base a las repeticiones en cada intento: e2 = SST – SSA – SSB – SSAB – SSC –SSD – Sse1 e2 = 13.021 0.083 0. La tabla ANOVA se muestra a continuación: Fuente A B C D AxB e1 e2 T SS 0.51 La interacción es significativa para una alfa del 15% y la gráfica de la interacción queda como: Los promedios de las respuestas para las diferentes combinaciones de los niveles A y B son: A1B1= 2.5 A1B2 = 1.021 + 0.0 0. Reyes / Dic.075 F SS p 6.Diseño de Experimentos de Taguchi P.188 0.021 0.521 0.5 A2B1= 4 A2B2 = 0 Pág 146 de 178 .104 13.667 v 1 1 1 1 1 2 184 191 MS 0.

que está en función de la frecuencia acumulada de ocurrencia en esa clase.Diseño de Experimentos de Taguchi P. Reyes / Dic. 3 23 23 24 24 24 24 24 24 190 Clase acum. 2006 Como se puede observar la mejor condición se obtiene en A2B2 (tiempo corto. 4 24 24 24 24 24 24 24 24 192 Total 24 24 24 24 24 24 24 24 192 Paso 2. 2 22 23 23 22 24 22 24 24 184 Clase acum. b) Defectos en varias categorías Si ahora se clasifican los defectos en varias categorías se tiene: Severidad Sin fracturas Fractura ligera Fractura moderada Fractura severa No. de Clase 1 2 3 4 Paso 1. Se hizo un experimento de comprobación resultando de 300 carcasas ninguna con defecto. Calcular un valor de ponderación para cada clase. Crear una tabla de defectos por clase acumulativa: Experimento 1 2 3 4 5 6 7 8 Totales Clase 1 20 23 23 22 20 20 24 24 176 Clase 2 2 0 0 0 4 2 0 0 8 Clase 3 1 0 1 2 0 2 0 0 6 Clase 4 1 1 0 0 0 0 0 0 2 Total 24 24 24 24 24 24 24 24 192 Experimento Clase acum. alta temperatura). La fórmula para la ponderación de la clase es: Pág 147 de 178 . 1 1 20 2 23 3 23 4 22 5 20 6 20 7 24 8 24 Totales 176 Clase acum.

98 T2 184 2 SST2  T2  2  184   7.01 T3 ( N  T3 ) 190(196  190) La suma de cuadrados para cada clase se multiplica por la ponderación de la clase para obtener una suma ponderada de cuadrados.666 N 192 Pág 148 de 178 .09 = 191.66 N 192 SST1*W1 = 14.Diseño de Experimentos de Taguchi W i P.04 T2 ( N  T2 ) 184(196  184) W 3 N2 192 2   97. Reyes / Dic. Determinación de la suma total de cuadrados SST SST  Clases  SST W i i 1 SSTi  Ti  i Ti 2 N En este ejemplo SST = SST1*W1+SST2*W2+SST3*W3 Para la primera clase: T12 176 2 SST1  T1   176   14. 2006 N2 Ti ( N  Ti ) Donde N es el número total de pruebas Ti son las ocurrencias acumuladas en la clase i Por tanto: W 1 N2 192 2   13.09 T1 ( N  T1 ) 176(196  176) W 2 N2 192 2   25. Paso 3.66*13.

0(13. Los grados de libertad para cada columna es gl = gl A (3) = 3 Los grados de libertad totales son (N-1) (clases) = 191(3) = 573 La tabla ANOVA se muestra a continuación: Fuente A B C D AxB e1 e2 T SS 4.37 3.94 Paso 4.Diseño de Experimentos de Taguchi P.0208(97.667 0.1 93.0833(25.26 1.18 5.37 3.01) = 4.99 SST = SST1*W1+SST2*W2+SST3*W3= 575.12 1.1 De esta misma forma se calculan las otras columnas.09) + 0. Reyes / Dic. Calcular las sumas de cuadrados para las columnas para cada clase: ( A1i  A2i ) 2 SSAi  N SSA  Clases  SSA W i i 1 i Del arreglo L8: SSA1 = (88-88)^2/192 = 0 SSA2 = (90-94)^2/192=0.31 1 F 1.04 = 191.667 Pág 149 de 178 SS p .01 = 191.4) + 0.69 576 v 3 3 3 3 3 6 552 573 MS 1.88 551.979*97.97 SST3  T3  T32 190 2  190   1.36 0.060 1.0833 SSA3 = (94-96)^2/192=0. 2006 SST2*W2 = 7.979 N 192 SST3*W3 = 1.0 1.0208 SSA = 0.12 0.666*25.79 3.

Caso de datos por atributos: Solo las ocurrencias conocidas En esta situación la frecuencia de ocurrencias se puede tratar como con datos variables por medio de una ANOVA estándar.25% Clase 4=0% En el nivel A2B1: Clase 1=83. 2 3 Col. el análisis acumulativo funciona mejor cuando la distribución de ocurrencia de defectos se distribuye en las diversas clases.2% Clase 4=0% En el nivel A2B2: Clase 1 = 100% Clases 2.5% Clase 3=4. 2006 El resultado es similar al del ejemplo con dos clases. etc.4 = 0% Esta es la combinación de niveles que se selecciona. Por ejemplo: número de imperfecciones superficiales en las partes.2% Clase 3 = 2. Col.3% Clase 2=12.3. 1 2 3 4 5 6 7 8 Col.2% En el nivel A1B2: Clase 1 = 93. 6 7 A B AxB C e e D Clase 1 Clase 2 Clase 3 Clase 4 1 1 1 1 2 2 2 2 1 1 2 2 1 1 2 2 1 1 2 2 2 2 1 1 1 2 1 2 1 2 1 2 1 2 1 2 2 1 2 1 1 2 2 1 1 2 2 1 1 2 2 1 2 1 1 2 20 23 23 22 20 20 24 24 2 0 0 0 4 2 0 0 1 0 1 2 0 2 0 0 Si consideramos la interacción AB como significativa se tiene: En el Nivel A1B1: Clase 1= 43/48 = 89. Col. Reyes / Dic.1 Exp. Transformación Omega para suma de porcentajes De los datos originales: L8 Col.75% Clase 2=0% Clase 3=6. 4 5 Col. Col.6% Clase 2 = 2/48 = 4. Pág 150 de 178 1 1 0 0 0 0 0 0 . No.Diseño de Experimentos de Taguchi P.1% Clase 4 = 4.

958 1   (0.58+10.358)=1/p – 1 1.9166 1   (0.9579 = 95.41 0 . 2006 Si se hubiera seleccionado la combinación A1B2.9166 1   (0.958)  10 log  1  13. 9166   La respuesta estimada es: (  )  ( A1B 2)  ( A1B 2)  (Y ) = 13. Reyes / Dic.Diseño de Experimentos de Taguchi P.58  0.66% = 0.9166)  10 log  1  10. se podrían sumar los porcentajes trasformando los valores con la transformación Omega (rel.41 0 . Pág 151 de 178 .358 = log(1/p -1) 10^(-1.79% Así sucesivamente para las otras clases en caso de que haya necesidad de sumar porcentajes.66% = 0.41 – 10.9166)  10 log  1  10.41= 13. S/N):  1   1  p  ( p )  10 log Donde p es un porcentaje. Para estimar los porcentajes se estima el porcentaje promedio en cada clase: Promedio de la clase 1 general = 176/192 = 91.58 Haciendo la operación inversa se tiene: 13.8% = 0.58 =. 9166   Para la clase 1 se tiene en A1B2 el 23/24=95.10*log(1/p – 1) despejando a p se tiene: -1.958  Para la clase 1 se tiene en A1B2 el 22/24=91.04385 = 1/p p= 0.

las puertas deben abrir y cerrar fácilmente y deben ajustar bien en las otras partes. los paneles de la carrocería deben estar bien colocados”. Atributos y tolerancias del cliente (QFD) Requerimientos funcionales (FRs) y tolerancias Requerimientos de parámetros de diseño (DPs) y tolerancias Variables del proceso de manufactura (PVs) y tolerancias Proceso de desarrollo de tolerancias Tolerancia: es la desviación permisible de un valor especificado o estándar. en sus dimensiones. La mayoría de sus requerimientos son dimensionales. puede ser que la puerta sea difícil de abrir o cerrar o muestre aberturas indeseables con la carrocería. Reyes / Dic. 2006 7. Es muy fácil que el cliente esté insatisfecho si la puerta tiene variaciones moderadas en algunos mm. normalmente se requiere para alcanzar los objetivos de requerimientos funcionales FRs. Por ejemplo. compartimientos de pasajeros. DISEÑO DE TOLERANCIAS Las tolerancias utilizadas inicialmente se trata de que sean lo más amplias posible por consideraciones de costo. tales como proteger a los clientes. Después es necesario identificar los requerimientos funcionales (FRs) relacionados con el cliente que no se cubren con los métodos de optimización de diseño de parámetros. Por lo anterior se podría Pág 152 de 178 . Estrechando las tolerancias y mejorando los materiales y otros parámetros.  Tolerancias en los requerimientos funcionales (FRs): Después de analizar los requerimientos del cliente y ver “como trabajan los paneles” se pueden determinar tolerancias dimensionales para los paneles.  Atributos y tolerancias del cliente: los requerimientos del cliente se expresan en términos vagos como “el coche debe parecer fresco. Ejemplo: Dimensiones de paneles de automóvil Los paneles de los automóviles tales como puertas y toldos tienen muchos requerimientos funcionales. después se optimiza el diseño del producto y del proceso a través de una combinación adecuada de parámetros de diseño (DPs). compartimiento del motor y proporcionar una vista agradable.Diseño de Experimentos de Taguchi P.

x2.. ….  Tolerancias en parámetros de diseño (DPs): Los paneles de automóviles se fabrican soldando otras partes más pequeñas de metal. las partes de metal se fabrican en un proceso de estampado. xn) Requerimientos y Tolerancias de alto nivel (FRs) Se enfrentan tres mayores problemas en el diseño de tolerancias: 1. Reyes / Dic.  Tolerancias de variables del proceso (PVs): Las variables del proceso incluyen requerimientos en los dados. Las tolerancias del cliente se definen como “los límites de tolerancia para los cuales el 50% de los clientes estarán insatisfechos si se exceden”.Diseño de Experimentos de Taguchi P.. De su valor nominal. 2006 determinar que las dimensiones de los paneles se encuentren dentro de 2mm. Ty  o Y = f(x1. Los requerimientos funcionales deben satisfacerse con una variación mínima. requerimientos en los mixtures y requerimientos del estampado. 2. Si el diseño de parámetros es insuficiente para limitar la variación de las FRs. Controlar la variabilidad. el diseño de tolerancias es esencial. El proceso de establecimiento de tolerancias incluye establecer tolerancias en esos requerimientos. Cumplir con los requerimientos funcionales satisfactoriamente. Mantener el costo del ciclo de diseño y desarrollo en bajo nivel. Las tolerancias amplias son menos costosas y hacen que la manufactura sea más sencilla. 3. El proceso se puede esquematizar como sigue: Requerimientos y Tolerancias de bajo nivel (DPs. DVs) Txi  i ……….. Por tanto se deben establecer tolerancias para los subensambles de metal estampados. x3. Pág 153 de 178 .

. para i = 1 a 10... Ejemplo 7.  Tn  1   2  . con el método de escalado proporcional si se multiplica por 0. xn )  T1 T 2.1”. Reyes / Dic..  n T   0  Max f ( x1. tiene espesor Ti = 0. x2 .... x2 ..01”... así como diseño de experimentos de tolerancia.... Pág 154 de 178 ...  Método tradicional: incluye el análisis de tolerancias del pero caso... Tolerancia del peor caso: análisis lineal La tolerancia del peor caso se expresa como: T  0  Min f ( x1. En el caso de partir de una tolerancia de la pila de o = 0. el límite de tolerancia para la pila es de o = 0.  n Obviamente:  0  1   2  .  Método de Taguchi: incluye la relación entre la tolerancias del cliente y la tolerancia del proveedor.02”... y análisis de tolerancias basadas en el costo. Distribución de tolerancias: Si se determinan las tolerancias de bajo nivel a partir de una tolerancia de alto nivel.. 2006 Una técnica utilizada en las partes mecánicas son las Tolerancias y Dimensionado Geométrico (GDT)...   n Análisis de tolerancias: Si se determina la tolerancia de alto nivel con base en tolerancias de bajo nivel...  Tn  1   2  .. el límite de tolerancia para la pila es de o = 0. con tolerancia i = 0..1: Placas de metal Una pila de 10 placas de metal se unen como sigue: Espesor Xi y = x1 + x2 + x3 + …. Se tienen dos métodos de diseño de tolerancias: el método tradicional y el método de Taguchi.002”.Diseño de Experimentos de Taguchi P.. para i = 1 a 10..01”.001”. xn )  T1 T 2.. análisis estadístico de tolerancias..+ x10 Si cada placa de metal i.5 la tolerancia de cada placa i = 0.

se asume que A tiene una dimensión de 2.000  0. 2006 Ejemplo 7. 1. Asumiendo que el espacio y = C – A – B debe estar entre 0. Reyes / Dic. o sea Tc. c. ’c.001 y 0.001” y B.2: Tolerancia de un espacio de alivio Se trata de determinar la tolerancia de C. Pág 155 de 178 .0001”.006”. se trata de determinar los límites de tolerancia para C.Diseño de Experimentos de Taguchi P.000  0.

Reyes / Dic. Tr nominal = 9.3: Fuente de alimentación Una fuente de 100V.01 H.999 T+’c = 3.64 .004 Se puede seleccionar T = 3.003 T+c = 0.006)) 2 2 Pág 156 de 178  11.Diseño de Experimentos de Taguchi P. La tolerancia del cliente para el circuito es y = 10  1ª.0035  0.5  1)  (2 * 3. Verificaremos si las tolerancias de los componentes son adecuadas:    Max( y )   100 Max ( y )  Max  R 2  (2fL) 2  100 (9.0005 Ejemplo 7. r = 1 ohm.5 ohms. f hertz alimenta a una resistencia R en serie con una inductancia L con una corriente I en amperes y: y 100 R  ( 2fL ) 2 2 Si F = 50 Hz.999 – 0.001 – 1.006 = Max(C –B –A) = T+’c – 1. L = 0. 2006 C Y=C–A-B B A Tolerancia del ensamble T-’c = 0.001  0. L = 0.14159 * 50 * (0.001 T-’c = 3.001= Min (C – A – B) = T-’c – 2.006 H.

quedando como:  R  0..001)) 2 2  9. se puede multiplicar en proporción p = 1/1.54 = 0.006)) 2 2   8.001  0.14159 * 50 * (0. df/dL = 98.14159 * 50 * (0.004 Pág 157 de 178 .54 R L Muy cercano al cálculo anterior..006 * 0.006  1.  n x1 x2 xn Del ejemplo anterior para la corriente y se tiene: f 100 R  2 R R  ( 2fL) 2   3/ 2 Con R = 9.Diseño de Experimentos de Taguchi  Min( y )  Min   Min( y )   R 2  (2fL ) 2  100 (9..01.65 a la tolerancia de R y de L.5 df/dR = 0.. Si se quiere reducir o a 1.948 f 100(2f ) 2 L  3/ 2 R R 2  (2fL) 2   Con L = 0.65 *1  0.948 *1  98.53 Y 0  f f R   L  0.53 * 0.65  0.99 En este caso no se cubre la tolerancia del cliente desde el punto de vista del peor caso. 2006  R 2  (2fL) 2  100 (9.65  L  0.0..59  100  E ( y)   100  E ( y)  E P. Reyes / Dic.. Tolerancia del peor caso: análisis no lineal En este caso de acuerdo a la expansión en serie de Taylor y a los autores Chase y Greenwood (1988) el límite de tolerancia es: 0  f f f 1   2  .5  1)  ( 2 * 3.5)  ( 2 * 3.

. i = 1 ...Diseño de Experimentos de Taguchi P. …. es una función lineal: y  f ( x1 . x2 .. 2.. Si la ecuación de la función de transferencia entre los requerimientos de alto nivel y los parámetros de bajo nivel o variables x1... se tiene: Cp   LSE  Ti Ti  LIE   i 3 3 3 i  i  3Cp i para cada xi  0  3Cp 0 para alto nivel Pág 158 de 178 . x2. xn.. sin embargo puede dar tolerancias muy cerradas con costos altos. se utiliza la tolerancia estadística.  an2 n2 Los pasos para determinar la tolerancia estadística son los siguientes: 1. Cp y i.….. 2i) para i = 1.. Reyes / Dic. n identificar i. Para cada característica de bajo nivel Xi. Con base en que al mismo tiempo se presente una tolerancia muy baja o muy alta en todos los componentes tiene una probabilidad muy baja.. Ya sea de datos históricos o experiencia. xn )  a1 x1  a2 x2  .... Identificar la función de transferencia y = f(x) entre los requerimientos de alto nivel y y los parámetros de bajo nivel. Cp  LSE  LIE 6 Si el proceso está centrado (la media del proceso es igual a la media especificada)..  an xn Se tiene la siguiente relación entre las varianzas del producto de alto nivel y las de los componentes o parámetros de bajo nivel: Var ( y )   2  a12 12  a22 22  . 2006 Tolerancia estadística La tolerancia del peor caso protege contra todo tipo de variaciones en los componentes asegurando que se cumpla la tolerancia de alto nivel.….n) que se asumen independientes. basada en la distribución normal del comportamiento de los componentes y del producto de alto nivel (xi = N(i.

Utilizar la ecuación de [Cp = Delta cero/3 sigma ] para calcular el requerimiento de Cp de alto nivel (debe ser al menos 1. 4.0. el límite de tolerancia para la pila es de o = 0.33 se tiene: i  i 0.002   0. para i = 1 a 10. Seleccionar el Cp deseable.+ x10 Si cada placa de metal i. Determinar la varianza de alto nivel y con la ecuación anterior. por ejemplo Cp = 2.0005 3Cp 3 *1.. Si se asume que el Cp requerido de alto nivel es de 2 y para componente de 1. con tolerancia i = 0. 2006 3. si no continuar. Si se cumple terminar. 5.33 Pág 159 de 178 . tiene espesor Ti = 0.1”.002”.33).Diseño de Experimentos de Taguchi P. Reyes / Dic. la varianza requerida es:  0  2   req    3Cp  2 Bajando esta varianza de alto nivel a los p componentes: n 2  req  p 2  ai2 i2 i 1 p 2  req n a  i 1 2 i 2 i La varianza y tolerancia de bajo nivel se determinan como sigue:  inueva  p 1  i  3Cp inueva Ejemplo 7.4 – Ejemplo de placas revisado Una pila de 10 placas de metal se unen como sigue: Espesor Xi y = x1 + x2 + x3 + ….02” con dimensión T = 1.

Diseño de Experimentos de Taguchi P. se tiene: Cp   LSE  Ti Ti  LIE   i 3 3 3 i  i  3Cp i para cada xi  0  3Cp 0 para alto nivel Pág 160 de 178 . 2.00158 Y para y se tiene: Cp  0 0.15. Si no se cuenta con la ecuación. Identificar la función de transferencia y = f(x) entre los requerimientos de alto nivel y y los parámetros de bajo nivel.. Este ejemplo muestra que las tolerancias con el método del pero caso sobrediseña las tolerancias.21 3 3 * 0. 2006 Y la varianza es: 10  2    i2  10 * 0.02   4. …. i = 1 .0000025 i 1 Y Sigma = 0. Reyes / Dic. Ya sea de datos históricos o experiencia. Para cada característica de bajo nivel Xi. Los pasos para determinar la tolerancia estadística son los siguientes: 1.00158 Este es un Cp muy alto aun si se reduce o a 0. n identificar i. Cp y i.00052  0.01 todavía el Cp es 2. Tolerancia basada en el costo El objetivo de un diseño óptimo basado en tolerancias es encontrar una estrategia óptima que repercuta en un costo total mínimo (costo de reducción de la variabilidad + pérdidas de calidad). Cp  LSE  LIE 6 Si el proceso está centrado (la media del proceso es igual a la media especificada). se puede utilizar la simulación en computadora o un modelo empírico derivado de un DOE.

Determinar la varianza de alto nivel 2y. Utilizar la ecuación de [Cp = Delta cero/3 sigma ] para calcular el requerimiento de Cp de alto nivel (debe ser al menos 1. Seleccionar el Cp deseable. se pueden utilizar las sensibilidades para sustituir las derivadas parciales. Si se cumple terminar. si no continuar.33). Bajando la varianza de alto nivel a los p componentes: n  f  xi 2  req  p 2  pi2  i 1 p 2    i2  2  req  f p   i 1  xi n 2 i 2    i2  La varianza y tolerancia de bajo nivel se determinan como sigue:  inueva  p 1  i  3C p ppi i Ejemplo 7. f hertz alimenta a una resistencia R en serie con una inductancia L con una corriente I en amperes y: Pág 161 de 178 . 2006 3. Pi es un factor de escala para la reducción óptima de la tolerancia. 4. por ejemplo Cp = 2. 5. Reyes / Dic.Diseño de Experimentos de Taguchi P. la varianza requerida es:  0  2   req    3Cp  2 Para cada Xi calcular: pi  Ci (f ) i2 Ci es la reducción en costo unitario (por unidad de cambioo en la tolerancia de Xi) f es el cambio incremental en el requerimiento de y para cada cambio unitario en Xi.5: Circuito L-R revisado Una fuente de 100V.

2 * 0. Reyes / Dic. La tolerancia del cliente para el circuito es y = 10  1ª y un Cp de 2 es deseable.33  f     R  2  f     R  2   R (100 R) 2 2  ( 2fL ) 2  3 (100(2f ) 2 L) 2 R 2  ( 2fL ) 2 2 2 f   f  2 2  R   L  R  L       i2    3  0.5 ohms.20.003H a un costo de $0.006   0.0015  0.01 H. Se asume que los Cps de R y L son 1.33.1667 3* 2 La varianza de la corriente del circuito es:  f  xi n 2  req  p 2  pi2  i 1 2   R  R 1   0.899  9708. r = 1 ohm.5 y L = 0.25  9708. La desviación estándar requerida es: 2  0  2   req    3Cp   1  0.15 y que la tolerancia del inductor L se puede reducir a 0.Diseño de Experimentos de Taguchi P. L = 0.279 Pág 162 de 178 .33 L  L 0.078  R  L     2  req    0.2 Con R = 9.006 H. Se asume que la tolerancia del resistor R se puede reducir a 0.25 3C p 3 * 1.01 De esta forma: 2 2  f   f  2 2 2 2  R    L  0. L = 0.899 * 0. 2006 100 y R  ( 2fL ) 2 2 Si F = 50 Hz.5 ohms a un costo adicional de $0.078  0. Tr nominal = 9.0015 3C p 3 * 1.

20 pL    0. 2006 Dado que    req no se puede satisfacer al cliente con el Cp de 2.2 * 0.295 A L Por tanto reducir R es más efectivo en costo que reducir L.53 * 0.Diseño de Experimentos de Taguchi P.003  0.15   0. Ahora se calcula pR: C R 0. Reyes / Dic.252  0.1667 0.5  0.474 A R (f L )  f  L  98.474 C L 0.332 .948 * 0.316 2 (f ) R 0. se tiene: p 2  req  f p   i 1  xi n 2 i 2     i2 p 0.0015 2 2 Los nuevos límites de tolerancia para R y L son: Pág 163 de 178  1.678 2 (f ) L 0.295 pR  Obtenido de: (f R )  f  R  0.899 * 0.6782 * 9708.316 * 0.

33 *1. y se despeja el límite de tolerancia del productor  se tiene:    A 0  0  0 A0  A0 A Pág 164 de 178 .0015  0. la función de pérdida es: L( y )  L( y )  Ao 2  0 Si L(y) se pone igual al costo de reparación A.678 * 0.42  L  3C p pp L L  3 *1. Reyes / Dic. cuando se excede se incurre en un costo Ao Lo recomendable es que si el costo del productor de corregir un defecto o reparar el producto antes de su envío es A < Ao cuando la característica se desvía  de la meta se repare el producto y no se envíe al cliente. Caso Nominal es mejor Para el caso de Nominal es mejor la función de pérdida se muestra a continuación: Pérdida de calidad T-o T- T T+ T+o Función de pérdida.0054 H Función de pérdida de Taguchi y diseño de tolerancias para seguridad Taguchi desarrolló un método de diseño y asignación de tolerancias considerando costos. El componente más importante del costo es la pérdida de calidad debida a una desviación de los requerimientos del nivel ideal requerido.332 * 0. 2006  R  3C p pp R R  3 *1.25  0.Diseño de Experimentos de Taguchi P. tolerancia del cliente y del productor La función de pérdida se puede expresar como: Ao ( y  T )2 0 o es la tolerancia del cliente. Así cuando y = T +  o y = T .332 * 0.33 *1.316 * 0.

6: TV color En un TV de color la tolerancia del cliente es de 7. igualando a la función de pérdida se tiene: L( y )  A  L( y )   0 A0 A0 2  20  A 0  Ejemplo 7. si el TV se repara en la fábrica el costo es de $10. 50% de los clientes estarán insatisfechos y pedirán el reemplazo de su TV a un costo de Ao = $98. Siempre se prefiere corregir los defectos en la fábrica ya que si se envían al cliente. su límite inferior es de 8.00. Se sugiere un límite de inspección en: Pág 165 de 178 .7: Conteo de bacterias Se cuentan las bacterias en la carne. 2006 Donde  es la raíz cuadrada de la pérdida de exceder el límite funcional entre la pérdida en la fábrica por exceder el estándar de fabricación.13. y se hace una mala publicidad de la empresa en lo relacionado a calidad.Diseño de Experimentos de Taguchi P.24 y el factor de seguridad  es de 3. Caso Menor es mejor En este caso la función de pérdida es la siguiente: A0 2 y 20 Si el costo interno de reparación es A en una tolerancia del productor . Si el costo del tratamiento médico es de $500. se afecta la imagen. se descarta a un costo de $3.24 A0  A0 98 10 A Es decir que la tolerancia del productor debe ser de T2. además de su insatisfacción y altos costos incurridos. Si se detecta que la carne tiene más bacterias de las normales.000 para evitar enfemedades. y la tolerancia del productor debe ser:    A 7 0  0  0   2. Reyes / Dic. si la densidad de color excede T+7 o es menor que T-7. Ejemplo 7.

620 Pág 166 de 178 .000  5. Asumiendo que el costo del cable es proporcional a su área seccional en $60/mm2. Reyes / Dic. igualando a la función de pérdida se tiene: A  L( y )  A0 20  A0 A 1 2  0   0 Ejemplo 7. La resistencia del cable es proporcional a su área seccional en 150 kgf/mm 2. el factor de seguridad es de 12. y =150x. entonces A = 60x.000. 2006 0  8000  0  620  A0 500 3 A Por tanto la empacadora inspeccionará los paquetes de carne.550 El factor de seguridad es :  300.31 10.620 D  150  150 x  26. Sea el área X. si contiene más de 620 bacterias se descartará. Si se rompe se incurre en un costo de $300.8: Resistencia de un cable Suponga un cable para colgar un equipo que le ejerce 5000 kgf. Caso Mayor es mejor En este caso la función de pérdida es la siguiente: L ( y )  A0 20 1 y2 Si el costo interno de reparación es A en una tolerancia del productor . 150 x  300000 5000 60 x x  177 A  10.9.Diseño de Experimentos de Taguchi  P.

cada vez que cambia 1% su valor varia el voltaje de salida en 0.15 1. 2006 Determinación de tolerancias de bajo nivel a partir de las de alto nivel Dada la característica de alto nivel y y las características de bajo nivel x1.2 De esta forma el límite de tolerancia del resistor debe ser aproximadamente igual a 2%.2V.. …. se tiene: Y = f(x1. Asignación de tolerancias para parámetros múltiples Dada la función de transferencia y = f(x1. ¿cuál debe ser el límite de tolerancia del resistor en porcentaje? i  A1  0  A0 ai 0. x2. xn) Linearizando la función de transferencia se tiene: y T  f ( xi  Ti )  ai ( xi  Ti ) xi La función de pérdida de Taguchi es aproximadamente: L( y )  A0 A ( y  T ) 2  20 [ai ( xi  T )]2 2 0 0 Asumiendo que cuando una característica de bajo nivel Xi excede su límite de tolerancia i la pérdida en calidad es: Ai  A0 [ai  i ]2 2 0 i  A1  0 A0 ai Ejemplo 7. xn en el Pág 167 de 178 . Reyes / Dic. ….15. Una resistencia es crítica.00. x2.5  2. ….5V. Si el costo de reemplazo del resistor es de $0. xn) si se desea diseñar límites de tolerancia para todas las características de bajo nivel x1.…..9: Fuente de poder Las especificaciones de una fuente de poder son 9. x2. Si está fuera de especificaciones el costo de su reemplazo es de $2.05 2 0.5V1.Diseño de Experimentos de Taguchi P. x2. xn..

Diseño de Experimentos de Taguchi P. corresponden a los percentiles 15º Y 85º del rango de variación. Taguchi recomienda que los niveles de los factores se establezcan con las reglas siguientes:  Factores de dos niveles o Primer nivel = valor objetivo Ti .  n  An  0 A0 an Por lo tanto el cuadrado del rango de la salida y causada por la variación en x1... A0 a1 1  A2  0 A0 a2 2  ……. …. xn) Una vez determinados los niveles de los factores en un diseño de experimentos de parámetros.  An 2  1 A0 2 An  0 A0  2 n  A i 1 A0 n 0 Diseño de experimentos de tolerancia de Taguchi Dado un sistema con un requerimiento de alto nivel y relacionado con un grupo de características de bajo nivel Xi con una función de transferencia desconocida: Y = f(x1. Pág 168 de 178 .....    A0   A0   A  A2  ... Para el caso de tres niveles. x2. Reyes / Dic. 2006 método de Taguchi.. A1  0 .i o Segundo nivel = = valor objetivo Ti + i  Factores de tres niveles o Primer nivel = valor objetivo Ti  3 / 2 i o Segundo nivel = valor objetivo Ti o Tercer nivel = valor objetivo Ti  3 / 2 i Fijando estas tolerancias en los experimentos de dos niveles.. xn es: 2  ( a11 ) 2  ( a2  2 ) 2  . simplemente se aplica la ecuación del problema anterior a todos los parámetros... x2. ….  (an  n ) 2 2  2  A2   A1      0     0   .

Claramente se encuentran en “extremos razonables” del rango de variación. es un buen candidato para reducción de la variación. Hay cuatro variables del proceso: A – Temperatura de horneado B – Tiempo de horneado C – Cantidad de aditivo de fibra D – Tasa de agitación Después del diseño de parámetros. y la resistencia a la tensión del material es la característica de interés. Reyes / Dic. El porcentaje de contribución de cada factor a la suma de cuadrados total SST puede ser usada para priorizar el esfuerzo de reducción de tolerancia.10: Diseño de experimentos de tolerancias para variables de proceso Un material compuesto se proceso en un proceso de curado. 2006 corresponden a los percentiles 10º.Diseño de Experimentos de Taguchi P. Si en:  y i 1  xi 2  n Var ( y )   2      i2  Si hacemos xi   i se tiene: n Var ( y )   2   (y ) 2 i i 1 Esta ecuación indica que el cuadrado medio total MST en el DOE es un buen estimador de la varianza de (Y). Ejemplo 7. El diseño de tolerancias es un arreglo experimental ortogonal normal en el cual el requerimiento funcional y es observado en cada corrida experimental. 50º y 90º. C = 15% D = 300 rpm. Pág 169 de 178 . Si un factor tiene un gran porcentaje de contribución al SST y no es caro reducir su tolerancia. los valores nominales de estas variables de proceso se determinaron en: A = 300ºF B = 30 min.

2 17 314.6 Se usa un arreglo L9 quedando el arreglo y datos como sigue: Con Minitab: Stat > DOE > Taguchi > Create Taguchi Design Seleccionar 3 level design Number of factors 4 OK El arreglo y los resultados experimentales se muestran a continuación: Factores Experimento A 1 1 2 1 3 1 4 2 5 2 6 2 7 3 8 3 9 3 B 1 2 3 1 2 3 1 2 3 C 1 2 3 2 3 1 3 1 2 D 1 2 3 3 1 2 2 3 1 Resistencia tensión 243 295 285 161 301 260 309 274 198 Analizando el diseño se obtiene: Con Minitab: Stat > DOE > Factorial > Define Custom factorial design Factors A B C D o A-D Pág 170 de 178 . en base a datos históricos se ha identificado la desviación estándar a largo plazo para cada factor como: A = 10ºF B = 1. 2006 Estas variables de proceso no pueden ser controladas de manera precisa.4 Nivel 2 300 30 15 300 Nivel 3 312 32.Diseño de Experimentos de Taguchi P. C% D rpm Nivel 1 288 27.8 13 285. C = 1.8 min.6% D = 12rpm Como son tres niveles se utilize: Primer nivel = valor objetivo Ti  3 / 2 i Segundo nivel = valor objetivo Ti Tercer nivel = valor objetivo Ti  3 / 2 i Se obtiene: Factores A ºF B min. Reyes / Dic.

11% (0.2002) * * 100% 1.6 4011.0 Grados de libertad totales = 9-1 = 8 SST  2505 8 ˆ  50 Claramente los factores C y B son los principales contribuyentes a la varianza.78 * * 20.56% (0.56 4840.31% (0. manteniendo la misma contribución de A y de D.6 * 20040.2 Adj SS Adj MS F P Porcentaje de contribución 1716.78 * * 48.89 2315.22 858.2311) 9681.2 4630.9 9681.0856) 4630. la nueva varianza para y será: Pág 171 de 178 PtType 1 1 1 1 1 1 1 1 1 .44 * * 23. Reyes / Dic.02% (0.11 * * 8.4831) 4011.Diseño de Experimentos de Taguchi P.56 2005. 2006 Seleccionar General Full Factorial OK Se define el arreglo como sigue: Experimento 1 2 3 4 5 6 7 8 9 A 1 1 1 2 2 2 3 3 3 B 1 2 3 1 2 3 1 2 3 C 1 2 3 2 3 1 3 1 2 D 1 2 3 3 1 2 2 3 1 Resistencia tensión 243 295 285 161 301 260 309 274 198 StdOrder 1 2 3 4 5 6 7 8 9 RunOrder 1 2 3 4 5 6 7 8 9 Blocks 1 1 1 1 1 1 1 1 1 Se analiza el diseño con Minitab: Stat > DOE > Taguchi > Analize Taguchi Design Response data in Resistencia Tensión Analysis Display response tables y Fit linear model for Signal to noise ratios / Means Terms A B C D (pasar con >) Options seleccionar Smaller is better OK Los resultados parciales de ANOVA para medias son: Analysis of Variance for Means Source A B C D Residual Error Total ˆ 2  MST  DF 2 2 2 2 0 8 Seq SS 1716. SI podemos reducir la desviación estándar de C y B al 50%.

Diseño de Experimentos de Taguchi P.5) 2  0.0856  0.4831 * (0.1 Pág 172 de 178 .5) 2  0.2002  1163 .2  34. 2006 ˆ 2 nueva  2505(0.2311 * (0. Reyes / Dic.2 ˆ nueva  1163 .

A este error se le llama elegantemente error tipo I.10 o un importante riesgo  de 0. Por lo general. Por ejemplo. error alfa. C El análisis B vs. que nos permite corroborar si un procedimiento alterno. 2006 8. un riesgo  de 5%. aquel que usted crea superior llamelo B. Unicamente si el costo de una mala decisión es muy elevado se usa un riesgo de 0.Diseño de Experimentos de Taguchi P. y por lo tanto. 2. Pág 173 de 178 . un moderado riesgo  de 0. 3. En caso de dos métodos nuevos o propuestos. llamado aquí C (de Current). es probable que sea mucho más económico realizar pruebas bajo esta condición. tal y como se muestra en la tabla de la hoja siguiente. Esto se debe a que el proceso actual es C. si la decisión pone en peligro la vida (reactores nucleares) y además a un costo muy elevado. al realizar una prueba estadística. se selecciona un tamaño de 3. llamado aquí B (de Better) es realmente mejor que el método actualmente utilizado. Conducir las pruebas de una manera aleatoria.01. y al restante C. Para este riesgo se tienen diferentes alternativas de tamaño de muestra para B y para C. y 3 respectivamente. Tomar una decisión. se puede decir que efectivamente el procedimiento B es mejor que el C. Seleccione un nivel de confianza bajo el cual hacer la prueba. Si todos los resultados para el procedimiento B son mejores que los del C. Decidir un tamaño de muestra para prueba B y C.05 son adecuados. SI existe algún traslape. existe la posibilidad de equivocarnos y concluir que B es mejor que C. se usa un riesgo  super crítico de 0. Reyes / Dic. ANÁLISIS B vs. El procedimiento es como sigue: 1. Finalmente. En muchas situaciones industriales. 4. Después de seleccionar un riesgo . Clasificar y ordenar los resultados de mejor a peor 5. C es una prueba muy sencilla. Suponga que realmente los dos procedimientos B y C son iguales. Observe que se presentan varias opciones en las cuales se tiene un gran número de C’s y por lo general pocas B’s.001. o simplemente riesgo. no se puede concluir que B es mejor que C. aun así.

Dependiendo del riesgo. el proceso B puede ser seleccionado sobre el proceso C (o viceversa) si el proceso B es menos costoso que el proceso C. Aun cuando las pruebas B vs. se recomienda que se tome un tamaño de muestra de al menos 10 unidades para cada procedimiento. En algunos casos es deseable tomar muestras de mayor tamaño y permitir algún traslape en las lecturas. se evalúa lo que se llama el contador final sin traslape. 2006 Por ejemplo si se tienen tres pruebas de B y cuatro de C. El contador final es la suma de esas dos lecturas. Por ejemplo. si el resultado es: B B B B C C B C B C C B C C C C C Observe que a la izquierda se tienen cuatro resultados de B sin empalme.05 0.001 6 9 12 Si el contador final es mayor que el número indicado. el orden debe ser: B B B C C C C Mejor Peor Contador final B=3. el contador final debe ser mayor que el número que se indica en la siguiente tabla: Error  Mínimo número para el contador final 0. Lo que si se recomienda es que el tamaño de muestra sea igual para cada procedimiento. Cuando se desea hacer esto. esto es 4 + 5= 9. Pág 174 de 178 . C no indiquen diferencia entre B y C en términos de calidad. contador final C=4 En este caso no hay traslapamiento y se puede concluir que el procedimiento B es mejor que el C. se puede decir que el procedimiento B es mejor que el C.Diseño de Experimentos de Taguchi P.01 0. Entonces. Reyes / Dic. y a la mera derecha se tienen 5 resultados sin empalme.

1. 102. se corre una prueba B vs.99 crítico 0.8.1: Semiconductores En la fabricación de un semiconductor.05 3 4 2 3 4 2 3 5 3 3 3 2 Considere el ejemplo siguiente: Ejemplo 8.5.01 0. Se toma un riesgo  de 0. en lugar del procedimiento actual (C). C para ver si se pueden obtener mejores resultados con una atmósfera al alto oxígeno (B).6. Reyes / Dic. pero el tamaño de la muestra es doce Cs y doce Bs (porque se desea permitir traslape).5.6. C según el riesgo  Número de pruebas Riesgo  Confianza 0. Los resultados son: C 105.9.95 importante 1 19 0. los cuales son seleccionados y procesados en orden aleatorio. 100.001 0. 97.05 (5%).90 moderado 1 9 super crítico 0.10 16 10 0. 2006 Tamaño de muestra de B vs.5. 104.5. 103. 95. Se decide permitir traslapamiento en el contador final. 114. 114.3. 100.Diseño de Experimentos de Taguchi P. 108.1 B Pág 175 de 178 . 88.999 B’s 2 C’s (43) 5 6 8 6 2 3 4 5 13 7 5 4 0.7.

110.0 Contador final B=6 …. cuando = 0. 114.8 C 88.2 B 117. 118.0.2.6 C114. 123.05 el contador final debe de ser al menos 6. C 100.4.2 Los resultados se clasifican en orden descendente como sigue: B 123.2.5 C 95. 9. B 99. Reyes / Dic. De la regla 6. 117.2.6.12.6.4. 2006 101.3.3 El contador final total = 6+3= 9. Por lo tanto se concluye que el proceso B es mejor que el proceso C con riesgo de 5%. 123.6.2 B 117.2.. C 97.5. 117. 119. 114.9. 99.3 Traslapamiento = 16 Contador final C= 3 C 114. B 123.0.2 B 119. 108.5.Diseño de Experimentos de Taguchi P. Pág 176 de 178 .2 B 118. 109.

para reducir costos y al mismo tiempo incrementar la calidad. no son pocas las opiniones de autores que atacan estas nuevas ideas y metodologías. para que forme su propio criterio en cuanto al potencial de estas herramientas y metodologías estadísticas.Diseño de Experimentos de Taguchi P. El diseño experimental toma una posición importante bajo estas ideas. Reyes / Dic. Pág 177 de 178 . 2006 9. Si bien las ideas se han estado aplicando ya de una manera intensiva en nuestro país. Esperamos que haya captado las ideas fundamentales. sino que es una herramienta práctica a utilizar en varias situaciones. Se ha enfatizado la importancia que tiene el diseñar los productos y procesos de manera que desde esa etapa se asegure la calidad en el producto final. CONCLUSIONES En este material se ha pretendido dar una idea muy general de lo que es la ingeniería de calidad. a pesar de la variabilidad en los insumos y condiciones ambientales de operación. No es ya una herramienta meramente teórica. Se han mencionado sus conceptos generales y su potencial de aplicación.

Taguchi G. Course Manual. Pridmore. 1987. Introduction to Quality Engineering. Reyes / Dic. Disney and W. 1989. 2006 BIBLIOGRAFÍA American Supplier Institute. taguchi Methods applications in World Industry.Diseño de Experimentos de Taguchi P. 1986. Cd. Introduction to Quality Engineering. IFS Publications.A. Wo Yuin W. 1989.. Hobbs Moore. Juárez Chih. Quality Engineering American Suppliers Institute. Bendell A. Asian Productivity Organization... Pág 178 de 178 .