Documentos de Académico
Documentos de Profesional
Documentos de Cultura
El Diseno Experimental y Los Metodos de Taguchi Conceptos y Aplicaciones en La Industria Farmaceutica
El Diseno Experimental y Los Metodos de Taguchi Conceptos y Aplicaciones en La Industria Farmaceutica
I.
INTRODUCCIN
El diseo experimental tiene sus orgenes en los trabajos de Ronald Fisher (1890-1962),
desarrollados en la Estacin Agrcola Experimental de Rothamsted, en el Reino Unido,
donde introdujo el concepto de aleatorizacin y el anlisis de varianza. A lo largo de varias
dcadas, la teora del diseo de experimentos y sus aplicaciones se consolidaron y
expandieron, y, en aos recientes, recibieron un fuerte impulso por las contribuciones de
Gen'ichi Taguchi, un estadstico japons ampliamente conocido en Occidente.
El diseo experimental estudia procesos. Puede considerarse a un proceso como una caja
negra a la cual ingresan diversas variables que interactan para producir un resultado. Las
variables que ingresan al proceso se denominan variables de entrada, y el resultado,
variable de salida. El nivel de la variable de salida depende de los niveles que adopten las
variables de entrada, y los gerentes y tcnicos se benefician al saber qu combinacin de
variables de entrada produce la variable de salida ptima.
La busca de combinaciones ptimas de las variables de entrada da lugar al diseo
experimental, que es una prueba (o un conjunto de pruebas) durante la cual se realizan
cambios sistemticos y controlados a las variables de entrada para medir el efecto sobre la
variable de salida. El diseo experimental utiliza tcnicas como la regresin mltiple, la
respuesta superficial y varias extensiones del anlisis de varianza.
Comenzaremos este trabajo, por lo tanto, con una revisin del anlisis de varianza. Por
razones de espacio, la presentacin no ser rigurosa, y se dejarn de lado temas importantes
como algunos de los supuestos del anlisis y frmulas de clculo, la derivacin de los
resultados y el estudio de los residuos. Nuestro objetivo inmediato es comprender qu
significa la tabla del anlisis de varianza (tabla ANOVA, por sus siglas inglesas), y preparar
as el terreno para entender el concepto de los experimentos factoriales. Estos experimentos
estudian la respuesta para todas las combinaciones posibles de los factores de entrada y
permiten investigar sistemticamente las interacciones entre los factores.
Algunos esquemas de experimentos factoriales se aplican en la metodologa de Taguchi,
que enriquece el concepto de calidad y la idea de robustez de los sistemas. Este trabajo, por
lo tanto, dedica algunas pginas a esta metodologa y la compara con el diseo
experimental tradicional. Finalmente, se ofrecen algunas recomendaciones para optar entre
el diseo experimental o la metodologa de Taguchi.
II. BREVE REVISIN DEL ANLISIS DE VARIANZA
Supongamos que trabajamos en una planta de acondicionamiento de productos medicinales.
Junto a un sinnmero de equipos se instalan tres blisteras recientemente reacondicionadas.
El gerente de la planta quiere determinar si el rendimiento de las mquinas reparadas,
medido en nmero de blisters defectuosos producidos por turno de trabajo, es el mismo
para las tres mquinas o si, por el contrario, el rendimiento de las blisteras es desparejo. Las
mquinas tuvieron, histricamente, un rendimiento fluctuante, debido a factores como la
calidad de los insumos y el tipo de los blisters procesados.ii
2
A
B
C
50
53
51
51
59
53
47
60
51
54
52
50
Promedio
de la
muestra
50
56
52
Varianza
intramuestra
7.5
12.5
4.0
1
2
3
Valores muestrales
51
52
51
54
51
53
50
54
53
53
59
53
47
49
50
Promedio
de la
muestra
51
53
52
Varianza
intramuestra
7.5
14.5
2.0
Tabla 2. Tres muestras de cinco valores cada una que evalan a la misma mquina. La
varianza de los promedios de las tres muestras es Spromedios2 = 1.00. El promedio de las
varianzas es Spromediada2 = 8.00.
Podemos plantear un test de hiptesis que nos brinde una medida numrica del grado al
cual las muestras son distintas. Por ejemplo,
H0:
P
+P
P
P
i distinto
de
j para
P
sera un test adecuado para este fin. La ecuacin (1) se denomina hiptesis nula e indica
que el comportamiento de las tres mquinas es, hipotticamente, el mismo para todas (las
diferencias en los promedios de las Tablas 1 y 2 se atribuiran al azar). La ecuacin (2) es la
hiptesis alternativa. En estos anlisis se supone que todas las muestras se obtienen a partir
de poblaciones normales con la misma varianza.
Una idea de la variabilidad de los tres nmeros de la columna de promedios de la Tabla 1
nos la da su varianza (la varianza de 50, 56, y 52 es Spromedios2 = 9.33). Pero esta varianza
podramos obtenerla tambin con mquinas de funcionamiento ms errtico, como en la
Tabla 3. Las mquinas de esta tabla producen en promedio el mismo nmero de defectos
que las de la Tabla 1 (50, 56, y 52 defectos), pero la variabilidad entre las jornadas
muestreadas, indicada por su varianza promedio (Spromediada2 = 56.83), es mayor que la de
las mquinas de la Tabla 1 (Spromediada2 = 8.00). Como vemos, para comparar las varianzas
intramuestra de las Tablas 1, 2, y 3 se toma el promedio de los valores de las columnas
tituladas "Varianza". As, los resultados que se obtienen son 8, 8, y 56.8 para las Tablas 1,
2, y 3, respectivamente.
Mquina
A
B
C
45
59
58
52
64
49
37
61
47
58
50
48
Promedio
de la
muestra
50
56
52
Varianza
intramuestra
81.5
58.5
30.5
(3)
donde el factor n se agrega para que el valor de F0 sea aproximadamente 1 cuando los
promedios del numerador y denominador sean iguales. Si los promedios no son iguales,
entonces el numerador n Spromedios2 ser, en general, relativamente grande comparado con el
denominador Spromediada2 y el ratio F0 tender a ser mayor que 1. Cun grande debe ser F0
para rechazar la hiptesis de que los promedios de las diversas mquinas no son iguales?
La respuesta la da formalmente la estadstica con el test F. Por razones de brevedad, no
detallamos el test F, pero basta para nuestros fines decir que, para cada nivel de
"significancia", el test nos permite determinar cun importante (o poco importante) es el
ratio F0 de la ecuacin (3); si el ratio es importante, los promedios entre las mquinas son
estadsticamente distintos, y viceversa.
Estos resultados, aplicados a la Tabla 1, se indican en la Tabla 4, denominada tabla del
anlisis de varianza, o tabla ANOVA, por sus siglas inglesas. Examinemos cmo est
compuesta. Tiene tres filas y seis columnas.
La primera fila resume el clculo del numerador de la ecuacin (3); la segunda, el clculo
del denominador; la tercera, presenta los valores totales (los clculos no se muestran). La
variacin entre mquinas se explica como si las filas de la tabla de datos (Tabla 1)
provinieran de distintas poblaciones (es decir, de mquinas que producen distinto nmero
de blisters defectuosos). La variacin entre las filas de la Tabla 1 se indica como no
explicada pues es la variacin aleatoria que no puede explicarse sistemticamente por
diferencias en las blisteras.
Las seis columnas son: fuente de variacin, variacin, grados de libertad, varianza, ratio F0,
y valor probabilstico. Por razones de brevedad, no mostramos los pasos del clculo de los
valores de la tabla (el lector puede consultar Wonnacott et al. (1977) o cualquier otro texto
de estadstica introductoria), pero nos interesa volver a examinar el ratio F0. Este ratio puede
interpretarse como el cociente entre la varianza explicada y la varianza no explicada, es
decir:
F0 = varianza explicada / varianza no explicada
(4)
La varianza explicada es, como vimos, la varianza entre filas, y est explicada por que las
muestras provienen de distintas mquinas. La varianza no explicada, por otra parte, es la
varianza dentro de las filas, y no est explicada pues no se debe a la pertenencia de los
datos a distintas mquinas, sino al azar, a la variacin no sistemtica entre los datos sobre
errores producidos por una misma blistera. El valor probabilstico de la sexta columna se
obtuvo de la planilla de clculo Microsoft Exceliv; indica que la probabilidad de obtener por
efecto del azar el valor del ratio F0 = 5.83 (o mayor, con los grados de libertad 2 y 12
indicados en la tabla) es del orden de 1,7%; en palabras ms concretas, si repitiramos este
experimento un nmero arbitrariamente grande de veces con blisteras que produjeran, cada
una, en promedio, el mismo nmero de defectosv, slo en el 1,7% de los casos
obtendramos un ratio F0 = 5.83 o mayor; en la gran mayora de los casos, el valor del ratio
sera menor. As es que podemos rechazar la hiptesis nula (los promedios de blisters
defectuosos son iguales para todas las mquinas) y aceptar la hiptesis alternativa (al
menos dos blisteras producen distinto nmero de artculos defectuosos).
5
Fuente de
variacin
Variacin; suma
de cuadrados
Grados de
libertad
Entre mquinas
(EXPLICADA)
Dentro de cada
mquina (NO
EXPLICADA)
Total
93,33
Varianza;
suma de
cuadrados
promedio
46,67
96
12
189.33
14
Ratio F0
Valor
probabilstico
5.83
0.017
Variacin; suma
de cuadrados
Grados de
libertad
Entre mquinas
(EXPLICADA)
Dentro de cada
mquina (NO
EXPLICADA)
Total
10
Varianza;
suma de
cuadrados
promedio
5
96
12
106
14
Ratio F0
Valor
probabilstico
0.625
0.55
Ratio F
Valor
probabilstico
0.82
0.46
Variacin
Grados de
libertad
Entre mquinas
(EXPLICADA)
Dentro de cada
mquina (NO
EXPLICADA)
Total
93.33
Varianza;
suma de
cuadrados
promedio
46.67
682
12
56.83
775.33
14
promedios entre las mquinas podra atribuirse al azar, como lo sugiere el valor
probabilstico del 46%.
CONSIDERACIN DE OTROS FACTORES EN EL ANLISIS DE VARIANZA
En la seccin anterior hemos considerado diferencias en los promedios de errores
producidos solamente por las mquinas. Sin embargo, otros factores podran estar actuando,
como la calidad de los operadores o el tipo de insumos utilizados. Consideremos, por
ejemplo, que los operadores difieren en su grado de entrenamiento y que producen por lo
tanto resultados dismiles entre ellos. Como para juzgar la calidad de los resultados nos
basamos en muestras aleatorias, la comparacin es de naturaleza estadstica. Supongamos
que reorganizamos la informacin de la Tabla 1 como en la Tabla 7.
Mquinas
1
2
3
Promedio de
cada
operador
Operadores
2
3
4
5
50 54 47 51
53 59 60 52
51 55 51 50
51.3 56.0 52.7 51.0
1
48
56
53
52.3
50
56
52
Promedio general = 52.67
Tabla 7. Reorganizacin de los datos de la Tabla 1. Los datos del nmero de blisters
defectuosos se clasifican por operador y por mquina.
Nos proponemos reducir la magnitud de la varianza no explicada en la Tabla 4 tomando en
cuenta la diferencia entre los operadores. En la Tabla 7, se muestra que cada operador
realiz las tareas que dieron lugar a una de las observaciones muestrales en cada mquina;
as, el operador 1 realiz tareas en la mquina 1 que dieron lugar a 48 blisters defectuosos
en el intervalo de la primera muestra, tareas en la mquina 2 con 56 artculos defectuosos
en la segunda muestra, y tareas en la mquina 3 con 53 productos defectuosos en la tercera
muestra. La tabla indica los promedios de defectos por mquina y por operador, as como el
promedio general de los blisters defectuosos. Los promedios de las mquinas se mantienen
en sus valores anteriores, mostrando un cierto grado de fluctuacin. Los promedios de los
operadores parecen del mismo orden, excepto el del operador 3. Existe entre ellos una
diferencia estadsticamente significativa? El anlisis de varianza, que se realiza de modo
similar al del ejemplo anterior, se presenta en la Tabla 8.
El resultado indica que hay razones para rechazar la hiptesis de que las mquinas no
difieren entre s, pues solo en el 1,4% de las repeticiones de este experimento se obtendra
un valor de F0 mayor que 7,67. Por el contrario, el valor de F0 para las diferencias entre
operadores es de 1.94 y este valor se supera en aproximadamente el 20% de las
realizaciones del experimento, por lo cual no hay demasiada evidencia estadstica para
rechazar la hiptesis de que los operarios son todos igualmente eficientes.
Fuente de
variacin
Variacin
Grados de
libertad
Ratio F0
Valor
probabilstico
Varianza;
suma de
cuadrados
promedio
46,67
Entre mquinas
(EXPLICADA)
93.33
7.67
0.014
Entre
operadores
(EXPLICADA)
Fluctuacin
residual (NO
EXPLICADA)
Total
47,33
11,83
1.94
0.20
48,67
6.08
189.33
14
y la correspondiente al segundo nivel (+). La respuesta se indica con los nmeros situados
en los vrtices del cuadrado y se mide en unidades de tiempo.
+
Concentracin del
aglutinante (B)
(5)
Es decir, al cambiar la dureza de la tableta del nivel (-) al nivel (+), el tiempo de su
desintegracin se incrementa en promedio en 2 unidades. De modo anlogo, al cambiar la
concentracin del aglutinante de (-) a (+), el tiempo de desintegracin se eleva en promedio
en 1 unidad.
Si la diferencia en la respuesta entre los dos niveles de un factor no es la misma a todos los
niveles del otro factor, estamos en presencia de una interaccin entre los factores.
Consideremos la Figura 2. En el nivel (-) de dureza de la tableta, un aumento en la
concentracin del aglutinante hace aumentar en una unidad el nivel de la respuesta. En el
nivel (+) de dureza de la tableta, por otra parte, el aumento en la concentracin del
aglutinante hace aumentar en dos unidades el nivel del tiempo de respuesta; algo anlogo
ocurre con el otro factor. Grficamente obtenemos la Figura 3.
La Figura 3 (a) muestra en el eje horizontal la dureza de la tableta (factor A) y en el eje
vertical el tiempo de desintegracin (respuesta) para dos valores de la concentracin del
aglutinante (factor B). Los segmentos que indican el cambio en la respuesta para los dos
niveles del factor B, B1 y B2, son paralelos entre s, por no existir interaccin entre los
factores. Por el contrario, en la Figura 3 (b) se presenta un caso en el que existe interaccin
y los segmentos no son paralelos entre s.
+
Concentracin del
aglutinante (B)
7
6
5
4
3
2
1
Tiempo
B2
....................................
....................................
....... B2
B1
........
B1
A1
B2
7 ...........................................
6
5 ............................................
4
B2
B1
3 ...............
2 ...............
1
B1
A2
A1
A2
Figura 3. Comparacin de las respuestas a dos factores cuando no existe interaccin (a) y
cuando existe interaccin (b).
Es importante considerar las interacciones entre factores, y vale destacar que los
experimentos factoriales son la nica forma de detectarlas. El mtodo (incorrecto) de
modificar los factores de a uno no toma en cuenta las interacciones.
OTRO EJEMPLO DE EXPERIMENTO FACTORIAL
Se quiere mejorar el servicio de atencin de una cadena de farmacias. Sobre la base de un
estudio de marketing en instituciones de saludvii, el analista desea considerar la evaluacin
que los clientes de una farmacia tpica de la cadena realizan sobre la base de distintas
condiciones de atencin. Los factores potenciales son: confiabilidad, respuesta,
aseguramiento, empata, y factores tangibles, como el aspecto general del negocio. Se
eligen para el experimento dos factores: aseguramiento y tangibles. El nivel de
10
Instalacin de
lujo
Instalacin
standard
Instalacin
minimalista
y.j.
Atencin no
profesional
Atencin
profesional
yi..
40/48/40
Total = 128
54/49/55
Total = 158
286
55/49/53
Total = 157
59/61/62
Total = 182
339
38/37/41
Total = 116
55/51/50
Total = 156
272
401
496
y... = 897
Tabla 9. Datos del experimento de la farmacia. Se realizan tres encuestas al azar para cada
combinacin de factores, cuyos resultados se indican separados por barras. El total de cada
combinacin se indica en cada clula. El total de las filas se indica como yi.., y el de las
columnas como y.j.. El total general es y....
Los resultados de tres encuestas al azar para cada combinacin de factores se muestran en
la tabla, separados por barras. El total de cada combinacin se indica en cada clula: por
ejemplo, el total de 128 en la interseccin de Atencin no profesional e Instalacin de
lujo es la suma de las tres evaluaciones 40, 48, y 40. El total de las filas se indica como yi..
, (suma de los totales de las clulas, horizontalmente) y el de las columnas como y.j. (suma
de los totales de las clulas, verticalmente). El total general es y..., 897 en este caso.
Nuestro objetivo es determinar qu combinacin de tipo de instalacin y estilo de atencin
produce la mejor impresin en los clientes; queremos saber, adems, si hay interaccin
entre ambos factores. La ausencia de interaccin dara a la gerencia mayor flexibilidad para
la atencin de los compradores. Examinemos el anlisis estadstico del experimento
factorial de dos factores, que es, como adelantamos, una extensin al anlisis de varianza.
ANLISIS DEL DISEO EXPERIMENTAL DE LA FARMACIAviii
Se trata de un diseo completamente aleatorio de dos factores A y B, cada uno con a y b
niveles, respectivamente. Cada combinacin se replica n veces. La Tabla 9 de los datos se
11
Factor A
1
1 y111, y112, ...,
y11n
2 y211, y212, ...,
y21n
...
...
a ya11, ya12, ...,
ya1n
y.1.
2
y121, y122, ...,
y12n
y221, y222, ...,
y2n
...
ya21, ya22, ...,
ya2n
y.2.
...
...
...
...
...
...
b
y1b1, y1b2, ...,
y1bn
y2b1, y2b2, ...,
y2bn
...
yab1, yab2, ...,
yabn
y.b.
y1..
y2..
...
ya..
y...
PW
E WE
ij
H
ijk
(5)
donde:
i = 1, 2, ..., a; j = 1, 2, ..., b; k = 1, 2, ..., n
= efecto promedio general
i = efecto del nivel i-simo del factor A
j = efecto del nivel j-simo del factor B
ij = efecto de la interaccin entre A y B
ijk = componentes de error aleatorio independientes distribuidos normalmente
con media nula y varianza
P
W
WE
V
SSTotal
2
ijk
(6)
donde las sumatorias se toman para todos los valores de i, j, y k y los smbolos significan:
SSA: Suma de los cuadrados de la fuente de variacin A.
SSB: Suma de los cuadrados de la fuente de variacin B.
12
SSTotal = yijk2
i =1 j =1 k =1
897 2
y...2
= 40 2 + 482 + ... + 50 2
= 1046.5
3* 2 *3
abn
=
+
+
= 416.3
abn 2 * 3 2 * 3 2 * 3 3 * 2 * 3
i =1 bn
(7)
SS instalacin
SS atencin =
j =1
SS subtotal =
i =1 j =1
y.2j .
897 2
y...2
2
2
= 401 + 496
= 501.4
3* 2 * 3
an abn
yij2.
n
(8)
(9)
156 2
897 2
y...2 128 2 158 2
=
+
+ ... +
= 937.2
3
3
3
3* 2 * 3
abn
(10)
SS int eraccin = SS subtotal SS instalacin SS atencin = 937.2 416.3 501.4 = 19.4 (11)
SS error = SS Total SS instalacin SS atencin SS int eraccin = 1046.5 416.3 501.4 19.4 = 109.3 (12)
Los resultados del anlisis de varianza se presentan como Tabla 11. El mtodo de
construccin de la tabla es anlogo al presentado antes, al igual que la interpretacin de los
resultados. As, podemos afirmar con una gran dosis de seguridad que ambos factores-instalacin y atencin--son significativos, mientras que la interaccin entre ellos es poco
probable: en aproximadamente el 37% de las realizaciones de este experimento
obtendramos por efecto del azar valores de F0 iguales o superiores al obtenido en esta
realizacin.
Fuente de
variacin
Instalacin
Atencin
Interacciones
Error
Total
Variacin
416.3
501.4
19.4
109.3
1046.5
Grados de
libertad
2
1
2
12
17
Varianza
208.2
501.4
9.7
9.1
F0
Valor
probabilstico
22.8
0.00008
55.0
0.000008
1.1
0.37
Tabla 11. Tabla del anlisis de varianza del ejemplo de la farmacia. El efecto de los
factores es estadsticamente significativo, no as la interaccin entre los factores.
Dado que la falta de interaccin entre los factores se manifiesta en lneas paralelas,
comprobemos en el grfico de la Figura 4 esta falta de interaccin.
13
Promedio
de yij.
Atencin profesional
60.7
52.7
Atencin standard
52.3
52
42.7
38.7
De lujo
Standard
Minimalista
Tipo de instalacin
Alto
(+)
ab
2
(1)
5
a
Factor B
Bajo
(-)
Bajo (-)
Alto (+)
Factor A
Figura 5. Esquema del diseo 22.
14
a + ab b + (1) 1
=
[a + ab b (1)]
2n
2n
2n
B=
b + ab a + (1)
1
=
[b + ab a (1)]
2n
2n
2n
AB =
ab + (1) a + b
1
=
[ab + (1) a b]
2n
2n
2n
(13)
(14)
(15)
En las ecuaciones (13), (14), y (15), las expresiones entre parntesis cuadrados se
denominan contrastes. Obsrvese que los coeficientes de los elementos que constituyen
contrastes son +1 -1 en todos los casos. Consideremos la Tabla 12. Es una tabla de
signos, til para determinar los signos de cada corrida en un determinado contraste.
Corrida
1
(1)
2
a
3
b
4 ab
I
+
+
+
+
Efecto factorial
A
B
+
+
+
+
AB
+
+
(16)
Contraste 2
n (coeficiente de contraste )2
15
(17)
SSA =
[a + ab b (1)]2
(18)
4n
2
b + ab a (1)]
[
SSB =
4n
SSAB =
(19)
(20)
Para completar el anlisis de varianza debe calcularse la suma de cuadrados totales, SST,
con 4n-1 grados de libertad y la suma de cuadrados de los errores, SSE, con 4(n-1) grados
de libertad. La suma de cuadrados de los errores se obtiene por substraccin.
EJEMPLO DE DISEO 22
Examinemos un ejemplo, similar al del caso de la tableta cuya dureza y concentracin de
aglutinante se haca variar entre dos niveles. El efecto de inters es el tiempo de
desintegracin, o respuesta. Para cada combinacin de niveles se realizan dos mediciones
del tiempo de respuesta, como se indica en la Tabla 13.
Corrida
1
2
3
4
(1)
a
b
ab
Factores
A
+
+
Medicin
1
2
2.1
1.9
2.5
2.4
2.7
2.6
3.0
3.1
B
+
+
Total
4.0
4.9
5.3
6.1
1
[a + ab b (1)] = 1 [4.9 + 6.1 5.3 4.0] = 0.425
2n
(2)(2)
(21)
B=
1
[b + ab a (1)] = 1 [5.3 + 6.1 4.9 4.0] = 0.625
2n
(2)(2)
(22)
16
AB =
1
[ab + (1) a b] = 1 [6.1 + 4.0 4.9 5.3] = 0.025
2n
(2)(2)
(23)
Factor A
Factor B
(-)
(+)
(-)
2.1/1.9
Total = 4.0
2.7/2.6
Total = 5.3
(+)
2.5/2.4
Total = 4.9
3.0/3.1
Total = 6.1
11.0
8.9
11.4
y... = 20.3
y.j.
yi..
9.3
Tabla 14. Preparacin de los datos del diseo 22 para su posterior procesamiento.
Los clculos de las sumas de cuadrados son los siguientes:
2
SST = yijk2
i =1 j =1 k =1
y...2
=
abn
SS A =
i =1
20.32
= 1.17875
2*2*2
yi2..
y2
9.32 11.0 2
20.32
... =
+
= 0.36125
bn abn 2 * 2 2 * 2 2 * 2 * 2
y.2j .
y...2
8.9 2 11.42
20.32
SS B =
=
+
= 0.78125
abn 2 * 2 2 * 2 2 * 2 * 2
j =1 an
2
SS subtotal =
i =1 j =1
(25)
(26)
yij2.
y...2
42 4.92 5.32 6.12
20.32
=
+
+
+
= 1.14375
n abn 2
2
2
2
2*2*2
17
(24)
(27)
(28)
(29)
A partir de estas sumas de cuadrados y las consideraciones usuales sobre los grados de
libertad, se construye la tabla ANOVA de la Tabla 15.
Fuente de
variacin
Factor A
Factor B
Interaccin
Error
Total
SS
0.36125
0.78125
0.00125
0.035
1.17875
Grados de
libertad
1
1
1
4
7
MS
F0
0.36125
0.78125
0.00125
0.00875
41.2857143
89.2857143
0.14285714
Comparar
con F
0.00301638
0.00069958
0.72465864
Tabla 15. Tabla del anlisis de varianza del ejemplo de diseo 22.
La tabla confirma las afirmaciones anteriores, es decir, se confirma la significatividad de
los factores A y B, y se comprueba tambin la falta de interaccin entre ellos.
EL DISEO FACTORIAL 2k CON k = 3
Consideremos un experimento en el cual se consideran tres factores, cada uno de ellos a dos
niveles: esto es lo que se llama un diseo factorial 23. Contiene ocho combinaciones de
niveles de factores, tres efectos principales (A, B, y C), tres interacciones de dos factores
(AB, AC, y BC), y una interaccin de tres factores (ABC). Grficamente podemos
esquematizarlo como en la Figura 6.
bc
+1
abc
ac
b
(1)
ab
a
+1
-1
B
-1
-1
+1
A
3
Figura 6. Esquema del diseo 2 .
Designemos como antes los totales de las n rplicas de cada una de las ocho corridas del
diseo: (1), a, b, ab, c, ac, bc, abc. Obtendremos los factores extendiendo el razonamiento
anterior, es decir:
18
A=
1
[a + ab + ac + abc (1) b c bc]
4n
B=
1
[b + ab + bc + abc a c ac (1)]
4n
(31)
C=
1
[c + ac + bc + abc a b ab (1)]
4n
(32)
(30)
1
[abc bc] 1 [ac c]
2n
2n
AB(Cbajo ) =
1
[ab b] 1 [a (1)]
2n
2n
(34)
(33)
Sobre esta base se calcula la interaccin AB como el promedio entre los dos valores de (33)
y (34):
AB =
A+ B
1
=
[ab + (1) + abc + c b a bc ac]
2
4n
(35)
De modo anlogo:
AC =
A+C
1
=
[ac + (1) + abc + b a c ab bc]
2
4n
BC =
(36)
B+C
1
=
[bc + (1) + abc + a b c ab ac]
2
4n
(37)
ABC =
1
{[abc bc] [ac c] [ab b ] + [a (1) =]}
4n
ABC =
1
[abc bc ac + c ab + b + a (1)]
4n
19
(38)
(39)
En las expresiones anteriores, los parntesis cuadrados son contrastes, que se obtienen en la
prctica de tablas como la Tabla 16. La tabla permite obtener los signos de A, B, y C
asociando un signo + con un nivel alto y un signo con un nivel bajo. Establecidos los
signos de las columnas A, B y C, las otras columnas se obtienen con el producto de los
signos de las interacciones correspondientes, fila por fila. Por ejemplo, AB tiene los signos
de A x B. La tabla presenta caractersticas importantes. En primer lugar, a excepcin de la
columna I, todas las columnas tienen igual nmero de signos + y -. En segundo lugar, las
columnas son ortogonales, es decir que la suma de los productos de los signos en dos
columnas cualesquiera es cero.
Efecto factorial
AB
C
+
+
+
+
+
+
+
+
Tratamiento
(1)
a
b
ab
c
ac
bc
abc
I
+
+
+
+
+
+
+
+
A
+
+
+
+
B
+
+
+
+
AC
+
+
+
+
BC
+
+
+
+
ABC
+
+
+
+
(40)
Contraste
n2k 1
Contraste 2
SS =
n2k
(41)
(42)
son expresiones generales vlidas para valores positivos de k. Destacamos que los diseos
ortogonales son importantes en la metodologa de Taguchi. Notemos tambin que la
complejidad de los diseos crece con el nmero de factores.
20
1
2
3
4
5
6
7
8
(1)
a
b
ab
c
ac
bc
abc
Evaluacin Totales
por los
clientes
Amabilidad
Factura
Tiempo
-1
1
-1
1
-1
1
-1
1
-1
-1
1
1
-1
-1
1
1
-1
-1
-1
-1
1
1
1
1
45, 35
45, 55
45, 45
60, 75
45, 50
50, 55
50, 40
80, 70
80
100
90
135
95
105
90
150
Fuentes de
variacin
SS
MS
F0
Valor
probabilstico
1139.1
451.56
76.563
351.5625
Grados
de
libertad
1
1
1
1
Amabilidad
Factura
Tiempo
Interaccin
amab.-factura
Interaccin
Amab.-tiempo
Fact-tiempo
Interaccin
Am.-fac.-t.
Error
Total
1139.1
451.56
76.563
351.5625
27,00
10,70
1,81
8,33
0,0008
0,01
0,21
0,02
1.5625
1.5625
0,03
0,85
1.5625
39.0625
1
1
1.5625
39.0625
0,03
0,92
0,85
0,36
337.5
2398.4
8
15
42.1875
22
cuadrticamente cuando los valores de los productos fabricados se acercan a los lmites de
tolerancia. En otras palabras, los productos cercanos a los lmites de tolerancia son
productos casi defectuosos y los gerentes deben trabajar para reducir la variabilidad de sus
procesos de produccin. La funcin de prdida se define como:
L( y ) = k ( y T ) 2
(43)
donde:
En contraste con el pensamiento tradicional sobre la calidad, que solo penaliza los valores
de y que superan los lmites de tolerancia, Taguchi considera que todo apartamiento del
valor objetivo es un costo para la sociedad y como tal debe ser penalizado.
IMPORTANCIA DEL DISEO ROBUSTO
Para Taguchi, es posible incorporar la calidad en los productos desde su diseo, sin
aumentar su costo; los problemas deben eliminarse en el laboratorio de diseo, no en la
fbrica o en el campo. Segn esta perspectiva, es necesario disear productos robustos que
toleren variaciones en el proceso de produccin y durante el servicio de mantenimiento.
Los mtodos estadsticos deben seleccionar los factores importantes que afectan el diseo.
Taguchi establece su metodologa para:
1. Disear productos y procesos robustos a las condiciones
ambientales;
2. Disear y desarrollar productos robustos a la variacin en sus
componentes;
3. Minimizar la variacin alrededor de un valor objetivo xi.
La ingeniera de la calidad de Taguchi combina mtodos estadsticos y de ingeniera para
optimizar los procesos de diseo y fabricacin de modo que aumente la calidad y se
reduzcan los costos de los productos. El diseo de experimentos juega un papel esencial en
el enfoque de Taguchi, pues ayuda a identificar los factores que ms intervienen en la
generacin de problemas de calidad o, alternativamente, los factores que ms contribuyen a
lograr resultados positivos. A lo largo de este proceso, se fortalece la cooperacin entre
diversos niveles y reas de la empresa.
La Figura 7 muestra un esquema de actividades de las firmas desde la invencin del
producto hasta su llegada al mercado. El flujo se divide en tres etapas, conocidas por las
expresiones inglesas upstream, midstream, y downstream. La etapa de upstream consiste en
23
DE LA INNOVACIN AL CLIENTE
UPSTREAM
1. Invencin y
tecnologa innovadora
2. Desarrollo de
tecnologa
MIDSTREAM
3. Diseo del producto
5. Manufactura
DOWNSTREAM
6. Cliente
Figura 7. Esquema de actividades de una empresa desde la invencin del producto hasta su
llegada al mercado. Fuente: Adaptado de Ealey (1992).
La Figura 7 nos permite reflexionar sobre la responsabilidad de los gerentes en los temas de
calidad. Por ejemplo, es importante destacar su papel en el diseo y la manufactura de los
productos, pues all se concentran las consecuencias del costo y la calidad de los procesos.
Adems, dado que los acontecimientos que ocurren en el upstream tiene consecuencias en
las etapas inferiores, cuando se intenta mejorar la calidad, y en definitiva ahorrar en
terminos de costos, se debe mejorar la tecnologa genrica, en vez de estudiar las formas de
mejorar producto por producto. De esta manera, los avances tecnolgicos son aplicables a
cualquier tipo de producto que se quiera fabricar, y no derrochan recursos innovando en
cada producto nuevo que se lance al mercado. Los ingenieros, en suma, deben desarrollar
tecnologas robustas en la etapa de investigacin y desarrollo, tecnologas que sean
fcilmente transferibles a nuevos procesos y productos. Entonces, las innovaciones ms
valiosas son las que se producen upstream; no hay que descuidar la prevencin de
24
presentada anteriormente. Se consideran ptimos los niveles de los factores que maximicen
un ratio seal-ruido adecuado. Estos ratios difieren segn que el objetivo del experimento
sea reducir la variabilidad alrededor de un valor objetivo determinado, o producir un efecto
resultante lo mayor posible, o, inversamente, producir el menor efecto posible.xiii
En definitiva, el objetivo principal de la ingeniera en general es alcanzar mejoras de
rendimiento sostenibles ante cualquier condicin downstream. Esto es lo que se llama
robustez. Quizs uno de los mayores desafos para Taguchi consista en cmo medir la
robustez ya que, slo si logramos hacerlo, podremos desarrollar tecnologas a prueba de
ruido". Taguchi mide la robustez con el ratio seal-ruido. Mientras ms robusta es una
tecnologa, ms fuerte es la seal que emite contra cualquier ruido externo que trate de
inhibir la fuerza de la seal.
Para Taguchi, el uso de los ratios seal-ruido elimina en general la necesidad de examinar
las interacciones entre los factores controlables y los factores de ruido, si bien el examen de
estas interacciones puede ocasionalmente mejorar la comprensin de los procesos
estudiados. Finalmente, dado que los arreglos no siempre se corren completos, por razones
de economa, es posible realizar experimentos confirmatorios.
CRITICA DE LOS DISEOS EXPERIMENTALES Y EL ANLISIS DE DATOSxiv
Una primera crtica a la metodologa de Taguchi se vincula con la complejidad de sus
diseos experimentales. En efecto, los enfoques de Taguchi para el diseo de parmetros
utilizan diseos ortogonales, muchos de los cuales son experimentos factoriales
fraccionalesxv de dos niveles. Otros diseos, sin embargo, son del tipo factorial fraccional
de tres niveles (alto-medio-bajo) y tienen estructuras muy complejas. Una segunda crtica
apunta a la falta de un mecanismo para tratar con la interaccin potencial entre los factores
controlables de un proceso. Una tercera crtica es que la estructura de arreglos internos y
externos lleva generalmente a experimentos muy grandes que, con los enfoques
tradicionales, podran realizarse ms eficientemente. Autores como Montgomery (1991)
sostienen que el enfoque de arreglos internos y externos es innecesario, y podra
reemplazarse con un nico diseo que incluya tanto a los factores controlables como a los
no controlables. El diseo nico reduce en general el tamao del experimento y, adems,
puede aportar una mejor comprensin del proceso subyacente.
Tambin han sido criticados algunos aspectos del anlisis de datos propuesto por Taguchi.
Sin entrar en detalle en los aspectos tcnicos, corresponde destacar que incluso una
innovacin tpica de esta metodologa, cual es el ratio seal-ruido, ha sido criticada por su
ineficiencia para detectar los efectos de dispersin, aunque pueda servir para identificar los
factores que afectan al promedio de una variable de inters.
Pero... si los mtodos son malos, por qu se recomiendan tanto? Sucede que muchas
compaas con poca experiencia en diseo experimental han informado de sus xitos. En
general, eran compaas que empleaban mtodos rudimentarios (como la variacin de los
niveles de a un factor por vez) que no toman en cuenta las interacciones entre los factores.
Por lo tanto, al comenzar a aplicar los mtodos de Taguchi, a pesar de su ineficiencia,
dieron un salto importante en la calidad de sus resultados. Los diseos factoriales son muy
26
eficientes e, incluso cuando se los utiliza ineficientemente dan resultados mejores que otros
mtodos. Por otra parte, muchas de las aplicaciones exitosas se dieron en contextos
manufactureros en donde el costo de cada corrida de un experimento es relativamente bajo
y por lo tanto la relativa ineficiencia de los mtodos de Taguchi no era demasiado
relevante. Otras consideraciones que ponen en perspectiva la adecuacin de las aplicaciones
de Taguchi se presentan en la seccin siguiente.
COMPARACIN ENTRE EL DISEO EXPERIMENTAL CLSICO Y LOS
MTODOS DE TAGUCHI
Tanto el diseo de experimentos como los mtodos de Taguchi sirven para optimizar
procesos que tienen entradas controlables y salidas medibles. Ambas metodologas trabajan
con multiples entradas que afectan a la salida por medir. Su diferencia fundamental radica
en la forma en que cada mtodo maneja las interacciones entre los factores de entrada.
Mientras en el diseo experimental clsico se prueba con todas las combinaciones de
niveles de entrada, o una fraccin simtrica de las mismas, con el mtodo de Taguchi se
trabaja con una porcin pequea de las posibles combinaciones de factores de entrada, pero
de una manera que permite calcular los efectos de todos los factores de entrada en el
resultado de inters.
Las Figuras 8 y 9 resumen las caractersticas principales del diseo de experimentos y los
mtodos de Taguchi. La Tabla 19 compara las fortalezas y debilidades de ambos mtodos.
Mtodos de Taguchi
Suponen que los usuarios de estos mtodos poseen cierto entendimiento del
proceso estudiado y de las interacciones subyacentes entre las entradas.
Fueron inventados "por ingenieros para ingenieros".
Segn Taguchi, algunas variables estn bajo control, y otras no (factores de
ruido). Uno de los primeros pasos en los mtodos de Taguchi es el uso de los
conocimientos previos del proceso para identificar los factores controlables y de
ruido ms significativos.
Taguchi recomienda un ratio seal-ruido para representar la robustez, (aunque un
simple anlisis de la varianza o el desvo standard bastara).
En contraste con el diseo de experimentos clsico, Taguchi sugiere una ronda
final de experimentos de confirmacin.
Mientras que el diseo de experimentos clsico puede ignorar o no considerar
explcitamente los factores de ruido, el diseo Taguchi los usa para contrastar la
robustez del sistema, as como para encontrar las entradas ptimas.
27
Diseo de experimentos
Supone que los usuarios no tienen un conocimiento profundo de los mecanismos que
gobiernan el proceso investigado.
Fue inventado "por cientficos para cientficos".
Presupone que todos los inputs deben interactuar entre s. Por esto, cuando no se tiene
definido de antemano qu interacciones son las relevantes, el diseo experimental es
la opcin que conviene elegir.
En el diseo de experimentos, no slo se estudian todas las interaccionesxvi, sino que
ellas se estudian al mismo tiempo, en una misma ronda de pruebas.
Debilidades
La "filosofa" de Taguchi en su
conjunto es muy recomendable.
El concepto de funcin de
prdida es til e innovador.
28
fundamentales del sistema que se quiere estudiar ni las interacciones entre los diferentes
factores, o bien si los experimentos que se deben hacer son tan largos que deben hacerse
necesariamente bien de entrada, el diseo de experimentos es la herramienta recomendada.
Si, por el contrario, se conocen los rudimentos de los procesos subyacentes al sistema
estudiado, no se pueden probar todas las combinaciones posibles de factores, y la robustez
y consistencia del resultado es tan importante como el resultado mismo, entonces conviene
usar los mtodos de Taguchi.
BIBLIOGRAFA
Bolton, Sanford (1997). Pharmaceutical Statistics: Practical and Clinical Applications,
segunda edicin.
Box, G., R. Kacker, V. Nair, M. Phadke, A. Shoemaker, y J. Wu (1988). "Quality Practices
in Japan", Quality Progress, marzo, pp. 37-41.
Cesatrone, John (2001). "The Power of Taguchi", IIE Solutions, November, pp. 36-40.
Clemes, Michael D., Lucie K. Ozanne, y Walter L. Laurensen (2001). "Patient's
Perceptions of Service Quality Dimensions: An Empirical Examination of Health Care in
New Zeland", Health Marketing Quarterly, Vol. 19, No. 1, pp. 3 y ss.
Ealey, Lance (1992). "The "methods" of a quality master: An interview with Genichi
Taguchi, father of Quality Engineering", The McKinsey Journal, No. 4, pp. 3-17.
Montgomery, Douglas C. (1976). Design and Analysis of Experiments, John Wiley &
Sons, Inc., New York.
Montgomery, Douglas C. (1991). Introduction to Statistical Quality Control. John Wiley &
Son, Inc., New York.
Ramaswamy, Rohit (1996). Design and Management of Service Processes. AddisonWesley Publishing Company, Inc. Reading, MA.
Rao, Ashok, Lawrence P. Carr, Ismael Dambolena, Robert J. Kopp, John Martin, Farshad
Rafii y Phyllis Fineman Schlesinger (1996), Total Quality Management: A Cross
Functional Perspective, John Wiley & Sons, New York.
Sullivan, Lawrence P. (1987). "The Power of Taguchi Methods", Quality Progress, June,
pp. 77-83.
Taguchi, Gen'ichi, Elsayed A. Elsayed, y Thomas C. Hsiang (1989). Quality Engineering in
Production Systems. McGraw-Hill, Inc., New York.
Wonnacott, Thomas H. y Ronald H. Wonnacott (1977). Introductory Statistics, tercera
edicin, John Wiley & Sons, New York.
29
NOTAS
i
Una versin preliminar de este trabajo se publicar prximamente en Pharmaceutical Management. Los
autores agradecen al editor de la publicacin mencionada la autorizacin para reproducirlo.
ii
La presentacin del anlisis de varianza sigue en lneas generales a Wonnacott et al. (1977), pginas 277289.
iii
Los resultados de los clculos se indican en general con dos cifras decimales. Eventualmente, esto puede
dar lugar a errores de redondeo.
iv
Tambin puede trabajarse con las tablas de la distribucin F que aparecen en los textos de estadstica.
Tcnicamente se expresa esta situacin diciendo: suponiendo que es vlida la hiptesis nula.
vi
vii
viii
Las secciones sobre diseo experimental de este documento de trabajo siguen de cerca la presentacin de
Montgomery (1976 y 1991), especialmente su tratamiento matemtico.
ix
Los detalles de estos desarrollos pueden consultarse en cualquier texto de anlisis y diseo de experimentos,
como Montgomery (1991).
Genichi Taguchi (1924- ) perteneci al Instituto de Estadstica Matemtica del Ministerio de Educacin del
Japn (1948-1950) y al Laboratorio de Comunicaciones Elctricas de la empresa Nippon Telephone and
Telegraph. Public libros sobre diseo experimental (Experimental Design and Life Test Analysis y Design of
experiments) y combin una carrera acadmica de profesor universitario (Aoyama Gakuin University) con
desarrollos en el mbito privado norteamericano, como Director Ejecutivo del American Supplier Institute,
iniciados en 1983. Recibi el premio Deming Individual en cuatro ocasiones y un doctorado de la Universidad
de Kyushu, en 1962.
xi
xii
Si bien los factores de ruido no pueden controlarse durante la operacin rutinaria, s pueden controlarse
durante la etapa de experimentacin.
xiii
El nombre tcnico de estos ratios es, respectivamente, nominal the best (el nominal es el mejor,
simbolizado SNN), larger the better (el mayor es el mejor, simbolizado SNL), y smaller the better (el menor es
el mejor, simbolizado SNS). Los ratios se expresan en escalas de decibeles. Ver por ejemplo, Taguchi et al.
(1989).
xiv
xv
Un experimento factorial fraccionario no considera todas las combinaciones de factores posibles, sino
solamente algunas. De este modo se reducen las exigencias y costos del experimento, pero se obtiene
informacin sobre los efectos principales y las interacciones de menor orden, solamente. En estas aplicaciones
de experimentos fraccionales se supone que las interacciones de mayor orden son despreciables.
xvi
Como indicamos en la llamada anterior, no todas las investigaciones basadas en el diseo de experimentos
tienen en cuenta todas las interacciones posibles. Las que lo hacen son llamadas diseos factoriales
completos, mientras que a las que no lo hacen se las llama diseos factoriales fraccionarios.
30