Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Introduccin a la metodologa
de superficie de respuesta
En los captulos 7 y 8 se han expuesto las tcnicas de diseo y anlisis de experimentos, que permiten
al experimentador seleccionar aquellos factores que influyen en una determinada caracterstica de
calidad, y los niveles de los mismos que optimicen tal caracterstica en la regin donde se haya
experimentado.
En la prctica, el experimentador desea extender estos objetivos a otras regiones de
experimentacin y se pregunta: qu factores influyen en la caracterstica en general?, cul es la
regin ptima?, cmo se relacionan los factores con la respuesta en esta regin?
En este captulo presentaremos tcnicas que comprenden lo que se denomina metodologa de
superficie de respuesta (MSR), que permitirn encontrar la regin de inters y contestar a las anteriores
preguntas en esta regin.
los autores, 1998; Edicions UPC, 1998. Quedan rigurosamente prohibidas, sin la autorizacin escrita de los titulares del "copyright", bajo las sanciones
establecidas en las leyes, la reproduccin total o parcial de esta obra por cualquier medio o procedimiento, comprendidos la reprografa y el tratamiento
informtico, y la distribucin de ejemplares de ella mediante alquiler o prstamo pblicos, as como la exportacin e importacin de ejemplares para su
distribucin y venta fuera del mbito de la Unin Europea.
201
OBJETIVO
ESTADO
NOMBRE DESCRIPTIVO
CUL
Determinar f
Determinar
Construccin de un modelo
mecanicista
Estimacin de un modelo
mecanicista
Metodologa
respuesta
de
superficie
CMO
de
POR QU
modelo y, en general, es necesario estimar los parmetros que en ellos aparecen a travs de la recogida
de datos.
Cuando no se tiene conocimiento terico de la estructura del modelo, se hace una
aproximacin de forma emprica con los datos obtenidos en la experimentacin. Tal experimentacin
se ha de realizar de una forma secuencial y con una metodologa que depender del grado de
conocimiento que se tenga del problema. Este conocimiento ayudar en la seleccin de un modelo
que se ajuste a la respuesta y en la seleccin del diseo a realizar para poder estimar todos los
parmetros de inters.
La tabla 9.1 presenta la relacin existente entre el grado de conocimiento que se tiene de un
problema, los objetivos en cada instante y la metodologa estadstica que se lleva a cabo para conseguir
tales objetivos.
A la etapa de seleccin de variables y estimacin de sus efectos se han dedicado los captulo 7
y 8 de este libro y a ellos remitimos a aquellos lectores que deseen ampliar estos puntos.
En una primera etapa experimental, los mtodos que se denominan metodologa de superficie
de respuesta utilizan la experimentacin para lograr principalmente tres objetivos:
> Encontrar un modelo capaz de explicar la relacin existente entre cierta respuesta seleccionada
y determinados factores en una regin de inters.
> Localizar las condiciones ptimas de los factores de experimentacin para la respuesta (las
condiciones que hagan mxima la respuesta, por ejemplo).
> Realizar un estudio geomtrico de la relacin existente entre la respuesta y los factores en la
regin ptima, por medio del anlisis cannico del modelo estimado.
El logro de tales objetivos est ligado a las caractersticas que definen la MSR. En primer
lugar, es una metodologa secuencial: la aproximacin a la regin de inters se realiza de forma
iterativa utilizando diseos cada vez ms complejos dependiendo de la informacin que se obtiene en
cada etapa.
En segundo lugar, el mtodo de trabajo que se utiliza es el descrito en el ciclo PDCA (ver el
apartado 1.2.2 del captulo 1), que consiste esencialmente en plantear un modelo tentativo, seleccionar
un diseo que permita estimar los parmetros de inters, analizar los datos y verificar si el modelo
planteado es adecuado.
203
>
204
Figura 9.2 Algunas acciones que se llevan a cabo con ms frecuencia durante las primeras etapas de la
experimentacin. (A: Borrar o aadir factores; B: Cambiar la escala; C: Replicar y D: Aadir fracciones )
Por otra parte, en cada momento existen mtodos de chequeo que permitirn comprobar si el
modelo lineal de primer orden es suficientemente bueno, o detectar una evidencia de curvatura en la
respuesta. Este hecho implicar la seleccin de modelos de segundo orden y, por tanto, estrategias de
segundo orden.
En cuanto al modelo matemtico a utilizar para aproximar f(,), se emplearn funciones
polinmicas g(X,) de primer o segundo grado, las cuales pueden ser interpretadas como las resultantes
de hacer el desarrollo de Taylor de f(,) alrededor de (0,0), centro de la experimentacin en unidades
codificadas, cortando el desarrollo en los trminos de primer o segundo grado respectivamente.
Estos polinomios tienen la siguiente estructura para el caso particular de dos factores:
( )
r
g x,
0 + 1 X 1 + 2 X 2 +
(9.1)
La estimacin de los efectos en diseos 2k-p tal como se ha realizado en los captulos 7 y 8 utilizando la regla de los signos
o el algoritmo de Yates, es equivalente a la estimacin por mnimos cuadrados.
( )
r
g x,
0 + 1 x1 + 2 x 2 + 12 x1 x 2 + 11 x12 + 22 x 22 +
(9.2)
para los modelos de segundo orden. En ambos, representa el efecto de aquellos factores que no se
han tenido en cuenta en la experimentacin o el efecto de aquellos presentes en el estudio, pero cuyo
efecto no se ha podido recoger adecuadamente con el modelo seleccionado.
Los modelos de segundo orden necesitan ms experimentos para ser estimados y slo se recurre
a ellos cuando existe evidencia de curvatura en el modelo y, por lo tanto, la aproximacin lineal no es
adecuada. Para poder detectar la curvatura, a los diseos de primer orden 2k-p se les aaden puntos
centrales, los cuales, como se ver en el apartado 9.4, permitirn realizar un test de curvatura.
Aquellas regiones de experimentacin en las que la superficie no presenta evidencia de
curvatura son interpretadas como regiones lejanas a la zona ptima y, una vez ms, existe una
estrategia consistente en acercarse lo ms rpidamente a esta zona a lo largo de la direccin de mximo
cambio de la respuesta. La figura 9.3 presenta las dos
ltimas estrategias para k=2 factores.
Por ltimo, una vez se detecta la cercana de la
regin ptima, se pasa a la utilizacin de estrategias de
segundo orden. Una de ellas consiste en la seleccin de
un diseo de segundo orden apropiado que permita una
buena estimacin de un modelo cuadrtico.
Los diseos ms utilizados son los diseos
centrales compuestos que aparecen en la figura 9.4,
obtenidos al aadir un diseo estrella a un diseo
factorial. Las caractersticas de estos diseos en cuanto
a los niveles en que se han de colocar los factores,
propiedades de las estimaciones obtenidas, etc., se
estudiarn ms adelante en el apartado 9.5.
Una vez obtenida una aproximacin cuadrtica
que se ajuste a la superficie, es conveniente realizar un
anlisis cannico del modelo resultante para interpretar
Fig. 9.3 Estrategias de experimentacin. A) Aadir
de manera sencilla la geometra de la superficie
puntos centrales para detectar curvatura. B)
estimada en la regin de experimentacin y obtener
Experimentar a lo largo del camino de mximo
informacin que pueda ser til para sugerir posibles
crecimiento o decrecimiento
explicaciones tericas del problema.
205
En lo que queda de captulo se van a desarrollar las diferentes estrategias presentadas en este
apartado, aplicadas en un ejemplo particular, el de la fundicin de una determinada pieza de aluminio
por inyeccin.
El apartado 9.4 se dedica a las estrategias secuenciales de primer orden, los test de curvatura y
los mtodos de seleccin del modelo lineal. A continuacin, en el apartado 9.5 se presenta la tcnica
del camino de mximo ascenso (descenso).
En el apartado 9.6 aparecen las estrategias de segundo orden, la estimacin del modelo
cuadrtico y los test que permiten la comprobacin de la validez del modelo obtenido.
Finalmente, el apartado 9.7 est dedicado al anlisis cannico de la superficie obtenida. En este
mismo apartado se incluir la clasificacin cannica de las superficies en funcin de su modelo
cannico.
206
El presente ejemplo trata de un proceso de fundicin de tapas de aluminio por inyeccin, en el que se
intenta minimizar el ndice de porosidad encontrado en ellas. Tal ndice es obtenido mediante un
mtodo estndar a travs de rayos-X. Al parecer la temperatura del aluminio lquido y la presin con
que ste se inyecta en el molde afectan al ndice de porosidad de la placa resultante.
Los objetivos de la experimentacin son encontrar unas condiciones ptimas de trabajo en las
cuales la porosidad sea mnima, y
estimar la relacin existente entre
el ndice de porosidad con la
temperatura y la presin, en una
regin prxima a las condiciones
ptimas.
Los conocimientos que sobre
el tema tienen los tcnicos del
proceso recomiendan no trabajar con
temperaturas externas al intervalo
600-900 C ni con presiones por debajo de 700 Kg/cm2. Tales restricciones definen la regin de operabilidad.
En la figura 9.5 se presentan
las estrategias de primer orden que
se seguirn en este ejemplo. En
primer lugar se plantea la hiptesis
sobre el modelo que mejor aproxima la respuesta en la zona de
experimentacin de partida. Puesto
que estamos en los comienzos de la
experimentacin y poco conocemos, se asume que las condiciones
ptimas no tienen por qu estar
Fig. 9.5 Estrategias de primer orden en el ejemplo de la porosidad en tapas de
aluminio
prximas y que, por lo tanto, la
6.09
5.53
6.78
=
,
.
616
5.93
.
612
1 1 1
1 1 1
1 1 1
=
,
1 1 1
1 0
0
0
1 0
0
= 1
2
(9.4)
La estimacin mnimo cuadrtica de los coeficientes del modelo en 9.3 se puede realizar
empleando las tcnicas de regresin lineal, lo cual equivale a resolver la ecuacin siguiente:
b
( X ' X ) 1 X ' Y
1
Varianza (b) = $ 2 ( X ' X )
(9.5)
con
(X' X)
X' =
1/ 6
1/ 6
1/ 6
1 / 4
1/ 4 1/ 4
1 / 4 1 / 4
1/ 4
1 / 6 1 / 6 1 / 6
1/ 4
0
0
1/ 4
0
0
(9.6)
207
b =
6.10
0.29
0.33
0.045
0.055
0.055
(9.7)
E [ b] = E ( X ' X )
208
es decir,
X 'Y = ( X ' X )
X '( X + Z ) = + ( X ' X )
+ A
E [ b1 ] = 1 ;
X'Z
(9.9)
(9.10)
[ ]
E [ b2 ] = 2
(9.11)
Por lo tanto, en caso de que b11+b22 fuese significativo, al aproximar la superficie mediante
modelos lineales se comete un error en la estimacin de la constante del modelo.
Los diseos de primer orden no pueden estimar por separado 11 y 22, pero s su efecto
conjunto, 11+22. La estimacin de tal efecto por mnimos cuadrados es equivalente a comparar los
promedios de la porosidad en el centro de la superficie con el promedio en las esquinas del cubo, tal
como lo muestra la figura 9.6.
Luego el test de hiptesis planteado en (9.8) sobre la necesidad de modelos de segundo orden
es equivalente al test de hiptesis:
H 0 : Ycubo Ycentro
H1 : Ycubo Ycentro
2
= 0
(9.12)
The Feared Model tal como lo denomina el profesor N. Draper, autor, junto con G. Box, del libro Empirical Model-Building
and Response Surfaces.
sobre la existencia de curvatura, que puede comprobarse comparando el valor del estadstico
Ycubo Ycentro
(9.13)
s / ncubo + s 2 / ncentro
2
con el valor de la t de Student con grados de libertad, siendo los grados de libertad con los que se
ha estimado ,. a partir de s.
En el ejemplo de las tapas, al aplicar la ecuacin 9.12 se obtiene
6.14 6.025
0.012 / 4 + 0.012 / 2
= 1.21
(9.14)
(9.14)
(9.15)
(9.16)
209
la cual marca una direccin orientativa sobre la direccin a seguir en los nuevos experimentos. Si se
desea experimentar en puntos a distancias de una unidad, similar a la distancia entre las condiciones
experimentales anteriores, se puede utilizar el vector unidad como vector orientativo.
u
0.33
0.295
0.44 , 0.44
[0.67 , 0.75]
(9.17)
210
TEMPERATURA
PRESIN
T = 650 + 10 x1
NDICE DE
975 + 25 x 2
Con las rplicas de este experimento se puede obtener una estimacin del error experimental
con dos grados de libertad. Asimismo, se puede obtener otra estimacin del error con un grado de
libertad con las rplicas del primer experimento, que se
encuentran en la tabla 9.2. Ponderando estas dos
TEMPERATURA
PRESIN
NDICE DE
estimaciones se obtiene una estimacin de 2 con tres
(C)
(kg/cm2)
POROSIDAD
grados de libertad de s2 = 0.0318. Esta estimacin, obtenida
-1 (690)
-1 (820)
2.20
a travs de rplicas, se denomina error puro.
+1 (710)
-1 (820)
3.71
A continuacin se trata de repetir los pasos del
-1 (690)
+1 (870)
2.86
apartado 9.4 para confirmar si el modelo lineal realiza una
+1 (710)
+1 (870)
3.49
aproximacin suficientemente buena a la superficie o si, por
0 (700)
0 (845)
2.53
el contrario, existen indicios de curvatura. Aplicando el test
0 (700)
0 (845)
2.30
de curvatura de (9.13) para los datos en la tabla 9.4 se obtiene:
0 (700)
0 (845)
2.54 7
Ycubo Ycentro
s / ncubo + s / ncentro
2
3.06 2.46
.
014
1/ 4 + 1/ 3
(9.19)
que es un valor estadsticamente significativo en la t de Student con tres grados de libertad. Por lo
tanto, en el test planteado en (9.8) se rechaza la hiptesis nula y se acepta que el modelo de segundo
orden:
y = 0 + 1 x1 + 2 x 2 + 12 x1 x 2 + 11 x12 + 22 x 22 +
(9.20)
se aproxima mejor a la respuesta.
As pues, ahora es el momento de comenzar a utilizar las estrategias de segundo orden, que
estn esquemticamente representadas en la figura 9.7.
211
212
1 1 1
1 1 1
1 1 1
= 1 1 1
1 0 0
1 0 0
1 0 0
ya cumple la condicin de ortogonalidad, basta con multiplicar las columnas del diseo entre s y
observar que todos los productos se anulan.
El segundo diseo, denominado diseo estrella, contiene los experimentos dispuestos de la
siguiente forma
1
1
1 0
= 1 0
1 0
1 0
1 K
0
0
0
K
donde y el nmero de puntos centrales n0e se han de determinar segn los criterios que se explican a
continuacin.
El resultado de aadir un diseo factorial y un diseo estrella se conoce como diseo central
compuesto o central composite design. La forma de tal diseo para tres factores se puede ver en la
figura 9.4.
La seleccin de y n0e est basada en dos criterios: el criterio de ortogonalidad mencionado
anteriormente y el criterio de rotabilidad. Se dice que un diseo es rotable si la precisin en la
estimacin de la superficie es igual para todos los puntos equidistantes del centro del diseo,
(9.23)
Nc
xbij2
j =1
N
x
j =1
2
bij
nb
N
(9.24)
i = Indicador de la variable i.
j = Indicador de la observacin j de la variable i en el bloque b.
nb = Nmero de observaciones en el bloque b.
N = Nmero total de observaciones.
Llamando n0c y n0e al nmero de puntos centrales en el cubo y en el diseo estrella
respectivamente, y k al nmero de factores en el diseo, al aplicar la condicin de ortogonalidad (9.24)
al caso particular de los diseos compuestos centrales se obtiene la frmula simplificada siguiente
N c ( 2k + noe )
2 ( N c + noc )
(9.25)
donde Nc el nmero de puntos en el primer diseo exceptuando los puntos en el centro. (Nc ser de la
forma 2k o 2k-p.)
La tabla 9.5 muestra algunos diseos compuestos centrales con los correspondientes valores de
si se quiere obtener ortogonalidad y rotabilidad. Como se puede observar, algunas veces no se
pueden conseguir los dos criterios exactamente.
Volviendo al ejemplo de las tapas de aluminio, si se desea aadir un nuevo diseo ortogonal al
presentado en la tabla (9.4) y tal que el conjunto sea rotable, basta con sustituir los valores de las
constantes: k=2, Nc=4 y n0c=3 en las expresiones (9.23) y (9.25), y se obtiene:
4 ( 4 + noe )
2 ( 4 + 3)
4 =
(9.26)
213
5(1/2)
Nc
16
32
16
32
Bloques en cubo
2x4
2x8
4x8
2 x 16
Ne=2 k
10
10
12
2x2
2x2
2x4
4x2
nso
N total
14
20
30
54
33
54
(ortogonalidad)
1.4142
1.6330
2.000
2.3664
2.000
2.3664
(rotabilidad)
1.4142
1.6818
2.000
2.3784
2.000
2.3784
Generadores de
bloque
B=123
B=1234
B1=123
B2=2345
B=123
Generadores del
diseo fraccional
5=1234
6=12345
214
4 ( 4 + noe )
2 ( 4 + 3)
noe = 3
(9.27)
PRESIN
(C)
-/22 (685)
/22 (715)
0 (700)
0 (700)
0 (700)
0 (700)
0 (700)
(kg/cm2)
0 (845)
0 (845)
-/22 (810)
/22 (880)
0 (845)
0 (845)
0 (845)
NDICE DE
POROSIDAD
de porosidad del segundo al primer experimento. Este hecho induce a una investigacin por parte de
los tcnicos para encontrar las condiciones que han cambiado en las dos etapas y que provocan este
cambio en la porosidad.
Antes de aceptar el modelo obtenido por regresin se ha de hacer una prueba de ajuste de los
datos al modelo. Esta prueba se realiza comparando dos estimaciones independientes de 2, una de las
cuales depende totalmente de la bondad del ajuste del modelo.
La estimacin de 2 en la tabla 9.7 ha sido obtenida como un promedio de otras dos estimaciones:
2
stotal
>
>
2
4 s 2puro + 4 sajust
(9.28)
(9.30)
Fig. 9.8
s 2puro
0.016
0.011
= 145
.
(9.31)
(9.32)
215
4.9
5.5
Presin
4.3
216
2
2
Y 2.84 + 0.36 B + 0.51T + 0.26 T + 0.32 P 0.22 T P
=
= 0.51 + 0.52 T 0.22 P = 0
T
T
Y
P
(9.33)
= 0.64 P 0.22 T = 0
T = -1.15, P = -0.39
Las coordenadas del punto crtico en unidades originales, as como el valor estimado de la
porosidad, son:
Pc (688.5 C, 835.1 Kg/cm2)
YPc = 2.19 (Bloque 1)
(9.34)
YPc = 2.91 (Bloque 2)
Anlisis cannico
El conjunto de todas las superficies cuadrticas se clasifican segn su forma cannica. sta
corresponde a la representacin de la superficie con ejes de simetra paralelos a los ejes de coordenadas
y centrada en el origen (de coordenadas 0 en todas las variables x).
Las superficies que se obtienen de la metodologa de superficie de respuesta no tienen por qu
cumplir las dos condiciones anteriores y, en tal caso, resulta difcil conocer el tipo de superficie de que
se trata. Sin embargo, mediante las dos operaciones que a continuacin se detallan, se puede
recodificar la superficie para expresarla en su forma cannica. Estas dos operaciones son:
> Utilizar los ejes de simetra como nuevos ejes de coordenadas.
> Seleccionar el punto crtico de la superficie como nuevo origen de coordenadas.
b0 = ( b0 )
x1
x
2
x3
X =
K
K
x k
b1
b
2
b3
b=
K
K
bk
1 / 2b12
b11
1 / 2b
b22
12
B=
K
K
/
/ 2b2 k
1
2
1
b
1k
K
K
K
K
1 / 2b1k
1 / 2b2 k
bkk
(9.35)
el mtodo general de obtener las dos formas cannicas es muy simple y est basado en las propiedades
algebraicas de la matriz B.
Para ello, primero expresaremos el modelo de segundo orden para la superficie de respuesta en
forma matricial,
Y = b0 + Xb + X B X
(9.36)
Ahora, si M es la matriz en cuyas columnas estn los vectores propios estandarizados de B: m1,
m2, ..., mk, siendo 1, 2, ...,k, sus valores propios, se cumple:
BM = M
M= M
(9.37)
MBM = MM =
donde es la matriz diagonal con 1, 2, ...,k, en la diagonal.
Dado que MM = I, se puede intercalar este producto de matrices en la ecuacin (9.36), y
agrupando convenientemente se obtiene
Y
(9.38)
Utilizando las propiedades en (9.37) en (9.38), la ecuacin (9.36) puede reescribirse como,
Forma cannica A
Y = b0 + X + XX
(9.39)
X=Mx y =Mb
La forma cannica A obtenida en (9.39) slo contiene trminos cuadrticos puros, ya que han
desaparecido las interacciones. Si se representa de nuevo la superficie, pero ahora respecto a las nuevas
variables X, se observa que los ejes de simetra de la superficie son paralelos a los ejes de coordenadas.
Para hallar la forma cannica B hay que determinar la distancia a la que se encuentran los
puntos crticos de la superficie (mximo, mnimo, punto silla, zona de mximos, etc.) del origen de
coordenadas. Si la zona crtica est dentro de la regin de experimentacin, se considera que la
aproximacin de la superficie ser igual de vlida alrededor del nuevo origen de coordenadas. Si en
cambio la regin crtica est lejos de la zona de experimentacin, no tiene sentido extrapolar la
superficie hasta la zona crtica y, por lo tanto, no se halla la forma cannica B.
En el ejemplo de las tapas, la distancia del punto crtico al centro de experimentacin es
d
115
. 2 + 0.39 2
= 1.2
(9.40)
y; por lo tanto, podemos considerar que la aproximacin obtenida en (9.26) puede extenderse a la
regin alrededor de este punto.
217
Por consiguiente, para obtener la forma cannica B, se puede realizar la segunda operacin de
cambiar el origen de coordenadas de (0,0) por (-1.15,-0.39), si se trabaja en unidades codificadas
originales, o de (0,0) por M (-1.15,-0.39), si se trabaja con las coordenadas nuevas.
Dado que el resultado final es independiente del orden en que se realicen estas dos operaciones
(cambio de ejes de coordenadas y traslacin del origen), en aquellos casos en que se han calculado con
anterioridad las coordenadas del punto crtico, es ms sencillo trabajar con las coordenadas del punto
crtico en unidades originales x.
Por lo tanto, si se aplica este cambio de origen en (9.38) antes de pasar a cambiar los ejes, se
obtiene la expresin
=
Y0 +
(9.41)
que se simplifica dando lugar a la forma cannica B, que aparece en (9.39) en su forma general.
Forma cannica B
Y
~
Xi
218
~
~
~
Y0 + 1 X 12 + 2 X 22 + K + k X k2
M ' ( xi xio ) d
(9.42)
X i X io
Es decir, las nuevas coordenadas se pueden obtener trasladando xo (en unidades originales
codificadas) y girando con M, o girando con M para obtener las nuevas coordenadas X y trasladando
X0 respecto a las coordenadas del punto estacionario (en las nuevas coordenadas).
Con la ecuacin (9.42) se est en situacin de interpretar la superficie. El signo de los valores
propios i determinarn el tipo de superficie, y su valor absoluto determina el tamao de los ejes de
simetra.
La figura 9.9 contiene la clasificacin de las superficies para dos factores. Para interpretar
superficies con ms factores se pueden seleccionar subgrupos de dos factores e interpretar la
proyeccin de la superficie en ellos.
En el caso de las tapas de aluminio, para hallar la forma cannica B se han de obtener los valores
propios y los vectores propios de la matriz B en el modelo (9.32).
x1
X =
x2
b0 = (2.84)
0.61 0.79
0.79 0.61
0.51
b=
.
0.26 011
B=
011
.
0
.32
0.40
(9.43)
018
.
Por lo tanto, llevando los valores de (9.43) a (9.42) se obtiene la forma cannica B:
Y
~
~
2.55 + 0.36 B + 0.40 X 12 + 018
. X 22
(9.44)
= 0.79 ( x1 + 115
. ) + 0.61( x2 + 0.39) = 0.79 x1 + 0.61 x2 115
.
(9.45)
2
43
46
49
0
-1
-2
-3
-3
-2
-1
3
18.5
16.0
13.5
11.0
8.5
8.5
3.5 6.0
6.0
3.5
11.0
-1
13.5
-2
219
16.0
18.5
-3
-3
-2
-1
A
3
2
3.5
9.5
8.0 6.5
9.5
5.0
3.5
1
0
-1
-2
-3
-3
-2
-1
A
3
6
2
1
10
0
-1
12
-2
-3
-3
-2
-1
Figura 9.10 Representacin de superficies cuadrticas en dos factores. a) Mximo (1 y 2 <0) (o mnimo (1 y 2 >0);
b) Punto silla (1 y 2 de distinto signo); c) Teja horizontal (2 = 0 ); d) Teja inclinada (2 =0) y trmino lineal en X1)
>
>
Al ser positivos los coeficientes de los trminos cuadrticos en la forma cannica B, existe un
nico punto donde se obtiene un ndice de porosidad mnimo. Las coordenadas de este punto
son aproximadamente (688.5C, 835.1 kg/cm2).
Si se desean hacer predicciones del valor de la respuesta para determinadas condiciones de los
factores, se puede obtener el modelo en unidades originales. No obstante, hay que tener en
cuenta que el modelo obtenido es una aproximacin local de la superficie en la zona de
experimentacin y que, cuanto ms alejado de tal zona se est, menor precisin en la prediccin
se obtendr. La manera ms sencilla de obtener el modelo en unidades originales es
descodificando la ecuacin (9.32) mediante:
x1
T 700
10
x2
P 845
25
(9.46)
>
es debido a que el valor propio 1 =0.39 es mayor que 2 = 0.17. La direccin de mnimo cambio
en porosidad viene determinada por
~
X1
(9.48)
.
0.79 x1 + 0.61x 2 + 115
(9.49)
y la de mximo por
~
X2
220
>
Ejercicios
9.1.
a)
b)
c)
d)
Un experimentador ha realizado un diseo 25-1 con cuatro puntos aadidos en el centro y desea
aadir una estrella a una distancia axial y ne0 puntos en el centro.
a) Qu valor de se ha de seleccionar si se quiere conseguir rotabilidad?
b) Y si se quiere conseguir que los dos bloques sean ortogonales?
c) Se puede conseguir rotabilidad y ortogonalidad a la vez?
9.2.
9.3.
9.4.
X1
80
100
80
100
90
X2
10
10
30
30
20
11
29
12
X1
64.5
47.5
39
30.5
43.25
X2
38
50
56
62
53
34.75
59
43
58
72
62
65
68
X1
34.75
43.25
39
39
39
39
X2
53
59
56
56
56
56
71
68
71
72
72
73
221
10
Diseo de productos robustos
223
224
producto est en manos del cliente, debido al tiempo en que el envase del producto permanece
abierto o debido a caractersticas del agua de lavado. El suavizante que se desea ha de ser
robusto a estos factores externos a su frmula, es decir, su viscosidad debe mantenerse en un
nivel aceptable sea cual sea el agua de lavado o el tiempo en que el envase est abierto.
> Se desea disear un tubo calefactor seleccionando los niveles de tres parmetros de diseo:
temperatura interior y exterior del cilindro calefactor y proporcin entre dimetro exterior e
interior. El tubo resultante, adems de permitir el paso de un flujo determinado de calor por su
superficie, ha de ser robusto, o insensible, a pequeas variaciones en los parmetros de diseo.
Esta preocupacin reciente en las empresas por obtener productos robustos ha sido motivada
por las demandas actuales del cliente dentro de un entorno competitivo muy particular.
Un mismo producto puede ser fabricado en empresas situadas en zonas geogrficas lejanas, las
cuales pueden ser aprovisionadas por diferentes proveedores, e incluso tener diseados sus procesos de
diferente manera. Sin embargo, cuando el cliente compra un producto quiere que sea robusto a estas
condiciones del mercado o a otras tales como las caractersticas culturales, condiciones ambientales,
etc. El producto es identificado por la marca y no por la empresa que lo fabrica.
Un cliente no satisfecho puede reclamar una compensacin econmica por la falta de calidad o
incluso puede cambiarse a un producto de la competencia. Ello conlleva unas prdidas econmicas a
la empresa que se estima que son directamente proporcionales a la desviacin cuadrtica de la
caracterstica de calidad respecto a su valor nominal u objetivo.
Algunos autores prefieren hablar de una funcin matemtica que mide la calidad de un producto
en funcin de la desviaciones cuadrticas de cada individuo respecto al valor nominal. El ingeniero
Genichi Taguchi (1986), por ejemplo, define la funcin de prdidas que presentamos en el apndice 10.A.
El objetivo del diseador es por lo tanto definir productos en los que las prdidas debidas a estas
fuentes de variacin sean mnimas. No basta con fabricar bajo el nivel nominal, hay que hacerlo con
la mnima variabilidad.
Una segunda estrategia ms econmica y eficaz, consistira en tomar contramedidas contra cada
una de las causas de variabilidad a lo largo de las etapas de desarrollo de un nuevo producto. La tabla
10.1 (Kackar 1985) presenta en qu fases del desarrollo de un producto es posible actuar para
minimizar el efecto de cada una de las causas de variabilidad.
CAUSAS DE VARIABILIDAD
(RUIDO)
FASES DEL DESARROLLO
DE UN PRODUCTO
O Contramedidas posibles
X Imposibilidad de contramedidas
Externas
(Ambiente)
Internas
(Deterioro)
Produccin
(Fabricacin)
Proceso de produccin
Tabla 10.1 Contramedidas posibles en cada una de las fases del desarrollo de un producto
225
>
226
227
228
(10.1)
en el que una vez estimados sus parmetros, su correcta interpretacin debe permitir alcanzar el valor
nominal con la mnima variabilidad.
> Aquellos efectos ik que sean significativos nos permitirn seleccionar los niveles de los
factores de control Xi en que el producto sea ms robusto a la variabilidad transmitida por los
factores ruido Zk.
> Aquellos factores Xi que sean significativos pero que no interaccionen con factores ruido,
permitirn llevar la respuesta a su nivel nominal.
> Aunque la estimacin de los efectos de los factores ruido k en principio no es til, puesto que
son factores que no se controlan, el conocimiento de su significacin puede servir a los tcnicos
para replantear el diseo del producto o proceso.
Por lo tanto, el diseo seleccionado debe permitir estimar, como mnimo, los efectos asociados
a los factores
Xi , XiXj, y Xi Zk
(10.2)
y ser de ayuda si adems permite estimar los efectos asociados a los factores ruido.
Las soluciones dadas a este problema han sido principalmente tres:
> Disear por separado las matrices para los factores de control y para los factores ruido y cruzar
las dos para dar lugar a una matriz producto. Esta matriz producto puede ser obtenida a travs
de los diseos 2k-p propuestos en los captulos 7 y 8 y tambin de los orthogonal arrays
propuestos por Taguchi (1986).
> Realizar un diseo fraccional de resolucin V con todos los factores de control y ruido
estudiados conjuntamente.
> Seleccionar diseos especiales de resolucin IV que no confundan las interacciones a estudio.
La primera opcin es la ms sencilla. Adems, permite seleccionar un grado de fraccionamiento
diferente para cada tipo de factores. En general, el diseo para los factores ruido suele ser ms
fraccionado de lo que se acostumbra cuando se trabaja con factores de control. Ello es debido a que no
estamos tan interesados en la estimacin, libre de confusiones, de las interacciones entre factores ruido.
Aunque la tercera opcin conlleva la realizacin de menos experimentos que la primera y la
segunda, la matriz producto est ms difundida en la industria y es ms fcil que sea seleccionada por
personal poco experto. Es esta la razn principal que nos ha hecho decidirnos por presentar esta matriz
en este captulo aunque existen otras razones de tipo analtico (con esta matriz se puede desglosar mejor
la variabilidad debida al ruido en: la transmitida
por los factores ruido que han intervenido en el
z1
experimento y el ruido ajeno a estos).
z1
Factores
ruido
Factores
ruido z2
z2
Matriz
externa
La matriz de diseo se representa con
Matrizexterna
z3
z3
Factoresde
Factores
dediseo
diseo
dos entradas tal como aparece en la figura 10.3.
..
x1, x2
x2, x3.
... .
x1
x3 .
Por una parte aparecen los k factores de control
combinados segn un diseo 2k-p y, por otra, los
r factores ruido combinados segn otro diseo
Matriz
interna
Matrizproducto
Matriz
producto
Matriz
interna
2r-q. Por consiguiente, se obtienen 2k-p 2r-q
condiciones experimentales.
Una vez aleatorizado el orden de
experimentacin de las 2k-p 2r-q condiciones
experimentales, se realiza cada experimento y se
Fig. 10.3 Diseo de la matriz de experimentacin 2k-p 2r-q
mide la caracterstica de calidad. Las filas de la
matriz pueden ser consideradas como prototipos idnticos de un producto diseado con los niveles de los
parmetros de la parte izquierda de la tabla y sometidos a diferentes condiciones de los factores ruido.
Si la muestra fuese lo suficientemente grande, la representacin grfica en histogramas de la
caracterstica de calidad en estos individuos dara una idea general de la distribucin de la calidad del
producto; bastara con observar el centro de la distribucin y su dispersin.
Esta manera intuitiva de interpretar la matriz de diseo ha dado lugar a un anlisis de los datos
basndose en la informacin obtenida para cada fila o condicin de los parmetros de diseo.
Una vez ms, existen diferencias en el tratamiento de estos datos. Remitimos al lector al apndice
10.B si quiere obtener informacin sobre el mtodo seguido por Taguchi basado en la seal ruido.
Nosotros introduciremos al lector dos mtodos de anlisis que creemos que mejoran
sustancialmente el enfoque expuesto en dicho apndice:
> El primero est basado en el anlisis de los datos directamente de la matriz producto. Para
llevarlo a cabo se obtendrn la media y la variabilidad para cada condicin de diseo y se
aplicarn las tcnicas de anlisis de los captulos 7 y 8. Ello permitir estimar los parmetros de
un modelo del tipo:
Y= 0 + i Xi + ij Xi Xj +
(10.3)
> Para aplicar el segundo mtodo juntaremos los factores de control y los factores ruido en una
nica matriz 2(k+r)-(p+q) y pasaremos a estimar los parmetros del modelo en (10.1) que es
sensiblemente diferente al modelo en (10.3), puesto que incorpora los factores ruido en su
estructura.
Debemos decir que, si uno planifica analizar los resultados del experimento con la segunda
opcin, puede seleccionar la matriz producto de tal forma que el diseo 2(k+r)-(p+q) resultante sea ptimo
en el sentido de mxima resolucin a costa de, en general, no reproducir todas las condiciones de los
factores ruido para cada condicin de los factores de control.
A continuacin presentamos el ejemplo de suavizante donde se aplicarn los mtodos de
anlisis aqu mencionados.
10
das
de control,
N
Tipo
de
agua
blanda
dura
> O=MN para los factores ruido.
O
Temperatura del agua
fra
templada
Ntese que, si juntamos dos
k-p
r-q
diseos de la forma 2 y 2 , el
resultado se podr interpretar como un
Tabla 10.2 Factores que toman parte en la experimentacin con sus niveles
229
diseo 2(k+r)-(p+q) que, en general, no es de mxima resolucin. En este caso podemos considerar el
diseo como un 28-3.
La matriz del diseo junto con los resultados de la viscosidad medida en centipoises se
encuentra en la tabla 10.3.
M.PRIMA
ESTABILZ.
PH
T. SALES
C. SALES
TIEMPO
T. AGUA
+
+
C AGUA
3200
4500
175
1560
37.5
42.5
300
242.5
1600
475
137.5
60
1900
2200
302.5
3660
125
112.5
965
1900
250
325
325
1920
50
112.5
445
2050
175
97.5
492.5
340
Tabla 10.3 Matriz de diseo y resultado del experimento para el ejemplo del suavizante
230
En la parte izquierda estn definidos los niveles en que se han colocado los factores de control
para todas las condiciones de ruido situadas en la parte superior derecha de la tabla. Para cada una de
estas condiciones se obtienen cuatro suavizantes (en el orden de experimentacin preestablecido), que
son sometidos a las condiciones de ruido que vienen dadas por los niveles de la parte superior derecha
de la matriz
As, en la primera fila aparecen los cuatro suavizantes fabricados con la frmula determinada
por la materia prima M1, el estabilizante E1, con ph 2.5, con el tipo de sal S2 y con una cantidad de
sal alta. stos, como todos los dems, han sido sometidos a las cuatro condiciones de ruido.
M. PRIMA
ESTABILIZ.
PH
T. SALES
C. SALES
LOG(s)
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
2358.7
155.6
568.1
2015.6
775.6
705.0
664.4
276.3
3.28
2.13
2.85
3.14
2.92
2.90
2.97
2.25
EFECTOS
MEDIA
LOGN(S)
media
A+BD
B+AD+CE
C+BE
D+AB
E+BC
AC+DE
AE+CD
939.9
-303.6
-117.7
-669.2
833.3
-152.3
74.2
-992.0
2.81
-0.40
-0.01
-0.09
0.18
-0.30
0.03
-0.53
D+AB
E+BC
A+BD
C+BE
AE+CD
AE+CD
231
A
Fig. 10.4 Representacin en papel probabilstico normal de los efectos sobre la media A) y sobre la
variabilidad B). (A= Materia prima; B= Estabilizante; C= Ph; D= Tipo de sales; E= Cantidad de sales)
Aunque existen confusiones debido al fraccionamiento del experimento, los expertos en el tema
consideraron que no tena sentido la existencia de la interaccin AE y BE, as como que D era un fuerte
candidato a tener influencia en la viscosidad media, lo cual por otra parte tiene bastante sentido. Por lo
tanto, para el estudio de la media se seleccionaron C, D y su interaccin CD.
En el estudio de la variabilidad se seleccionaron como posibles efectos significativos (a falta de
experimentos para confirmarlo) los efectos A, E y su interaccin AE.
Con los resultados del anlisis se pueden obtener los modelos que permitan una aproximacin
lineal en la zona de experimentacin (ver el captulo 9 para aproximaciones ms complejas) de la
media y la variabilidad de la viscosidad en funcin de los factores de diseo.
Estos modelos son:
> Viscosidad media = 940 - 335 Ph + 417 T. Sales -496 Ph T. Sales + e V(e) = 259.52
> Logn(s) = 281 - 0.20 M. prima - 0.15 C. sales - 0.27 M. prima C. Sales + e V(e) = 0.1432
En ninguno de los dos modelos se ha detectado evidencia alguna de comportamiento anmalo
en los residuos; por lo tanto, a continuacin pasaremos a seleccionar aquellos niveles que optimicen
las dos funciones.
Optimizacin de la variabilidad
Se desea un suavizante con una viscosidad lo ms robusta posible a influencias de factores ruido, esto
se traduce en que la variabilidad de la viscosidad del suavizante fabricado bajo una frmula
determinada (mismas condiciones de los factores de control) ha de ser mnima.
Del anlisis de la figura 10.5 se extrae que
ello se consigue fabricando el suavizante con:
Log(s)
> materia prima: M2,
C. sales (baja)
> cantidad de sales: alta.
En tal caso la variabilidad media
C. sales (alta)
esperada en los suavizantes, independientemente de los valores en que trabaje en los
dems factores de control, ser de
M1
M2
M. prima
logn(s) = 2.81 - 0.2 - 0.15 - 0.27 = 2.19
Fig. 10.5 Grfico de la interaccin materia prima cantidad de
s = exp (2.19) = 8.93 centipoises
sales en el estudio de la variabilidad.
Para la seleccin de aquellos niveles de los factores ph y tipo de sales que minimicen la viscosidad, es
preciso analizar la interaccin entre ellos, y para ello se ha construido la figura 10.5.
Los niveles de los factores de control que
minimizan la viscosidad son por lo tanto:
> Ph: 2.5
> Tipo de sales: S1
Viscosidad
Tipo sal (S2)
Adems, la viscosidad media esperada en
media
estos suavizantes ser de:
Tipo sal (S2)
Visc. media = 940+335-417-496=362 centipoises.
Por lo tanto, se concluye que el diseo del
suavizante robusto al ruido externo queda
2.5
3.5
Ph
definido por:
> materia prima: M2
> cantidad de sales: alta
Fig. 10.7 Grfico de la interaccin ph tipo de sales en el
> ph: 2.5
estudio de la viscosidad media
> tipo de sales: S1
De los suavizantes fabricados en tales condiciones se esperar una viscosidad media de 362
centipoises con una variabilidad de s=8.93 centipoises.
Anlisis de los datos. Mtodo de una nica matriz (Box-Jones)
Como comentamos en el apartado 10.3 de este captulo, las tcnicas de diseo robusto a la variabilidad
externa se basan en la interaccin existente entre factores de control y factores ruido. Este hecho
provoca que la caracterstica de calidad, al verse afectada por diferentes condiciones de factores ruido,
vare de manera diferente dependiendo del nivel en que se encuentre el factor de control.
>
>
Se observa que:
aparecen los mismos factores de control afectando a la viscosidad media que en el anlisis
trabajando con la matriz producto: AE+CD, C+BE, D+AB. Por las mismas consideraciones
anteriores seleccionaramos C, D y CD como los que contribuyen a la viscosidad;
los factores ruido M = Tiempo en que el recipiente del suavizante est abierto y O =
Temperatura del agua influyen notablemente en la viscosidad media. Estos factores dependen
totalmente del cliente, pero existe la posibilidad de desarrollar un recipiente de suavizante que
cierre hermticamente, de tal forma que el factor M no sea tan importante;
el grupo de interacciones CN, CDM+AEM y ACN+DEN puede ser utilizado para controlar la
variabilidad en la viscosidad, seleccionando aquellos niveles de los factores de control en que
el suavizante es ms robusto a cambios en los factores ruido.
233
234
M. PRIMA
ESTABILZ.
PH
T. SALES
C. SALES
TIEMPO
T. AGUA
C AGUA
VISCOSIDAD
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
3200
37.5
1600
1900
125
250
50
175
4500
42.5
475
2200
112.5
325
112.5
97.5
175
300
137.5
302.5
965
325
445
492.5
1560
242.5
60
3660
1900
1920
2050
340
Tabla 10.6 Matriz de diseo 28-3 y resultados de la experimentacin en el problema del suavizante
MEDIA
A+BD
B+AD+CE
C+BE
D+AB
E+BC
AC+DE
AE+CD
939.9
-303.6
-117.7
-669.2
833.3
-152.3
74.2
-992.0
M+NO
N+MO
O+MN
AM
BM
CM
DM
EM
569.8
-20.5
504.0
60.8
-83.3
-66.1
309.5
-61.1
AN
BN
CN
DN
EN
AO
BO
CO
339.8
130.2
919.2
-343.9
-305.8
51.1
192.7
-12.0
DO
EO
ACM+DEM
CDM+AEM
ACN+DEN
CDN+AEN
ACO+DEO
CDO+AEO
-2
-317.7
-204.5
-640.2
-681.1
242
-181.7
-271.7
Tabla 10.7 Estimacin de los efectos en el ejemplo del suavizante para el diseo 28-3 (excepto en
los seis ltimos grupos, se han omitido las interacciones de orden 30 superior)
Si consideramos las interacciones CN y ACN como las de mayor contribucin con el factor
ruido N, y la AEM para el factor M, los grficos en las figuras 10.7 y 10.8 ayudan notablemente en la
interpretacin y seleccin de las condiciones ptimas de diseo.
Como se puede observar en la figura 10.7, la naturaleza de esta interaccin no permite
seleccionar un nivel para los factores M. prima y ph tales que la variacin transmitida por el tipo de
agua sea mnima. En todo caso los grficos sugieren que tal vez con un ph intermedio se puedan lograr
resultados esperanzadores.
De la interpretacin de la figura 10.8 en la que est representada la interaccin de m. prima c. sales
con el factor ruido tiempo abierto se obtienen mejores resultados.
Ph (2.5)
Ph (3.5)
M. prima (M1)
Viscosidad
media
Viscosidad
media
M. prima (M2)
M. prima (M2)
Blanda
M. prima (M1)
Dura
Tipo de agua
Blanda
Tipo de agua
Dura
235
M. prima (M2)
C. sal (alto)
C. sal (bajo)
Viscosidad
media
Viscosidad
media
C. sal (bajo)
C. sal (alto)
>10 das
<10 das
Tiempo abierto
>10 das
<10 das
Tiempo abierto
Se observa que trabajando con la materia prima y la cantidad de sales a un mismo nivel ( M1
con cantidad de sal baja y M2 con cantidad de sal alta), la variabilidad transmitida es mucho menor.
Por lo tanto, concluimos que para obtener un suavizante con mnima viscosidad y robusto al
ruido externo, hemos de trabajar con:
> ph de 2.5 y sales del tipo S1 si queremos conseguir mnima viscosidad;
> con m. prima del tipo M2 y cantidad alta de sales o con menos sal si se trabaja con la materia
prima M1 si se desea conseguir un suavizante robusto a la variabilidad transmitida por el efecto
del tiempo abierto.
Como el lector habr comprobado, esta ltima forma de analizar los experimentos permite
conocer ms sobre el producto, ya que quedan identificados:
> los factores ruido que tienen influencia en la media: M y O;
> los factores ruido que pueden ser contrarrestados por medio de una seleccin adecuada del
diseo: M y N.
Sin embargo, con el primer mtodo de anlisis de la matriz producto, la variabilidad estimada
para cada condicin de diseo tiene una componente debida a aquellos factores ruido ajenos a los
controlados en la experimentacin y, por lo tanto, podramos decir que el producto resultante es ms
robusto que el obtenido con el mtodo de la nica matriz.
Por la experiencia que hemos ido adquiriendo en la aplicacin de las tcnicas de anlisis de los
diseos de experimentos, no podemos decir que un mtodo de anlisis sea mejor que el otro. Por el
contrario, ambos son vlidos y complementarios. Del anlisis conjunto los tcnicos pueden obtener
importantes conclusiones tanto para el objetivo particular que les ocupa como para futuras lneas de
experimentacin.
(En todos los anlisis aqu considerados se ha asumido que el orden de experimentacin ha sido
aleatorio. En la prctica algunos experimentadores no cumplen este requisito, fabrican prototipos
seguidos para cada condicin de la matriz de diseo y los someten uno detrs de otro a las condiciones
de ruido. El experimentador que se encuentre en esta situacin est rompiendo una de las hiptesis en
que se basan los anlisis aqu presentados y para un correcto anlisis de los datos tendr que aplicar las
tcnicas de anlisis de varianza denominada split-plot (Milliken y Johnson (1984).)
236
Se entiende por ruido interno la variabilidad que presentan ciertas caractersticas de calidad de los
productos debido a que los valores que realmente toman sus factores de diseo no son los nominales,
o, si lo son al principio, sufren una cierta variacin a lo largo del
tiempo.
De forma anloga al caso de la existencia de ruido externo, la
T1
metodologa que se propone consta de las siguientes fases:
>
Establecer una hiptesis sobre el modelo de la respuesta.
b
T2
>
Seleccionar un diseo apropiado que permita estimar los
parmetros del modelo.
a
>
Estimar los parmetros del modelo.
>
Analizar la media y la varianza en la respuesta.
Como ya comentamos en el apartado 10.4 se puede analizar la
variacin transmitida por los factores internos y minimizarla slo si la
relacin entre stos y la respuesta es no lineal (ver figura 10.2).
Fig. 10.9 Seccin cilndrica del
Para poder detectar este tipo de relaciones no lineales debemos
tubo calefactor
experimentar con diseos que as nos lo permitan. Algunos de estos
diseos, los denominados diseos centrales compuestos, fueron presentados en el captulo 9.
El ejemplo que vamos a presentar se trata del diseo de un tubo calefactor, tal como el que
aparece en la figura 10.9, en el que la caracterstica a estudio es el flujo de calor que pasa por la
superficie. El objetivo es obtener un tubo de flujo 1400 cal/seg y lo ms robusto posible a pequeas
variaciones en los parmetros de diseo. stos son:
> T1 :Temperatura en el exterior del cilindro (C).
> T2 :Temperatura en el interior del cilindro (C).
> b :Dimetro exterior del cilindro (cm.).
> a :Dimetro interior del cilindro (cm.).
Para la realizacin del experimento se toma un tubo de 1 cm de largo, con un coeficiente de
conductividad trmica de k=0.92 cal/seg cm C. Como se conoce la ley fsica que relaciona el flujo de
calor con los parmetros de diseo:
Flujo = 2p(T2-T1)/ln(b/a)
(10.5)
no hara falta experimentar. Sin embargo, vamos a seguir los pasos que seguira el experimentador en
caso de desconocer tal ley, aunque los datos sern obtenidos al sustituir los parmetros de diseo en la
frmula.
T1
T2
r
FLUJO
El modelo que el experimentador desea estimar ser un
909.7
modelo de segundo orden del tipo:
+
303.2
Y= 0 + i Xi + ij Xi Xj + iiX2i +
(10.6)
+
4245.1
y para ello se han seleccionado las condiciones experimentales que
+
+
3638.7
aparecen en la tabla 10.8,
+
330.5
basndose en las diseos que se presentaron en el captulo 9.
+
+
110.2
Los niveles de los factores son:
+
-1.2
1.2
0
0
0
0
0
T1
T2
r
-1.2
-1
+1
+1.2
19
20C
25C
30C
31C
29.5C
35C
62.5C
90C
95.5C
1.08
1.1
1.2
1.3
1.32
+
+
0
0
-1.2
1.2
0
0
0
+
+
0
0
0
0
-1.2
1.2
0
1542.1
1321.8
1188.8
1381.5
996.2
129.2
2248.4
2871.7
777.3
(10.8)
2
sFuncion
= Funcion X s 2X
2
s Flujo
= 10 9 11 16.6r + 6.3r 2 sr2
(10.9)
(10.10)
Tal expresin, para un valor fijo de Sr2 , es decreciente en el intervalo (1, 1.3) y tiene un mnimo
en r =1.3.
En consecuencia, si fijamos r =1.3 conseguimos un tubo calefactor lo ms robusto posible al
ruido interno (por supuesto que r no tiene que ser estrictamente 1.3; este resultado debe de
confrontarse posteriormente con el de la media de flujo que se desee). Cabe notar que el valor
seleccionado para r ser vlido para cualquier valor de T2-T1, a pesar de que ha sido hallado con un
valor particular de T2-T1 =50.
237
Una vez minimizada la varianza, el valor medio del flujo de este calefactor se puede conseguir
seleccionando adecuadamente el valor de T2-T1 . As, si se sustituye en el modelo general (10.7) el
valor r =1.3, se obtiene
Flujo = 84.15 + 19.37 (T2 - T1) + e
(10.11)
y se logra el flujo deseado vario T2-T1. Puesto que el valor objetivo era 1400 cal/seg el valor de (T2-T1)
ha de situarse en 73 C.
En general podemos decir que la metodologa de diseo de productos robustos a ruido interno:
> utiliza las relaciones no lineales de la caracterstica a estudio con determinados factores para
seleccionar un nivel de estos ltimos en el que la variacin transmitida sea mnima,
> utiliza las relaciones lineales de la caracterstica a estudio con determinados factores para llevar
el valor medio de la caracterstica a su valor nominal.
238
En el apartado 10.3 hemos citado el diseo de tolerancias como una de las fases diferenciadas en la
etapa de diseo de un producto o proceso, al cual se recurre cuando una vez aplicada la fase de diseo
de parmetros la variabilidad resultante no es todava satisfactoria.
En el diseo de tolerancias se toman decisiones sobre la variabilidad que se est dispuesto a
admitir en las componentes de un producto.
Una de las implicaciones es que hay que poner cotas de variacin a los parmetros de diseo.
Para ello hay que evaluar la variabilidad transmitida por cada componente del diseo en el producto
final, a partir del modelo estimado en el diseo de parmetros.
La aplicacin del diseo de tolerancias es costosa en general, ya que conlleva la seleccin de
proveedores ms caros, mquinas ms capaces, mantenimiento ms rgido, etc.
En el ejemplo del tubo calefactor del apartado 10.7, se tratara de seleccionar aquellos
proveedores de tubos calefactores que fuesen ms capaces en el suministro de tubos de determinada
proporcin r = b/a. Es decir, aquellos cuya sr fuese menor. Asmismo habra que seleccionar aparatos
precisos de medida, etc.
A aquellos lectores que deseen ampliar el tema les recomendamos la lectura de Taguchi (1986).
(10.12)
Tal funcin puede ser interpretada como una funcin determinante de la calidad de un individuo
cuya caracterstica de calidad tiene el valor y. Aunque la relacin real sea ms compleja, P(y) puede
ser considerada como una aproximacin local obtenida con los trminos cuadrticos del desarrollo de
Taylor de la funcin terica en torno el valor mnimo .
La figura 10.A.1 representa la funcin P(y). Como se observa, cuanto ms alejado se est del
valor nominal, ms prdidas se ocasiona al cliente y, por lo tanto, segn la definicin anterior, menos
calidad tiene el producto.
Cuando el producto est en el valor nominal , el coste del producto es el mnimo que se puede
obtener. Por otra parte el valor de la constante k queda determinada en el momento que se conoce las
prdidas en cualquier valor de la caracterstica distinta del valor nominal.
Por ejemplo si se conoce la prdida en el valor y = a, k se obtendr mediante la frmula
239
P( a )
k=
( a )2
(10.13)
Sin embargo, cuando se habla de un producto, se engloban las diferentes unidades fabricadas
por el proceso considerado. Tales unidades presentarn variabilidad en cuanto a la caracterstica de
calidad a estudio y, por lo tanto, cada una de ellas poseer diferente calidad.
Por consiguiente, la prdida esperada para
un proceso en su conjunto, en cuanto a una caracterstica de calidad determinada, se obtendr
promediando la calidad de las diferentes unidades
producidas. Esta calidad se obtiene hallando el
valor esperado de la funcin de prdidas P(y),
L( y ) = E ( P( y )) = E ( k ( y ) 2 ) = k ( 2 + ( ) 2 )
240
Las aportaciones de Genichi Taguchi a la ingeniera de la calidad son unnimemente reconocidas como
una de las ms importantes en los ltimos tiempos (Box 1988), (Kackar 1985), (Ross 1988). A l se
deben las primeras ideas para dar mayor nfasis a la etapa de diseo del producto en la mejora de la
calidad, tal como se ha comentado en el apartado 10.2.
Esquemticamente, esta metodologa puede resumirse en las siguientes etapas:
a. Identificacin de los factores de diseo, de los factores de ruido y de sus niveles de
experimentacin.
El diseador del producto debe identificar las variables que presumiblemente afectan a las
caractersticas de inters, as como los niveles a los que conviene experimentar.
Igualmente deber identificar los factores de ruido y decidir entre qu niveles de estos factores
se desea que el producto sea insensible.
b. Construccin de las matrices de diseo (para los factores de control y para los factores de
ruido), y planificacin del experimento.
Las matrices de diseo, tanto para los factores de control como para los de ruido, son, en
esencia, del tipo de las comentadas en los captulos 7 y 8, aunque Taguchi utiliza los
denominados orthogonal arrays (ver Taguchi (1986)).
Los experimentos se realizan para cada una de las condiciones de la matriz de factores de ruido
(matriz externa) en cada una de las condiciones de los factores de control (matriz interna),
formando la llamada matriz producto. (Vase la figura 10.B.1.)
c. Realizar los experimentos y evaluar el estadstico adecuado.
Una vez obtenidos los resultados experimentales para cada una de las condiciones de la matriz
de diseo, se calculan dos estadsticos: la media y el denominado proporcin seal-ruido ().
La optimizacin de los valores de los factores de diseo se resuelve en dos etapas:
i)
Determinar los factores que afectan a la proporcin seal-ruido y escoger los valores que
lo maximizan.
ii) Seleccionar algn factor que, teniendo influencia sobre el nivel de la respuesta tenga un
efecto lo menor posible sobre la prporcin seal-ruido. ste ser el factor que se utilizar para
llevar la respuesta al nivel deseado.
Factores
ruido
Factores
de ruido
Factores de diseo
Factoresdediseo
x1
... .
x1 x2
x2x3x3
z1
z1
z2
z2
z3
z3
..
Matriz
externa
Matrizexterna
. .
Matriz
interna
Matriz
interna
Matriz
producto
Matriz
producto
Figura 10.B.1: Matriz producto segn el plan experimental propuesto por Taguchi
Taguchi propone diferentes proporciones seal-ruido segn el objetivo que se persiga. As, si lo
que se pretende es minimizar la respuesta, se deber trabajar en las condiciones que maximicen:
Yi
r
( x ) = 10 log i =1
(10.18)
(10.19)
r
Y2
( x ) = 10 log 2
s
donde:
r
x: Vector que representa una determinada combinacin de niveles de los factores de
diseo.
Yi: Respuesta en la condicin i-sima de la matriz externa.
n: Nmero de condiciones experimentales de la matriz externa.
s2: Varianza de las respuestas obtenidas en cada una de las condiciones
experimentales
r
definidas por la matriz externa, para un determinado valor de X .
d. Analizar la significacin de los efectos.
Los resultados se analizan mediante tablas de anlisis de la varianza. Esta tcnica de anlisis de
la significacin de los efectos es uno de los aspectos ms controvertidos del mtodo de Taguchi.
(Box (1986), entre otros, ha realizado un detallado anlisis crtico sobre este aspecto.)
e. Realizacin de experimentos confirmatorios.
Antes de dar definitivamente por bueno el resultado obtenido, Taguchi propone la realizacin
de una serie de experimentos para confirmar que las condiciones obtenidas como ptimas son
efectivamente las mejores.
241
Ejercicios
10.1. Con el objetivo de fabricar un material que, tras haber sido usado durante un cierto tiempo bajo
condiciones extremas diferentes, presentase el mnimo desgaste en una prueba estndar, siendo
ese desgaste lo ms independiente posible de aquellas condiciones externas, se realizaron ocho
experimentos con los resultados siguientes:
FACTORES
C
CONDICIONES EXTERNAS
-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
Diseo actual
-1
1
1
-1
1
-1
-1
1
c1
12
6
9
8
16
18
14
16
17
c2
12
10
10
8
14
26
22
13
22
c3
10
3
5
5
8
4
7
5
7
c4
13
5
4
4
8
2
5
4
12
c5
3
3
2
3
3
3
3
11
10
c6
3
4
1
4
2
3
4
4
8
c7
16
20
3
9
20
7
19
14
18
c8
20
18
2
9
33
10
21
30
25
a) Encuentre el diseo ptimo del producto razonando el mtodo que se ha utilizado para llegar a l.
b) Qu factor transmite ms variabilidad en el desgaste?
(Suponer A2 = B2 = C2 = D2 = E2)
c) Comparar el diseo ptimo ptimo con las condiciones actuales
242
AB
AC
BC
ABC
7.8
0.3
0.5
-0.8
0.4
0.1
-1
-0.2
0.8
0.3
0.2
0.0
-0.1
0.5
0.2
0.2
Cul sera la manera de conseguir una respuesta lo ms baja posible con el mnimo de
variabilidad?
10.3. En un departamento de una empresa se quieren conocer los factores que influyen en el
contenido de CO en determinado motor con el fin de reducir su presencia. Para ello se han
seleccionado siete factores A, B, C, D, E, F, G, y se han realizado bajo ocho condiciones
experimentales diferentes tres experimentos en condiciones adversas al proceso. Los resultados
obtenidos de CO (en gramos) estn en la tabla siguiente:
1
2
3
4
5
6
7
8
R1
R2
R3
1
1
1
1
1
2
2
2
2
2
1
1
2
2
1
1
2
2
3
1
1
2
2
2
2
1
1
4
1
2
1
2
1
2
1
2
5
1
2
1
2
2
1
2
1
6
1
2
2
1
1
2
2
1
7
1
2
2
1
2
1
1
2
1.04
1.42
1.01
1.50
1.28
1.14
1.33
1.33
1.20
1.76
1.23
1.87
1.34
1.26
1.42
1.52
1.54
2.10
1.52
2.25
2.05
1.88
2.10
2.13
a)
Qu factores afectan
a la media y a la variabilidad del contenido en CO?
b) Cules son las
condiciones ptimas de
trabajo? Qu concentracin media se espera encontrar? Con qu variabilidad?