DISEO DE EXPERIMENTOS DE TAGUCHI

La parte fundamental de la metodologa ideada por el matemtico japons G. Taguchi es la

optimizacin de productos y procesos, a fin de asegurar productos robustos, de alta calidad y
bajo costo.
La metodologa de Taguchi consta de tres etapas:
a) Diseo del sistema
b) Diseo de parmetros
c) Diseo de tolerancias
De estas tres etapas, la ms importante es el diseo de parmetros cuyos objetivos son:
a) Identificar qu factores afectan la caracterstica de calidad en cuanto a su magnitud y en
cuanto a su variabilidad.
b) Definir los niveles ptimos en que debe fijarse cada parmetro o factor, a fin de optimizar la
operacin del producto y hacerlo lo ms robusto posible.
c) Identificar factores que no afectan substancialmente la caracterstica de calidad a fin de
liberar el control de estos factores y ahorrar costos de pruebas.
Para lograr lo anterior se ha manejado una serie de herramientas estadsticas conocida como
diseo de experimentos, tratadas anteriormente.
Taguchi ha propuesto una alternativa no del todo diferente que se que conoce como: Arreglos
Ortogonales y las Grficas Lineales.
La herramienta utilizada normalmente son diseos Factoriales fraccionados, sin embargo
cuando el nmero de factores se ve incrementado, las posibles interacciones aumentan, as
como la complicaciones para identificar cules son las condiciones especficas a experimentar.
Un arreglo ortogonal se puede comparar con una replicacin factorial fraccionada, de manera
que conserva el concepto de ortogonalidad y contrastes. Un experimento factorial fraccionado es
tambin un arreglo ortogonal.
Taguchi desarroll una serie de arreglos particulares que denomin:
La (b)C
Donde:
a = Representa el nmero de pruebas o condiciones experimentales que se tomarn. Esto es
el nmero de renglones o lneas en el arreglo.
b = Representa los diferentes niveles a los que se tomar cada factor.
c = Es el nmero de efectos independientes que se pueden analizar, esto es el nmero de
columnas.

Arreglos ortogonales para experimentos a dos niveles

Pgina 1 de 47

En esta seccin, se analiza qu son, cmo se usan y cules son los arreglos ortogonales ms
importantes para experimentos en los que cada factor toma dos niveles.
Un arreglo ortogonal es una tabla de nmeros. Como ejemplo de un arreglo ortogonal tenemos el
siguiente:

No. (a)
1
2
3
4
1 ,

A
1
1
2
2
2

F A C T O R E S (c)
B
C
1
1
2
2
1
1
2
1

Resultado
Y1
Y2
Y3
Y4

Niveles de los Factores (b)

De acuerdo con la notacin empleada por Taguchi al arreglo mostrado como ejemplo, se le
llama un arreglo L4, por tener cuatro renglones.
En general, para un arreglo a dos niveles, el nmero de columnas (efectos o factores) que se
pueden analizar, es igual al nmero de renglones menos 1.
Taguchi ha desarrollado una serie de arreglos para experimentos con factores a dos niveles,
los ms utilizados y difundidos segn el nmero de factores a analizar son:
No. de factores a analizar
Entre 1 y 3
Entre 4 y 7
Entre 8 y 11
Entre 12 y 15
Entre 16 y 31
Entre 32 y 63

Arreglo a utilizar
L4
L8
L12
L16
L32
L64

No. de condiciones a probar

4
8
12
16
32
64

Pgina 2 de 47

Algunos arreglos ortogonales se muestran a continuacin:

Pgina 3 de 47

Para acomodar un arreglo ortogonal de 2 niveles en un arreglo de cuatro variables con tres
niveles, se convierte una columna a dos niveles como sigue:

Pgina 4 de 47

Pgina 5 de 47

La tabla de interacciones para el arreglo L8 (2^7) es:

Pgina 6 de 47

Diseos mezclados de dos y tres niveles:

Pgina 7 de 47

Diseos mezclados de dos y cuatro niveles:

Ejemplo:
En un proceso de formacin de paneles una caracterstica no deseada es la emisin de
formaldehdo en el producto final. Se desea que esta emisin sea lo mnima posible. Actualmente
se estima en 0.45 ppm. (partes por milln).
Se cree que cinco factores pueden estar afectando la emisin, estos son: tipo de resina,
concentracin de la solucin, tiempo de ciclo de prensado, humedad y presin.
Si se desea analizar el efecto de estos factores, es necesario variarlos, esto es probarlos bajo
diferentes valores cada uno. A cada uno de estos valores se les llama nivel. Se requieren de al
menos dos niveles o valores distintos para cada factor. A uno de ellos arbitrariamente le
llamamos nivel bajo o nivel 1, al otro nivel alto o nivel 2.
Factor
A
B
C
D
E

Descripcin
Tipo de resina
Concentracin
Tiempo de ciclo de prensado
Humedad
Presin

Nivel I
Tipo I
5%
10 seg
3%
800 psi.

Nivel 2
Tipo II
10%
15 seg
5%
900 psi.

En este caso estamos interesados en analizar el efecto de 5 efectos o factores a dos niveles
cada uno, por lo tanto, se usar un arreglo ortogonal L8. Esto implica que se ejecutarn 8
pruebas o condiciones experimentales. Por otra parte se disponen de 7 columnas, a cada
columna se le puede asignar o asociar un factor. Si en particular, asignamos los factores en
orden a las primeras cinco Columnas, dejando libres las ltimas dos columnas, el arreglo queda:

No. A B C D E e1 e2 Resina Concen. Tiempo Humedad Presin Yi

1 1 1 1 1 1 1 1 Tipo I
5%
10 seg.
3%
800 psi. 0.49
2 1 1 1 2 2 2 2 Tipo I
5%
10 seg.
5%
900 psi. 0.42
3 1 2 2 1 1 2 2 Tipo I
10% 15 seg.
3%
800 psi. 0.38
4 1 2 2 2 2 1 1 Tipo I
10% 15 seg.
5%
900 psi. 0.30
5 2 1 2 1 2 1 2 Tipo II
5%
15 seg.
3% TOTAL=
900 psi. 2.64
0.21
6 2 1 2 2 1 2 1 Tipo II
5%
15 seg.
5%
800 psi. 0.24
7 2 2 1 1 2 2 1 Tipo II 10% 10 seg.
3%
900 psi. 0.32
8 2 2 1 2 1 1 2 Tipo II 10% 10 seg.
5%
800 psi. 0.28
Pgina 8 de 47

Observe que en las columnas vacas, 6 y 7, se ha escrito la letra e 1,y e2 respectivamente esto
para indicar que en ellas se evaluar la variacin natural o error aleatorio.
Si no se asigna ningn factor, es de esperar que ah se manifieste la variacin natural. Los
resultados de Yi se muestran en ppm.
El anlisis de resultados, se puede efectuar de dos maneras diferentes. Una de ellas mediante
una serie de grficas, la otra mediante el anlisis de varianza, se muestra en este ejemplo
primero el uso del anlisis de varianza, posteriormente se muestra el uso de grficas.

Con Minitab se crea el arreglo con:

Stat > DOE > Taguchi > Create Taguchi Design
Type of Design: 2 level design
Number of factors 5
Designs: L8
Seleccionar Assign factors To columns of the array as specified below
Factors Name Level values Column Levels
A
1 2
1
2
B
1 2
2
2
C
1 2
3
2
D
1 2
4
2
E
1 2
5
2
Options: Store design in the worksheet
OK
Esta columna es el resultado de los experimentos:
A
1
1
1
1
2
2
2
2

B
1
1
2
2
1
1
2
2

C
1
1
2
2
2
2
1
1

D
1
2
1
2
1
2
1
2

Pgina 9 de 47

E
1
2
1
2
2
1
2
1

Yi
0.49
0.42
0.38
0.3
0.21
0.24
0.32
0.28

Anlisis de varianza
1) como primer paso, se obtienen los totales de la variable de respuesta o lecturas, para cada
uno de los niveles de los factores.
Para calcular los totales para cada nivel del factor A, observamos que las primeras cuatro
pruebas del arreglo se efectuaron con el factor a su nivel 1 (Resina tipo I) y las siguientes cuatro
a su nivel 2 (resina tipo II).
Los totales son por lo tanto:
A1= total de las lecturas que se tomaron con el factor A a su nivel 1
= 0.49+0.42+0.38+0.30=1.59
A2= total de las lecturas que se tomaron con el factor A a su nivel 2
= 0.21+0.24+0.32+0.28= 1.05
Para el factor D se tiene que las pruebas 1,3,5 y 7 se efectuaron a su nivel 1 (humedad del
5%), por lo tanto los totales son:
D1= Total de las lecturas que se tomaron con el factor D a su nivel 1
= 0.49+0.38+0.21+0.32= 1.40
D2= Total de las lecturas que se tomaron con el factor D a su nivel 2
= 0.42+0.30+0.24+0.28= 1.24
En resumen se tiene:
Factor

Nivel 1

1.59

1.36

1.51

1.40

1.39

1.28

1.35

Nivel 2

1.05

1.28

1.13

1.24

1.25

1.36

1.29

2.64

2.64

2.64

2.64

2.64

2.64

2.64

Observe que la suma de los dos niveles debe dar siempre el total de las ocho lecturas 2.64.
2) En seguida se obtiene una cantidad que llamaremos suma de cuadrados esta se calcula como
sigue:
Suma de los cuadrados del factor x= SS X= (Total nivel 2 Total nivel 1) 2/ n
Donde n representa el nmero total de lecturas que se tomaron.
As por ejemplo, para el factor A, tendremos que dado que n=8
SSA= (A2 A1) 2/ 8= (1.59-1.05) 2/ 8=0.03645 con 1 g .1
Para el factor B se tiene
SSB= (B2 B1) 2/ 8= (1.28-1.36) 2/ 8= 0.00080 con 1 g.1

Similarmente
SSC= (C2 C1) 2/ 8= (1.13-1.51) 2/ 8= 0.01805 con 1 g.1
SSD= (D2 D1) 2/ 8= (1.24-1.40) 2/ 8= 0.00320 con 1 g.1

Pgina 10 de 47

SSE= (E2 E1) 2/ 8= (1.25-1.39) 2/ 8= 0.00245 con 1 g.1

SSe= 0.00080 con 1 g.1
SSe= 0.00045 con 1 g.1
La suma de cuadrados de las columnas donde no se asign factor (SSe) se toman como
estimaciones del error y se suman.
SSe= 0.00080+0.00045= 0.00125 con 2 g.1
3) Se construye una tabla ANOVA, sta es:
Efecto

SS

G.l.

Fexp

0.03645

0.03645

58.32

0.00080

0.00080

1.28

0.01805

0.01805

28.88

0.00320

0.00320

5.12

0.00245

0.00245

3.92

Error

0.00125

0.000625

Total

0.0622

Bajo la columna SS se tienen las sumas de cuadrados. Bajo la columna G.l. (grados de
libertad), tendremos el nmero de columnas que se usaron para evaluar el factor, en este caso,
slo puede ser de uno para cada factor y ms de uno nicamente para el caso del error.
La columna V, se obtiene dividiendo el nmero bajo la columna SS, entre el nmero de la
columna G.L.
As por ejemplo, para el factor A se tiene
SSA= 0.03645, G.L. de A=1
V= SSA/G.L.= 0.03645/1= 0.03645
Por ltimo, el valor de Fexp, se obtiene de dividir el valor de V de cada factor, entre el valor de
V para la estimacin del error.
Fexp de A= V(A) / V(error)= 0.03645/0.000625=58.32
4) Obtenemos las siguientes conclusiones:
Todos aquellos factores, que tienen un valor de Fexp mayor que 2 se considera que afectan la
variable de respuesta, emisin de formaldehdo en este caso. Estos son llamados factores
significantes.
En este ejemplo resultan significantes los factores A, C, D y E, tipo de resina, tiempo de ciclo,
humedad y presin respectivamente.
Se acostumbra que aquellos efectos que no resultaron significantes, se consideren como error
aleatorio, a fin de obtener una mejor estimacin (con mayor nmero de grados de libertad).

Pgina 11 de 47

En este caso por ejemplo, una mejor estimacin de SSe es:

SSe= SSB + SSe= 0.00080+0.00125= 0.00205
Con 1 + 2 = 3 grados de libertad y (Ve)= (SSe)/3= 0.00205/3= 0.00068
Las estimaciones que se obtienen de esta manera suelen escribirse entre parntesis.
La tabla ANOVA queda ahora
Efecto
A
C
D
E
Error
Total

SS
0.03645
0.01805
0.00320
0.00245
0.00205
0.0622

G.1
1
1
1
1
3
7

V
0.03645
0.01805
0.00320
0.00245
0.00068

Fexp
53.60
26.54
4.71
3.60

Con Minitab
Stat > DOE > Taguchi > Analyze Taguchi Design
Response data in Y
Analysis. Fit linear model for Signal to Noise Ratios Means
Graphs: Signal to Noise Ratios Means
Terms: A B C D E F
Analysis graphs: Residuals for plots Standardized Residual Plots Individual plots Normal plot
Options: Smaller is better
Storage: Signal to Noise Ratios Means
OK
Los resultados son los siguientes: Factores significativos a 0.1 de nivel de significancia

Taguchi Analysis: Yi versus A, B, C, D, E

Linear Model Analysis: SN ratios versus A, B, C, D, E
Estimated Model Coefficients for SN ratios
Term
Constant
A 1
B 1
C 1
D 1
E 1
S = 0.8581

Coef
9.93728
-1.78903
-0.01666
-1.26604
-0.42402
-0.42402

SE Coef
0.3034
0.3034
0.3034
0.3034
0.3034
0.3034

R-Sq = 96.6%

T
32.753
-5.897
-0.055
-4.173
-1.398
-1.398

P
0.001
0.028
0.961
0.053
0.297
0.297

R-Sq(adj) = 88.0%

Analysis of Variance for SN ratios

Source
A
B
C
D
E
Residual Error
Total

DF
1
1
1
1
1
2
7

Seq SS
25.6050
0.0022
12.8230
1.4384
1.4384
1.4728
42.7797

Adj SS
25.6050
0.0022
12.8230
1.4384
1.4384
1.4728

Adj MS
25.6050
0.0022
12.8230
1.4384
1.4384
0.7364

F
34.77
0.00
17.41
1.95
1.95

Pgina 12 de 47

P
0.028
0.961
0.053
0.297
0.297

Main Effects Plot for SN ratios

Data Means
A

12

11

Mean of SN ratios

10
9
8
1

12

11
10
9
8
1

Signal-to-noise: Smaller is better

Linear Model Analysis: Means versus A, B, C, D, E

Estimated Model Coefficients for Means
Term
Constant
A 1
B 1
C 1
D 1
E 1
S = 0.025

Coef
0.33000
0.06750
0.01000
0.04750
0.02000
0.01750

SE Coef
0.008839
0.008839
0.008839
0.008839
0.008839
0.008839

R-Sq = 98.0%

T
37.335
7.637
1.131
5.374
2.263
1.980

P
0.001
0.017
0.375
0.033
0.152
0.186

R-Sq(adj) = 93.0%

Analysis of Variance for Means

Source
A
B
C
D
E
Residual Error
Total

DF
1
1
1
1
1
2
7

Seq SS
0.036450
0.000800
0.018050
0.003200
0.002450
0.001250
0.062200

Adj SS
0.036450
0.000800
0.018050
0.003200
0.002450
0.001250

Adj MS
0.036450
0.000800
0.018050
0.003200
0.002450
0.000625

Pgina 13 de 47

F
58.32
1.28
28.88
5.12
3.92

P
0.017
0.375
0.033
0.152
0.186

Main Effects Plot for Means

Data Means
A

0.40

Mean of Means

0.35

0.30

0.25
1

0.40

0.35

0.30

0.25
1

Response Table for Signal to Noise Ratios

Smaller is better
Level
1
2
Delta
Rank

A
8.148
11.726
3.578
1

B
9.921
9.954
0.033
5

C
8.671
11.203
2.532
2

D
9.513
10.361
0.848
3.5

E
9.513
10.361
0.848
3.5

Response Table for Means

Level
1
2
Delta
Rank

A
0.3975
0.2625
0.1350
1

B
0.3400
0.3200
0.0200
5

C
0.3775
0.2825
0.0950
2

D
0.3500
0.3100
0.0400
3

E
0.3475
0.3125
0.0350
4

Nos resta decidir a que nivel habr de fijar cada factor significante, y qu podremos esperar.
Para tomar esta decisin, es de mucha ayuda obtener los promedios de las lecturas que se
tomaron a cada nivel para cada uno de los factores significantes.
Los promedios de la emisin de formaldehdo para cada nivel se obtienen dividiendo c/u de los
totales entre 4, (c/total es la suma de cuatro lecturas).
A1= A1/4= 1.59/4= 0.3975
A2= A2/4= 1.05/4= 0.2625
El resto de los promedio son:
Factor
A
B
C
D

Nivel 1
A1= 0.3975
B1= 0.3400
C1= 0.3775
D1= 0.3500

Nivel 2
A2= 0.2625
B2= 0.3200
C2= 0.2825
D2= 0.3100

Pgina 14 de 47

 E1= 0.3475

E2= 0.3125

El promedio general denotado como Y es:

Y= (0.49+0.42+0.38+0.30+0.21+0.24+0.32+0.28)/8=T/n= 2.64/8= 0.33
Los factores A, C, D y E que afectan emisin de formaldehdo debern fijarse al nivel que
minimicen la emisin, esto es, al nivel que se obtenga el promedio menor, en este ejemplo; A 2,
C2, D2 y E2; resina tipo II, 15 segundos como tiempo de prensado, 5% de humedad y 900 psi.
El factor B juega aqu un papel sumamente importante. Dado que no afecta la emisin de
formaldehdo, dentro del intervalo analizado, se utiliza para reducir los costos de produccin.
Esto se hace fijndolo a su nivel ms econmico. Cul ser el nivel esperado de emisin bajo
las nuevas emisiones propuestas Y est.?
Para contestar esta pregunta, para cada efecto significante se calcula una resta, que
llamaremos el efecto de cada factor respecto al promedio general, para este caso el efecto es
EF A

= (promedio bajo la condicin propuesta del factor promedio general)

= A2 Y= 0.2625-0.3300= -0.0675 (A se fij a su nivel 2)

EF C

= C2 Y= 0.2825-0.3300= -0.0475

EF D

= D2 Y= 0.3100-0.3300=-0.0200

EF E

= E2 Y= 0.3125-0.3300= -0.0175

Finalmente, el resultado esperado bajo las condiciones A2, C2, D2, E2, que llamaremos Yest.
se calcula sumando al promedio general Y todos los efectos de los factores significantes.
Yest= Y + EF A + EF C +EF D +EF E= 0.3300-0.0675-0.0475-0.0200-0.0175=0.1775

Anlisis utilizando grficas

Existe una alternativa al anlisis ANOVA, esta es una serie de grficas que se muestran
enseguida.
1) Primero se obtienen los promedios en cada nivel, para cada uno de los factores, incluyendo
las columnas vacias.
Para hacer esto, encontramos los totales para cada nivel y dividimos entre el nmero de
lecturas con el que se obtuvo cada total. Para nuestro ejemplo, los totales a cada nivel los
tenemos ya en la seccin anterior. Los promedios son:
Factor
A
B
C
Nivel 1
0.3975 0.3400 0.3775
Nivel 2
0.2625 0.3200 0.2825
Promedio global Y= T/n= 2.64/8 = 0.33

D
0.3500
0.3100

E
0.3475
0.3125

e
0.3200
0.3400

e
0.3325
0.3225

Observe que para cada factor, uno de los promedios es mayor y el otro menor que el promedio
global. Esto siempre debe de ocurrir.

Pgina 15 de 47

2) Calcule la diferencia entre los promedios de niveles para cada factor, y ordnelos de mayor a
menor en valor absoluto.
Esto es por ejemplo para el factor A
A1 A2 = 0.3975 0.2625= 0.1350; para el resto tenemos:

Factor
Diferencia

0.1350

0.0200

0.0950

0.0400

E
0.0350

0.0200

0.0100

En la tabla de ANOVA encontramos los resultados obtenidos anteriormente:

N
1
2
3
4
5
6
7
8
T1
T2
SS
gl
V

A
B
1
1
1
1
1
2
1
2
2
1
2
1
2
2
2
2
1.59
1.36
1.05
1.28
0.03645 0.00080
1
1
0.03645 0.00080

F
58.32
Sg
si
P1 0.3975
P2 0.2625
Ni
2
Ef
-0.0675

1.28
no
0.3400
0.3200
-

C
1
1
2
2
2
2
1
1
1.51
1.13
0.01805
1
0.01805

D
1
2
1
2
1
2
1
2
1.40
1.24
0.00320
1
0.00320

28.88
si
0.3775
0.2825
2
-0.0475

5.12
si
0.3500
0.3100
2
-0.0200

E
1
2
1
2
2
1
2
1
1.39
1.25
0.00245
1
0.00245

e1
1
2
2
1
1
2
2
1
1.28
1.36
0.00080

3.92
si
0.3475
0.3125
2
-0.0175

Yest. = Y + Ef A2 + Ef C2 + Ef D2 + Ef E2
T1
T2
n
SS
gl
V
F
Sg
P1
P2
Ni
Ef
Y
Yest

= Total de lecturas al nivel 1

= Total de lecturas al nivel 2
= Nmero total de lecturas
= (T2 - T1 )2 /n
= Grados de libertad (columnas)
= SS/gl
= V/Ve
= Efecto significante?
= Promedio nivel 1
= Promedio nivel 2
= Nivel seleccionado
= Efecto de la variable
= Promedio de todos los datos
= Valor estimado de la variable a las condiciones propuestas

Pgina 16 de 47

e2
1
2
2
1
2
1
1
2
1.35
1.29
0.00045

Yi
0.49
0.42
0.38
0.30
0.21
0.24
0.32
0.28
Tot
2.64
Ve
2
.00062

Y
0.33

Ordenando de mayor a menor valor absoluto (ignorando el signo), tenemos:

Factor

Diferencia

0.1350

0.0950

0.0400

0.0350

0.0200

0.0200 0.0100

Se puede observar que el orden en que quedaron los datos anteriores, es tambin el orden de
mayor a menor Fexp que se obtiene con la ANOVA.
Siguiendo el orden anterior, se obtiene una grfica como se muestra en seguida:
.40
.35
.33
.30
.25
A1 A2

C1 C2 D1 D2

E1 E2 B1 B2 e1 e2

e1

e2

Mediante esta grfica, se puede evaluar el efecto de cada factor. Entre mayor sea la lnea de
cada factor, o bien, entre ms vertical se encuentre, mayor ser el efecto de este factor.
Observamos un grupo de lneas inclinadas, seguida de un grupo de lneas que sbitamente se
acuestan o se hacen horizontales. Es de esperar que las lneas que presentan columnas vacas
o error aleatorio, quedan prcticamente horizontales
Observe que las conclusiones a que se llegamos en este ejemplo son similares a las de la
ANOVA, esto es, factores significantes A, C, D y e, igualmente los niveles recomendados se
pueden identificar rpidamente, si deseamos reducir la variable de respuesta, se toma el nivel
ms bajo, en este caso A2, C2, D2 y E2, es decir, los puntos por debajo de la lnea promedio
global.
En conclusin, el mtodo grfico puede ser utilizado para fines de exposicin o presentacin y
el ANOVA para fines de tomar una decisin ms objetiva.

Pgina 17 de 47

Para predecir la respuesta con Minitab

Stat > DOE > Taguchi > Predict Taguchi Results
Predict Mean Signal to Noise Ratio
Terms: A C D E
Levels: Seleccionar Coded Units Select levels from a list: A = 2, C = 2, D = 2, E = 2
OK
Los resultados se muestran a continuacin:

Predicted values
S/N Ratio
13.8404

Mean
0.1775

Factor levels for predictions

A
2

C
2

D
2

E
2

Pgina 18 de 47

Arreglos ortogonales para factores con interacciones:

Como hemos visto anteriormente en los procesos de produccin se producen interacciones. En
esta seccin describiremos esta situacin.
En los casos anteriores se asumi que el efecto de un factor sobre la variable de respuesta, no
dependa del nivel de otros factores. Cuando el efecto de un factor depende del nivel de otro
factor, se dice que existe una interaccin entre los factores.
Supongamos que en un experimento se ha encontrado que la temperatura y el tipo de
refrigerante, afectan la variable de respuesta llamada planicidad. Existen dos marcas de
refrigerante, la marca I y la marca II. Resulta que si usamos el refrigerante I, al aumentar la
temperatura la planicidad aumenta. Pero si se utiliza la marca de refrigerante II, al aumentar la
temperatura, la planicidad disminuye.
Si nos preguntamos cual es el efecto de la temperatura sobre la planicidad, podemos contestar
que depende del tipo de refrigerante que se utilice. En este caso se dice que existe una
interaccin entre la temperatura y el refrigerante.
Otro ejemplo es el caso de 2 medicamentos que al suministrarse en forma independiente,
provocan mejora en las condiciones del paciente. Por otro lado, cuando los dos medicamentos
son suministrados al mismo tiempo y la condicin del paciente empeora, se dice que los dos
medicamentos interactuan.
Grficamente se puede observar si existe o no interaccin entre los factores:

B1
B1
B2
B2
A1

A2

Las dos lneas son paralelas, no

existe interaccin entre los factores.

A1

A2

El efecto de A depende del nivel de B

y viceversa. El efecto de A no es consistente.
Existe interaccin

Las interacciones existen en los procesos en mayor o menor grado.

En las secciones anteriores se analizaron aplicaciones de arreglos ortogonales, en los cuales
no existan interacciones entre los factores principales. En otros casos, podemos estar
interesados en analizar el efecto que algunas interacciones en particular tienen sobre la variable
de respuesta.
Pero qu sucede cuando se desea incluir interacciones en un arreglo ortogonal?, se
puede decir lo siguiente:
a) los arreglos ortogonales a utilizar para los casos con interacciones, son exactamente los
mismos que se usan para el caso sin interacciones.

Pgina 19 de 47

b) al asignar dos factores, A y B por ejemplo, a ciertas columnas, automticamente la interaccin

de esos dos factores AxB se reflejar en otra columna del arreglo. Por lo tanto, esta tercera
columna ya no podr ser utilizada por algn otro factor o interaccin a menos que se pueda
suponer la interaccin AxB como inexistente.
c) una interaccin significante que se desee probar, tomar una columna y en consecuencia un
grado de libertad. Por lo tanto, si deseamos analizar el efecto de 6 factores y 4 de las
interacciones entre ellos, requerimos por lo menos de 10 grados de libertad, esto es de 10
columnas, o sea un arreglo L 16 y no un arreglo L8, que sera suficiente sin interacciones.
d) se deber tener cuidado especial, en la manera como se asignan los factores a las columnas,
para que sus interacciones no se confundan con otros factores principales u otras interacciones
que tambin deseamos probar.
Una condicin que existe para el manejo de las interacciones mediante procedimientos de
arreglos ortogonales Taguchi, es que se tenga una definicin a priori de cuales interacciones
especficamente sospechamos que existen. Esto es, debemos definir de antemano qu
interacciones creemos son relevantes, a fin de incluirlas en nuestro anlisis. Esto se puede saber
en base a la experiencia previa del proceso.
Para ayudar en la asignacin de factores a un arreglo, se han desarrollado grficas lineales. Su
aplicacin se muestra mediante un ejemplo:
NOTA: En los ejemplos que siguen, para denotar una interaccin entre dos factores, A y B por
ejemplo, se utiliza indistintamente la notacin AB o AxB.
Grficas lineales
A continuacin se muestra un arreglo L8 junto con una matriz triangular y dos grficas lineales.
Estas se reproducen aqu para su explicacin.
Columnas
1 2 3 4
1 1 1 1
1 1 1 2
1 2 2 1
1 2 2 2
2 1 2 1
2 1 2 2
2 2 1 1
2 2 1 2

N
1
2
3
4
5
6
7
8

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

Columnas 1
(1)

2
3
(2)

Matriz o tabla de interacciones

3 4 5 6 7
2 5 4 7
6
1 6 7 4
5
(3) 7
6* 5 4
(4) 1 2 3
(5) 1 2
(6) 1
(7)

1
3

3
5

1
.7

6
2

7
(b)

(a)

Pgina 20 de 47

Qu representa cada tabla?. En primer lugar, el arreglo ortogonal L8 es exactamente el mismo

que se utiliz en el caso experimental y cada columna un factor o interaccin cuyo impacto sobre
la variable de respuesta se desea conocer.
La matriz triangular nos representa las interacciones entre columnas. En el primer rengln, con
el titulo de columna, cada nmero corresponde a la columna con ese mismo nmero del arreglo,
al igual que los nmeros entre parntesis que se encuentran en la diagonal inferior. Por ejemplo,
si nosotros asignamos el factor A a la columna 3 y el factor B a la columna 5, la interaccin de
AxB aparecer en otra columna ya definida. En el cruce de la columna nmero 5 y el rengln
nmero 3 de la matriz, aparece el nmero 6 (marcado con * en la tabla), de manera que la
interaccin de AxB se deber asignar a la columna 6 del arreglo ortogonal.
Con ayuda de matriz de interacciones es factible, mediante prueba y error, asignar los factores
a las columnas. Sin embargo, para simplificar aun ms esta asignacin nos podemos auxiliar de
las grficas lineales (1) y (2) que se muestran.
En una grfica lineal:
a) un efecto principal se representa mediante un punto.
b) una interaccin se representa mediante una lnea.
c) los nmeros representan las columnas correspondientes del arreglo ortogonal a donde se
asignan los efectos principales y las interacciones.
En particular, el arreglo ortogonal L8 tiene dos alternativas de arreglo mostrados por las grficas
(a) y (b) respectivamente.
Por ejemplo, la grfica (a) indica que con este arreglo se pueden analizar, tres factores
principales, (puntos 1, 2 y 4) y las interacciones entre ellos, (lneas 3, 5 y 6), adems de un
cuarto factor, (punto 7), que no interactua con los otros tres.
Los nmeros indican que si deseamos lo anterior, los tres factores debern asignarse a las
columnas 1, 4 y 2. Las interacciones aparecen en las columnas 3, 5 y 6.
La grfica (b) indica cuatro factores, (puntos 1, 2, 4 y 7) con interacciones de uno de ellos con
los otros tres (lneas 3, 5 y 6).
Por lo tanto, el factor que interactua con los otros tres se debe asignar a la columna 1 del
arreglo, los otros tres factores a las columnas 2, 4 y 7. Las interacciones quedarn en las
columnas 3, 5 y 6.
Si se desea analizar un nmero menor de interacciones y un nmero mayor de factores en el
mismo arreglo ortogonal, la columna de cualquier lnea representando una interaccin que no es
relevante, se puede utilizar para representar un factor adicional.
La aplicacin de grficas lineales se muestra con un ejemplo.
Supongamos que queremos analizar el efecto de cuatro factores A, B, C y D, adems de las
interacciones AxB, AxC y AxD.
1) Como primer paso, seleccionamos un arreglo ortogonal tentativo. Esto depende del nmero
de efectos totales a analizar.
4 factores + 3 interacciones = 7 efectos o columnas

Pgina 21 de 47

2) Despus de seleccionar un arreglo ortogonal tentativo, un L8 en este caso, el siguiente paso

es desarrollar la grfica lineal que deseamos, de acuerdo con las reglas mencionadas
anteriormente:
a)
b)

un efecto individual se representa con un punto.

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

efectos

En nuestro caso esto procede como sigue:

Primero dibujamos cuatro puntos, uno para cada efecto.
A.

B.
C.

D.

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

AxC

AxD

5
6

3) Utilizando la segunda grfica, podremos asignar el factor A a la columna 1, el factor B a la

columna 2, la interaccin AxB a la columna 3, el factor D a la columna 4, la interaccin AxD a la
columna 5, el factor C a la columna 7 y la interaccin AxC a la columna 6.
Esto es:

N
1
2
3
4
5
6
7
8

A
1
1
1
1
1
2
2
2
2

B
2
1
1
2
2
1
1
2
2

AxB
3
1
1
2
2
2
2
1
1

D
4
1
2
1
2
1
2
1
2

AxD
5
1
2
1
2
2
1
2
1

AxC
6
1
2
2
1
1
2
2
1

C
7
1
2
2
1
2
1
1
2

Supongamos que ahora queremos analizar un factor ms, el factor E y creemos que la
interaccin AxC realmente no es relevante. La grfica lineal que requerimos es:
B
AxB
A

AxD
D

Pgina 22 de 47

Esta grfica es parecida a la grfica lineal (2) excepto por la interaccin de AxC, por lo tanto,
una asignacin lgica es:
Factor A a la columna 1, factor B a la columna 2, interaccin AxB a la columna 3, el factor C a la
columna 4, el factor D a la columna 7, la interaccin AxD a la columna 6. Por ltimo, a la columna
5 que de otra manera sera la interaccin AxC, se le asigna el factor E.
Observe que en este ltimo caso, tambin se pudo utilizar la grfica lineal (1).
Si por alguna razn, la grfica que deseamos, no puede quedar incluida en las grficas lineales
(1) (2) es necesario usar otro arreglo ortogonal de mayor tamao.
Si deseamos analizar los factores A, B, C, D, E y F, adems de la interaccin AxB, una posible
asignacin es:
Efecto
Columna

A
1

D
2

C
3

B
4

AxB
5

E
6

F
7

Ejemplo:
Se desea analizar un nuevo tipo de carburador. La variable de respuesta de inters es el
porcentaje de hidrocarburos no quemados que arroja el motor. Cuatro diferentes factores y tres
interacciones parecen afectar esta variable:
Efecto

Descripcin

A
B
C
D
AxC
AxB
BxC

Tensin del diafragma

Entrada para aire
Apertura para combustible
Flujo de gasolina
Interaccin
Interaccin
Interaccin

Niveles
I
Baja
Estrecha
Pequea
Lento

II
Alta
Abierta
Grande
Rpido

La Grfica lineal que se desea es:

A
AxC

AxB

.D

CxB
Esta grfica se ajusta a la grfica lineal (1) del arreglo ortogonal L8, por lo que una asignacin
apropiada de efectos es:

Pgina 23 de 47

A C AxC B AxB CxB D

1 2
3 4 5
6
7
Tensin Apertura

1
2
3
4
5
6
7
8

1
1
1
1
2
2
2
2

1
1
2
2
1
1
2
2

1
1
2
2
2
2
1
1

1
2
1
2
1
2
1
2

1
2
1
2
2
1
2
1

1
2
2
1
1
2
2
1

1
2
2
1
2
1
1
2

Baja
Baja
Baja
Baja
Alta
Alta
Alta
Alta

Entrada

Flujo

Pequea Estrecha Lento

Pequea Abierta
Rpido
Grande
Estrecha Rpido
Grande
Abierta
Lento
Pequea Estrecha Rpido
Pequea Abierta
Lento
Grande
Estrecha Lento
Grande
Abierta
Rpido
Total

Yi
11.2
10.8
7.2
7.0
8.0
6.9
10.4
10.1
71.6

El resultado se expresa en porcentaje de hidrocarburos sin quemar.

Observe que al tomar las lecturas, (efectuar las pruebas), se ignoran las columnas donde se
asignaron interacciones.
El anlisis utilizado ANOVA es:
Nivel 1
Nivel 2

A
36.2
35.4

C
36.9
34.7

AxC
42.5
29.1

B
36.8
34.8

V
0.0800
0.6050
22.4450
0.5000
0.0800
0.1250
0.0450
0.0638

AxB
35.4
36.2

BxC
36.3
35.3

D
35.5
36.1

La tabla ANOVA que resulta es:

Efecto
A
C
AxC
B
AxB
BxC
D
(e)

SS
0.0800*
0.6050
22.4450
0.5000
0.0800*
0.1250
0.0450*
0.2050

G.l.
1
1
1
1
1
1
1
3

Total

23.8800

Fexp
8.85
328.46
7.32
1.83
-

El error aleatorio (e) se estima usando los efectos ms pequeos marcados con *
Resulta significante la interaccin AxC, el factor C y el factor B.
Dado que el factor B resulta significante, pero no son significantes alguna de sus interacciones,
su mejor nivel se puede decidir de manera independiente al igual que se realiz en secciones
anteriores. Esto es, se obtienen los promedios:
B1= B1 /4= 36.8/4= 9.20; B2 = B2/4=8.70
Como es un caso de menor es mejor, se selecciona el nivel 2.

Pgina 24 de 47

El factor C tambin resulta significante. Sin embargo, tambin lo es su interaccin con el factor
A. Cuando resulta significante la interaccin de algn factor, no se puede analizar por separado,
sino en conjunto con el factor con el que se interactua. En este caso, el factor C se debe analizar
en conjunto con el factor A, aun cuando el factor C result adems significante individualmente y
el factor A no.
Para analizar estos factores, se reproducen aqu las columnas de A y C:
N
1
2
3
4
5
6
7
8

A
1
1
1
1
2
2
2
2

C
1
1
2
2
1
1
2
2

Yi
11.20
10.80
7.2
7.0
8.0
6.9
10.4
10.1

Siempre existirn entre dos columnas

cuatro posibles combinaciones de
nmeros: 1 1; 1 2; 2 1; 2 2

As la combinacin 1 1 se presenta en los renglones N 1 y 2, lo que da un total de lecturas de

11.2 + 10.8= 22.00 con un promedio de 22.0/2= 11.00
La combinacin 1 2, se presenta en los renglones N 3 y 4, con un total de 7.2 + 7.0= 14.2, con
un promedio de 14.2/2= 7.10
La combinacin 2 1 se presenta en los renglones N 5 y 6, con un total de 8.0 + 6.9= 14.9, con
un promedio de 7.45
Por ltimo la combinacin 2 2, se presenta en los renglones N 7 y 8 con un total de 10.4 +
10.1= 20.5 y un promedio de 10.25
En resumen
Combinacin
A1 C1
A1 C2
A2 C1
A2 C2

Total
22.0
14.2
14.9
20.5

Promedio
11.00
7.10
7.45
10.25

Como es un caso mejor,

se selecciona el promedio
menor, A1 C2 en este
caso.

Graficando estos promedios se tiene que:

11.0
10.0
9.00
8.00
7.00
A1

A2

En resumen, las condiciones propuestas son: factor A a su nivel 1, factor C a su nivel 2, factor B
a su nivel 2. El resto a su nivel ms econmico.
El efecto respecto al promedio de cada factor o interaccin es:

Pgina 25 de 47

EF

A1C2

= (A1 C2 - Y) ( A1 Y) - ( C2 - Y)
= (7.10 8.95) (9.05 8.95) (8.675 8.95)= -1.675

Observe que al efecto de la interaccin, se le resta el efecto de los factores individuales que
intervienen (hayan resultado significantes de manera individual o no).
EF B2= B2 Y= 8.70 8.95= -0.25
Una estimacin del porcentaje de hidrocarburos sin quemar es igual a la suma de los efectos
significantes, incluyendo los factores que intervienen en una interaccin significante, hayan
resultado significantes de manera individual o no.
Yest

= Y + EF A1 C2 + EF A1 + EF C2 + EF B2
= 8.95 + (-1.675) + (9.05 8.95) + (8.675 8.95) + (-0.25)= 6.85

Considere los siguientes ejemplos propuestos.

Acomodar en un arreglo L8 los efectos A, B, C, D, AxB y CxD

Acomodar los siguientes efectos en un arreglo ortogonal: A, B, C, D, E, F, G, H, I, AxB, AxC,
AxG, AxE, ExF.
Analizar el problema siguiente:

Variable de respuesta, viscosidad, el mayor valor es deseado.

A
B
C
D
E

Factores
Mezcla de hule crudo
Curado
Velocidad de prensado
Enfriamiento del tambor
Secado con vapor envolvente
Interaccin ExD
Interaccin DxC

Nivel I
si
no
50m/min
con agua
si

Nivel II
no
24 hrs.
55 m/min
sin agua
no

Arreglo ortogonal y resultados

N
1
2
3
4
5
6
7
8

E
1
1
1
1
2
2
2
2

D
1
1
2
2
1
1
2
2

ExD
1
1
2
2
2
2
1
1

C
1
2
1
2
1
2
1
2

B
1
2
1
2
2
1
2
1

DxC
1
2
2
1
1
2
2
1

A
1
2
2
1
2
1
1
2

Pgina 26 de 47

Resultado
1620
1580
1100
1150
1500
1560
1000
1020

Solucin con Minitab se crea el arreglo con:

1. Disear el arreglo ortogonal definiendo las columnas para los factores principales y las
interacciones, en este caso:
Col. 1 Col. 2 Col. 3 Col. 4 Col. 5 Col. 6 Col. 7
A
C
AxC
B
AxB
CxB
D
1
1
1
1
1
1
1
1
1
1
2
2
2
2
1
2
2
1
1
2
2
1
2
2
2
2
1
1
2
1
2
1
2
1
2
2
1
2
2
1
2
1
2
2
1
1
2
2
1
2
2
1
2
1
1
2
2. Reconocer el arreglo en Minitab con:
Stat > DOE > Taguchi > Define Custom Taguchi Design
Factors A B C D
OK
Esta columna es el resultado de los experimentos:
A
1
1
1
1
2
2
2
2

C
1
1
2
2
1
1
2
2

AxC
1
1
2
2
2
2
1
1

B
1
2
1
2
1
2
1
2

AxB
1
2
1
2
2
1
2
1

CxB
1
2
2
1
1
2
2
1

D
1
2
2
1
2
1
1
2

Yi
11.2
10.8
7.2
7.0
8.0
6.9
10.4
10.1

3. Analizar el diseo con:

Con Minitab
Stat > DOE > Taguchi > Analyze Taguchi Design
Response data in Yi
Analysis. Fit linear model for Signal to Noise Ratios Means
Graphs: Signal to Noise Ratios Means
Terms: A B C D
Analysis graphs: Residuals for plots Standardized Residual Plots Individual plots Normal plot
Options: Smaller is better
Storage: Signal to Noise Ratios Means
OK
Los resultados son los siguientes: Factores significativos a 0.2 de nivel de significancia

Taguchi Analysis: Yi versus A, B, C, D, E

Pgina 27 de 47

Linear Model Analysis: SN ratios versus A, B, C, D, E

Taguchi Analysis: Yi versus A, C, B, D
Linear Model Analysis: SN ratios versus A, C, B, D
Estimated Model Coefficients for SN ratios
Term
Constant
A 1
C 1
B 1
D 1
A*C 1 1
A*B 1 1
C*B 1 1

Coef
-18.8709
-0.0544
-0.2520
-0.2625
0.1199
-1.6491
0.1223
-0.1377

S = *
Analysis of Variance for SN ratios Significativo
Source
A
C
B
D
A*C
A*B
C*B
Residual Error
Total

DF
1
1
1
1
1
1
1
0
7

Seq SS
0.0237
0.5080
0.5511
0.1151
21.7554
0.1197
0.1517
*
23.2246

Adj SS
0.0237
0.5080
0.5511
0.1151
21.7554
0.1197
0.1517
*

Adj MS
0.0237
0.5080
0.5511
0.1151
21.7554
0.1197
0.1517
*

F
*
*
*
*
*
*
*

P
*
*
*
*
*
*
*

Se pueden tomar los MS ms pequeos como error = 0.1197 y 0.1151 = 0.2348

De esta forma se obtiene FB = 2.34, y FAC = 92.65
Dist.f(2.34,1,2) = 0.2657 Distr.f(92.65,1,2) = 0.010
Main Effects Plot for SN ratios
Data Means
A

-18.60

-18.75

Mean of SN ratios

-18.90
-19.05
-19.20
1

-18.60

2
D

-18.75
-18.90
-19.05
-19.20
1

Signal-to-noise: Smaller is better

Se observa al factor B como no significativo en trminos de afectar la variabilidad

Pgina 28 de 47

Interaction Plot for SN ratios

Data Means
1

A
1
2

-18.0
A

-19.5
-21.0

-18.0
C

C
1
2

-19.5
-21.0

B
1
2

-18.0
B

-19.5
-21.0
1

Signal-to-noise: Smaller is better

Conclusin: Se observa la interaccin AC significativa (p = 0.1), con A= 1, C = 2.

Linear Model Analysis: Means versus A, C, B, D
Estimated Model Coefficients for Means
Term
Coef
Constant
8.950
A 1
0.100
C 1
0.275
B 1
0.250
D 1
-0.075
A*C 1 1
1.675
A*B 1 1
-0.100
C*B 1 1
0.125
S = *
Analysis of Variance for Means
Source
A
C
B
D
A*C
A*B
C*B
Residual Error
Total

DF
1
1
1
1
1
1
1
0
7

Seq SS
0.0800
0.6050
0.5000
0.0450
22.4450
0.0800
0.1250
*
23.8800

Adj SS
0.0800
0.6050
0.5000
0.0450
22.4450
0.0800
0.1250
*

Adj MS
0.0800
0.6050
0.5000
0.0450
22.4450
0.0800
0.1250
*

F
*
*
*
*
*
*
*

P
*
*
*
*
*
*
*

Tomando los MS ms pequeos (D y A*B) como el trmino de error se tiene:

MSerror = 0.045 + 0.08 = 0.125 Por tanto los valores F y P de B y AC son:
FB = 0.5/0.125 = 4 P = 0.1835 y FAxC = 22.445/0.125 = 179.56 con P = 0.0055
Un criterio emprico es considerar como significativos los valores de F mayores
a 2.

Pgina 29 de 47

Main Effects Plot for Means

Data Means
A

9.2

Mean of Means

9.0
8.8
8.6
1

9.2
9.0
8.8
8.6
1

FB pudiera ser significativo a una alfa de 18%. El major nivel sera B = 2.

Interaction Plot for Means

Data Means
1

11

A
1
2

11

C
1
2

11

B
1
2

7
1

La interaccin AxC es significativa con P = 0.0055 y los mejores valores para

minimizar la salida son: A = 1, C = 2, que coincide con las grficas de S/N.
Response Table for Signal to Noise Ratios
Smaller is better
Level
1
2
Delta
Rank

A
-18.93
-18.82
0.11
4

C
-19.12
-18.62
0.50
2

B
-19.13
-18.61
0.52
1

D
-18.75
-18.99
0.24
3

Pgina 30 de 47

Response Table for Means

Level
1
2
Delta
Rank

A
9.050
8.850
0.200
3

C
9.225
8.675
0.550
1

B
9.200
8.700
0.500
2

D
8.875
9.025
0.150
4

Para predecir la respuesta en B = 2, A = 1, C = 2, se tiene:

Para predecir la respuesta con Minitab
Stat > DOE > Taguchi > Predict Taguchi Results
Predict Mean Signal to Noise Ratio
Terms: A C D E
Levels: Seleccionar Coded Units Select levels from a list: A = 1, B = 2, C = 2, D=1
OK
Los resultados se muestran a continuacin (se incluye el efecto de AxB, AxC, BxC y D):

Predicted values
S/N Ratio
-16.9020

Mean
7

Factor levels for predictions

A
1

C
2

B
2

D
1

Sin considerar el factor D ni las interacciones AxB y BxC se tiene:

Taguchi Analysis: Yi versus A, C, B, D

Predicted values
S/N Ratio
-18.5332

Mean
8.625

Factor levels for predictions

A
1

C
2

B
2

Pgina 31 de 47

Algunos comentarios adicionales

Hasta aqu se han considerado ejemplos para arreglos ortogonales L8, por su comodidad en
cuanto al tamao. A continuacin se hacen algunos comentarios sobre otros arreglos.

El arreglo L12 es un caso especial. Se observa en el apndice, que no se muestran grficas

lineales ni matriz de interacciones, esto es porque est diseado para analizar nicamente
hasta once factores individuales sin interacciones. Con este arreglo no se pueden analizar
interacciones.

Las interacciones en un arreglo L12 se distribuyen de una manera uniforme en todas las
columnas. La ventaja de esto es que le permite investigar 11 factores sin preocuparse por sus
interacciones. El arreglo L12 en general tiene buena reproducibilidad de conclusiones.
Algo similar se puede decir del arreglo L18

Para un arreglo L16 existen una gran variedad de posibles grficas lineales, en el apndice
se muestran las seis ms utilizadas con tres variantes cada una.
Para un arreglo L32 se muestran en el apndice 13 diferentes grficas dentro de las varias
posibles que existen.
En cualquier caso, se puede tratar de construir ms grficas de acuerdo con las necesidades
que se tengan, respetando siempre la matriz de interacciones.
En los grficos lineales que se anexan en el apndice, se observa que los vrtices se
representan con diferentes smbolos, especficamente con o, y . La razn y su significado
es el siguiente:

Taguchi sugiere que las pruebas o corridas se lleven a cabo en el orden indicado por los
renglones del arreglo ortogonal, esto es, primero las condiciones indicadas por el rengln 1,
seguidas de las del rengln 2 y as sucesivamente.
Por otra parte, al ejecutar el experimento, no todos los factores tienen la misma flexibilidad de
estar variando de nivel de una prueba a otra.
Por otro lado, se sugiere que los factores con menor flexibilidad se asignen al grupo 1 del
arreglo representados por el smbolo o, de la grfica lineal. Estos factores tendrn menos
cambios de nivel a lo largo de todo el experimento. De hecho, observe que el factor asignado a la
columna 1 de cualquier arreglo, solo tiene un cambio de nivel, mientras que por ejemplo, un
factor asignado a la columna N 15 de un arreglo L16 cambia 10 veces de nivel.
Los factores que le siguen en inflexibilidad se debern asignar sucesivamente a los smbolos ,
y en una grfica lineal.
Ud. habr observado ya la complicacin que agregan a los anlisis la presencia de interacciones.
Para lidiar con estas, la gente que sabe mucho de esto le hace las observaciones siguientes:

Por lo general, existen pocas interacciones dentro de las mltiples posibles entre factores.
El efecto de las interacciones sobre la variable de respuesta, es por lo general menor que el
efecto de los factores individuales solos.
Recuerde que algunos arreglos ortogonales, le permiten analizar un problema sin
preocuparse por las interacciones. El L12 es un ejemplo de ellos.
Se sugiere que, en caso de dudas sobre las interacciones, siempre sea preferible incluir ms
factores, en lugar de interacciones. Si estas ltimas no son muy fuertes, se pueden
considerar como ruido.

Pgina 32 de 47

ANALISIS SEAL A RUIDO

De todos los factores que afectan un proceso, se pueden extraer dos grupos:

Factores de ruido. Son aquellos que no podemos, queremos o deseamos controlar, y ms

bien deseamos que nuestros procesos y productos sean insensibles a su impacto.
Factores de diseo. Son aquellos que si podemos controlar en nuestro proceso de
produccin, y deseamos encontrar a qu nivel operarlos, a fin de optimizar el producto o
proceso, esto es, que los productos sean de alta calidad y bajo costo.

El anlisis se realiza de la siguiente manera:

1. Dentro de los factores a estudiar, separe los de ruido y los de diseo o control.
2. Dentro de los factores de diseo, identifique aquellos que afectan la variabilidad del proceso.
Utilcelos para minimizar la variabilidad.
3. Dentro de los factores de diseo, identifique aquellos que afectan la media, sin afectar la
variabilidad. Utilcelos para optimizar la media.
4. Identifique aquellos factores de diseo que no afectan ni media ni variabilidad. Utilcelos para
reducir costos.

Indices seal ruido

es deseable tener una cantidad o expresin que de alguna manera, involucre media y variacin,
o que por lo menos, ayude a que nuestras conclusiones sean ms confiables.
Esta cantidad ya existe y se llama ndice seal ruido, denotado como SN o SR de aqu en
adelante.
EL NDICE SE DISE DE TAL MANERA, QUE PRODUCTOS MS ROBUSTOS SIEMPRE
TENGA UN MAYOR VALOR DEL NDICE SN.
En seguida se muestran los tres casos:

IV.2.1 Caso nominal es mejor

Suponga que se tienen r lecturas, y1,y2,y3,yr, el ndice SN a utilizar es:
SN= 10 log Sm Vm / r Vm donde Sm= (y1 + y2 + y3 +,yr,)2/r
Vm=

y2 y3 ... yr Sm / r 1
2

El lector reconocer a Vm como la varianza de los r datos. Sn estima el logaritmo de base 10

de la relacin (media/desviacin estndar)2.
En ocasiones se utiliza:
SN= -10 log Vm
IV.2.2 Caso menor es mejor
Para el caso de menor es mejor, el ndice recomendado es:
SN= -10 log

y1 y 2

y 3 , y r , / r

Pgina 33 de 47

Esta cantidad estima el logaritmo de base 10 de (media 2 + varianza)

IV2.3 Caso mayor es mejor
Para el caso mayor es mejor se recomienda:
SN= -10 log

1 / y
1

1 / y2 1 / y3 2 ... 1 / yr / r
2

Esta cantidad funciona de una manera similar al caso anterior, pero con el inverso. Maximizar
una cantidad es equivalente a minimizar el inverso.
El uso de logaritmos pretende hacer la respuesta ms lineal y el signo negativo es para que
siempre se maximice el ndice SN. Se multiplica por 10 para obtener decibeles.
En un experimento seal ruido, generalmente se incluye un grupo de factores de ruido, contra
los que especficamente se desea hacer robusto el producto, y que se pueden controlar durante
un experimento.
Un diseo de experimentos para un anlisis seal a ruido consiste de dos partes, un arreglo
ortogonal o matriz de diseo o interno y un arreglo ortogonal o matriz de ruido o externo. Las
columnas de una matriz de diseo representan parmetros de diseo. Las columnas de la matriz
de ruido representan factores de ruido.

Ejemplo:
Una caracterstica de calidad importante para un cierto producto metlico es el terminado, que
se mide segn su planicidad en milsimas de pulgada (mmplg). Esta caracterstica se piensa es
afectada por los siguientes factores:
Factor
A
B
C
D
G
H
AxC
AxD

Descripcin
Temperatura del horno
Presin de prensado
Velocidad de recocido
Velocidad de alimentacin ref.
Tipo de modelo
Templabilidad del material
Interaccin
Interaccin

Nivel 1
1500 F
200 psi
8 seg
80 gal/min
chico
25 Rc

Nivel 2
1600 F
220 psi
12 seg
100gal/min
grande
30 Rc

Los factores G y H son factores que no se pueden controlar durante el proceso, ya que el tipo de
modelo depende del requerimiento especfico del cliente y la templabilidad es una caracterstica
de la materia prima. Estos dos factores se consideran al menos inicialmente como factores de
ruido.
Por lo tanto, se consideran como factores de diseo a los factores A, B, C y D.
De acuerdo con esto, lo que se desea saber es cules deben ser las condiciones de operacin
o niveles de los factores de diseo A, B, C y D, que lleven el producto a la caracterstica objetivo
y adems con la mnima variabilidad, a pesar de las variaciones en los factores G y H.
IV. 3.2. Arreglo interno

Pgina 34 de 47

Considere nicamente los factores de diseo, se desea detectar 6 efectos en total, y para ello,
se requiere de un arreglo ortogonal L8. La grfica lineal requerida es:
3
1 A

.2

5 A xC
AxD

6
7

La columna correspondiente a la lnea punteada se utilizar para cuantificar el error. Una posible
asignacin es:

A
1

B
2

e
3

C
4

AxC
5

AxD
6

D
7

Este ser el arreglo

interno y consiste de 8
condiciones
experimentales/renglones

IV.3.3 Arreglo externo

Considere ahora nicamente los factores de ruido G y H. Se requieren de dos columnas, de
manera que un arreglo ortogonal L4 es suficiente. El arreglo, al que llamaremos arreglo externo
es:
N
1
2
3
4

G
1
1
1
2
2

H
2
1
2
1
2

3
1
2
1
1

Observe que no se asigna efecto alguno a la columna 3, la cual queda libre.

IV. 3.4 Arreglo total
Los dos arreglos anteriores se mezclan o combinan en un solo arreglo total, tal y como se
muestra:
H
G
N
1
2
3
4
5
6
7
8

A
1
1
1
1
1
2
2
2
2

B
2
1
1
2
2
1
1
2
2

e
3
1
1
2
2
2
2
1
1

C
4
1
2
1
2
1
2
1
2

AxC
5
1
2
1
2
2
1
2
1

AxD
6
1
2
2
1
1
2
2
1

D
7
1
2
2
1
2
1
1
2

Pgina 35 de 47

1
1
1

2
2
1

2
1
2

1
2
2

1
Y11
Y21
Y31
Y41
Y51
Y61
Y71
Y81

2
Y12
Y22
Y32
Y42
Y52
Y62
Y72
Y82

3
Y13
Y23
Y33
Y43
Y53
Y63
Y73
Y83

4
Y14
Y24
Y34
Y44
Y54
Y64
Y74
Y84

Observe que la matriz de ruido o arreglo externo se ha traspuesto o acostado, esto es, escrito
sus renglones como columnas. Observe tambin que existen 8x4= 32 posibles lecturas, tomadas
bajo diferentes condiciones todas ellas (valores de Yij ). En general, si el arreglo interno tiene M
renglones y el externo tiene N renglones, entonces existen un total de MxN lecturas, que pueden
ser tomadas bajo condiciones diferentes.
Por eso se recomienda que el nmero de factores de ruido (valor de N) no sea mayor que 3.
Pero, cmo se toman exactamente cada una de las 32 lecturas? suponga que inicialmente,
deseamos tomar las lecturas Y11, Y12, Y13, Y14 . Para esto, se fijan todos los factores de diseo de
acuerdo con los niveles indicados por el rengln N 1 del arreglo interno, esto es, todos los
factores de diseo a su nivel 1.
Sin embargo, si bien las cuatro lecturas Y 11, Y12, Y13, Y14 se toman a los mismos niveles de los
factores de diseo, cada una se toma a diferentes niveles de los factores de ruido.
En resumen se tiene:
Todos los factores de
diseo a su nivel 1

Lectura Factores de ruido

Temperatura 1500 F
Presin de 200 Psi, 8 seg
de tiempo de recorrido y
velocidad de alimentacin
refrigerante 80 gal/min

Y11
Y12
Y13
Y14

Modelo chico y 25 Rc
Modelo chico y 30 Rc
Modelo grande y 25 Rc
Modelo grande y 30 Rc

De acuerdo con esto, se toman las primeras cuatro lecturas.

En seguida deseamos obtener las lecturas Y21 , Y22
, Y23 , Y24. Todas estas lectura se
tomarn al mismo nivel de los factores de diseo y estos niveles sern indicados por el rengln
N 2 del arreglo interno. Manteniendo estas condiciones, los factores de ruido se varan a sus
cuatro combinaciones indicadas por el arreglo externo.
De esta manera se van obteniendo todas las 32 lecturas. Se fijan los factores de diseo segn
un rengln del arreglo interno y se mantienen fijos mientras se varan los factores de ruido de
acuerdo con el arreglo interno.
Como ejemplo, la lectura Y73 , se obtendr bajo las condiciones siguientes: factor A, 1600 F,
220 psi, factor C. 8 seg, factor D, 80 gal/min; factor G, tipo grande; y factor H, 25 Rc.
Las 32 lecturas son las siguientes:
H
G
A
N
1
2
3
4
5
6
7
8

1
1
1
1
1
2
2
2
2

B
2
1
1
2
2
1
1
2
2

e
3
1
1
2
2
2
2
1
1

C
4
1
2
1
2
1
2
1
2

AxC
5
1
2
1
2
2
1
2
1

AxD
6
1
2
2
1
1
2
2
1

D
7
1
2
2
1
2
1
1
2

Pgina 36 de 47

1
1
1

2
2
1

2
1
2

1
2
2

1
1.1
1.2
2.0
2.1
1.0
1.2
1.6
1.5

2
1.2
1.3
2.1
2.2
1.4
1.3
2.1
2.0

3
1.3
1.2
2.2
2.1
1.2
1.5
2.4
2.3

4
1.1
1.3
2.1
2.0
1.3
1.0
2.0
2.5

Totales=

11.7

13.6 14.2

13.3

Suponga que por alguna razn para este ejemplo en particular, se tiene un valor deseado de
m= 2 mmplg.
Para obtener conclusiones a partir de un experimento seal a ruido se puede usar la tabla
ANOVA, o bien, a travs de grficas.
Inicialmente se muestra el anlisis usando ANOVA.

Anlisis con el ndice SN

Para responder a la pregunta de a qu niveles fijar los factores de diseo, a fin de minimizar la
variabilidad en la caracterstica de respuesta, ignoramos el arreglo externo conservando las 32
lecturas, especficamente, el arreglo para anlisis es:
A
N
1
2
3
4
5
6
7
8

1
1
1
1
1
2
2
2
2

B
2
1
1
2
2
1
1
2
2

e
3
1
1
2
2
2
2
1
1

C
4
1
2
1
2
1
2
1
2

AxC
5
1
2
1
2
2
1
2
1

AxD
6
1
2
2
1
1
2
2
1
Totales=

D
7
1
2
2
1
2
1
1
2

1
1.1
1.2
2.0
2.1
1.0
1.2
1.6
1.5
11.7

2
1.2
1.3
2.1
2.2
1.4
1.3
2.1
2.0
13.6

3
1.3
1.2
2.2
2.1
1.2
1.5
2.4
2.3
14.2

4
Total
1.1
4.7
1.3
5.0
2.1
8.4
2.0
8.4
1.3
4.9
1.0
5.0
2.0
8.1
2.5
8.3
13.3 52.8

Lo que observamos en esta ltima tabla es un arreglo L8 con 4 lecturas para cada condicin o
rengln.
Estamos interesados en analizar la variabilidad de las 4 lecturas tomadas bajo cada condicin.
Para esto, nos ayudamos del ndice SN, o sea, la variabilidad de las cuatro lecturas que se
tomaron bajo cada condicin, la resumiremos en un ndice seal a ruido. Al hacerlo, en lugar de
32 lecturas individuales tendremos 8 valores del ndice SN, uno para cada rengln o condicin
experimental.
Como estamos en un caso de nominal es mejor, el ndice apropiado es:
SN= 10 log Sm Vm / r * Vm ; donde Sm=

Yi 2 / r

y Vm=

Sm / r 1

En este caso en particular, r= 4, cada ndice se calcula a partir de 4 lecturas individuales.

Para la primera condicin experimental o rengln N 1, se tienen las lecturas siguientes: 1.1,
1.2, 1.3, 1.1, con un total de 4.7
El clculo del ndice es:
Sm= (1.1+1.2+1.3+1.1)2/4= 5.5225
Vm= (1.12+1.22+1.32+1.12)= 0.00916
SN= 10 log 5.5225 0.00916 / 4 * 0.00916 = 21.7714

Pgina 37 de 47

Para el rengln o condicin experimental N 2 se tienen las lectural: 1.2, 1.3, 1.2, 1.3, con un total
de 5.0
El clculo del ndice SN es:
Sm= (1.2 +1.3+1.2+1.3) 2/4= 6.2500
Vm= (1.22 + 1.32 + 1.22 + 1.32 6.2500)/3= 0.0033
SN= 10 log 6.2500 0.0033 / 4 * 0.0033 = 26.7071
Los ocho ndices son:
N
1
2
3
4
5
6
7
8

Sm
5.5225
6.2500
17.6400
17.6400
6.0025
6.2500
16.4025
17.2225

Vm
0.00916
0.00333
0.00666
0.00666
0.02916
0.04333
0.10916
0.18916

Sn (dB)
21.771
26.707
28.203
28.203
17.092
15.539
15.718
13.524

Nuestro arreglo es ahora:

N
1
2
3
4
5
6
7
8

A
1
1
1
1
1
2
2
2
2

B
2
1
1
2
2
1
1
2
2

e
3
1
1
2
2
2
2
1
1

C
4
1
2
1
2
1
2
1
2

AxC
5
1
2
1
2
2
1
2
1

AxD
6
1
2
2
1
1
2
2
1

D
7
1
2
2
1
2
1
1
2

SN
dB
21.771
26.707
28.203
28.203
17.092
15.539
15.718
13.524

Para el factor A se tiene:

A1

= Total de las lecturas tomadas bajo el nivel 1 del factor A

= 21.7714+26.7071+28.2036+28.2036= 104.8857

A2

= Total de las lecturas tomadas bajo el nivel 2 del factor A

=17.0927+15.5397+15.7186+13.5420= 61.8750

SSA

= (A2 A1) /Nmero total de lecturas SN

=(61.8750 107.8857)2/8= 231.2413, con 1 g.l.

Pgina 38 de 47

La tabla ANOVA total es:

Factor
A
B
C
AxC
AxD
D
e

SS
231.2413
2.5751
0.1764
9.4284
3.8880
2.3047
16.0135

Gl
1
1
1
1
1
1
1

V
231.2413
2.5751
0.1764
9.4284
3.8880
2.3047
16.0135

Fexp
14.44
00.16
00.01
00.59
00.24
00.14

El factor A, temperatura del horno, es el factor que estadsticamente afecta el ndice seal a
ruido, y que por consiguiente afecta la variabilidad. De acuerdo con los niveles del factor A, se
tiene:
A1
A2

= SN promedio= 104.8857/4= 26.22

= SN promedio= 61.8750/4= 15.47

Dado que siempre deseamos maximizar el ndice seal a ruido, el factor A se fija en su nivel 1,
esto es, la temperatura del horno se fija en 1500 F.
Qu hacer con el resto de los factores? antes de contestar esta pregunta, se deben identificar
de entre los factores que NO AFECTARON el ndice SN, cules afectan la media. Esto se
muestra en lo que sigue.

Anlisis usando las lecturas individuales

Despus de identificar los factores que afectan la variabilidad, el siguiente paso es identificar
qu factores, dentro de los que no afecta la variabilidad, afectan la media del proceso. Estos
factores llamados factores de seal, nos permitirn ajustar la media del proceso hacia su valor
nominal, sin incrementar la variabilidad del proceso.
Para el anlisis, se utilizan las 32 lecturas iniciales. Para ello se obtiene el promedio de cada
rengln.
A B
N
1
2
3
4
5
6
7
8

e C AxC AxD D
1 2 3 4 5
1 1 1 1 1
1 1 1 2 2
1 2 2 1 1
1 2 2 2 2
2 1 2 1 2
2 1 2 2 1
2 2 1 1 2
2 2 1 2 1

6
1
2
2
1
1
2
2
1

7
1
2
2
1
2
1
1
2

1
1.1
1.2
2.0
2.1
1.0
1.2
1.6
1.5

2
1.2
1.3
2.1
2.2
1.4
1.3
2.1
2.0

3 4 Total
1.3 1.1 4.7
1.2 1.3 5.0
2.2 2.1 8.4
2.1 2.0 8.4
1.2 1.3 4.9
1.5 1.0 5.0
2.4 2.0 8.1
2.3 2.5 8.3
Totales

Promedio
1.175
1.250
2.100
2.100
1.225
1.250
2.025
2.075
13.200

Considerando nicamente los promedios, tendremos un arreglo L8 con una lectura. El anlisis
en base a los promedios es:
A1

= Total de las lecturas tomadas bajo el nivel 1 del factor A

=1.175+1.250+2.100+2.100= 6.625

A2

= Total de las lecturas tomadas bajo el nivel 2 del factor A

Pgina 39 de 47

= 1.225+1.250+2.075+2.025= 6.575
SSA

= (A2 A1) 2 /Nmero total de lecturas SN

= (6.625 6.575)2/8= 0.0003

Similarmente para el factor B se tiene

B1
B2
SSB

= 1.175+1.250+1.225+1.250= 4.900
= 2.100+2.100+2.025+2.075= 8.300
= (B2 - B1 )2/8= (4.900-8.300) 2/8= 1.4450

Y as sucesivamente
SSC
SSD

= 0.0028 , SSAxC= 0.0000, SSAxD= 0.0003

= 0.0013 , SSe= 0.0028

La tabla ANOVA es:

Efecto
A
B
C
AxC
AxD
D
e

SS
0.0003
1.4450
0.0028
0.0000
0.0003
0.0013
0.0028
Totales 1.4525

G.l.
1
1
1
1
1
1
1
8

V
0.0003
1.4450
0.0028
0.0000
0.0003
0.0013
0.0028

Fexp
0.11
513.75
1.00
0.00
0.11
0.44

El factor B, presin de prensado, es el nico factor significante. Mediante este factor se puede
ajustar la media del proceso, y llevarla lo ms cerca posible a su valor ideal de 2.
Tambin se debe hacer la observacin, de que si el factor A hubiera resultado significante en
este segundo anlisis, no podramos utilizarlo, ya que result significante en el anlisis con el
ndice SN.
En particular, la respuesta promedio para cada nivel del factor B es:
B1 = 4.9/4= 1.225; B2= 8.3/4= 2.075
Si se desea aumentar la planicidad, se deber incrementar la presin de prensado. Si se desea
disminuir la planicidad, se deber reducir la presin.
Se puede interpolar para conocer el valor al que se debe fijar la presin. La respuesta promedio
a 200 psi es de 1.225 y a 220 psi es 2.075

2.0
1.5
1.0

B
200

220

Pgina 40 de 47

IV. Anlisis utilizando grficas

Como se mencion anteriormente, una alternativa a la ANOVA son las grficas de promedios,
ya sea del ndice SN o de las lecturas individuales.
Por ejemplo, para el factor A encontramos el promedio a cada uno de sus niveles, tanto del
ndice seal a ruido como de las lecturas individuales.
Para el ndice seal a ruido se tiene:
A1
A2

= (21.7714+26.7071+28.2036+28.2036)/4= 26.2214
= (17.0927+15.5397+15.7186+13.5240)/4= 15.4687

Para promedio de lecturas individuales se tiene:

A1

= 6.625/4= 1.6562; A2= 6.575/4= 1.6437

En resumen, los promedios para todos los factores son:

Nivel
A1
A2
B1
B2
C1
C2
D1
D2
(AxC)
(AxC)
(AxD)
(AxD)

SN promedio
26.22
15.47
20.38
21.41
20.71
20.99
20.31
21.38
19.76
21.93
20.15
21.54

Y promedio
1.6
1.6
1.2
2.0
1.6
1.6
1.6
1.6
1.6
1.6
1.6
1.6

Grficas de estos promedios se muestran ms adelante, en estas grficas, la importancia de

cada efecto se observar segn la inclinacin de cada lnea, de hecho, los efectos se encuentran
graficados de acuerdo con su importancia.
Las conclusiones que se obtienen son las mismas, esto es, el factor A es el que ms afecta el
ndice seal a ruido, y lo hace mayor a su nivel A1. El factor B es el que ms afecta la respuesta
promedio sin afectar el ndice SN, la respuesta promedio aumenta al aumentar el factor B de su
nivel 1 al 2.

Conclusiones generales del experimento

De acuerdo con los resultados que se han obtenido de los anlisis, las conclusiones generales
son:
a) El factor A afecta la variabilidad y se debe de fijar a su nivel 1.
b) El factor B afecta la media del proceso, aumenta la media del proceso.
c) El resto de los factores de diseo, (factores C y D), se fijarn al nivel en que sea ms
econmico para el proceso, ya que no afectan sustancialmente ni la media, ni la variabilidad del
proceso.

Pgina 41 de 47

Solucin con Minitab se crea el arreglo con:

1. Disear el arreglo ortogonal definiendo las columnas para los factores principales y las
interacciones, en este caso:
FACTORES DE CONTROL
A
B
e
C
1
1
1
1
1
1
1
2
1
2
2
1
1
2
2
2
2
1
2
1
2
1
2
2
2
2
1
1
2
2
1
2

AxC
1
2
1
2
2
1
2
1

AxD
1
2
2
1
1
2
2
1

D
1
2
2
1
2
1
1
2

2. Reconocer el arreglo en Minitab con:

Stat > DOE > Taguchi > Define Custom Taguchi Design
Factors A B C D
OK
Estas columnas es el resultado de los experimentos:
FACTORES DE CONTROL
A
B
e
C
1
1
1
1
1
1
1
2
1
2
2
1
1
2
2
2
2
1
2
1
2
1
2
2
2
2
1
1
2
2
1
2

AxC
1
2
1
2
2
1
2
1

AxD
1
2
2
1
1
2
2
1

D
1
2
2
1
2
1
1
2

COMB. FACTORES DE RUIDO

H1_G1 H2_G1 H1_G2 H2_G2
1.1
1.2
1.3
1.1
1.2
1.3
1.2
1.3
2
2.1
2.2
2.1
2.1
2.2
2.1
2
1
1.4
1.2
1.3
1.2
1.3
1.5
1
1.6
2.1
2.4
2
1.5
2
2.3
2.5

3. Analizar el diseo con:

Con Minitab
Stat > DOE > Taguchi > Analyze Taguchi Design
Response data in H1_G1
H2_G1 H1_G2 H2_G2
Analysis. Fit linear model for Signal to Noise Ratios Means
Graphs: Signal to Noise Ratios Means
Terms: A B C D
Analysis graphs: Residuals for plots Standardized Residual Plots Individual plots Normal plot
Options: Nominal is Best Seleccionar Use adjusted formula for nominal is best
Storage: Signal to Noise Ratios Means
OK

Pgina 42 de 47

Los resultados son los siguientes: Factores significativos a 0.2 de nivel de significancia
La grfica de residuos estandarizados muestra un comportamiento normal:

Normal Probability Plot

(response is Means)
99

95
90

Percent

80
70
60
50
40
30
20
10
5

-3

-2

-1
0
1
Standardized Residual

Taguchi Analysis: H1_G1, H2_G1, H1_G2, H2_G2 versus A, B, C, D

Linear Model Analysis: SN ratios versus A, B, C, D
Estimated Model Coefficients for SN ratios
Term
Constant
A 1
B 1
C 1
D 1
A*C 1 1
A*D 1 1
S = 4.002

Coef
20.8451
5.3764
-0.5674
-0.1485
-0.5367
-1.0854
-0.6972

SE Coef
1.415
1.415
1.415
1.415
1.415
1.415
1.415

R-Sq = 94.0%

T
14.733
3.800
-0.401
-0.105
-0.379
-0.767
-0.493

P
0.043
0.164
0.757
0.933
0.769
0.583
0.709

R-Sq(adj) = 57.8%

Analysis of Variance for SN ratios

Source
A
B
C
D
A*C
A*D
Residual Error
Total

DF
1
1
1
1
1
1
1
7

Seq SS
231.241
2.575
0.176
2.305
9.425
3.888
16.014
265.625

Adj SS
231.241
2.575
0.176
2.305
9.425
3.888
16.014

Adj MS
231.241
2.575
0.176
2.305
9.425
3.888
16.014

F
14.44
0.16
0.01
0.14
0.59
0.24

Pgina 43 de 47

P
0.164
0.757
0.933
0.769
0.583
0.709

Main Effects Plot for SN ratios

Data Means
A

25.0

Mean of SN ratios

22.5
20.0
17.5
15.0
1

25.0
22.5
20.0
17.5
15.0
1

Signal-to-noise: Nominal is best (10* Log10((Ybar* * 2 - s* * 2/n)/s* * 2))

El nico factor significativo en relacin a la variabilidad es el factor A, que

en su nivel 1 sera el mejor

Interaction Plot for SN ratios

Data Means
1

A
1
2

25
A

20
15

25
C

20

C
1
2

15

D
1
2

25
D

20
15
1

Signal-to-noise: Nominal is best (10* Log10((Ybar* * 2 - s* * 2/n)/s* * 2))

Las interacciones no parecen ser significativas

Pgina 44 de 47

Linear Model Analysis: Means versus A, B, C, D

Estimated Model Coefficients for Means
Term
Constant
A 1
B 1
C 1
D 1
A*C 1 1
A*D 1 1

Coef
1.65000
0.00625
-0.42500
-0.01875
-0.01250
-0.00000
-0.00625

S = 0.05303

SE Coef
0.01875
0.01875
0.01875
0.01875
0.01875
0.01875
0.01875

R-Sq = 99.8%

T
88.000
0.333
-22.667
-1.000
-0.667
-0.000
-0.333

P
0.007
0.795
0.028
0.500
0.626
1.000
0.795

R-Sq(adj) = 98.6%

Analysis of Variance for Means

Source
A
B
C
D
A*C
A*D
Residual Error
Total

DF
1
1
1
1
1
1
1
7

Seq SS
0.00031
1.44500
0.00281
0.00125
0.00000
0.00031
0.00281
1.45250

Adj SS
0.00031
1.44500
0.00281
0.00125
0.00000
0.00031
0.00281

Adj MS
0.00031
1.44500
0.00281
0.00125
0.00000
0.00031
0.00281

F
0.11
513.78
1.00
0.44
0.00
0.11

P
0.795
0.028
0.500
0.626
1.000
0.795

Main Effects Plot for Means

Data Means
A

2.0
1.8

Mean of Means

1.6
1.4
1.2
1

2
D

2.0
1.8
1.6
1.4
1.2
1

El factor B es el nico que parece ser significativo. Se puede interpolar su

valor codificado a 1.5 (en 210 psi).

Pgina 45 de 47

Interaction Plot for Means

Data Means
1

1.68

A
1
2

1.64

1.60

1.68

1.64

C
1
2

1.60

1.68

D
1
2

1.64

1.60
1

No parecen ser significativas las interacciones.

Response Table for Signal to Noise Ratios
Nominal is best (10*Log10((Ybar**2 - s**2/n)/s**2))
Level
1
2
Delta
Rank

A
26.22
15.47
10.75
1

B
20.28
21.41
1.13
2

C
20.70
20.99
0.30
4

D
20.31
21.38
1.07
3

Response Table for Means

Level
1
2
Delta
Rank

A
1.656
1.644
0.012
4

B
1.225
2.075
0.850
1

C
1.631
1.669
0.038
2

D
1.638
1.663
0.025
3

Para predecir la respuesta con A = 1 y B = 1.5 se tiene:

Stat > DOE > Taguchi > Predict Taguchi Results
Predict Mean Signal to Noise Ratio
Terms: A B C D AxC AxD
Levels: Seleccionar Coded Units Select levels from a list: A = 1, B = 1, C = 1, D=1
OK

Predicted values
S/N Ratio
23.1863

Mean
1.19375

Pgina 46 de 47

Factor levels for predictions

A
1

B
1

C
1

D
1

Solo considerando A = 1, B = 2 se tiene:

Predicted values
S/N Ratio
25.6541

Mean
1.23125

Factor levels for predictions

A
1

B
1

Conclusin: como el valor de la presin de prensado es el nico factor que

ajusta a la media, debe ajustarse para que la planicidad se encuentre en su
valor nominal de 2.

Pgina 47 de 47