Ejemplo Dise o Taguchi

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI P.
Reyes / febrero 2008
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

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.
Pgina 1 de 47
EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI P. Reyes / febrero 2008
Un arreglo ortogonal es una tabla de nmeros. Como ejemplo de un arreglo ortogonal tenemos el
siguiente:
F A C T O R E S (c)
No. (a) A B C Resultado
1 1 1 1 Y1
2 1 2 2 Y2
3 2 1 1 Y3
4 2 2 1 Y4
1 , 2 = 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 Arreglo a utilizar No. de condiciones a probar

Entre 1 y 3 L4 4
Entre 4 y 7 L8 8
Entre 8 y 11 L12 12
Entre 12 y 15 L16 16
Entre 16 y 31 L32 32
Entre 32 y 63 L64 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 Descripcin Nivel I Nivel 2

A Tipo de resina Tipo I Tipo II
B Concentracin 5% 10%
C Tiempo de ciclo de prensado 10 seg 15 seg
D Humedad 3% 5%
E Presin 800 psi. 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 B C D E Yi
1 1 1 1 1 0.49
1 1 1 2 2 0.42
1 2 2 1 1 0.38
1 2 2 2 2 0.3
2 1 2 1 2 0.21
2 1 2 2 1 0.24
2 2 1 1 2 0.32
2 2 1 2 1 0.28
Pgina 9 de 47
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 A B C D E e e
Nivel 1 1.59 1.36 1.51 1.40 1.39 1.28 1.35
Nivel 2 1.05 1.28 1.13 1.24 1.25 1.36 1.29
2.64 2.64 2.64 2.64 2.64 2.64 2.64
Observe que la suma de los dos niveles debe dar siempre el total de las ocho lecturas 2.64.
2) En seguida se obtiene una cantidad que llamaremos suma de cuadrados esta se calcula como
sigue:
Suma de los cuadrados del factor x= SS X= (Total nivel 2 Total nivel 1) 2/ n

Donde n representa el 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. V Fexp

A 0.03645 1 0.03645 58.32
B 0.00080 1 0.00080 1.28
C 0.01805 1 0.01805 28.88
D 0.00320 1 0.00320 5.12
E 0.00245 1 0.00245 3.92
Error 0.00125 2 0.000625
Total 0.0622 7
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 SS G.1 V Fexp
A 0.03645 1 0.03645 53.60
C 0.01805 1 0.01805 26.54
D 0.00320 1 0.00320 4.71
E 0.00245 1 0.00245 3.60
Error 0.00205 3 0.00068
Total 0.0622 7
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 Coef SE Coef T P

Constant 9.93728 0.3034 32.753 0.001
A 1 -1.78903 0.3034 -5.897 0.028
B 1 -0.01666 0.3034 -0.055 0.961
C 1 -1.26604 0.3034 -4.173 0.053
D 1 -0.42402 0.3034 -1.398 0.297
E 1 -0.42402 0.3034 -1.398 0.297
S = 0.8581 R-Sq = 96.6% R-Sq(adj) = 88.0%
Analysis of Variance for SN ratios
Source DF Seq SS Adj SS Adj MS F P

A 1 25.6050 25.6050 25.6050 34.77 0.028
B 1 0.0022 0.0022 0.0022 0.00 0.961
C 1 12.8230 12.8230 12.8230 17.41 0.053
D 1 1.4384 1.4384 1.4384 1.95 0.297
E 1 1.4384 1.4384 1.4384 1.95 0.297
Residual Error 2 1.4728 1.4728 0.7364
Total 7 42.7797
Pgina 12 de 47
Main Effects Plot for SN ratios

Data Means
A B C
12
11
10
Mean of SN ratios
8
1 2 1 2 1 2
D E
12
11
10
8
1 2 1 2
Signal-to-noise: Smaller is better
Linear Model Analysis: Means versus A, B, C, D, E
Estimated Model Coefficients for Means

Constant 0.33000 0.008839 37.335 0.001
A 1 0.06750 0.008839 7.637 0.017
B 1 0.01000 0.008839 1.131 0.375
C 1 0.04750 0.008839 5.374 0.033
D 1 0.02000 0.008839 2.263 0.152
E 1 0.01750 0.008839 1.980 0.186
S = 0.025 R-Sq = 98.0% R-Sq(adj) = 93.0%
Analysis of Variance for Means

A 1 0.036450 0.036450 0.036450 58.32 0.017
B 1 0.000800 0.000800 0.000800 1.28 0.375
C 1 0.018050 0.018050 0.018050 28.88 0.033
D 1 0.003200 0.003200 0.003200 5.12 0.152
E 1 0.002450 0.002450 0.002450 3.92 0.186
Residual Error 2 0.001250 0.001250 0.000625
Total 7 0.062200
Pgina 13 de 47
Main Effects Plot for Means

Data Means
A B C
0.40
0.35
0.30
Mean of Means
0.25
1 2 1 2 1 2
D E
0.40
0.35
0.30
0.25
1 2 1 2
Response Table for Signal to Noise Ratios

Smaller is better
Level A B C D E
1 8.148 9.921 8.671 9.513 9.513
2 11.726 9.954 11.203 10.361 10.361
Delta 3.578 0.033 2.532 0.848 0.848
Rank 1 5 2 3.5 3.5
Response Table for Means
Level A B C D E
1 0.3975 0.3400 0.3775 0.3500 0.3475
2 0.2625 0.3200 0.2825 0.3100 0.3125
Delta 0.1350 0.0200 0.0950 0.0400 0.0350
Rank 1 5 2 3 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 Nivel 1 Nivel 2
A A1= 0.3975 A2= 0.2625
B B1= 0.3400 B2= 0.3200
C C1= 0.3775 C2= 0.2825
D D1= 0.3500 D2= 0.3100
E E1= 0.3475 E2= 0.3125
Pgina 14 de 47
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:
Nivel 1 0.3975 0.3400 0.3775 0.3500 0.3475 0.3200 0.3325
Nivel 2 0.2625 0.3200 0.2825 0.3100 0.3125 0.3400 0.3225
Promedio global Y= T/n= 2.64/8 = 0.33
Observe que para cada factor, uno de los promedios es mayor y el otro menor que el promedio
global. Esto siempre debe de ocurrir.
2) Calcule la diferencia entre los promedios de niveles para cada factor, y ordnelos de mayor a
menor en valor absoluto.
Pgina 15 de 47
Esto es por ejemplo para el factor A
A1 A2 = 0.3975 0.2625= 0.1350; para el resto tenemos:
Diferencia 0.1350 0.0200 0.0950 0.0400 0.0350 0.0200 0.0100
En la tabla de ANOVA encontramos los resultados obtenidos anteriormente:

N A B C D E e1 e2 Yi
1 1 1 1 1 1 1 1 0.49
2 1 1 1 2 2 2 2 0.42
3 1 2 2 1 1 2 2 0.38
4 1 2 2 2 2 1 1 0.30
5 2 1 2 1 2 1 2 0.21
6 2 1 2 2 1 2 1 0.24
7 2 2 1 1 2 2 1 0.32
8 2 2 1 2 1 1 2 0.28
T1 1.59 1.36 1.51 1.40 1.39 1.28 1.35 Tot
T2 1.05 1.28 1.13 1.24 1.25 1.36 1.29 2.64
SS 0.03645 0.00080 0.01805 0.00320 0.00245 0.00080 0.00045 Ve
gl 1 1 1 1 1 2
V 0.03645 0.00080 0.01805 0.00320 0.00245 .00062
F 58.32 1.28 28.88 5.12 3.92
Sg si no si si si
P1 0.3975 0.3400 0.3775 0.3500 0.3475 Y
P2 0.2625 0.3200 0.2825 0.3100 0.3125 0.33
Ni 2 - 2 2 2
Ef -0.0675 -0.0475 -0.0200 -0.0175
Yest. = Y + Ef A2 + Ef C2 + Ef D2 + Ef E2
T1 = Total de lecturas al nivel 1
T2 = Total de lecturas al nivel 2
n = Nmero total de lecturas
SS = (T2 - T1 )2 /n
gl = Grados de libertad (columnas)
V = SS/gl
F = V/Ve
Sg = Efecto significante?
P1 = Promedio nivel 1
P2 = Promedio nivel 2
Ni = Nivel seleccionado
Ef = Efecto de la variable
Y = Promedio de todos los datos
Yest = Valor estimado de la variable a las condiciones propuestas
Ordenando de mayor a menor valor absoluto (ignorando el signo), tenemos:
Pgina 16 de 47
Factor A C D E B e e
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 A 2, 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.
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 Mean
Pgina 17 de 47
13.8404 0.1775
Factor levels for predictions
A C D E
2 2 2 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 A1 A2
Las dos lneas son paralelas, no El efecto de A depende del nivel de B
existe interaccin entre los factores. 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.
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
Pgina 19 de 47
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 Matriz o tabla de interacciones

N 1 2 3 4 5 6 7 Columnas 1 2 3 4 5 6 7
1 1 1 1 1 1 1 1 (1) 3 2 5 4 7 6
2 1 1 1 2 2 2 2 (2) 1 6 7 4 5
3 1 2 2 1 1 2 2 (3) 7 6* 5 4
4 1 2 2 2 2 1 1 (4) 1 2 3
5 2 1 2 1 2 1 2 (5) 1 2
6 2 1 2 2 1 2 1 (6) 1
7 2 2 1 1 2 2 1 (7)
8 2 2 1 2 1 1 2
1 3 2
3 5 1
.7 5 4
6
2 6 4 7
(b)
(a)
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.
Pgina 20 de 47
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
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) un efecto individual se representa con un punto.
Pgina 21 de 47
b) una interaccin se representa mediante una lnea que une los dos efectos
individuales.
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 3
A B 1 2
AxC AxD 5
6
C D 7 4
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:
A B AxB D AxD AxC C

N 1 2 3 4 5 6 7
1 1 1 1 1 1 1 1
2 1 1 1 2 2 2 2
3 1 2 2 1 1 2 2
4 1 2 2 2 2 1 1
5 2 1 2 1 2 1 2
6 2 1 2 2 1 2 1
7 2 2 1 1 2 2 1
8 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 C E
AxD
D
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.
Pgina 22 de 47
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 A D C B AxB E F
Columna 1 2 3 4 5 6 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 Niveles

I II
A Tensin del diafragma Baja Alta
B Entrada para aire Estrecha Abierta
C Apertura para combustible Pequea Grande
D Flujo de gasolina Lento Rpido
AxC Interaccin
AxB Interaccin
BxC Interaccin
La Grfica lineal que se desea es:
A
AxC AxB
C B .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
N A C AxC B AxB CxB D

1 2 3 4 5 6 7
Tensin Apertura Entrada Flujo Yi
1 1 1 1 1 1 1 1 Baja Pequea Estrecha Lento 11.2
2 1 1 1 2 2 2 2 Baja Pequea Abierta Rpido 10.8
3 1 2 2 1 1 2 2 Baja Grande Estrecha Rpido 7.2
4 1 2 2 2 2 1 1 Baja Grande Abierta Lento 7.0
5 2 1 2 1 2 1 2 Alta Pequea Estrecha Rpido 8.0
6 2 1 2 2 1 2 1 Alta Pequea Abierta Lento 6.9
7 2 2 1 1 2 2 1 Alta Grande Estrecha Lento 10.4
8 2 2 1 2 1 1 2 Alta Grande Abierta Rpido 10.1
Total 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:
A C AxC B AxB BxC D

Nivel 1 36.2 36.9 42.5 36.8 35.4 36.3 35.5
Nivel 2 35.4 34.7 29.1 34.8 36.2 35.3 36.1
La tabla ANOVA que resulta es:

A 0.0800* 1 0.0800 -
C 0.6050 1 0.6050 8.85
AxC 22.4450 1 22.4450 328.46
B 0.5000 1 0.5000 7.32
AxB 0.0800* 1 0.0800 -
BxC 0.1250 1 0.1250 1.83
D 0.0450* 1 0.0450 -
(e) 0.2050 3 0.0638
Total 23.8800 7
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.
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,
Pgina 24 de 47
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 A C Yi
1 1 1 11.20 Siempre existirn entre dos columnas
2 1 1 10.80 cuatro posibles combinaciones de
3 1 2 7.2 nmeros: 1 1; 1 2; 2 1; 2 2
4 1 2 7.0
5 2 1 8.0
6 2 1 6.9
7 2 2 10.4
8 2 2 10.1
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 Total Promedio

A1 C1 22.0 11.00 Como es un caso mejor,
A1 C2 14.2 7.10 se selecciona el promedio
A2 C1 14.9 7.45 menor, A1 C2 en este
A2 C2 20.5 10.25 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:
EF A1C2 = (A1C2 - Y) (A1 Y) - (C2 - Y)
Pgina 25 de 47
= (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.
Factores Nivel I Nivel II

A Mezcla de hule crudo si no
B Curado no 24 hrs.
C Velocidad de prensado 50m/min 55 m/min
D Enfriamiento del tambor con agua sin agua
E Secado con vapor envolvente si no
Interaccin ExD
Interaccin DxC
Arreglo ortogonal y resultados
N E D ExD C B DxC A Resultado

1 1 1 1 1 1 1 1 1620
2 1 1 1 2 2 2 2 1580
3 1 2 2 1 1 2 2 1100
4 1 2 2 2 2 1 1 1150
5 2 1 2 1 2 1 2 1500
6 2 1 2 2 1 2 1 1560
7 2 2 1 1 2 2 1 1000
8 2 2 1 2 1 1 2 1020
Pgina 26 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:
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 C AxC B AxB CxB D Yi

1 1 1 1 1 1 1 11.2
1 1 1 2 2 2 2 10.8
1 2 2 1 1 2 2 7.2
1 2 2 2 2 1 1 7.0
2 1 2 1 2 1 2 8.0
2 1 2 2 1 2 1 6.9
2 2 1 1 2 2 1 10.4
2 2 1 2 1 1 2 10.1
3. Analizar el diseo con:
Con Minitab

Response data in Yi
Terms: A B C D
Options: Smaller is better
OK
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
Term Coef
Constant -18.8709
A 1 -0.0544
C 1 -0.2520
B 1 -0.2625
D 1 0.1199
A*C 1 1 -1.6491
A*B 1 1 0.1223
C*B 1 1 -0.1377
S = *
Analysis of Variance for SN ratios Significativo

A 1 0.0237 0.0237 0.0237 * *
C 1 0.5080 0.5080 0.5080 * *
B 1 0.5511 0.5511 0.5511 * *
D 1 0.1151 0.1151 0.1151 * *
A*C 1 21.7554 21.7554 21.7554 * *
A*B 1 0.1197 0.1197 0.1197 * *
C*B 1 0.1517 0.1517 0.1517 * *
Residual Error 0 * * *
Total 7 23.2246
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

Data Means
A C
-18.60
-18.75
-18.90
Mean of SN ratios
-19.05
-19.20
1 2 1 2
B D
-18.60
-18.75
-18.90
-19.05
-19.20
1 2 1 2
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 2
A
-18.0 1
2
A
-19.5
-21.0
C
-18.0 1
2
C
-19.5
-21.0
B
-18.0 1
2
B
-19.5
-21.0
1 2 1 2
Conclusin: Se observa la interaccin AC significativa (p = 0.1), con A= 1, C = 2.
Linear Model Analysis: Means versus A, C, B, D

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 = *

A 1 0.0800 0.0800 0.0800 * *
C 1 0.6050 0.6050 0.6050 * *
B 1 0.5000 0.5000 0.5000 * *
D 1 0.0450 0.0450 0.0450 * *
A*C 1 22.4450 22.4450 22.4450 * *
A*B 1 0.0800 0.0800 0.0800 * *
C*B 1 0.1250 0.1250 0.1250 * *
Residual Error 0 * * *
Total 7 23.8800
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

Data Means
A C
9.2
9.0
8.8
Mean of Means
8.6
1 2 1 2
B D
9.2
9.0
8.8
8.6
1 2 1 2
FB pudiera ser significativo a una alfa de 18%. El major nivel sera B = 2.
Interaction Plot for Means

Data Means
1 2
11
A
1
2
9 A
7
11
C
1
2
C 9
7
11
B
1
2
9 B
7
1 2 1 2
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.

Smaller is better
Level A C B D
1 -18.93 -19.12 -19.13 -18.75
2 -18.82 -18.62 -18.61 -18.99
Delta 0.11 0.50 0.52 0.24
Rank 4 2 1 3
Pgina 30 de 47
Level A C B D
1 9.050 9.225 9.200 8.875
2 8.850 8.675 8.700 9.025
Delta 0.200 0.550 0.500 0.150
Rank 3 1 2 4
Para predecir la respuesta en B = 2, A = 1, C = 2, se tiene:
Para predecir la respuesta con Minitab

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 Mean

-16.9020 7
A C B D
1 2 2 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 Mean

-18.5332 8.625
A C B
1 2 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= y
1
2 2 2 2

y2 y3 ... yr Sm / r 1
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
2
1 / y2 1 / y3 2 ... 1 / yr / r
2 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 Descripcin Nivel 1 Nivel 2

A Temperatura del horno 1500 F 1600 F
B Presin de prensado 200 psi 220 psi
C Velocidad de recocido 8 seg 12 seg
D Velocidad de alimentacin ref. 80 gal/min 100gal/min
G Tipo de modelo chico grande
H Templabilidad del material 25 Rc 30 Rc
AxC Interaccin
AxD Interaccin
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 B
5 A xC
4 C
AxD 6
7 D
La columna correspondiente a la lnea punteada se utilizar para cuantificar el error. Una posible
asignacin es:
A B e C AxC AxD D Este ser el arreglo

N 1 2 3 4 5 6 7 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:
G H
N 1 2 3
1 1 1 1
2 1 2 2
3 2 1 1
4 2 2 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:
1 2 2 1
H 1 2 1 2
G 1 1 2 2
A B e C AxC AxD D
N 1 2 3 4 5 6 7 1 2 3 4
1 1 1 1 1 1 1 1 Y11 Y12 Y13 Y14
2 1 1 1 2 2 2 2 Y21 Y22 Y23 Y24
3 1 2 2 1 1 2 2 Y31 Y32 Y33 Y34
4 1 2 2 2 2 1 1 Y41 Y42 Y43 Y44
5 2 1 2 1 2 1 2 Y51 Y52 Y53 Y54
6 2 1 2 2 1 2 1 Y61 Y62 Y63 Y64
7 2 2 1 1 2 2 1 Y71 Y72 Y73 Y74
8 2 2 1 2 1 1 2 Y81 Y82 Y83 Y84
Pgina 35 de 47
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 Y11 Modelo chico y 25 Rc

Presin de 200 Psi, 8 seg Y12 Modelo chico y 30 Rc
de tiempo de recorrido y Y13 Modelo grande y 25 Rc
velocidad de alimentacin Y14 Modelo grande y 30 Rc
refrigerante 80 gal/min
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:

1 2 2 1
H 1 2 1 2
G 1 1 2 2
A B e C AxC AxD D
N 1 2 3 4 5 6 7 1 2 3 4
1 1 1 1 1 1 1 1 1.1 1.2 1.3 1.1
2 1 1 1 2 2 2 2 1.2 1.3 1.2 1.3
3 1 2 2 1 1 2 2 2.0 2.1 2.2 2.1
4 1 2 2 2 2 1 1 2.1 2.2 2.1 2.0
5 2 1 2 1 2 1 2 1.0 1.4 1.2 1.3
6 2 1 2 2 1 2 1 1.2 1.3 1.5 1.0
7 2 2 1 1 2 2 1 1.6 2.1 2.4 2.0
8 2 2 1 2 1 1 2 1.5 2.0 2.3 2.5
Pgina 36 de 47
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 B e C AxC AxD D
N 1 2 3 4 5 6 7 1 2 3 4 Total
1 1 1 1 1 1 1 1 1.1 1.2 1.3 1.1 4.7
2 1 1 1 2 2 2 2 1.2 1.3 1.2 1.3 5.0
3 1 2 2 1 1 2 2 2.0 2.1 2.2 2.1 8.4
4 1 2 2 2 2 1 1 2.1 2.2 2.1 2.0 8.4
5 2 1 2 1 2 1 2 1.0 1.4 1.2 1.3 4.9
6 2 1 2 2 1 2 1 1.2 1.3 1.5 1.0 5.0
7 2 2 1 1 2 2 1 1.6 2.1 2.4 2.0 8.1
8 2 2 1 2 1 1 2 1.5 2.0 2.3 2.5 8.3
Totales= 11.7 13.6 14.2 13.3 52.8
Lo que observamos en esta 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= Y i

2

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 Sm Vm Sn (dB)
1 5.5225 0.00916 21.771
2 6.2500 0.00333 26.707
3 17.6400 0.00666 28.203
4 17.6400 0.00666 28.203
5 6.0025 0.02916 17.092
6 6.2500 0.04333 15.539
7 16.4025 0.10916 15.718
8 17.2225 0.18916 13.524
Nuestro arreglo es ahora:
A B e C AxC AxD D SN
N 1 2 3 4 5 6 7 dB
1 1 1 1 1 1 1 1 21.771
2 1 1 1 2 2 2 2 26.707
3 1 2 2 1 1 2 2 28.203
4 1 2 2 2 2 1 1 28.203
5 2 1 2 1 2 1 2 17.092
6 2 1 2 2 1 2 1 15.539
7 2 2 1 1 2 2 1 15.718
8 2 2 1 2 1 1 2 13.524
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

=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 SS Gl V Fexp
A 231.2413 1 231.2413 14.44
B 2.5751 1 2.5751 00.16
C 0.1764 1 0.1764 00.01
AxC 9.4284 1 9.4284 00.59
AxD 3.8880 1 3.8880 00.24
D 2.3047 1 2.3047 00.14
e 16.0135 1 16.0135
El factor A, temperatura del horno, es el factor que 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 = SN promedio= 104.8857/4= 26.22

A2 = 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 e C AxC AxD D
N 1 2 3 4 5 6 7 1 2 3 4 Total Promedio
1 1 1 1 1 1 1 1 1.1 1.2 1.3 1.1 4.7 1.175
2 1 1 1 2 2 2 2 1.2 1.3 1.2 1.3 5.0 1.250
3 1 2 2 1 1 2 2 2.0 2.1 2.2 2.1 8.4 2.100
4 1 2 2 2 2 1 1 2.1 2.2 2.1 2.0 8.4 2.100
5 2 1 2 1 2 1 2 1.0 1.4 1.2 1.3 4.9 1.225
6 2 1 2 2 1 2 1 1.2 1.3 1.5 1.0 5.0 1.250
7 2 2 1 1 2 2 1 1.6 2.1 2.4 2.0 8.1 2.025
8 2 2 1 2 1 1 2 1.5 2.0 2.3 2.5 8.3 2.075
Totales 13.200
Considerando nicamente los promedios, tendremos un arreglo L8 con una lectura. El anlisis
en base a los promedios es:

=1.175+1.250+2.100+2.100= 6.625
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 = 1.175+1.250+1.225+1.250= 4.900
B2 = 2.100+2.100+2.025+2.075= 8.300
SSB = (B2 - B1 )2/8= (4.900-8.300) 2/8= 1.4450
Y as sucesivamente
SSC = 0.0028 , SSAxC= 0.0000, SSAxD= 0.0003

SSD = 0.0013 , SSe= 0.0028
La tabla ANOVA es:

A 0.0003 1 0.0003 0.11
B 1.4450 1 1.4450 513.75
C 0.0028 1 0.0028 1.00
AxC 0.0000 1 0.0000 0.00
AxD 0.0003 1 0.0003 0.11
D 0.0013 1 0.0013 0.44
e 0.0028 1 0.0028
Totales 1.4525 8
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
Y 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 = (21.7714+26.7071+28.2036+28.2036)/4= 26.2214
A2 = (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 SN promedio Y promedio

A1 26.22 1.6
A2 15.47 1.6
B1 20.38 1.2
B2 21.41 2.0
C1 20.71 1.6
C2 20.99 1.6
D1 20.31 1.6
D2 21.38 1.6
(AxC) 19.76 1.6
(AxC) 21.93 1.6
(AxD) 20.15 1.6
(AxD) 21.54 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 A 1. 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 AxC AxD 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
Estas columnas es el resultado de los experimentos:
FACTORES DE CONTROL COMB. FACTORES DE RUIDO

A B e C AxC AxD D H1_G1 H2_G1 H1_G2 H2_G2
1 1 1 1 1 1 1 1.1 1.2 1.3 1.1
1 1 1 2 2 2 2 1.2 1.3 1.2 1.3
1 2 2 1 1 2 2 2 2.1 2.2 2.1
1 2 2 2 2 1 1 2.1 2.2 2.1 2
2 1 2 1 2 1 2 1 1.4 1.2 1.3
2 1 2 2 1 2 1 1.2 1.3 1.5 1
2 2 1 1 2 2 1 1.6 2.1 2.4 2
2 2 1 2 1 1 2 1.5 2 2.3 2.5
3. Analizar el diseo con:
Con Minitab

Response data in H1_G1 H2_G1 H1_G2 H2_G2
Terms: A B C D
Options: Nominal is Best Seleccionar Use adjusted formula for nominal is best
OK
Pgina 42 de 47
La grfica de residuos estandarizados muestra un comportamiento normal:
Normal Probability Plot

(response is Means)
99
95
90
80
70
Percent
60
50
40
30
20
10
1
-3 -2 -1 0 1 2 3
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

Constant 20.8451 1.415 14.733 0.043
A 1 5.3764 1.415 3.800 0.164
B 1 -0.5674 1.415 -0.401 0.757
C 1 -0.1485 1.415 -0.105 0.933
D 1 -0.5367 1.415 -0.379 0.769
A*C 1 1 -1.0854 1.415 -0.767 0.583
A*D 1 1 -0.6972 1.415 -0.493 0.709
S = 4.002 R-Sq = 94.0% R-Sq(adj) = 57.8%
Analysis of Variance for SN ratios

A 1 231.241 231.241 231.241 14.44 0.164
B 1 2.575 2.575 2.575 0.16 0.757
C 1 0.176 0.176 0.176 0.01 0.933
D 1 2.305 2.305 2.305 0.14 0.769
A*C 1 9.425 9.425 9.425 0.59 0.583
A*D 1 3.888 3.888 3.888 0.24 0.709
Residual Error 1 16.014 16.014 16.014
Total 7 265.625
Pgina 43 de 47

Data Means
A B
25.0
22.5
20.0
Mean of SN ratios
17.5
15.0
1 2 1 2
C D
25.0
22.5
20.0
17.5
15.0
1 2 1 2
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 2
A
25
1
2
20 A
15
C
25
1
2
C 20
15
D
25
1
2
20 D
15
1 2 1 2
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

Constant 1.65000 0.01875 88.000 0.007
A 1 0.00625 0.01875 0.333 0.795
B 1 -0.42500 0.01875 -22.667 0.028
C 1 -0.01875 0.01875 -1.000 0.500
D 1 -0.01250 0.01875 -0.667 0.626
A*C 1 1 -0.00000 0.01875 -0.000 1.000
A*D 1 1 -0.00625 0.01875 -0.333 0.795
S = 0.05303 R-Sq = 99.8% R-Sq(adj) = 98.6%

A 1 0.00031 0.00031 0.00031 0.11 0.795
B 1 1.44500 1.44500 1.44500 513.78 0.028
C 1 0.00281 0.00281 0.00281 1.00 0.500
D 1 0.00125 0.00125 0.00125 0.44 0.626
A*C 1 0.00000 0.00000 0.00000 0.00 1.000
A*D 1 0.00031 0.00031 0.00031 0.11 0.795
Residual Error 1 0.00281 0.00281 0.00281
Total 7 1.45250

Data Means
A B
2.0
1.8
1.6
Mean of Means
1.4
1.2
1 2 1 2
C D
2.0
1.8
1.6
1.4
1.2
1 2 1 2
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 2
1.68
A
1
2
1.64
A
1.60
1.68
C
1
2
1.64
C
1.60
1.68
D
1
2
1.64
D
1.60
1 2 1 2
No parecen ser significativas las interacciones.

Nominal is best (10*Log10((Ybar**2 - s**2/n)/s**2))
Level A B C D
1 26.22 20.28 20.70 20.31
2 15.47 21.41 20.99 21.38
Delta 10.75 1.13 0.30 1.07
Rank 1 2 4 3
Level A B C D
1 1.656 1.225 1.631 1.638
2 1.644 2.075 1.669 1.663
Delta 0.012 0.850 0.038 0.025
Rank 4 1 2 3
Para predecir la respuesta con A = 1 y B = 1.5 se tiene:

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 Mean

23.1863 1.19375
Pgina 46 de 47
A B C D
1 1 1 1
Solo considerando A = 1, B = 2 se tiene:
Predicted values
S/N Ratio Mean

25.6541 1.23125
A B
1 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

Ejemplo Dise o Taguchi

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Ejemplo Dise o Taguchi

Cargado por

Copyright:

Formatos disponibles

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI P.

Reyes / febrero 2008

DISEO DE EXPERIMENTOS DE TAGUCHI

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

La metodologa de Taguchi consta de tres etapas:

a) Diseo del sistema

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

c) Identificar factores que no afectan substancialmente la caracterstica de calidad a fin de

La herramienta utilizada normalmente son diseos Factoriales fraccionados, sin embargo

Taguchi desarroll una serie de arreglos particulares que denomin:

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

Arreglos ortogonales para experimentos a dos niveles

1 , 2 = Niveles de los Factores (b)

No. de factores a analizar Arreglo a utilizar No. de condiciones a probar

Algunos arreglos ortogonales se muestran a continuacin:

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

Diseos mezclados de dos y tres niveles:

Diseos mezclados de dos y cuatro niveles:

Factor Descripcin Nivel I Nivel 2

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

Si no se asigna ningn factor, es de esperar que ah se manifieste la variacin natural. Los

Con Minitab se crea el arreglo con:

Los totales son por lo tanto:

A1= total de las lecturas que se tomaron con el factor A a su nivel 1

A2= total de las lecturas que se tomaron con el factor A a su nivel 2

D1= Total de las lecturas que se tomaron con el factor D a su nivel 1

D2= Total de las lecturas que se tomaron con el factor D a su nivel 2

Suma de los cuadrados del factor x= SS X= (Total nivel 2 Total nivel 1) 2/ n

As por ejemplo, para el factor A, tendremos que dado que n=8

Para el factor B se tiene

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

SSe= 0.00080+0.00045= 0.00125 con 2 g.1

3) Se construye una tabla ANOVA, sta es:

Efecto SS G.l. V Fexp

La columna V, se obtiene dividiendo el nmero bajo la columna SS, entre el nmero de la

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

Fexp de A= V(A) / V(error)= 0.03645/0.000625=58.32

4) Obtenemos las siguientes conclusiones:

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

Con 1 + 2 = 3 grados de libertad y (Ve)= (SSe)/3= 0.00205/3= 0.00068

Stat > DOE > Taguchi > Analyze Taguchi Design

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

Estimated Model Coefficients for SN ratios

Term Coef SE Coef T P

S = 0.8581 R-Sq = 96.6% R-Sq(adj) = 88.0%

Analysis of Variance for SN ratios

Source DF Seq SS Adj SS Adj MS F P

Main Effects Plot for SN ratios

Signal-to-noise: Smaller is better

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

Estimated Model Coefficients for Means

Term Coef SE Coef T P

S = 0.025 R-Sq = 98.0% R-Sq(adj) = 93.0%

Analysis of Variance for Means

Source DF Seq SS Adj SS Adj MS F P

Main Effects Plot for Means

Response Table for Signal to Noise Ratios

Response Table for Means

El resto de los promedio son: