Está en la página 1de 54

UNIDAD 1

1.1 Introduccin a la Ingeniera de Calidad


La Ingeniera de la Calidad est diseada para generar procesos de
calidad. Basado en los fines de la Ingeniera de la calidad, TAGUCHI desarroll
una aproximacin al diseo de experimentos con el objetivo de reducir los costos
emanados de la experimentacin, esta aproximacin es ms prctica que terica y
se interesa ms por la productividad y los costos de produccin que por las reglas
estadsticas.
Los conceptos de estas tcnicas estn basados en las relaciones de costos y
ahorros.
Existen algunos factores de ruido que afectan los procesos, y son aquellos que
causan que una caracterstica funcional se desve de un valor objetivo, estos son
causantes de variabilidad y prdida de calidad.
De acuerdo con TAGUCHI esta prdida de calidad constituye a largo plazo, una
prdida de tiempo y dinero tanto para el consumidor como para el fabricante.
Dentro de las actividades del control de la calidad, la Ingeniera de la calidad
consta de las actividades dirigidas a la reduccin de la variabilidad y de las
prdidas.

1.2 Experimento factorial general


Los resultados del ANOVA para dos factores pueden ser extendidos a un caso
general en donde a son los niveles del factor A, b son los niveles del factor B, c
son los factores del nivel C, y as sucesivamente, los cuales pueden ser arreglados
en un experimento factorial, en el cual el nmero de rplicas es n.
Est diseada para generar procesos de calidad. TAGUCHI desarroll una
aproximacin al diseo de experimentos con el objetivo de reducir los costos
emanados de la experimentacin, esta aproximacin es ms prctica que terica y
se interesa mas por la productividad y los costos de produccin que en las reglas
estadsticas. Los conceptos de estas tcnicas estn basados en las relaciones de
costos y ahorros.
Disear un sistema de manufactura para elaborar un producto requiere de
conocimientos tcnicos adems de una gran experiencia en el rea a la cual
pertenece el producto.
Los diseos factoriales son ampliamente utilizados en experimentos en los que
intervienen varios factores para estudiar el efecto conjunto de estos sobre una
respuesta. Existen varios casos especiales del diseo factorial general que
resultan importantes porque se usan ampliamente en el trabajo de investigacin, y
porque constituyen la base para otros diseos de gran valor prctico.
En los ltimos aos se ha observado un creciente inters por algunas de las ideas
del profesor Genechi Taguchi acerca del diseo experimental y su aplicacin al
mejoramiento de la calidad
El diseo factorial fraccionario 2 k-p se usa en experimentos de escrutinio para
identificar con rapidez y de manera eficiente el subconjunto de factores que son
activos, y para obtener alguna informacin sobre la interaccin. La propiedad de
proyeccin de estos diseos hace posible en muchos casos examinar los factores
activos con ms detalle. La combinacin secuencia de estos diseos a travs del
plegamiento es una forma muy eficaz de obtener informacin extra acerca de las
interacciones, la cual puede identificarse en un experimento inicial como
potencialmente importante.

1.2.1 Diseo Factorial General 2k

Los diseos factoriales son a ampliamente utilizados en experimentos en los que


intervienen varios factores para estudiar el efecto conjunto de estos sobre una
respuesta. Existen varios casos especiales del diseo factorial general que
resultan importantes porque . se usan ampliamente en el trabajo de investigacin,
y porque constituyen la base para otros diseos de gran valor prctico.
El ms importante de estos casos especiales ocurre cuando se tienen k factores,
cada uno con dos niveles. Estos niveles pueden ser cuantitativos como sera el
caso de dos valores de temperatura presin o tiempo. Tambin pueden ser
cualitativos como sera el caso de dos mquinas, dos operadores, los niveles
"superior" e "inferior" de un factor, o quizs, la ausencia o presencia de un
factor.
Una rplica completa de tal diseo requiere que se recopilen 2 x 2 x .... x 2 =
2k observaciones y se conoce como diseo general 2k.
El segundo caso especial es el de k factores con tres niveles cada uno, conocido
como diseo factorial 3k.
Se supone que:
a) los factores son fijos
b) los diseos son completamente aleatorios
c) se satisface la suposicin usual de normalidad
El diseo 2k es particularmente til en las primeras fases del trabajo
experimental, cuando es probable que haya muchos factores por investigar.
Conlleva el menor nmero de corridas con las cuales pueden estudiarse k factores
en un diseo factorial completo. Debido a que slo hay dos niveles para cada
factor, debe suponerse que la respuesta es aproximadamente lineal en el intervalo
de los niveles elegidos de los factores.

DISEO 22
El primer diseo de la serie 2k es aquel que tiene slo dos factores, A y B, cada
uno con dos niveles. Arbitrariamente, los niveles del factor pueden llamarse
"inferior" y "superior".

DISEO 23

Suponga que se encuentran en estudio tres factores A, B y C, cada uno con dos
niveles. Este diseo se conoce como diseo factorial, 23 y las ocho
combinaciones de tratamientos pueden representarse grficamente mediante un
cubo.
Existen en realidad tres notaciones distintas que se usan ampliamente para las
corridas o ejecuciones en el diseo 2k:

1. La primera es la notacin "+,-", llamada "geomtrica".


2. La segunda consiste en el uso de letras minsculas para identificar
las combinaciones de tratamientos.
3. En la tercera se utilizan los dgitos 1 y 0 para denotar los niveles alto y
bajo del factor, respectivamente.

1.3 Diseo Factorial General 3k


Este diseo es una variacin del diseo 2k y son muy tiles como las que se
emplean cuando todos los factores actan a tres niveles.
En los ltimos aos se ha observado un creciente inters por algunas de las ideas
del profesor Genechi Taguchi acerca del diseo experimental y su aplicacin al
mejoramiento de la calidad.
Este es un diseo que consta de k factores con tres niveles cada uno. Los
factores y las interacciones se representan mediante letras maysculas. Los tres
niveles de los factores pueden referirse como nivel inferior, intermedio y
superior. Estos niveles se representan mediante los dgitos 0 (nivel inferior), 1
(intermedio) y 2 (superior).
Cada combinacin de tratamientos de un diseo 3k se presenta mediante k
dgitos, donde el primero incida el nivel de A, el segundo seale al nivel de B,
..... y el k-simo dgito, el nivel del factor k.
Por ejemplo, es un diseo 32 el 00 representa la combinacin de tratamientos, en
la que tanto el factor A como el B estn en el nivel inferior, y el 01 representa la
combinacin de tratamientos que corresponde al factor A en el nivel inferior y a
B en el nivel intermedio.
En ste, el sistema de notacin que se prefiere usar es el de + - en virtud de que
facilita la interpretacin geomtrica del diseo y de que es directamente aplicable
al modelado por regresin, la formacin de bloques y la construccin de
factoriales fraccionarios.
La adicin de un tercer nivel permite modelar con una relacin cuadrtica la
relacin entre la respuesta y cada factor.
DISEO 32

El diseo ms simple es el 32 que consta de dos factores con tres niveles cada
uno.
Como hay 32 = 9 combinaciones de tratamientos, existen 8 grados de libertad
entre ellas, Los efectos principales A y B tienen dos grados de libertad cada uno,
y la interaccin AB tiene cuatro grados de libertad. Si hay n rplicas habr un
total de n32 - 1 grado de libertad, correspondiendo para el error 32 (n-1) grados de
libertad.
DISEO 33

Si se supone que se estn estudiando tres factores (A, B, C) y que cada factor
tiene tres niveles acomodados en un experimento factorial. Este es un diseo
33. Las 27 combinaciones tienen 26 grados de libertad.

FACTOR A
Bajo Medio Alto
0 1 2
Bajo 0 0 10 20
FACTOR B Medio 1 1 11 21
Alto 2 2 12 22

1.4 Diseo del proceso


Disear un sistema de manufactura para elaborar un producto requiere de
conocimientos tcnicos adems de una gran experiencia en el rea a la cual
pertenece el producto.
El Sr. TAGUCHI define la calidad de la siguiente manera.

"LA CALIDAD DE UN PRODUCTO ES LA PERDIDA MNIMA


IMPARTIDA POR EL PRODUCTO A LA SOCIEDAD, DESDE EL
MOMENTO EN QUE ES EMBARCADO."
El fabricante es quien ms resiente las prdidas debido a la reaccin negativa del
consumidor de un producto de mala calidad.
EXPERIMENTOS FACTORIALES

Muchos experimentos requieren el estudio de los efectos de 2 ms factores. En


general, los experimentos factoriales son los ms eficientes para este tipo de
anlisis. En un experimento factorial se miden en cada etapa completa o replica
del experimento, todas las posibles combinaciones de los niveles de los factores.
Cuando los factores son arreglados en un experimento factorial, se dice
frecuentemente que son cruzados. El efecto de un factor se define como el
cambio en la respuesta producido por un cambio en el nivel del factor. Esto
frecuentemente se llama un efecto principal por que se refiere a los factores
primarios de inters en el experimento.
Por ejemplo, considere los datos que se representan en la siguiente tabla:

Factor A

El efecto principal del factor de A podra ser calculado como la diferencia entre
la respuesta promedio del primer nivel de A y el promedio de la respuesta en el
segundo nivel de A; esto es:
A = 40 + 52/2 - 20 + 30/2 = 21

Este valor se interpreta como el incremento del factor A del nivel 1 al nivel 2
causa en promedio una repuesta incrementar de 21 unidades. De la misma
manera, el efecto principal de B. Se calcula a continuacin:

B = 30 + 52/2 - 20 + 40/2 = 11

En algunos experimentos, se encuentra que la diferencia en la respuesta, entre los


niveles de un factor no es la misma en todos los niveles de los otros factores;
cuando esto ocurre es porque existe una interaccin entre los factores.
Por ejemplo usando los datos de la tabla siguiente, calcule el efecto de A en el
1er nivel del factor B el cual se realiza de la siguiente manera:
A = 50-20 =30
Y el efecto de A en el segundo nivel del factor B es:
A= 12-40 = -28
Dado que el efecto de A depende del nivel seleccionado del factor B, se ve que
hay una interaccin entre A y B

Experimento Factorial con Interaccin


FACTOR B
B1 B2
FACTOR A1 20 40
A
A2 50 12

Grficamente se puede representar, tanto la interaccin como su ausencia;


utilizando los datos de las tablas anteriores, se construirn dos grficas para
analizar los conceptos analizados.

Experimento Factorial sin interaccin

Experimento Factorial con interaccin

Las pruebas de hiptesis se contribuyen y se aprueban de la siguiente manera:


Para efecto del factor A:

Ho: (i = 0
Hi: (i = 0 al menos para una i

Fo = MSA
MSAB F(, (a-1), (a-1) (b-1)

Para el efecto del factor B:

Ho: (2( = 0
Hi (2( ( 0 al menos para una (
Fo = MSB
MSE F(, (b- l), ab (n-1)

Para el efecto de la interaccin:

Ho: (2(( = 0
Hi: (2(( = 0
Fo = MSAB
MSE F( , (a-1) (b-1), ab (n-1)

1.5 Diseo de experimentos factorial fraccionado


El nmero de factores en un diseo factorial 2k 3k incremento el nmero de
corridas requeridas para realizar todas las combinaciones posibles de los niveles
de los factores, lo cual consume rpidamente los recursos disponibles por los
investigadores para realizar los experimentos.
Una replica completa de un diseo 26 requiere de 64 corridas para analizar todas
las combinaciones posibles de los tratamientos; en este diseo slo 6 de los 63
grados de libertad corresponden a los efectos principales, slo 15 grados de
libertad corresponden a las interacciones de dos factores. Los restantes 42 grados
de libertad estn asociados con las interaccines de 3 factores ms. En la serie
3k la situacin es peor, por ejemplo, el factorial 36 requiere 243 corridas, y slo
12 de los 242 grados de libertad corresponden a los efectos principales.
Estos diseos factoriales fraccionados son ampliamente usados en la
investigacin industrial. Un uso importante del factorial fraccionado es en los
experimentos de investigacin, los cuales son generalmente realizados en las
etapas iniciales de un proyecto, y la mayora de los factores inicialmente
considerados frecuentemente tienen poco o ningn efecto en la respuesta de la
variable analizada. Los factores que son identificados como importantes son
entonces investigados ms profundamente en experimentos subsiguientes.

1.5.1 Diseo Factorial Fraccionado 2k-p

Un diseo factorial fraccionario 2k que contiene 2k-p ensayos se conoce como


fraccin 1/2p del diseo factorial 2k, o simplemente diseo factorial fraccionario
2k-p. Estos diseos requieren que se elijan p generadores independientes.
La relacin que define estos diseos consta de las p generadoras originalmente
elegidas y de sus 2P - P - 1 interacciones generalizadas. La estructura de los alias
puede determinarse multiplicando cada efecto, mdulo 2, por la relacin que
define al diseo. Se debe tener cuidado al elegir las generadoras para que los
efectos de inters potencial no sean alias entre s. Cada efecto tiene 2P-1 alias.
Por lo regular, se suponen despreciables las interacciones de orden superior (las
de tercero, cuarto o mayor orden) cuando los valores de k son moderadamente
grandes. Esto simplifica mucho la estructura de los alias.

1.6 Diseo Factorial Fraccionado 3k-p


A menudo se desea un fraccionamiento mayor del diseo 3k para valores de
moderados a grandes de k. En general, puede construirse una fraccin (1/3) P de
un diseo 3k para p < k, donde la fraccin 3k-2 es la fraccion (1/9), el 3k-3 consiste
en seleccionar p componentes de interaccin, y usar estos efectos para
descomponer las 3 k combinaciones de tratamientos de 3p bloques. Cada bloque
constituye ahora un diseo factorial fraccionario 3k-p.
La relacin 1 define cualquier fraccin, consta de los p efectos elegidos
inicialmente y de sus (3p-2p-1) / 2 interacciones generalizadas. Los alias de
cualquier efecto principal o componente de interaccin se determinan
multiplicando el efecto por 1 e 12 mdulo 3.

Ejemplo:
LA SALIDA MXIMA DE VOLTAJE DE UN TIPO PARTICULAR DE
BATERIA, SE PIENSA QUE PUEDE SER INFLUENCIADO POR EL
MATERIAL USADO EN LOS PLATOS Y POR LA TEMPERATURA EN LA
LOCALIZACION EN LA CUAL LA BATERA ES COLOCADA. SE HACEN
CUATRO REPLICAS EN EL EXPERIMENTO EN UN EXPERIMENTO
FACTORIAL, PARA TRES TIPOS DE TEMPERATURA Y TRES
MATERIALES. LOS RESULTADOS SON:

FACTOR (B)
TEMPERATURA
1 130 155 30 40 20 70 998
74 180 80 75 82 58
2 150 188 136 122 25 70 1300
FACTOR (A) 159 126 106 115 58 45
MATERIAL
3 138 110 174 120 96 104 1501
168 160 150 139 82 60
1738 1291 770 3799

PRIMERO SE HACE LA SUMA DE LOS CUADRADOS DE TODAS LAS


MUESTRAS, MENOS LA SUMA DEL TOTAL DE RENGLONES Y
COLUMNAS, ENTRE LA MULTIPLICACION DE RENGLONES DE
COLUMNAS * # DE MUESTRAS

n=4 A=3 B=3


DESPUES SE HACE LA SUMA DE LOS TOTALES AL CUADRADO DEL
FACTOR, A:

AHORA SE HACE LA SUMA DE LOS TOTALES AL CUADRADO DEL


FACTOR, B:
AHORA SUMAMOS LAS CUATRO MUESTRAS DE CADA
COMBINACION Y LAS EVALUAMOS IGUAL. ESO ES LA SUMA DE
CUADRADOS DE LA INTERSECCION AB EJEMPLO: 130+155+74+180
=539

POR ULTIMO LA SUMATORIA DE LOS CUADRADOS DE LOS ERRORES

SE DEBEN SACAR LOS CUADRADOS MEDIOS DE LOS DOS FACTORES


AS COMO DE LA INTERACCION Y ERRORES DE LA SIGUIENTE
MANERA:
QUEDANDO LA TABLA ANOVA DE LA SIGUIENTE MANERA:

FUENTES DE SUMA DE GRADOS DE


CUAD.MEDIOS FO
VARIACION CUADRADOS LIBERTAD
7.91 >
TIPO DE MAT. 10683.72 2 5341.86
3.35
28.97
TEMPERATURA 39118.72 2 19559.36
> 3.35
3.56 >
ITERACCION 9613.77 4 2403.44
2.73
ERROR 18230.75 27 675.21
TOTAL 77646.96 35

LA GRFICA DEL TIPO DE MATERIAL - TEMPERATURA ES LA


SIGUIENTE:

EL MATERIAL TIPO 2 SE COMPORTA MS ESTABLE. DA MEJOR


VOLTAJE A LAS DIFERENTES TEMPERATURAS.

TABLA ANOVA PARA 2 FACTORES


MODELO DE EFECTOS FIJOS
FUENTE DE SUMA DE GRADOS DE CUADRADOS
FO
VARIACION CUADRADOS LIBERTAD MEDIOS
A SSA a-1 MSA MSA/MSE
B SSB b-1 MSB MSB/MSE
INTERACCION SSAB (a-1) 8b-1) MSAB MSAB/MSE
ERROR SSE ab (n-1) MSE
TOTAL SST abn-1

CONCLUSIONES:
1. LOS DATOS REFLEJAN EVIDENCIAS SUFICIENTES QUE EL TIPO
DE MATERIAL SE AFECTA AL VOLTAJE DE SALIDA,
CONSIDERADO AL NIVEL DE SIGNIFICANCIA DEL 5%
2. LOS DATOS PRESENTAN EVIDENCIAS SUFICIENTES QUE LAS
TEMPERATURAS USADA -5 EN EL EXPERIMENTOS Si AFECTAN
AL VOLTAJE DE SALIDA, CONSIDERANDO UN NIVEL DE
SIGNIFICANCIA DEL 5%
3. LOS DATOS DEMUESTRAN EVIDENCIAS SUFICIENTES OVE EL
TIPO DE MATERIAL USADO Y LAS TEMPERATURAS
CONSIDERADAS EN EL EXPERIMENTO TIENEN EFECTO
CONJUNTO SOBRE EL VOLTAJE DE SALIDA CONSIDERADO k
UN NIVEL DE SIGNIFICANCIA DEL 5%

UNIDAD 2
2.1 Variabilidad funcional y problemas de calidad
El problema con las fuentes naturales de energa es su variabilidad. El mismo
problema ocurre a un mayor o menor grado en los productos y servicios
proporcionados por el hombre. Las mquinas se estropean, fallas de poder
elctrico, los trenes llegan tarde, goteras de los tejados. Las razones
especificadas estn puestas para prevenir muchos de estos problemas.
Empezaremos considerando la prdida causada por la variabilidad.
Nos enfocaremos en la variabilidad del producto, las mismas consideraciones se
aplican a la variabilidad en servicios.
Determinando la calidad subjetiva del valor de mercadeo y producto planeando el
problema de vital importancia para una compaa, pero no es un problema de
ingeniera. Es un problema de clasificacin humana, un problema del tamao del
segmento en segmentacin del mercado. Esto es porque el autor se opone a tratar
las cuestiones de calidad como preguntas de valor.
Otro problema es el significado de prdida. En el contexto de la definicin de
calidad, la prdida debe restringirse en dos categoras:

1. Prdida causada por la variabilidad de la funcin.


2. Prdida causada por defectos de tipos dainos.

Un artculo con buena calidad realiza sus funciones intencionales sin


variabilidad, y causa pequeas prdidas a travs de los defectos de tipo dainos,
incluso el costo de usarlo. Si el control de costo se preocupa por reducir las
diferentes prdidas antes de que el producto sea enviado, el control de calidad se
preocupa por reducir los dos tipos de prdidas que puede causar a la sociedad
despus de que se enva.

El control de calidad no es, sin embargo, interesado en reducir la prdida del


producto que puede infligir en la sociedad a travs de sus funciones intrnsecas.

La pregunta sobre las funciones de la sociedad sobre los productos que deberan
permitir tener, es un problema cultural ilegal, no un problema de la ingeniera.

Si nosotros empezamos a discutir problemas de utilidad y valor, nosotros


estamos fuera del reino de la ingeniera y en el reino de los valores culturales.

Los ingenieros son libres para debatir estos problemas como individuos, pero
ellos deben reconocer que estn tratando con preguntas sociales que estn fuera
del alcance del control de calidad.
Si el control de calidad no se restringe a los problemas prdida causados por
variabilidad de funcin y efectos del tipo dainos no relacionados, se resbalar
fuera del dominio de la ingeniera en el dominio psicolgico de valores
culturales.
Si nosotros nos enfocamos en la industria , encontramos que sus actividades
entran en seis fases.

1. Planeacin de productos (que incluye estimando la demanda para una


funcin dada a un precio dado y poniendo la vida del plan).
2. Diseo del producto (diseando el producto para tener las funciones que
decidieron posteriormente en la fase de la planificacin).
3. Diseo del proceso de produccin.
4. Produccin.
5. Mercadotecnia (incluyen la informacin del mercado sobre la existencia
del nuevo producto).
6. Ventas.

2.2 Ingeniera de calidad en el diseo del producto


Podemos reducir el tiempo de desarrollo de un producto a un tercio del
actual
Como reducir el tiempo de ciclo de desarrollo de productos es un gran reto para
la mayora de las empresas de todos los sectores, sobre todo teniendo en cuenta el
hecho de que los productos se fabrican en series cada vez ms cortas, en variedad
creciente y con ciclos de vida ms cortos.
Cmo podemos disminuir el tiempo de desarrollo y, al mismo tiempo,
proporcionar una gran variedad de productos, manteniendo la competitividad?.
Existen otros mtodos para reducir el ,ciclo de desarrollo de productos para que
podamos cumplir nuestros objetivos competitivos?. Este artculo es un resumen
de los enfoques ms recientes y avanzados desarrollados por el Dr. Taguchi:

El Desarrollo de Tecnologa utilizando la relacin seal - ruido para


caractersticas dinmicas.

2. QUE ES EL DESARROLLO DE TECNOLOGIA?

Lo que el Dr. Taguchi quiere decir por desarrollo de tecnologa es lo siguiente:

El desarrollo de tecnologa es realizar una investigacin, tras completar el diseo


de un sistema, para optimizar la robustez de la funcin bsica de una familia de
productos. La investigacin es realizada en un laboratorio, a pequea escala,
antes de la planificacin del producto concreto, y su robustez puede ser evaluada
mediante el uso de la relacin seal - ruido de tipo dinmico, de forma que la
informacin pueda ser utilizada en el diseo de un grupo de futuros productos.

3. POR QU EL CICLO DEL DESARROLLO DE TECNOLOGA


TARDA TANTO TIEMPO?

Existen varias razones por las cuales la duracin del desarrollo de tecnologa es
demasiado larga. Para empezar, el diseo de un nuevo producto empieza despus
de recoger la informacin del mercado en cuanto a los gustos o disgustos de los
clientes. La mejora de calidad empieza cuando el producto est en manos de los
consumidores. En este momento es demasiado tarde para empezar un nuevo
diseo, y se tarda demasiado tiempo en conseguirlo. En segundo trmino, los
esfuerzos por mejorar la calidad se realizan cada vez que se disea un nuevo
producto. En tercer trmino, el diseo de un producto se concentra inicialmente
en cmo "dar en el blanco" sin ,,contemplar la robustez o la reproductibilidad
de la funcin de todos los problemas anteriores que pueden ser minimizados
utilizando el enfoque del desarrollo de tecnologa.

4. CUATRO NIVELES DE CALIDAD.

Por supuesto, la calidad debe estar relacionada con las necesidades y las
expectativas del cliente.
Sin embargo, para que la investigacin y el desarrollo sean efectivos, la
calidad debe ser expresada en trminos compatibles con los objetivos de
ingeniera del desarrollo. Podemos identificar cuatro niveles de calidad.
1. La calidad del cliente.
2. La calidad especificada.
3 .La calidad robusta.
4. La calidad funcional.

1. LA CALIDAD DEL CLIENTE Y LA CALIDAD ESPECIFICADA


La calidad del cliente es la calidad expresada por el cliente, en su propio
lenguaje, tal como aspecto o "facilidad de conducir de un coche. El trmino Voz
del Cliente" se usa frecuentemente para describir este nivel de calidad. Para
satisfacer las necesidades de nuestros clientes, los ingenieros intentan a menudo
convertir la Voz del Cliente en caractersticas especficas de calidad, es decir, la
calidad especificada, tales como "piel de naranja", "espesor de la pintura", o
"ndice de facilidad de conducir", dado por el experto de la prueba de
conduccin. La calidad especificada se refiere a las especificaciones de los
diseos de ingeniera. Son caractersticas de calidad, que constituyen objetivos
para los ingenieros. Estas son las caractersticas a partir de las cuales se
desarrollan los productos. Las siguientes caractersticas de calidad son
frecuentemente usadas para el anlisis de muestras:

Pasa / no pasa
Fraccin defectuosa
Nmero de defectos
Produccin
Exactitud de una funcin
Facilidad para abrir la puerta de un coche Apariencia
La calidad en PPM

2. LA CALIDAD FUNCIONAL

Todos los productos tienen una funcin especfica. La calidad funcional es la


calidad de conseguir la funcin pretendida de un producto. La funcin del
producto existe antes que la voz del cliente. Es imprescindible que la funcin del
producto sea optimizada antes de emitir los planos de ingeniera.

DESARROLLO DE LA TECNOLOGIA
Nuestro procedimiento ptimo puede ser resumido de la siguiente forma:
Maximizar la sensibilidad
Maximizar la linealidad
Minimizar la variabilidad

2.3 Funcin de prdida


El control de calidad ha tenido como objetivo controlar la variacin funcional y
los problemas relacionados con esto.

El objetivo de la funcin prdida es evaluar cuantitativamente la prdida de


calidad debido a variaciones funcionales.

El doctor Taguchi ha descubierto que la representacin cuadrtica de la funcin


de prdida, es una forma eficiente y efectiva para establecer la prdida debido a
la desviacin de una caracterstica de calidad del valor meta; esto es la prdida
debida a la mala calidad.

Es importante recordar que:

1. Conformarse con los lmites de especificacin es un indicador inadecuado de


la calidad o prdida debida a la mala calidad.
2. La prdida de calidad es causada por la insatisfaccin del consumidor.
3. La prdida de calidad puede relacionarse con las caractersticas del producto.
4. La prdida de calidad es una prdida financiera.
5. La funcin de prdida es una herramienta excelente para evaluar la prdida en
la etapa inicial del desarrollo del producto.

2.3.1 Indice CPM o indice TAGUCHI

Es de todos conocidos el ndice de capacidad potencial (Cp) y el ndice de


capacidad real (Cpk) para los cuales lo ms importante es reducir la variabilidad
y cumplir con las especificaciones. Sin embargo el Cpm est orientado a reducir
la variabilidad alrededor del valor nominal, no solo estar orientada a cumplir con
las especificaciones. El Cpm mide mejor que el Cpk el centrado del proceso y la
variabilidad.

Cuando el ndice Cpm es mayor a uno, entonces eso quiere decir que el proceso
cumple con las especificaciones, y en particular que la media del proceso est
dentro de la tercera parte media de la banda de las especificaciones. Si el Cpm es
mayor que 1.33 entonces la media del proceso estar dentro de la quinta parte
media del rango de especificaciones.

Si la estimacin del Cpm se hace con base en una muestra aleatoria del proceso,
el Cpm encontrado podr ser menor o mayor que el verdadero valor.

2.3.2 Funcin de Prdida para una Caracterstica


La funcin de prdida que el doctor Taguchi usa es una aproximacin de una
expansin de la serie de Taylor alrededor de un valor meta "m".

La funcin de prdida de calidad se expresa con la ecuacin siguiente:

L(y) = K(y-m)2

En donde:
L(y)= prdida en dinero por unidad de producto cuando las caractersticas de
calidad son igual
a 41 y 55 y = valor de la caracterstica de calidad, esto es, longitud, anchura, etc.,

m = valor nominal de "y"


k = constante de proporcionalidad.

2.4 La razn de seal a ruido


Los factores que causan que una caracterstica funcional, como por ejemplo, la
eficiencia del combustible, los cambios de presin, la maniobrabilidad, etc., se
desve de su valor objetivo, se llaman factores de ruido. Los factores de ruido
causan variacin y prdida de calidad. Durante su larga experiencia, el Dr.
Taguchi ha observado que sta prdida de calidad, en trminos de tiempo y
dinero, tanto a los consumidores como a los fabricantes, y en ltimo trmino a la
sociedad.
En la siguiente grfica se muestra los diferentes tipos de ruido que desvan la
caracterstica de su valor objetivo.
Taguchi llama a los factores incontrolables factores de ruido. Ruido es cualquier
cosa que causa a una caracterstica de la calidad desviarse de su objetivo, el cual
subsecuentemente causa una prdida de calidad. La temperatura, altura, y nivel
de combustible, son considerados factores externos de ruido porque ocurren fuera
del producto. Otros dos tipos de factores que existen son: los internos (ej.: partes
criticas de la maquinaria se deterioran y los factores producto a producto cuando
por ejemplo la variabilidad pieza a pieza en los componentes fabricados del
carro).
Mucha gente cree que las interacciones no son consideradas en los Mtodos
Taguchi; sin embargo, esto no es cierto. De hecho, el Dr. Taguchi considera las
interacciones como uno de los puntos ms importantes de su enfoque. La
proporcin seal - ruido es un ndice de robustidad de calidad, y muestra la
magnitud de la interaccin entre factores de control y factores de ruido. Los
factores de control y ruido deben ser asignados en diferentes grupos para el
estudio de la robustidad, el cual es significativamente diferente del enfoque
tradicional, donde no hay distinciones entre los factores de ruido y control.
Una diferencia clave de los Mtodos Taguchi es el nfasis en medir las cosas
correctas para recoleccin de informacin. En lugar de medir sntomas causados
por la variabilidad de la funcin, como la tasa de defectos o fallas, medimos una
respuesta relacionada con la energa. Cualquier sistema usa energa de
transformacin para cumplir una funcin deseada. Reducir la variabilidad de las
transformaciones de energa minimizar o eliminar los sntomas.
Cuando tenemos ruido, nos lleva a crear un producto o proceso robusto que es
aquel que es menos sensible al ruido.

2.4.1 Como Medir la Robustidad

a) Tcnicamente

Diseo robusto es un proceso para optimizar. Una tcnica para auxiliarlo es la


proporcin seal/ruido, la cual proporciona una medida de como acercar el
diseo al ptimo funcionamiento de un producto o proceso. Ha sido utilizado en
la industria de comunicaciones para comparar una seal en lnea (la salida
deseada) con los ruidos de la misma (las salidas indeseadas). Este concepto fue
aplicado por el Dr. Taguchi en los 50's a otros sistemas, ya sean mecnicos,
elctricos, electromecnicos, qumicos y muchos ms.

Variabilidad en un producto/proceso es enemiga de la calidad. El Dr. Taguchi


relaciona esta desviacin del ideal a un concepto llamado ruido. Ruido, visto
simplemente, es variabilidad. Adems, los factores que causan variaciones se
denominan como "Factores de Ruido." Por definicin, los factores de ruido no
estn controlados desde un punto de vista econmico o de costo.

b) Econmicamente

La Funcin de Prdida de Calidad es el standard por el cual los factores


relacionados con el diseo de calidad son estudiados y medidos. Esta nocin
difiere del concepto convencional de calidad. En lugar de definir la calidad como
un atributo positivo de un producto, es definida como la prdida financiera o el
costo causado a la sociedad por la variacin indeseada del precio del
producto. Esto incluye costos tales como garanta, rentabilidad y prdida de la
confianza del cliente. La consecuencia importante de este concepto es que trae
las opciones de ingeniera dentro del campo de la economa, algo en lo que los
cientficos e ingenieros frecuentemente tienen dificultades. Otro resultado
importante de la funcin de prdida de la calidad es que el diseo del producto
ms lejano vara del valor objetivo, el mximo costo, el cual implica que sea una
funcin continua. Esto puede servir como un lenguaje muy poderoso que
permite a los expertos en equipos multidisciplinarios de desarrollo de productos
comunicarse ms fcilmente. Esto se debe a que todas las elecciones ingenieriles
tienen en comn el dinero. del ndice Cpm; por lo que es riesgoso calificar al
proceso con base a la estimacin puntual proporcionada por la muestra, y es
mejor hacer una estimacin por el intervalo de manera similar para Cp y Cpk.

2.4.2 Funcin de Prdida para una Caracterstica

La funcin de prdida que el doctor Taguchi usa es una aproximacin de una


expansin de la serie de Taylor alrededor de un valor meta "m".

La funcin de prdida de calidad se expresa con la ecuacin siguiente:

L(y) = K(y-m)2

En donde:
L(y)= prdida en dinero por unidad de producto cuando las caractersticas de
calidad son igual
a 41 y 55 y = valor de la caracterstica de calidad, esto es, longitud, anchura, etc.,

m = valor nominal de "y"


k = constante de proporcionalidad.
2.5 Control de Calidad fuera de la lnea y sobre la lnea.
Ingeniera de la calidad en lnea: Calidad en el rea de fabricacin, se encarga del
control y la correccin de procesos as como del mantenimiento preventivo.

- Produccin actual del producto.


- Servicio al consumidor.

Ingeniera de la calidad fuera de lnea: Se encarga de la optimizacin del diseo


de productos y de procesos. Una de sus herramientas es el diseo de
experimentos.

- Diseo del producto: Investigacin y desarrollo de un prototipo.


- Diseo del proceso: Diseo de un proceso de produccin para
manufacturar el producto.

El profesor Taguchi propone una filosofa de la ingeniera de calidad fuera de


lnea que es ampliamente aplicable. El considera tres etapas en el desarrollo
de un producto o proceso: diseo del sistema, diseo de parmetros y diseo de
tolerancias.

1. En el diseo del sistema, el ingeniero utiliza principios cientficos y de


ingeniera para determinar la configuracin bsica.
2. El diseo de parmetros, determina los valores especficos para los
parmetros del sistema.
3. El diseo de tolerancias se utiliza con objeto de determinar las mejores
tolerancias para los parmetros.

DISEO DE SISTEMAS.

Es la etapa primaria de desarrollo en la cual la arquitectura bsica de un producto


o proceso es determinado. Durante el diseo de sistema, el ingeniero diseador
aplica su conocimiento y experiencia en el rea de especializacin para crear un
producto o proceso con capacidades distintivas que ms tarde servirn como
puntos de venta. El diseador del sistema usa su experiencia en el diseo de
sistemas similares para generar un nuevo sistema que sea superior de alguna
forma a los diseos previos.

DISEO DE PARAMETROS.

Durante el diseo de parmetro, el diseo o proceso ingenieril busca optimizar el


diseo de sistema a travs de la rxperimentacin para minimizar la variacin del
rendimiento, al enfrentarse al usuario incontrolable y a factores ambientales.
Taguchi comienza por identificar esas caractersticas de calidad que ms afecta al
rendimiento del sistema, especficamente si afecta al cliente.

Por ejemplo, una caracterstica de calidad para un coche podra ser que siempre
arranque fcil y rpidamente, sin importar cules son las condiciones externas.

Durante el diseo de parmetro, el ingeniero selecciona las caractersticas de


calidad ms adecuadas para la experimentacin y busca todos los factores que
tienen un efecto en l. Entonces, separa los factores que puede controlar de los
que no tiene control.

En el caso del automvil los factores sobre los que no tiene control podran ser la
temperatura exterior, los niveles de humedad, el rango de altitud en el cual el
coche va a ser operado durante su uso, etc. La compaa del automvil no puede
decirle a su cliente que no debera operar su vehculo cuando la temperatura esta
bajo cero o arriba de cierto punto. Entonces el objetivo del ingeniero es hacer el
auto resistente a estos factores incontrolables, o como dira Taguchi, "robustidad
contra ruido"

2.5.1 Diseo de Tolerancia

Durante el diseo de tolerancia, el ingeniero especificar sistemticamente


cunto tendrn que aumentar los niveles de funcionamientos de ciertos factores
para completar los requerimientos para la caracterstica de la calidad. En el
diseo de tolerancia, el ingeniero determina el porcentaje que cada uno de los
ruidos contribuye para alcanzar el funcionamiento requerido por la caracterstica
de calidad. Con l puede decidir cunto debe reducir los limites de tolerancia de
cada factor para alcanzar su objetivo. El limitar las tolerancias de los factores
casi siempre tiene que ver con actualizar con partes o componentes de alto costo.

OBJETIVO

Adquirir conocimientos que permitan aplicar el diseo de experimentos para


mejorar la calidad de procesos y productos, reduciendo la variabilidad de los
mismos.

ANTECEDENTES

El diseo de experimentos (DDE) ha llegado a ser una de las ms populares


tcnicas estadsticas de los 90's. En 1920, el cientfico britnico Ris R.A. Fisher,
lo cre como un mtodo para maximizar el conocimiento obtenido de datos
experimentales y ha ido evolucionando durante los ltimos 70 aos.
Desafortunadamente, la mayor parte del desarrollo del DDE fue
matemticamente complejo y es por eso que su uso se ha restringido a aquellos
bien versados en matemticas. La reciente popularidad alcanzado por el DDE
est asociada con los trabajos de Taguchi, un ingeniero japons que se enfoc en
el uso prctico, en lugar de perfeccionar la tcnica matemtica. En corto tiempo,
el trabajo de Taguchi comenz a revolucionar la presentacin del material de
DDE de la teora matemtica que fue casi ignorada, para alcanzar la claridad y
practivalidad de ste. Es as como cientficos, ingenieros, tcnicos y
administradores que no son expertos en matemticas son ahora los mayores
practicantes del diseo experimental. Sin embargo, un escrutinio cercano al
mtodo de Taguchi revel limitantes, lo cual ha conducido a la ms reciente
evolucin del DDE:
Un acercamiento que consiste en una mezcla de las tcnicas de Taguchi y
las tcnicas clsicas. Para entender el DDE, considere un rea especfica de la
ciencia, ingeniera, fsica, etc., como un proceso o actividades de la
naturaleza.

Un conocimiento completo o perfecto de cualquier aspecto de la naturaleza es


solamente conocido por ella, mientras que cientficos, ingenieros, etc.,
tpicamente tienen un subconjunto de este conocimiento.

CONOCIMIENTO PERFECTO POR PARTE DE LA NATURALEZA


El vaco entre el nivel actual de conocimientos por parte de la gente y el
conocimiento perfecto por parte de la naturaleza, tiende a ampliarse a medida
que la industria busca entender procesos ms complejos.
La forma tpica de disminuir el vaco por parte de los cientficos, ingenieros, o
fsicos es dedicar muchos aos a la investigacin, tratando de adquirir un
conocimiento terico.
El DDE, por otra parte, nos permite disminuir rpidamente este vaco a travs
del uso adecuado de planeacin de diseo, recoleccin de datos, anlisis y
confirmacin.

3.1 Arreglos ortogonales


Esta experimentacin busca encontrar cul es el mejor material, la mejor presin, la mejor
temperatura, la mejor formulacin qumica, o el tiempo de ciclo ms apto, etc. Todo con el
propsito de lograr la longitud, la amplitud, o la durabilidad que se desea, tomando el costo
que implica.

QU ES EL ARREGLO ORTOGONAL?

El arreglo ortogonal es una herramienta ingenieril que simplifica y en algunos casos


elimina gran parte de los esfuerzos de diseo estadstico. Es una forma de examinar
simultneamente muchos factores a bajo costo. El Dr. Taguchi recomienda el uso de
arreglos ortogonales para hacer matrices que contengan los controles y los factores de ruido
en el diseo de experimentos. Ha simplificado
el uso de este tipo de diseo al incorporar los arreglos ortogonales y las grficas lineales,
finalmente, en contraste con los enfoques tradicionales como
equivalentes de ruido: mientras las interacciones sean relativamente suaves, el analista de
los efectos principales nos proporcionar las condiciones ptimas y una buena
reproductibilidad en un experimento.
Los arreglos ortogonales son herramientas que permiten al ingeniero evaluar qu
tan robustos son los diseos del proceso y del producto con respecto a los
factores de ruido.

RESUMEN

El mtodo del Dr. Taguchi para el diseo de experimentos utiliza tcnicas que implican
bajos costos y que son aplicables a los problemas y requerimientos de la industria moderna.
El propsito que se tiene en el diseo del producto es encontrar aquella combinacin de
factores que nos proporcione el desempeo ms estable y confiable al precio de
manufactura ms bajo.

DR. GENICHI TAGUCHI


El sistema de ingeniera de calidad del Dr. Genichi Taguchi, es uno de los ms grandes
logros en ingeniera del siglo XX. El trabajo de la filosofa del Dr. Taguchi comenz a
formarse en los inicios de la dcada de los 50's cuando fue reclutado para ayudar a mejorar
el sistema telefnico japons que haba sido diseado para la Segunda Guerra Mundial.
Taguchi emple experimentos de diseo usando especialmente una tabla conocida como
"arreglos ortogonales" para tratar los procesos de diseo. Los arreglos ortogonales son un
conjunto especial de cuadros en latn, construidos por Taguchi para planear los
experimentos del diseo del producto.
El anlisis del arreglo ortogonal de Taguchi es usado para producir los mejores parmetros
para el diseo ptimo del proceso, con el mnimo nmero de experimentos (pruebas). Los
resultados obtenidos para los arreglos ortogonales son analizados para obtener los
siguientes objetivos:

A) Estimar la contribucin de los factores individuales que influyen en la calidad en la


etapa del diseo del producto.
B) Ganar la mejor condicin para un proceso o un producto, as que las caractersticas en
una buena calidad puedan ser sostenidas.

ARREGLOS ORTOGONALES Y SU VENTAJA

La ventaja del los arreglos ortogonales es que pueden ser aplicados al diseo experimental
involucrando un gran nmero de factores.

DESVENTAJAS

La desventaja del arreglo ortogonal es que puede ser nicamente aplicado en la etapa
inicial del diseo del sistema del producto o proceso. Un arreglo ortogonal permite asegurar
que el efecto de "B" en "A1" es el mismo efecto de "B" en "A2". As se podr estar seguro
de que se est haciendo
comparaciones entre efectos de niveles de un factor.

ARREGLO ORTOGONAL QUE REPRESENTA La(b)C DONDE:


L = Indica que es un arreglo ortogonal
a = Nmero de corridas experimentales
b = Nmero de niveles para cada factor
c = Nmero de columnas o factores de un arreglo ortogonal.

ARREGLO ORTOGONAL L8(2)7


1 2 3 4 5 6 7

Na A B C D E F G RESULTADOS

1 1 1 1 1 1 1 1 Y1 NIVEL 1

2 1 1 1 2 2 2 2 Y2 NIVEL 1

3 1 2 2 1 1 2 2 Y3 NIVEL 1

4 1 2 2 2 2 1 1 Y4 NIVEL 1

5 2 1 2 1 2 1 2 Y5 NIVEL 2

6 2 1 2 2 1 2 1 Y6 NIVEL 2

7 2 2 1 1 2 2 1 Y7 NIVEL 2

8 2 2 1 2 1 1 2 Y8 NIVEL 2

ARREGLOS ORTOGONALES 2n

No\Col 1 2 3

1 1 1 1

2 1 2 2

3 2 1 2

4 2 2 1

Grupo 1 Grupo 2 Grupo 2

Grfica lineal para L4


GLOS ORTOGONALES 2n

No/Col 1 2 3 4 5 6 7 No/Col 1 2 3 4 5 6 7

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

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) 3 2

6 2 1 2 2 2 2 1 (6) 1

7 2 2 1 1 2 2 1 (7)

8 2 2 1 2 1 1 2

GRFICA LINEAL PARA L8


ARREGLOS ORTOGONALES 2n

No/Col 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

2 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2

3 1 1 1 2 2 2 2 1 1 1 1 2 2 2 2

4 1 2 2 2 2 2 2 2 2 2 2 1 1 1 1

5 1 2 2 1 1 2 2 1 1 2 2 1 1 2 2

6 1 2 2 1 1 2 2 2 2 1 1 2 2 1 1

7 1 2 2 2 2 1 1 1 1 2 2 2 2 1 1

8 1 2 2 2 2 1 1 2 2 1 1 1 1 2 2

9 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2

10 2 1 2 1 2 1 2 2 1 2 1 2 1 2 1

11 2 1 2 2 1 2 1 1 2 1 2 2 1 2 1

12 2 1 2 2 1 2 1 2 1 2 1 1 2 1 2

13 2 2 1 1 2 2 1 1 2 2 1 1 2 2 1
14 2 2 1 1 2 2 1 2 1 1 2 2 1 1 2

15 2 2 1 2 1 1 2 1 2 2 1 2 1 1 2

16 2 2 1 2 1 1 2 2 1 1 2 1 2 2 1

Grupo 1 Grupo 2 Grupo 3 Grupo 4

INTERACCIONES ENTRE DOS COLUMNAS

No/Col 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

(1) 1 1 1 1 1 1 1 1 1 1 1 1 1 1

(2) 1 1 1 1 1 2 2 2 2 2 2 2 2

(3) 2 2 2 2 1 1 1 1 2 2 2 2

(4) 2 2 2 2 2 2 2 1 1 1 1

(5) 2 2 1 1 2 2 1 1 2 2

(6) 2 2 2 1 1 2 2 1 1

(7) 1 1 2 2 2 2 1 1

(8) 2 1 1 1 1 2 2

(9) 1 2 1 2 1 2

(10) 1 2 1 2 1

(11) 2 1 2 1

(12) 2 1 2

(13) 2 1

(14) 1
Factores de Control y sus Lmites

FACTOR DECRIPCIN NIVEL 1 NIVEL 2

A Cantidad de Piedra Caliza 5 %(nuevo) 1 % (existen)

B Fineza del Aditivo Grueso (existente) Fino (nuevo)

C Cantidad del Aglutinante 43% (nuevo) 33% (existente)

D Tipo del Aglutinante Comb. (existente) Comb.(nueva)

E Carga de Materia Prima 1300 kg. (nueva) 1200 (existente)

F Cantidad de Desperdicio 0% (nueva) 5% (existente)

G Cantidad de feldespato 9% (nueva) 5% (existente)

L8 (27)

A B C D E F G
Nmero Resultado
1 2 3 4 5 6 7

1 1 1 1 1 1 1 1 y1

2 1 1 1 2 2 2 2 y2

3 1 2 2 1 1 2 2 y3

4 1 2 2 2 2 1 1 y4
5 2 1 2 1 2 1 2 y5

6 2 1 2 2 1 2 1 y6

7 2 2 1 1 2 2 1 y7

8 2 2 1 2 1 1 2 y8

Cada rengln da un resultado bajo un conjunto de condiciones diferentes. Esto permite


hacer comparaciones de los diferentes niveles de los factores.
Un diseo ortogonal nos permite comparar los niveles de los factores bajo condiciones
diferentes de la manera ms eficiente.

L = CORRIDAS = 8
2 = NIVELES
7 = FACTORES

EXPERIMENTOS REALIZADOS EN UNA FBRICA DE AZULEJOS

En Una compaa de azulejos de regular tamao compr un horno en forma de tnel cuyo
costo fue de 2 millones de dlares. El horno mide 80 mts. de largo; dentro de l un carro
cargado de azulejos se desliza lentamente sobre sus rieles mientras los quemadores
horneaban el producto.

PROBLEMAS:

Los azulejos tenan una variacin en sus dimensiones, ms del 50% de los azulejos de la
fila exterior estaba fuera de especificaciones, mientras que las filas interiores s cumplan
con las medidas.

Los gerentes e ingenieros saban que las causas de la variacin eran las diferencias de la
temperatura del horno. El problema pudo ser solucionado diseado nuevamente el horno
para que todos los azulejos recibieran la misma temperatura, lo cual hubiera costado medio
milln de dlares. La compaa no tena recursos para invertir; por lo tanto, decidi buscar
la manera de disminuir la variacin. La compaa hizo experimentos para investigar los
efectos de algunos factores que en el proceso de coccin de los azulejos pudieran afectar su
dimensin. Se seleccionaron estos factores teniendo en cuenta que los experimentos fueran
eficientes.

DISEOS FACTORIALES ORTOGONALES DE 2

Un arreglo ortogonal es una tabla de combinaciones de los niveles de los resultados


ordenados ortogonalmente. La convencin que se utiliza para nombrar los arreglos
ortogonales es La (bc),en donde:
L = ndice que es un arreglo ortogonal.
a = Nmero de corridas experimentales.
b = Nmero de niveles para cada factor.
c = Nmero de columnas o factores de un arreglo ortogonal.

3.2 Arreglos ortogonales serie 2


Un arreglo muestra las combinaciones de los niveles de los factores arreglados
ortogonalmente. Convencionalmente se representa como:

La (b)

Donde:

a es el nmero de corridas experimentales.


b es el nmero de niveles de cada factor.
c es el nmero de columnas en el arreglo ortogonal.

El arreglo ortogonal ms pequeo de la serie (2) es el L4 (2) a la 3, que indica que se


manejan 3 factores, con dos niveles cada uno con 4 corridas experimentales.

No 1 2 3

1 1 2 2

2 2 1 2

3 2 2 1

NOTA. Un arreglo ortogonal que es altamente recomendado es el L12 (2). debido a que
permite investigar 11 factores sin preocuparse de efectos por interacciones. Este arreglo
proporciona muy buena reproducibilidad. Si se debe investigar alguna interaccin
importante se debe elegir otro arreglo mayor, pues ste no contempla interaccin alguna.

3.3 Arreglos ortogonales de serie 3


La serie de arreglos de tres niveles permite investigar tres factores.
El L9 (34) proporciona informacin de cuatro factores a tres niveles, utilizando nueve
condiciones experimentales. Un L9 tiene ocho grados de libertad. Su uso permite hacer
ocho comparaciones ortogonalmente.
Los ocho grados de libertad pueden descomponerse en dos grados de libertad por columna.
Se requiere una columna para cada factor.
El primer paso es para formar categoras acumuladas a partir de las categoras iniciales, de
modo que la categora acumulada 1 sea igual a la categora inicial 1, la categora acumulada
2 sea igual a las categoras iniciales 1 ms 2.

EJEMPLO:
(i) = (1)
(ii) = (1) + (2)
(iii) = (1) + (2) + (3) etc.

El segundo paso es conocer la proporcin que tiene cada categora acumulada.

EJEMPLO:
P1 = 25/90
P11 = 49/90
P111 = 65/90
PIV = 90/90

A cada categora se le asigna un peso, segn la frmula...

Wj = 1/(Pj*(1-Pj))

Para cada categora se calcula el factor de correlacin, con la siguiente frmula:

CFj = (i2)/n

SUMA DE CUADRADOS DE FACTORES


Se obtiene mediante la suma de cuadrados de cada clase, multiplicada por su peso segn su
frmula.

Ssa = (Ssa clase 1)*W1+(Ssaclase 11)*W11 + (Ssa clase 111)*W111........ + (Ssa clase
n)*Wn
Sstotal = (nmero total de datos) * (nmero de categoras - 1).

GRADOS DE LIBERTAD

Los grados de libertad son calculados en base a los grados de libertad de un factor para
variables, multiplicados por el nmero de categoras acumuladas menos uno.

EJEMPLO:

En un problema que tenga, cuatro factores con tres niveles obtenemos lo siguiente...

2*(4-a) = 6

Obtenemos que este ejemplo tiene 6 grados de libertad.


EL ERROR
El error se puede obtener restando la suma total de cuadrados de cada factor.

Ss error = Ss total -Ssa -Ssb -Ssc -Ssd

Con todos estos datos se construye una Tabla de Anova para tomar una
decisin.

CONCLUSIN

El anlisis de varianza ofrece ms que un mtodo corto para obtener la suma de cuadrados
del error.Es confiable y de gran exactitud para obtener la opcin correcta y disminuir costo
por muchos experimentos.

3.4 Grficos lineales


Se utilizan para facilitar la signacin de factores e interacciones en un arreglo ortogonal.
Cada punto representa una columna para asignar unos factores. Las lneas que conectan los
puntos representan las columnas que deben asignarse a las interacciones entre los factores
que conectan.

ORTOGONALIDAD

Un diseo ortogonal permite comparar, con la misma eficiencia, los niveles de los factores
bajo varias condiciones.

GRADOS DE LIBERTAD DE UN FACTOR

Los grados de libertad son una medida de una cantidad de informacin que puede ser
obtenida.Para conocer el efecto de un factor determinado en un experimento, se compara el
desempeo del producto al poner el factor en varios niveles al realizar un experimento;
mientras ms niveles tenga un factor, tendr ms grados de libertad, y por lo tanto ms
informacin para ser obtenida.

INTERACCIN ENTRE FACTORES

Existe una interaccin cuando el efecto de un factor depende del nivel en que se encuentre
otro factor. Se graficarn los cambios de un factor B, para determinar si hay interaccin.
ESTAS GRFICAS FACILITAN LA ASIGNACIN DE FACTORES E
INTERACCIONES A UN ARREGLO ORTOGONAL.

Su interpretacin es la siguiente:

** Los nmeros representan el nmero de la columna en el arreglo ortogonal.


** Los puntos representan a los factores.
** Los segmentos de lnea que unen dos puntos representan la interaccin entre esos dos
factores.

3.5 Introduccin de los factores a los arreglos ortogonales


DISEO FACTORIAL COMPLETO
En este diseo se investigan todas las combinaciones de todos los niveles de todos los
factores, permitiendo investigar el efecto de varios factores al mismo tiempo.En un diseo
experimental de 7 factores en 2 niveles cada uno, se requieren 128 experimentos --- (2) 7.

En experimentos de manufactura es comn 13 factores con 3 niveles cada uno, siendo


entonces necesario (3) 13 = 1,594,323 experimentos. ANLISIS DE DATOS MEDIANTE
ARREGLOS ORTOGONALES

Determinacin de promedios de respuesta para niveles de factores.


Seleccin de niveles ptimos de un factor mediante la comparacin de promedios de
respuestas.
Predecir la respuesta promedio del proceso utilizando los niveles ptimos.
Comparacin de la prediccin con los resultados de una corrida de confirmacin.

INTERACCIONES ENTRE FACTORES

Existe una interaccin cuando el efecto de un factor depende del nivel en el que se
encuentre otro factor. Se gratifican los cambios de un factor "A" a los cambios del factor
"B" para ver si hay interaccin.

Si las lneas trazadas son paralelas, no existe interaccin entre los factores.
Si las lneas no son paralelas, quiere decir que el efecto de "A" no es el mismo para "B1"
y "B2", existiendo interaccin.
Si las lneas se intersectan en la grfica, se interpreta que existe una interaccin bastante
fuerte.

APROXIMACIN DE UN FACTOR A LA VEZ

En este mtodo se vara el nivel de un solo factor, manteniendo constantes los niveles de
los dems factores. Suponga que se investiga sobre efectos de temperatura y presin. Se
seleccionan dos niveles para el factor temperatura (T1 y T2) y 2 niveles para el factor
presin (P1, P2). La temperatura se fija a T1 mientras se varan los niveles de la presin;
depus se poda fijar la presin a P1 y vara los niveles de la temperatura. Si se realizara un
diseo con 7 factores en 2 niveles cada uno, se necesitara realizar 8 experimentos.

Resultados
Experimento Factores y Condiciones
Experimento

A B C D E F G
1 A1 B1 C1 D1 E1 F1 G1 Y1

2 A2 B1 C1 D1 E1 F1 G1 Y2

3 A2 B2 C1 D1 E1 F1 G1 Y3

4 A2 B2 C2 D1 E1 F1 G1 Y4

5 A2 B2 C2 D2 E1 F1 G2 Y5

6 A2 B2 C2 D2 E2 F1 G1 Y6

7 A2 B2 C2 D2 E2 F2 G1 Y7

8 A2 B2 C2 D2 E2 F2 G2 Y8

LIMITACIONES
No es prctico cuando se usan muchos factores
No garantiza la reproductibidad.

3.6 Modificacin a los Arreglos Ortogonales


Preestablecidos con base en las modificaciones en las grficas lineales.

OBJETIVO: Que estas grficas puedan ser utilizadas para un problema en


particular. Las grficas lineales estndar pueden ser modificadas para ser
utilizadas en un experimento especfico, usando matrices triangulares, y la
ortogonalidad entre las columnas se mantiene.

EJEMPLO: Un L16 se puede modificar, quedando de la siguiente manera:

FACTORES: A, B, C, D, E, F, G, H, I, J .

INTERACCIONES: AxB, CxD, ExF, FxG, Y GxH.

Solucin:

1. Se dibuja la grfica lineal segn factores e interacciones:


2. Se selecciona la grfica lineal estndar de donde puede ser obtenida la grfica
lineal del punto anterior
3. Revisando la matriz triangular, se determina como puede ser modificada la
grfica lineal s la interaccin entre las columnas 6 y 11 nos e necesita, entonces
se elimina y queda libre la columna 13, colocndose la interaccin entre las
columnas y ella.

SOLUCIN DEL ARREGLO ORTOGONAL

Los grados de libertad son utilizados para seleccionar un arreglo ortogonal ms


pequeo que sea apropiado. Se establecen primero los grados de libertad
requeridos basndose en el nmero de factores y el nmero de niveles de >cada
uno de stos, as como las interacciones que se desean investigar. Ejemplo:

Si se tienen 5 factores (A, B, C, D, E) con dos niveles cada uno, y adems se


requiere investigar las interacciones AXB Y AXC, es necesario utilizar un
arreglo ortogonal L8, que tienen 7 grados de libertad.

Ejemplo:

Grados de libertad de los factores (5X1) = 5


Grados de Libertad de AXB (1X1) = 1
Grados de libertad de AXC (1X1) = 1
7 gl

ASIGNACIN DE FACTORES A UN ARREGLO ORTOGONAL

PROCEDIMIENTOS:

1. Se selecciona el arreglo ortogonal apropiado; para esto se toman en cuenta los


grados de libertad necesarios debido a los factores e interacciones.
2. Se dibuja la grfica lineal segn las interacciones deseadas.
3. Se selecciona una de las grficas lineales estndar del arreglo elegido, de la
cual se puede obtener la grfica lineal del paso anterior.
4. Se asignan los factores e interacciones segn las columnas que les
corresponden de acuerdo a la grfica lineal resultante.

EJEMPLO: La Ley de Movimiento de Newton F = MA. La naturaleza conoce


esta relacin pero nosotros no. Como podemos obtener la relacin rpidamente
sin quedar atrapados en aos de investigacin terica como lo hizo Newton? Un
DDE siempre para dos entradas, tales como masa (M) y aceleracin (A), cada
uno a 2 niveles, se puede establecer como un proceso de 4 ensayos
experimentales (o intentos) en posiciones bajo y alto como se muestra en la abla.
ENSAYO M A

1 BAJO BAJO

2 BAJO ALTO

3 ALTO BAJO

4 ALTO ALTO

Un conjunto de condiciones experimentales se usa para interrogar a la naturaleza


acerca del comportamiento de ellas bajo ciertas circunstancias el conjunto
especfico de condiciones (o matriz de diseo) se construye para analizar la
respuesta, con el propsito de construir un modelo que se aproxime al modelo
real encontrando en la naturaleza (i.e., aproximadamente igual al conocimiento
perfecto por parte de la naturaleza).
El ejemplo de la tabla, en DDE se conoce como un diseo factorial completo de
2 factores a 2 niveles. Diversos tipo de diseo experimental estn disponibles
para satisfacer el objetivo especfico que usted tenga, I.e. modelado lineal,
modelado no - lineal, seleccin, etc.
Asuma que nuestro experimento gener un conjunto promedio de resultados para
la fuerza por cada ensayo experimental, como se muestra en la tabla.
Los puntos fijos, bajo y alto, para la mesa (5, 10) y la aceleracin (100, 200) se
escogen basados en rangos de inters para el experimentador.

ENSAYO ENTRADAS SALIDAS PROM.

M A F

1 5 100 500

2 5 200 1000

3 10 100 1000

4 10 200 2000
Para maximizar la cantidad de conocimiento adquirido, el anlisis del modelado
de un DDE se conduce con valores de entrada estandarizados, donde los valores
bajos se codifican en (1 y los altos se codifican en (+ 1). Estos valores
codificados estandarizan la escala y las unidades de las variables de entrada. El
resultado es una matriz con entradas codificadas como se muestra en tabla 2.

ENSAYO M A M*A F

1 -1 -1 1 500

2 -1 1 -1 1000

3 1 -1 -1 1000

4 1 1 1 2000

Note, en la tabla, la adicin de una columna M*A la cual es generada por el


producto de las columnas coficiadas M y A y que era usada para analizar el
efecto interactivo o combinado de M y A. Las columnas M, A y M*A
representan los tres efectos a ser evaluados, i.e. los efectos lineales de M y A y el
efecto de la interaccin de M con A (M*A). El anlisis se conduce como se
muestra en la tabla.

ENSAYO M A M*A F

1 -1 -1 1 500

2 -1 1 -1 1000

3 1 -1 -1 1000

4 1 1 1 2000

PROM(+1) 1500 1500 1250 1125

PROM(-1) 750 750 1000

PROM(+1)-PROM(-1) 750 750 250


Para obtener los nmeros de las secciones sombreadas, usted debe hacer lo
siguiente para cada una de las columnas M, A y M*A: encuentre el promedio de
la salida F cuando los valores de la columna son -1, encuentre el promedio de la
salida F cuando los valores de las columnas son +1, y luego encuentre la
diferencia de los dos promedios (&#8710;). Por ejemplo, cuando las columnas
del efecto M est A - 1 (Ensayos 1 y 2) la salida es 500 para el ensayo 1 y 1000
para el ensayo 2, que en promedio DA 750.

El modelo generado por el DDE se construye usando un diseo de regresin de


cuadrados mnimos el cual puede ser simplificado para diseos de 2 niveles como
se muestra a continuacin:

F Es el promedio predicho para fuerza


Mc Es la variable codificada para masa
Ac Es la variable codificada para aceleracin
FEs la gran media experimental
&#8710;M Es el tamao del efecto lineal para M, etc.
Entonces nuestro modelo actual se convierte en:

F=1125+(750/2)*Mc+(750/2)*Ac+(250/2)*Mc*Ac

Recuerde que nuestro modelo de prediccin es para valores codificados


(I. E -1, +1) de M y A, y nosotros podemos transformarlo en un modelo con
valores actuales de Ma y Aa usando la siguiente relacin:

Ma=((Ma+Mb)/2)+((Ma+Mb)/2)*Mc

Donde:
MA Valor fijo actual de masa
MC Valor fijo codificado de masa
MA Valor experimental actual fijado en alto
MB Valor experimental actual fijado en bajo
Para nuestro ejemplo:

Ma=7.5+2.5 Mc

Entonces:
Los clculos previamente descritos son una forma simple para pasar de valores
codificados a actuales y viceversa, como se muestra en la escala combinada de la
figura 2.
.1 Anlisis de Tablas de Frecuencia
Uno de los mtodos para analizar datos es la tabulacin cruzada. Por ejemplo, un
investigador mdico puede tabular las frecuencias de los diferentes sntomas por
edades y sexo; un investigador educativo puede tabular el numero de estudiantes
que abandonan sus estudios por edad, sexo y grupo tnico; un economista puede
tabular el numero de negocios que fallan por industria, regin,
etc.; un investigador de mercado puede tabular las preferencias de los
consumidores por producto, edad y sexo. En todos estos casos, los resultados
principales de inters pueden ser sumarizados en una tabla de frecuencia
mltiple; o sea, en una tabla cruzada de dos mas factores.

TABLAS DE FRECUENCIA DE 2 CAMINOS (TWO -WAYS).

Vamos a empezar con la ms simple tabulacin cruzada, la tabla de 2 X 2.


Supongamos que estamos interesados en la relacin que hay entre la edad y las
conos en la gente. Tomamos una muestra de 100 personas y determinamos quin
tiene y quin no tiene canas. Tambin tomamos la edad aproximada de los
sujetos. Este es el resultado del estudio.

Cabello Con Antes de los Despues del los


Total
Canas 40 40

No 40 5 45

Si 20 35 55

Total 60 40 100
Mientras interpretamos los resultados de este pequeo estudio, vamos a
introducirnos en la terminologa que nos permitir generalizar en tablas ms
complejas ms fcilmente.

Diseo de variables y variables de respuesta. En la regresin mltiple o en el


anlisis de varianza hay una distincin comn entre las variables dependientes e
independientes. Las variables dependientes son aquellas que tratamos de
explicar, y podemos clasificar los f actores en una tabla de 2 X 2; por ejemplo, el
color del pelo es una variable dependiente. Las variables de respuesta son
aquellas que varan en la respuesta a las variables designadas; por ejemplo, el
color del pelo puede ser considerado una variable de respuesta y la edad es
considerado una variable de diseo.

Ajuste marginal de frecuencias. Nos podemos preguntar cul de las


frecuencias parece no tener relacin con las variables (hiptesis nula). Para no ir
en detalles, intuitivamente podemos esperar que las frecuencias en cada celda
podran proporcionalmente reflejar las frecuencias marginales (Totales); por
ejemplo, considere la siguiente tabla:

Cabello Con Antes de los Despues del los


Total
Canas 40 40

No 27 18 45

Si 33 22 55

Total 60 40 100

En esta tabla, las proporciones de las frecuencias marginales estn reflejadas en


cada celda individual 27/33 =18/22 = 45/55 y 27/18 = 33/22 = 60/40. Dadas las
frecuencias marginales, stas son las celdas de frecuencia que podramos esperar
si no existiera relacin entre la edad y el cabello canoso. Si comparamos esta
tabla con Ia anterior, podremos ver que la tabla anterior refleja una relacin entre
dos variables. Hay ms casos esperados de que la persona tengo canas antes de
los cuarenta, y hay ms casos de personas de ms de cuarenta aos que tienen
canas.

TABLAS DE FRECUENCIA MULTIPLE.

El razonamiento presentado en las tablas de 2 X 2 puede ser generalizado a tablas


ms complejas. Supongamos que tenemos una tercera variable en nuestro
estudio; por ejemplo, queremos ver si el estrs tiene que ver con las canas en las
personas. Como estamos interesados en este nueva variable, la vamos a
considerar como variable de diseo. (con esto, la variable de estrs se convierte
en una variable de respuesta y la variable del color del cabello sera una variable
de diseo). La tabla resultante seria una tabla de frecuencia de 3 caminos.

Modelos de ajuste. Podemos aplicar el razonamiento anterior para analizar esta


tabla. Especficamente podemos ajustar diferentes modelos que reflejen
diferentes hiptesis acerca de los datos. Como antes, las frecuencias
esperadas en este caso reflejan sus respectivas frecuencias marginales. Si alguna
desviacin significante ocurriera, se reflejara en este modelo.

Efectos de interdiccin. Otro modelo concebible puede ser que la edad est
relacionada con el color del cabello, y que el estrs es relacionado con el color
del cabello tambin; pero, estos dos factores no interactan en su efecto. En este
caso, podramos necesitar simultneamente de dos tablas, una es la tabla de 2 X 2
de la edad por color del cabello cruzada con los niveles de estrs, y otra tabla del
estrs por color del cabello cruzada con los niveles de la edad. Si este modelo no
se ajusta los datos, tenemos que incluir que la edad, el estrs y el color del
cabello estn interrelacionados. De otra forma, podremos concluir que la edad y
el estrs interactuan con sus efectos en el cabello canoso.

4.2 Anlisis de Atributos Clasificados


El primer paso es formar categoras acumulados a partir de las categoras
iniciales de modo que la categora acumulada uno sea igual a la categora inicial
uno, la categora acumulada dos sea igual a las categoras iniciales uno ms dos.

(I) = (1)
(II)= (1) + (2)
(III)=(1) + (2) + (3).

Para ilustrar los pasos se utilizar un estudio que se realiz para conocer los
parmetros ptimos de una mquina moldeadora al estar utilizando compuesto de
un nuevo proveedor. El aspecto visual se dividi en las categoras iniciales:
1=Incompleto
2=Partido/Crudo
3=Deforme
4=Bien
De modo que las categoras acumuladas son:

(I)=1
(II)=(1) + (2)
(III)=(1) +(2) + (3)
(IV)=(1) +(2) + (3) + (4)

El experimento consisti en cuatro factores a tres niveles cada uno y con diez
repeticiones, siendo los factores:

A = Temperatura
B = Tiempo de Ciclo
C = Tiempo de Inyeccin
D = Presin

Se utiliz un arreglo ortogonal L9, en donde se obtuvieron los resultados que se


muestran en la siguiente tabla, misma en la que se pueden observar los clculos
para obtener los valores de las categoras acumuladas en la combinacin numero
seis:

(I)= (=)
(II)= (0) + (3)
(III)=(0) + (3) + (1)
(IV) = (0) +(3) + (1) + (6)

Resultados del Experimento en una Mquina Moldeadora.

Acumulados

(1) (2) (3) (4) I II III IV

1 5 5 0 0 5 10 10 10

2 0 9 0 1 0 9 9 10

3 0 6 0 4 0 6 6 10
4 0 1 0 9 0 1 1 10

5 0 0 5 5 0 0 5 10

6 0 3 1 6 0 3 4 10

7 0 0 0 10 0 0 10 10

8 10 0 0 0 10 10 10 10

9 10 0 0 0 10 10 10 10

Total 25 24 16 25 25 49 65 100

Tambin se puede ver que en la frecuencia acumulada de la Clase IV durante


todo el experimento es la misma, por lo que no se podr extraer ninguna
informacin de esta columna. Es por lo que se realizar en el anlisis
acumulativo calcular la suma de cuadrados de la clase I, Clase II y Clase III. De
cualquier forma esas sumas de cuadrados no pueden sumarse sencillamente,
puesto que las bases de las tres clases son diferentes.

En la distribucin binomial la fraccin de defectuosos es p, y su varianza


correspondiente es p (1 - p), esto indica que cuando la media de la fraccin
defectuosa cambia, la varianza cambia tambin. Debido a esta dependencia de la
varianza sobre la fraccin defectuosa, la suma de los cuadrados de la Clase I,
Clase II y Clase III tiene diferentes bases. Con el objetivo de normalizar esas
bases, la suma de cuadrados de cada clase se divide entre su varianza; solamente
as se pueden sumar las clases.

El segundo paso es conocer la proporcin que tiene cada categora acumulada:

PI= 25 PII= 49 PIII= 65 PIV= 90

90 90 90 90

A cada categora se le asigna un peso segn la frmula:


Wj = 1/(Pjx(1-PJ)),

As que para el ejemplo que se tiene:

WI = 1/25/90x (1-25/90)) = 4.985


WII = 1/49/90x(1-49/90)) = 4.032
WIII = 1/(65/90x(1-65/90)) = 4.985

Para cada categora se calcula el factor de correccin como Suma de Cuadrados


de Factores.
Se obtienen mediante la suma de cuadrados de cada clase multiplicada por su
peso, segn frmula.

Ssa = (Ssa clase I) x WI + (SSA clase II) x WII + (Ssa clase III) x WIII

SS total = (nmero total de datos) x (nmero de categoras menos uno)

Para un ejemplo se tiene que:

De la misma manera se obtiene la suma de cuadrados para B, C y D. La suma de


cuadrados total es: SS total = 90 X (4 - i) = 270

Grado de Libertad.

Los grados de libertad son calculados en base a los grados de un factor para
variables multiplicados por el nmero de categoras acumulado menos uno. En
este ejemplo los cuatro factores son de tres niveles por lo que cada uno tiene:

2 x(4-1) =6 grados de libertad. Los grados de libertad totales, se calculan


>multiplicando el nmero de datos menos uno por el nmero de datos menos uno
por el nmero de datos menos uno por el nmero de categoras analizadas menos
uno.
El error se puede obtener restndole a la suma total la suma de cuadrados de cada
factor:

SS error = 270 - 104.24 - 9.94 - 42.96 - 29.53 = 83.22

En este caso

SS error = 270 - 104.34 - 9.94 - 42.96 - 29.53 = 83.22


Y los grados de libertad, restando los grados de libertad de cada factor de
los grados de libertad de la tabla de ANOVA.

g.I error = 267 - 6 - 6 - 6 - 6 = 243

Varianza en la Tabla ANOVA.Se define la varianza o cuadrado medio como la


suma de cuadrados divididos entre los grados de libertad:

Cuadrado Medio de a = 104.34/6 = 17.39

Con el objeto de expresar esta variacin como un porcentaje, todava se requiere


restarle a cada suma de cuadrados una cantidad de error generada por los
diferencias entre cada resultado en cada nivel; para esto se utiliza la siguiente
frmula:

SS a' = SS a - (grados de libertad a) x V error,


SS e' = SS e +(grados de libertad de los factores) x V error.

En el ejemplo:

SS a' = 104.34 - (6) (0.34) = 102.30


SS e' = 83.22 + (24) (0.34) = 91.38

El porcentaje de contribucin es la proporcin de la suma de cuadrados

corregidas de un factor con respecto a la suma de cuadrados total:

ANOVA del Experimento en una Mquina Moldeadora.

Fuentes Grados S. de
Suma de Cuadrado Porcentaje
de de Cuad.
Cuadrados Medio Contrib.
Variacin Libertad Corregida

A 6 104.34 17.39 102.30 37.89

B 6 9.94 1.66 7.90 2.92

C 6 42.96 7.16 40.92 15.15

D 6 29.53 4.92 27.49 10.18


Error 243 83.22 0.34 91.38 33.87

Total 267 270 270 100

Todos los procedimientos (prueba de t, de F y el establecimiento de los lmites de


confianza), utilizan la suma de cuadrados residual, la que es llamada la suma de
cuadrados de error. Esta cantidad pudo ser encontrada calculando para cada
observacin un valor, predicho por la solucin de los mnimos cuadrados. Se
puede luego obtener la suma de cuadrados de las diferencias entre los valores
observados y los valores predichos. Este mtodo es lento y la suma de cuadrados
del error se calcula mucho ms rpido siguiendo la tcnica conocida como
anlisis de varianza.

En el modelo original, cada observacin se representa como la suma de cuatro


componentes debidas, respectivamente, a la media general, efecto del
tratamiento, al efecto ambiental y al efecto residual. De la misma forma, el
anlisis de la varianza divide la suma de cuadrados de las observaciones
encuentro componentes, una atribuible a la media general, una de las diferencias
entre la estimacin de los efectos de los tratamientos y una a los efectos
ambientales, que el experimento es capaz de medir y, por ltimo, una que es la
residual a la suma de cuadrados de los errores. En la mayor parte de los casos, se
calcula la suma de cuadrados original y los tres primeros componentes,
obteniendo la suma de los cuadrados del error, por substraccin. El anlisis de
varianza ofrece mucho ms que un mtodo corto para obtener la suma de
cuadrados del error. La suma de cuadrados debida a los tratamientos, es la
cantidad necesaria para la prueba F de la hiptesis de que no existen deferencias
entre los efectos de los tratamientos. Con una pequea extensin, el anlisis
tambin de la suma de cuadrados requerida para probar la igualdad de los efectos
de un subgrupo de los tratamientos. La componente debida a los efectos
ambientales permite estimar en cuanto aumenta la exactitud del experimento,
eliminando estos efectos de las estimaciones de las medias de los tratamientos.

4.3 y 4.4 Anlisis de experimentos con factores de ruido


FACTORES DE RUIDO.

Los factores de ruido son aquellos que no se pueden controlar o que resulta muy
caro controlarlos. Los factores de ruido causan variabilidad y prdida de
calidad. Por esto es necesario disear un sistema el cual sea insensible a los
factores de ruido. El diseador debe identificar la mayor cantidad posible de
factores de ruido y usar su buen juicio en base a sus conocimientos para decidir
cules son los ms importantes a considerar en su anlisis.

METODO DE EL DISEO ROBUSTO DE EL DR. TAGUCHI.

Es un eficiente sistema que ayuda a obtener una combinacin ptima de diseo


de parmetros para que el producto sea funcional y ayude a obtener un alto nivel
de desempeo y que sea robusto a los factores de ruido.
Existen 8 pasos para hacer un ciclo de diseo robusto.

En los primeros 5 pasos se planea el experimento.


En el paso nmero 6 se conduce el experimento.
En los pasos 7 y 8 los resultados de el experimento son analizados y
verificados.

Ejemplo de la optimizacin de un diseo por costo de un sistema intercambiador


de calor.

1. Identificar la funcin principal. La funcin principal de el sistema enfriador


de aire comprimido se muestra en la fig.

La funcin principal del sistema es enfriar la temperatura de el aire de 95 c a 10


c entre dos etapas de compresin. Primero entra al sistema el aire por el
preenfriador y luego pasa a la unidad de refrigeracin. El agua pasa a travs de
el condensador de la unidad de refrigeracin y luego a el preenfriador y
finalmente entra a el radiador donde se expulsa el radiador a travs de l.
El flujo de el aire est dado por 1.2 kg/s y el flujo de el agua est dado por 2.3
kg/s

Se busca disear el sistema para un costo mnimo total, donde el costo es la


suma de todos los costos en dlares de la unidad de refrigeracin, el preenfriador
y el radiador. Las ecuaciones paramtricas de costo (xi) para la unidad de
refrigeracin, el preenfriador y el radiador en trminos de temperaturas de salida
(ti) estn dadas como sigue:

X1 = 1.2 a (T3 - 10)


X1 = costo ($) de la unidad de refrigeracin.
a = parmetro de costo para el refrigerante.
T3= temperatura de salida de el aire de el preenfriador..
X2=1.2 B (95 - T3)/(T3-T1) para (T3 >T1)
X2 = costo ($) de el preenfriador.
B = parmetro de costo de el preenfriador.
T3 = temperatura de salida de el aire de el preenfriador.
T1 = temperatura de salida de el agua de la unidad de refrigeracin.
95 = temperatura de el aire en la entrada al sistema.
X3=9.637 c (T2 - 24)
X3 = costo ($) de el radiador.
C = parmetro de costo de el radiador.
T2 = temperatura de el agua en la entrada de el radiador.
24 = temperatura de el agua despus de pasar por el radiador.
A = 48 B = 50 C = 25

Parmetros de costo determinados por el diseador.

2. Identificar los factores de ruido

Existen varios factores de ruido en un proceso de enfriamiento de aire. Para


este caso los ingenieros han determinado los 3 factores de ruido ms
importantes.

N1 = parmetro de costo de la unidad de refrigeracin.


Se ha estimado un costo original de 48 y se considera un costo muy alto arriba de
56.

N2 = temperatura de salida de el radiador.


Esta temperatura puede variar dependiendo de los factores ambientales. Se ha
estimado una temperatura de 24 c pero se considera muy alta a 27C.

N3 = temperatura de el aire a la entrada de el sistema.


Esta temperatura varia dependiendo de las condiciones de operacin, se ha
estimado inicialmente de 95 c pero se considera muy alta arriba de 100 c.

3. Identificar la caracterstica de calidad que va a ser observaba y el


>objetivo.
El costo va a ser tomado como la caracterstica de calidad y la funcin objetivo
ser optimizar el costo total de el sistema. MIN CT= X1 + X2 + X3

El objetivo ahora es encontrar cul diseo minimiza el costo total considerando


la incertidumbre de los factores de ruido citados.

4. Identificar los factores de control y los niveles alternativos.

Para el caso de el ejemplo, tres niveles alternativos fueron identificados para ser
estudiados para el control de el diseo de los parmetros, El nivel dos muestra los
valores iniciales de los factores de control .(tabla a). Los niveles de los
parmetros de prueba (tabla a) se refieren a cuntos valores de prueba van a ser
analizados (uno de estos niveles debe tomar los valores de las condiciones
iniciales de operacin).

T1= 28 C T2= 39 C T3= 38 C

Como siguiente paso los ingenieros de diseo y los analistas de costo desean un
estudio de niveles alternativos de los parmetros de control considerando ahora la
incertidumbre debido a los factores de ruido. En un diseo robusto,
generalmente, dos o tres niveles son considerados para cada factor.

Se ha decidido estudiar los tres factores de ruido con 2 niveles. Estos valores se
muestran en la tabla 9. El nivel uno representa los valores iniciales de los factores
de ruido. Diseo de la matriz de experimentos y definicin de los datos para
analizar. El objetivo ahora es determinar los niveles ptimos de los factores de
control para que el sistema sea robusto a los factores de ruido.

Construccin de arreglos ortogonales.

Primero se determinan segn la metodologa de Taguchi los grados de libertad


para determinar el nmero mnimo de experimentos requerido.

El diseador ha calculado el factor grados de libertad igual a 7, esto nos indica


que se necesita un numero mnimo de 7 experimentos para encontrar los valores
ptimos.

Con esto se determina que se puede utilizar un arreglo ortogonal estndar L9 para
los factores de control y usando la misma metodologa se utiliza un arreglo
ortogonal estndar L4 para los factores de control.

1 2 3 4

N1 1 2 2

N2 2 1 2

N3 2 2 1

Control Orthogonal Array

A B C D

1 1 1 1 1

2 1 2 2 2

3 1 3 3 3

4 2 1 2 3

5 2 2 3 1

6 2 3 1 2

7 2 1 3 2

8 2 2 2 3

9 2 3 1 1

6. Conducir la matriz de experimentos. Para nuestro ejemplo, la matriz de


experimentos dada es conducida usando un sistema apropiado de ecuaciones
matemticas de costo. La propuesta (vi,j) es el costo total en dlares para ese
caso. Esta es calculada para cada combinacin de las matrices de experimentos
de factores de control y factores de ruido.

Ecuacin matemtica de costo (ejemplo):

CT = Xl + X2 + X3
CT = 1.2(48)(35-10) + 1.2(50)(95-35)1(35-25) + 9.637(25)(36 -24)=4691
CT = 1.2(48)(35-10)+1.2(50)(100-35)1(35-25)+9637(25)(36-27)=3998

Control/Noise 1 2 3 4

N1 48 48 56 56

N2 24 27 24 27

N3 95 100 100 95

7. Anlisis de datos papa determinar los niveles ptimos de los factores de


control.
El mtodo de Taguchi utiliza la relacin que existe entre seal y ruido incluyendo
la variacin de la respuesta. La relacin que se utilizara en nuestro ejemplo sera
que la ms pequea relacin es la mejor, dado que nuestro objetivo es minimizar
el costo. Esta relacin seal /ruido est dada por la siguiente ecuacin:

S/N = -10 LOG{1/4[(4691^2 +3998^2+4691^2+4208^2)]}= -73.03

Control matrix

(a) signal to noise ratio (b) response table

Los promedios de la relacin seal/ruido de la tabla de respuesta nos da los


resultados ptimos.
Maximizando la relacin s/n es equivalente a minimizar la caracterstica de
calidad.
Como resultado del anlisis tenemos los niveles ptimos de los parmetros de
control siguientes:

Tl T2 T3 parmetros de prueba
1 2 3 niveles
25 36 38 valores ptimos de control.

Con estos valores el ct = $4551.00 con una desviacin estndar de 445.5 y una
seal de ruido de - 73.19 con esto se ahorra $806.00 un 15% contra los valores
iniciales propuestos antes del experimento.

T1 T2 T3 parmetros de prueba
2 2 2 niveles
28 39 38 valores iniciales propuestos
Ct = $5,357.00 con una desviacin estndar de 445.6 y una seal de Ruido = -
74.6

También podría gustarte