DOE e Ingeniería Taguchi PDF

DISEÑO DE EXPERIMENTOS (DOE).
INGENIERIA TAGUCHI
-1–
DISEÑO DE EXPERIMENTOS (DOE). INGENIERIA TAGUCHI JOSE LUIS DEL VALLE
1. INTRODUCCIÓN 5
1.1 CALIDAD 5
1.2 VARIACIÓN 6
1.3 REDUCCIÓN DE COSTOS POR REDUCCIÓN DE LA VARIACIÓN 9
1.4 FUNCIÓN DE PERDIDA 13
2. DISEÑO DE EXPERIMENTOS 17
2.1 DEFINICIÓN 17
2.2 FACTORES, NIVELES E INTERACCIONES 18
3. TIPOS DE DISEÑO DE EXPERIMENTOS 20
3.1 DISEÑOS DE UN FACTOR A LA VEZ 21
3.2 ANÁLISIS DE VARIANZA 23
3.3 DISEÑO FACTORIAL COMPLETO 25
3.4 DISEÑOS FACTORIALES FRACCIONALES 32
3.4.1 ARREGLOS ORTOGONALES ( D.F.F. SATURADOS) 33
3.5 DISEÑO DE PARÁMETROS DE TAGUCHI 39
3.5.1 RUIDO, ROBUSTEZ 39
4. IMPLANTACIÓN, ETAPAS 46
5. LOS 7 PUNTOS DE TAGUCHI 46
6. BIBLIOGRAFÍA 48
-2–
Figura 1 CIRCULO DE CALIDAD 5
Figura 2 PROCESO / SISTEMA 6
Figura 3 PREVENCIÓN FRENTE A DETECCIÓN 7
Figura 4 HISTOGRAMA 9
Figura 5 COSTOS ASOCIADOS CON LA CUBIERTA DE POLIETILENO
11
Figura 6 DIFERENCIA DE CALIDAD DE PRODUCCIÓN, JAPÓN / U.S.A.
12
Figura 7 FUNCIÓN DE PERDIDA 14
Figura 8 FUNCIÓN DE PERDIDA NOMINAL - MEJOR 16
Figura 9 FUNCIÓN DE PERDIDA MENOR - MEJOR 16
Figura 10 FUNCIÓN DE PERDIDA MAYOR - MEJOR 16
Figura 11 INTERACCIÓN COBRE - MAGNESIO 20
Figura 12 NO INTERACCIÓN ENTRE EL COBRE Y MAGNESIO 20
Figura 13 SUPERFICIE EXPERIMENTAL 23
Figura 14 GRÁFICA FACTORIAL 31
Figura 15 INTERACCIÓN BxC 31
Figura 16 GRADOS DE LIBERTAD DE UN FACTOR 36
Figura 17 GRADOS DE LIBERTAD DE LA INTERACCIÓN DE DOS
FACTORES 36
Figura 18 GRÁFICAS LINEALES DEL ARREGLO ORTOGONAL L8 37
Figura 19 CONCEPTO DE ROBUSTEZ 40
Figura 20 FACTORES DE CONTROL Y RUIDO 44
Figura 21 Gráfica factorial de la media Figura 22 G.F. señal /
ruido 45
-3–
Tabla 1 VALORES DE DIÁMETRO DE 50 EJES (variación en las
centésimas) 8
Tabla 2 FRECUENCIA ABSOLUTA 8
Tabla 3 RESUMEN DE LA FUNCIÓN DE PERDIDA 15
Tabla 4 EJEMPLO DE FACTORES Y NIVELES 19
Tabla 5 EXPERIMENTACIÓN. DUREZA PIEZAS DE FUNDICIÓN 19
Tabla 6 TIPO 1 DE EXPERIMENTACIÓN DE UN FACTOR A LA VEZ 21
Tabla 7 TIPO 2 DE EXPERIMENTACIÓN DE UN FACTOR A LA VEZ 22
Tabla 8 ANÁLISIS DE VARIANZA DEL EXPERIMENTO DE FUNDICIÓN
24
Tabla 9 ANOVA DEFINITIVO 25
Tabla 10 CALCULO DEL Nº DE COMBINACIONES 26
Tabla 11 FACTORES Y NIVELES 27
Tabla 12 MATRIZ DE DISEÑO BASE 27
Tabla 13 TRADUCCIÓN DE LOS NIVELES DE LOS FACTORES 28
Tabla 14 MATRIZ DE CALCULO 29
Tabla 15 TABLA DE RESPUESTAS 29
Tabla 16 ANÁLISIS DE VARIANZA DEL DISEÑO DE EXPERIMENTOS
32
Tabla 17 DISEÑO FACTORIAL FRACCIONAL SATURADO 34
Tabla 18 TABLA ORTOGONAL 34
Tabla 19 ARREGLO ORTOGONAL L8 35
Tabla 20 TIPOS DE ARREGLOS ORTOGONALES 36
Tabla 21 TABLA TRIANGULAR DEL L8 37
Tabla 22 ARREGLO ORTOGONAL CON UN FACTOR DE RUIDO 41
Tabla 23 ARREGLO ORTOGONAL CON DOS FACTORES DE RUIDO 41
Tabla 24 ARREGLO ORTOGONAL INTERNO Y EXTERNO 42
Tabla 25 TIPOS DE ECUACIONES SEÑAL RUIDO 43
Tabla 26 ARREGLO ORTOGONAL INTERNO Y EXTERNO L4 44
Tabla 27 ARREGLO ORTOGONAL INTERNO Y EXTERNO L4 45
Tabla 28 TABLA DE RESPUESTAS DE LA MEDIA Y S/R 45
Tabla 29 ANÁLISIS DE UN DISEÑO DE PARÁMETROS 46
-4–
1. INTRODUCCIÓN
Esta metodología industrialmente forma parte de herramientas técnicas de Calidad

y en ciertos países se integra en cursos sobre Ingeniería de Calidad. En cualquier
caso se trata de herramientas que permitirán optimizar productos, procesos y
sistemas frente a la variación incontrolada.
1.1 CALIDAD
Todos los productos tienen unas características que describen su adecuación a las
expectativas, necesidades y, o requerimientos del consumidor. Características
tales como la economía en el consumo de gasolina de un coche, el peso de un
paquete de cereales, la pérdida de calor de un calentador de agua, todos son
ejemplos de características de un producto que están relacionadas con los
consumidores de una u otra forma.
La calidad de un producto se mide en términos de estas características. La
calidad está relacionada con la pérdida social causada por un producto durante
su ciclo de vida. Un producto de elevada calidad originará un costo social mínimo
durante su ciclo de vida. Las pérdidas que un consumidor acusa pueden adquirir
múltiples formas, pero generalmente se trata de una pérdida de las funciones o
propiedades del producto.. Otro tipo de pérdidas son el tiempo, la polución el ruido,
etc.. Si un producto no funciona según se espera de él, el consumidor siente algún
tipo de pérdida. Una vez que un producto ha sido realizado y comercializado, el
fabricante se encuentra en un punto tal, que ya no puede hacer nada por él durante
el resto de su vida.
La calidad, no tiene sino un único evaluador de la misma, el cliente. En el siguiente

modelo, se observa que el cliente es juez, jurado y ejecutor:
CLIENTES
CIRCULO
DE
CALIDAD
FABRICANTES DISEÑADORES
Figura 1 CIRCULO DE CALIDAD
-5–
El cliente conoce con toda certeza qué productos concuerdan con sus necesidades,
incluyendo precio y funcionamiento.
El nacimiento de un producto empieza cuando se recaba información del cliente
(mercado) para definir lo que el cliente quiere, necesita y espera de un producto
particular. El diseñador debe recoger dichas necesidades, y traducirlas en
especificaciones de producto, las cuales incluyen dibujos, dimensiones,
tolerancias, materiales, procesos, herramientas, etc.. Los fabricantes con toda esta
información fabrican el producto. Después el producto se envía al cliente a través
de su comercialización. Para satisfacer al cliente, el producto debe llegar en la
cantidad adecuada, en el tiempo adecuado, en el sitio adecuado y con las funciones
exactas para funcionar el tiempo adecuado y todo ello a un precio adecuado.
Se puede decir que la mejor definición de alta calidad, es la de tener un cliente
feliz.
Una definición de calidad que se va a utilizar en esta obra, por su profundo
significado, es la de Taguchi:
"Es la pérdida económica generada a la sociedad desde que un producto ha sido
lanzado al mercado"
1.2 VARIACIÓN
Sabemos que un producto o servicio de calidad es aquel que responde

perfectamente a las necesidades del cliente, es decir aquel cuyas características
funcionales son las óptimas y varían lo menos posible a lo largo del tiempo:
Supongamos un proceso de torneado de unos ejes. Dichos ejes deben tener un
diámetro nominal . La variación se encuentra a nivel de las centésimas. Para que
dichos ejes funcionen óptimamente tienen que tener una diámetro nominal en
centésimas de 25,10 mm y una tolerancia de  0,04 mm. Es decir 25,10  0,04
mm.
Si torneo 50 ejes seguidos y mido sus diámetros, los primero que observo es una
variación en el , aunque estén fabricados uno a continuación del otro en
intervalos de tiempo pequeñísimos. La pregunta que nos podemos hacer es
inmediata: ¿ porqué existe dicha variación, si no hemos modificado ningún
parámetro de máquina?. La respuesta se puede observar claramente en la
siguiente figura:
PROCESO / SISTEMA
MAQUINA METODO MEDIO AMBIENTE
PRODUCTO
EJE
MEDICIONES MATERIA PRIMA MANO DE OBRA
Figura 2 PROCESO / SISTEMA

-6–
La respuesta es que existen miles de causas de variación que hacen que un
producto no sea igual al siguiente. Dichas causas están agrupadas en seis grandes
capítulos ( de las "6 M" ): máquina, método de trabajo, medio ambiente, medidas,
materias primas y mano de obra. A este diagrama también se le conoce como "
Diagrama de Ishikawa o espina de pescado ".
Todas estas causas de variación hacen que los productos no tengan las
características funcionales en sus valores óptimos, y su funcionamiento diste
mucho de satisfacer las necesidades del cliente. De este problema surge la
necesidad de establecer los controles de calidad del producto. Existen dos
formas de realizar dicho control, por detección y preventivo. En el siguiente
gráfico se puede observar claramente la diferencia:
PROCESO / SISTEMA
MALO BUENO
MAQUINA METODO MEDIO AMBIENTE
DETECCION
PRODUCTO
EJE
MEDICIONES MATERIA PRIMA MANO DE OBRA INFORMACION
PREVENCION
Figura 3 PREVENCIÓN FRENTE A DETECCIÓN
En ambos casos lo que se hace es obtener información del producto acabado. En

un sistema de control por detección, lo que se hace es aceptar todo aquel producto
cuyas características estén dentro de tolerancias, y rechazar el que se encuentre
fuera de las especificaciones. Este producto rechazado va a chatarra o
recuperación . Este sistema de aseguramiento de la calidad es altamente costoso,
detecta lo que está mal y lo corrige encareciendo enormemente la calidad
conseguida. Se trata de sistemas poco competitivos.
En cambio, los sistemas de control de calidad preventivos, aunque también
parten de la misma información , se utilizan para conocer como se comporta el
proceso o sistema. Es decir, investiga qué causas del proceso, son las que están
produciendo un alejamiento de las características funcionales del producto de su
valor funcional. Actúa desde el origen para no tener problemas en el destino.
Estas diferencias las podemos observar claramente siguiendo con el ejemplo del
proceso de torneado de los 50 ejes:
ASEGURAMIENTO DE CALIDAD EN SISTEMAS TRABAJANDO EN DETECCIÓN:
-7–
Tolerancia en las centésimas del diámetro de los ejes = 25,10  0,04 mm
         
1. 13 6. 14 11. 10 16. 10 21. 15 26. 13 31. 13 36. 13 41. 15 46. 14
2. 11 7. 16 12. 9 17. 10 22. 15 27. 12 32. 10 37. 11 42. 12 47. 13
3. 11 8. 14 13. 17 18. 16 23. 14 28. 11 33. 12 38. 14 43. 13 48. 13
4. 13 9. 14 14. 13 19. 12 24. 13 29. 14 34. 15 39. 11 44. 13 49. 16
5. 12 10. 12 15. 13 20. 13 25. 12 30. 15 35. 11 40. 15 45. 12 50. 12
Tabla 1 VALORES DE DIÁMETRO DE 50 EJES (variación en las
centésimas)
Bajo este sistema de control, la información obtenida de la tabla se utiliza para

actuar sobre el producto. Si se analiza detenidamente se observa que existen 10
diámetros que se encuentran fuera de tolerancia y 40 dentro. Luego separamos
los ejes defectuosos.
ASEGURAMIENTO DE CALIDAD EN SISTEMAS TRABAJANDO EN PREVENCIÓN:
1 3 6 7 13 9 6 4 1
17 16 15 14 13 12 11 10 9 8 7 6 5
Tabla 2 FRECUENCIA ABSOLUTA
-8–
Aquí también se recoge información del producto acabado, pero es para conocer
cual es el comportamiento del proceso. Si la variación en la salida es elevada, se
investigará cual es la causa o causas del proceso que la origina eliminándolas
posteriormente. Más adelante veremos que Taguchi es partidario de no eliminar
todas las causas, ya que muchas de ellas son imposible de eliminar o muy costoso;
sino de encontrar aquellos niveles de los parámetros de control del proceso que
son los más insensibles a la variación provocada por las causas. Es decir, diseña
los procesos de tal forma que prácticamente no acusan los efectos provocados por
dichas causas.
En la siguiente figura vemos la representación gráfica del histograma del proceso:
14 13 30
12 26% 25
10 9
Frecuenci
20
Frecuen
8 18% 7
6 14%
6 15
6 12% 12%
4 10
4 8% 3
6%
2 1 1 5
2% 2%
0 0
4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
Diámetro
Figura 4 HISTOGRAMA
Lo que el cliente quiere es que el proceso esté centrado en 10 mm que es el valor

nominal. O lo que es lo mismo, que el proceso de torneado de estos ejes, esté
centrado en el valor 10 y exista la menor variación posible entorno al 10.
En el caso anterior 1º habría que centrar el proceso al valor nominal y después
disminuir la variación alrededor de dicho valor. Se investigarían las causas que
producen dichos problemas y se eliminarían o se diseñaría el proceso robusto,
insensible a los efectos de las causas.
1.3 REDUCCIÓN DE COSTOS POR REDUCCIÓN DE LA VARIACIÓN
Hemos visto que el nivel de calidad de un producto se mide por el deterioro que
experimenta por su uso y manejo. Vamos a intentar comprender un poco más a
fondo la definición de calidad de un producto dada por Taguchi:
"Es la mínima pérdida económica generada a la sociedad desde que un

producto ha sido lanzado al mercado"
En las empresas americanas y europeas es, todavía, muy corriente el oír que un
producto de elevada calidad si se ha fabricado dentro de sus tolerancias. Este tipo
de afirmación solo tiene que ver con los diseñadores y fabricantes. Es lo que se
-9–
conoce como el síndrome de la "portería de fútbol", todo balón que entra entre los
tres palos es gol. Lo que le falta a esta definición de calidad son los requerimientos
del consumidor. Un producto puede encontrarse dentro de sus especificaciones,
pero si el producto no concuerda con las del cliente, no existe una calidad real. Por
ejemplo, un consumidor comprará un televisor con la mejor imagen, y no aquel
que se encuentre dentro de especificaciones. Los consumidores quieren que los
productos estén lo más próximos al valor nominal todo el tiempo y los fabricantes
quieren que el producto varíe entre los límites de especificación. ¿ Cómo pueden
tenerse en cuenta estas dos ideas aparentemente contradictorias ?. Más adelante
veremos que con el diseño de parámetros de Taguchi será posible contestar a
dicha pregunta.
La pérdida a la sociedad está compuesta de dos costos:

- Costos originados en los procesos de producción
- Costos originados por el uso del producto (reparaciones, ...)
Existen dos ejemplos que aclaran el significado de pérdida ocasionada a la

sociedad:
Ejemplo 1:
Un fabricante japonés fabricaba cubiertas de polietileno con un espesor nominal

de 0,039 in o 1 mm, para proteger las cosechas del frío. Los agricultores quieren
tener las cubiertas lo suficientemente gruesas como para aguantar las
inclemencias del tiempo sin romperse, pero no demasiado gruesas como para
impedir el paso de la luz a través de ellas. Los fabricante quieren fabricar plásticos
finos para obtener más metros cuadrados de polietileno al mismo costo. En la
siguiente gráfica se observan estos dos requerimientos:
- 10 –
Figura 5 COSTOS ASOCIADOS CON LA CUBIERTA DE POLIETILENO
Las especificaciones nacionales para el espesor del polietileno era de 1mm  0.2
mm. Una empresa que fabricaba este tipo de plástico, mantenía la variación del
espesor en  0.02 mm de forma consistente. La empresa tomó la decisión
económica de reducir el espesor nominal a 0.82  0.02 mm. De esta forma el
espesor de todos los plásticos entraban dentro de las especificaciones nacionales.
Esto podría reducir los costos de fabricación y aumentar los beneficios.
Pero, en el mismo año ocurrieron fuertes tormentas que causaron que los plásticos
se rompieran con gran facilidad. El costo de reemplazo de dichos plásticos hubo
de ser pagado por los agricultores, y este fue mucho mayor del esperado. Estos
costos los podemos observar en el gráfico anterior. Lo que no consideraron los
fabricantes es el hecho de que el costo para los agricultores aumentaría al
disminuir los costos internos de fabricación.. La función de pérdida, la pérdida a la
sociedad, es la curva superior, que es la suma de las curvas del fabricante y del
consumidor.
El fabricante está obligado, por ser parte de la sociedad, a fabricar plásticos con
un espesor centrado en el nominal (1 mm), y a reducir la variación entorno a dicho
valor nominal todo lo posible.
- 11 –
Un japonés hubiese dicho que una empresa como la vista anteriormente sería peor
que un ladrón, ya que si un ladrón roba a una persona 10 $, la pérdida a la sociedad
es 0; alguien ha perdido 10 $, pero el ladrón los ha ganado. Pero en el caso
anterior, la ganancia de la empresa es mucho menor que la pérdida originada a la
sociedad. Un fabricante que ahorra menos dinero que el que un cliente gasta en
reparaciones por mala calidad de un producto, ha hacho más que robar al cliente
y a la sociedad.
Ejemplo 2:
Se trata de un televisor Sony fabricado por dos fábricas, una localizada en San
Diego en Estados Unidos, y la otra en Japón. En 1979, el periódico Asahi publicó
un artículo que hablaba de la preferencia del consumidor americano por los
televisores fabricados en Japón. Los televisores de las plantas filiales de Sony en
San Diego, California, eran aparentemente idénticos a los fabricados en Tokio,
Japón. Ambas empresas los fabricaban para el mercado estadounidense, usaban
el mismo diseño y las mismas tolerancias. Sin embargo el consumidor americano
prefería comprar televisores hechos en Japón.
Los televisores fabricados en la planta de San Diego, no se comercializaban
ninguno con una densidad de color fuera de las tolerancias. (libres de defectos).
Los televisores fabricados en Japón tenían un 3 de cada 1000 aparatos con una
densidad de color fuera de tolerancias.
JAP
NOMINAL ES
L.C.I.
Figura 6 DIFERENCIA DE CALIDAD DE PRODUCCIÓN, JAPÓN / U.S.A.
¿Porqué los americanos preferían comprar televisores fabricados en Japón?. La

respuesta es fácil, la mayor parte de los televisores japoneses están más cerca del
valor nominal los americanos. La densidad de color de la mayor parte de los
televisores japoneses están más cerca del valor óptimo funcional. Los
consumidores (mercado) aprecian claramente esta diferencia.
- 12 –
Las tolerancias no aseguran la calidad., solo establecen los límites dentro de los
que un producto funciona o no funciona. Dos productos pueden funcionar, pero
uno de ellos ser mejor que otro. Si todos los productos responden al valor nominal
deseado, la calidad está asegurada. El que todos los productos tengan el valor
nominal es imposible, pero si es posible el tener la menor variación posible entorno
al valor nominal.
1.4 FUNCIÓN DE PERDIDA
El objetivo de la función de pérdida creada por Teguchi, es la evaluación

cuantitativa y económica de la pérdida de calidad debido a las variaciones
funcionales. Para cada característica de calidad existe una función que define la
relación entre la pérdida económica y la desviación de la característica de calidad
de su valor nominal. La representación cuadrática de la función de pérdida es una
forma eficiente y efectiva de establecer las pérdidas por calidad..
La función de pérdida es un aproximación de una expansión de la Serie de Taylor
alrededor del valor nominal:
L(y) m = L(m) + L (m)

 m - y + L (m)
 m - y 2 + ........
1! 2!
Ecuación 1 Función de pérdida. Desarrollo de Taylor
dicha expresión queda reducida para la característica de un solo componente a:
L(y) = k y - m
2
Ecuación 2
donde:
L(y) = Pérdida en dinero por unidad de producto cuando el valor de la característica
de calidad es y
y = valor de la característica de calidad. Ej.: longitud, concentración, fuerza,
diámetro, densidad....
m = valor nominal de y
k = es una constante de proporcionalidad. El significado es la importancia
financiera de la variable
La función de pérdida es por los tanto una función continua y no de salto de

escalón:
- 13 –
L(y)
$

Ao = 100 $
95 115 135 y
Figura 7 FUNCIÓN DE PERDIDA
En la figura anterior se encuentra representada la función de pérdida en para el

caso del voltaje de un circuito de un aparato de televisión. Dicho voltaje está
relacionado con la densidad de color del aparato. El voltaje nominal óptimo es de
115v. Se sabe que el costo promedio para reparar el televisor, cuando el voltaje
de salida de dicho circuito es de 115  20v, es de 100 $. Se trata de la tolerancia
del consumidor. o = 20v es la tolerancia del consumidor, y Ao = 100 $ es la
pérdida para la tolerancia del consumidor.
Estos datos sirven para calcular la constante k
k = 100 $ / (20 v)2 =0.25 $/v2
con este dato la ecuación de la función de pérdida es L(y) = 0.25 (y - 115)2
Si el circuito electrónico se monta en un televisor y se comercializa con una salida

de potencial de 110v, sin ser reprocesado, la función de pérdida sería L(y) = 0.25
(110 - 115)2 = 6.25 $.
Esto significa que, en promedio, alguien está pagando 6.25 $. Este es un dato
aproximado que la mala calidad origina a la sociedad. esta pérdida le llega al
fabricante como:
 consumidor insatisfecho
 costos de garantía agregados
 tiempo y dinero por el consumidor en las reparaciones
 mala reputación
 pérdida de mercado la largo plazo
- 14 –
Toda característica de calidad de cualquier producto tiene un límite a partir del
cual deja de funcionar dicho producto. Es lo que hemos denominado tolerancia del
consumidor, también llamado dosis letal. Esta denominación proviene de una
terminología farmacéutica. Cuando a una población de ratas se las inyecta un
determinado veneno, la dosis letal para dicho veneno es aquella concentración tal
que el 50% de las ratas mueren. Bajo el enfoque industrial, sería aquel valor de la
variable para el que el 50% de los productos dejan de funcionar, o que el 50% de
los consumidores consideraría que el producto no funciona.
La expresión de la función de pérdida para n productos extraídos de un proceso de
montaje, será:
L(y) = k SMD = k
1 n

n i 1
 
yi  m  = k  2   y  m 
2 2

Ecuación 3
La anterior ecuación calcula la función de pérdida media por pieza, componente,
variable, etc.. Esta se logra disminuir, disminuyendo la variación 2 alrededor de
un valor medio, y ajustando el valor medio al valor nominal m (media - mm)2.
Taguchi también calculó distintas ecuaciones de la función de pérdida para el caso
de características a optimizar que sean del tipo Menor - Mejor (minimización) y
Mayor - Mejor (maximización ).
NOMINAL - MEJOR MENOR - MEJOR MAYOR - MEJOR
UNA PIEZA A0
A0 1
L = k y - m ; k =
2 L = k y2; k = L = k ; k = A0 y0
2
O 2 y0
2
y 2
PRODUCTO 0
Ecuación 4 Ecuación 5 Ecuación 6
UNA L=k
1n

n i1
  2

yi  m  k 2  y  m L = k 1 yi2  k  y2  2 
2 n
1n 1 1  2 
MUESTRA n 11 L=k  2 k 2 13 2 
O n11yi y y
PROCESO
Ecuación 7 Ecuación 8 Ecuación 9
Tabla 3 RESUMEN DE LA FUNCIÓN DE PERDIDA

Las gráficas correspondientes a cada una de las ecuaciones anteriores aparecen
en las figuras siguientes:
- 15 –
L(y) NOMINAL - MEJOR
Ao
y

Figura 8 FUNCIÓN DE PERDIDA NOMINAL - MEJOR
MENOR - MEJOR
L(y)
Ao
y
yo
Figura 9 FUNCIÓN DE PERDIDA MENOR - MEJOR
MAYOR - MEJOR
L(y)
Ao
y
yo
Figura 10 FUNCIÓN DE PERDIDA MAYOR - MEJOR
- 16 –
2. DISEÑO DE EXPERIMENTOS
La primera pregunta que se puede formular inmediatamente es ¿Cómo conseguir

situar la media de nuestros productos o procesos en el valor nominal, y reducir la
variación entorno a esta media?. La respuesta es mediante el diseño de
experimentos.
2.1 DEFINICIÓN
Una definición bastante acertada del diseño de experimentos es "la introducción

deliberada de cambios a fin de evaluar sus efectos sobre el funcionamiento de los
procesos y adecuación de los productos". Todo proceso genera información. Lo que
se necesita para aprender, provocando dicho aprendizaje, es la confluencia de
acontecimientos críticos y un agente perceptivo (hombre). Es decir, se trata de
provocar una situaciones diferentes, que nunca se han probado, y ver que efectos
tienen, para seguidamente obtener un aprendizaje.
El diseño de experimentos no es ninguna técnica nueva ni revolucionaria. Se puede
decir que desde los albores del tiempo (prehistoria) ya se experimentaba. Los
hombres de Cromagnon chocaban unas piedras contra otras y veían que
consecuencias tenía. Probablemente un acontecimiento que ocurrió en dicha época
y que refleja muy bien la definición dada del diseño de experimentos, es la del
fuego. Probablemente el fuego se descubrió en alguna de aquellas tormentas en
las que se hubiesen desencadenado relámpagos. Al caer un rayo en maleza o un
bosque provocó un incendio ("acontecimiento crítico", algo extraordinario, fuera
de lo normal), observando dicho acontecimiento alguna de aquellas personas
("agente perceptivo"), la cual acercándose a él intentó tocarlo quemándose
(aprendizaje).
Esta experimentación se trata probablemente de una experimentación no
diseñada. Esta es la diferencia con el tipo de experimentaciones sobre las que
trataremos en el presente trabajo. La palabra diseño implica que existe una forma
ordenada y dirigida de realizar las experiencias. Se puede decir que las primeras
experimentaciones dirigidas con cierta estructura fueron las denominadas de "de
un factor a la vez", pasando rápidamente a trabajar en métodos de "muchos
factores a la vez". Dentro de este último grupo de experimentaciones, las primeras
que se realizaron, se debieron a R. A. Fisher hacia 1920 en el Rothamsted
Agricultural Experimental Station, Inglaterra. Fisher comparó con éxito la calidad
distintas variedades de plantas dividiendo primero la tierra en bloques
homogéneos de distintas fertilidades, y segundo, plantando distintas variedades
dentro de cada uno de los bloques homogéneos de forma aleatoria. Esto le permitió
establecer qué variedad de plantas y condiciones de fertilización eran las mejores
comparando unas con otras. Fisher trabajó y creó el Análisis de Varianza, los
Diseños de Bloques Aleatorios, diseños de Cuadrado Latino, cuadrado Grecolatino,
etc..
- 17 –
Dentro del grupo "muchos factores a la vez", se incluyen también los Diseños
Factoriales Completos y los Factoriales Fracciónales de resolución 2k-p de Box, los
de Plackett & Burman y los Arreglos Ortogonales de Taguchi.
Se puede decir que gran parte del desarrollo del Diseño de Experimentos en
occidente se debe a Box Hunter & Hunter ( 1978) y en oriente a Taguchi. (
1976).
Otra consecuencia inmediata del diseño de experimentos es que se conoce y
comprende el funcionamiento del proceso y comportamiento del producto que
hemos optimizado.
2.2 FACTORES, NIVELES E INTERACCIONES
Sabemos que los productos han de satisfacer las necesidades del consumidor, y
por lo tanto, las características funcionales de dichos productos han de tener unos
valores nominales, máximos o mínimos. Desde el punto de vista de la calidad, el
diseño de experimentos, busca encontrar el material, la presión, la temperatura,
coeficiente de resistencia, tiempo de ciclo, etc.., que optimizan dichas
características funcionales.
A la vista de lo anteriormente apuntado, factor es todo aquello que pueda afectar
o tenga algún tipo de influencia sobre la/s características de calidad
seleccionada/s. Ejemplo: en un proceso de templado de unas piezas, una
característica importante es la dureza de dichas piezas. Se trata de una variable
mayor - mejor. Un listado de los posibles factores que pueden afectar a la dureza
en dicho proceso son:
 El % en C (Carbono)
 T ºC
 Velocidad de calentamiento
 Velocidad de enfriamiento
 Proveedor
 Materia prima
 Cantidad de carga
 Tiempo de permanencia a la temperatura T
 .............................................
Los factores se escogen en base a nuestra experiencia, a la información que

tengamos recogida y con la ayuda de otras herramientas de la calidad como son
el diagrama de Ishikawa o " espina de pescado" o "causa efecto", AMFE ( análisis
modal de fallos y efectos críticos ), etc.. Los factores han de ser controlables y
medibles.
Los niveles de dichos factores, son los valores que se fijan de cada uno de los
factores. El número de niveles puede ser variable, 2,3,4, etc...El objetivo
perseguido es encontrar aquel nivel que optimiza la variable o característica de
calidad. Siguiendo con el ejemplo anterior, y considerando solo dos niveles, estos
podrían ser:
- 18 –
FACTORES NIVELES
 El % en C (Carbono) 3% 5%
 T ºC 2000ºC 2500ºC
 Velocidad de calentamiento 50º/' 100º/'
 Velocidad de enfriamiento 50º/' 100º/'
 Proveedor A B
 Materia prima Dura Blanda
 Cantidad de carga 100 Kg 200 Kg
 Tiempo de permanencia a la temperatura T 15' 30'
Tabla 4 EJEMPLO DE FACTORES Y NIVELES
A los niveles se les suele simbolizar por + y - o 1 y 2 . En el ejemplo anterior y

para el primer factor se podría haber escrito:
+o1=3%
-o2=5%
asignándose el resto de forma equivalente.
Otro concepto importante es el de interacción de dos factores. Se dice que dos

factores que influyen sobre una característica interaccionan, cuando la influencia
de un factor sobre la característica de calidad es distinta, dependiendo del nivel al
que se encuentre el otro factor. La presencia de una interacción indica que el efecto
de los dos factores sobre la característica de calidad es no lineal (aditivo).
Una forma de comprender más fácilmente lo que significa una interacción entre
dos factores, es mediante la representación gráfica. Para ello, vamos a ver el
siguiente caso.
Supongamos que estamos fabricando unos pistones de aluminio en una fundición
de aluminio. La característica de calidad que nos interesa el la dureza medida en
la escala Rockwell B. Los ingenieros determinaron que dos factores claramente
influyentes en la dureza eran uno el contenido de cobre (%Cu, A), y el otro el
contenido de magnesio (%Mg, B).La tabla siguiente recoge los valores de dureza
de las ocho piezas de fundición obtenidas en las cuatro combinaciones posibles de
los niveles de A y B. En cada combinación se obtuvieron dos piezas de fundición,
esto es lo que se denomina réplica.
A1 (3.5 % A2 (4.5 % Cu)

Cu)
B1 (1.2 % Mg) 76 78 73 74
B2 (1.8 % Mg) 77 78 79 80
Tabla 5 EXPERIMENTACIÓN. DUREZA PIEZAS DE FUNDICIÓN
Si representamos gráficamente la dureza media al aumentar la concentración de
Cu primero cuando la concentración de Mg permanece constante el igual a 1.2 %,
y segundo cuando permanece constante e igual a 1.8 % tendremos la figura
siguiente:
- 19 –
(1.2%Mg) (1.8%Mg)
80
78
Dureza ,R B
76
74
72
70
A1(3.5%) A2(4.5%)
%Cu
Figura 11 INTERACCIÓN COBRE - MAGNESIO

La interacción se manifiesta gráficamente por un paralelismo entre las dos rectas.
Cuanto menos paralelas sean más fuerte es la interacción. Una interacción fuerte
también está representada por un cambio de pendiente, como en este caso.
Al aumentar la concentración de Cu de 3.5 a 4.5 con una concentración fija de un
1.2% de Mg la dureza disminuye. Sin embargo esta aumenta al pasar de una
concentración de Cu de 3.5 a 4.5 cuando se mantiene fija la concentración de un
1.8% de Mg. Este es el caso de interacción de dos factores.
La representación gráfica en el caso de no interacción, serían dos rectas paralelas.
Ejemplo:
(1.2%Mg) (1.8%Mg)
80
78
Dureza ,R B
76
74
72
70
A1(3.5%) A2(4.5%)
%Cu
Figura 12 NO INTERACCIÓN ENTRE EL COBRE Y MAGNESIO
3. TIPOS DE DISEÑO DE EXPERIMENTOS
- 20 –
Una vez que hemos seleccionado los factores y niveles de influencia en una varias
características de calidad de un producto o proceso, necesitamos saber, en estas
condiciones, el número de experimentos y forma de combinar los niveles de los
factores.
Se ha visto ya que existen muchas formas de diseñar la experimentación. En este
capítulo abordaremos alguna de ellas, deteniéndonos en aquellas más prácticas.
3.1 DISEÑOS DE UN FACTOR A LA VEZ
Se trata del método más popular sobre experimentación multifactorial en la

mayoría de las industrias y centros de investigación occidentales Se trata de
cambiar un solo factor permaneciendo el resto constante en unas condiciones
específicas.
Por ejemplo supóngase que el investigador ha decidido estudiar la posible
influencia de cuatro factores A, B, C Y D. Lo que hace es cambiar el nivel de un
solo factor una vez, permaneciendo el resto constante, y esto con cada uno de los
factores.
FACTORES Y NIVELES
Nº de A B C D Característica
exp.
1 1 1 1 1 y1 y2
2 2 1 1 1 y3 y4
3 1 2 1 1 y5 y6
4 1 1 2 1 y7 y8
5 1 1 1 2 y9 y10
Tabla 6 TIPO 1 DE EXPERIMENTACIÓN DE UN FACTOR A LA VEZ
La diferencias de resultado entre el experimento 2 y el 1 permiten estimar la

influencia del factor A. Si se compara los resultados del experimento 3 con el 1 se
obtiene la posible influencia del factor B, y así sucesivamente.
Otra forma de experimentar cambiando los niveles de un factor una sola vez es la
siguiente:
FACTORES Y NIVELES
Nº A B C D E F G Variabl
exp. e
1 1 1 1 1 1 1 1 y1
2 2 1 1 1 1 1 1 y2
- 21 –
3 2 2 1 1 1 1 1 y3
4 2 2 2 1 1 1 1 y4
5 2 2 2 2 1 1 1 y5
6 2 2 2 2 2 1 1 y6
7 2 2 2 2 2 2 1 y7
8 2 2 2 2 2 2 2 y8
Tabla 7 TIPO 2 DE EXPERIMENTACIÓN DE UN FACTOR A LA VEZ
En este caso las comparaciones para conocer la influencia de cada uno de los
factores se van desplazando sucesivamente hacia abajo. Este método muchas
veces parece que llega a resultados contradictorios, aunque todos tienen su
explicación. En ambos métodos, Al comparar el experimento 2 con el 1 se obtiene
la influencia del factor A, cuando el resto de los factores permanecen al nivel 1.
No sabemos si la influencia de dicho factor A es la misma cuando el resto de los
factores se encuentra en otros niveles. No se pueden calcular los efectos reales de
los factores.
Se puede obtener una imagen visual de la situación anterior par el caso de que
tengamos dos factores afectando a una variable característica de calidad. Se
representará la dependencia de dicha variable mediante sus curvas de nivel:
Figura 13 CURVAS DE NIVEL EXPERIMENTAL
- 22 –
Figura 13 SUPERFICIE EXPERIMENTAL
En las anteriores figuras solo se refleja el caso para dos factores, en el caso de
más factores sería exactamente igual, pero el tratamiento es totalmente numérico.
3.2 ANÁLISIS DE VARIANZA
Este método fue desarrollado por Fisher sobre 1930 como método de
interpretación de los resultados de los experimentos realizados en agricultura.
Aunque se le ha incluido en este capítulo como un tipo de diseño de experimentos,
se trata más bien de un método estadístico utilizado para interpretar datos
experimentales y tomar las decisiones oportunas.
Está considerado aquí, porque existen planteamientos experimentales que surgen,
en cierta manera, a partir de la información que desea obtener una vez finalizada
la experimentación. De esta forma se diseñan experiencias condicionadas al tipo e
información que se quiere obtener.
El ANOVA, como también se le conoce, es una herramienta de toma de decisiones
basada en la estadística, que permite encontrar diferencias entre los valores
medios de los resultados de grupos de items experimentados. Las decisiones
tomadas tienen en cuenta la variación en lugar del puro juicio de valor.
La mayor utilización que se hace del análisis de varianza es como herramienta de
análisis de datos, más que como método de diseñar experimentaciones.
Si se aplicase el análisis de varianza al ejemplo estudiado en el capítulo anterior
(maximización de la dureza en las piezas de fundición) llegaríamos a unas
conclusiones después de haber realizado el análisis. Estas conclusiones se obtienen
- 23 –
a partir de una tabla final, que es a la que siempre se llega cuando se trabaja con
análisis de varianza.
Fuente Suma de Grados de Varianza o

de Cuadrados Libertad cuadrados F
Variación medios
A 1,125 1 1,125 1,29
B 21,125 1 21,125 24,14
AxB 15,125 1 15,125 17,29
e 3,500 4 0,875
T (Total) 40,875 7
Tabla 8 ANÁLISIS DE VARIANZA DEL EXPERIMENTO DE FUNDICIÓN
Lo que hace el análisis de varianza es responder a la siguiente pregunta: ¿ porqué

los valores de dureza ( Tabla 5 EXPERIMENTACIÓN. DUREZA PIEZAS DE
FUNDICIÓN) de las piezas fabricadas son distintos?, o ¿ porqué son diferentes
unos de otros ?. Para responder a estas preguntas lo que hace el análisis de
varianza es calcular la variación que produce cada uno de los factores controlados,
después calcula la variación debida a todos los demás factores no controlados que
pudieran estar influyendo sobre la variable, a esta variación se la conoce con el
nombre de residual. Para calcular estas varianzas, se necesitan calcular
previamente lo que se denomina Suma de Cuadrados y Grados de Libertad, que
no son otra cosa que el numerador y denominador de una varianza.
Una vez calculadas todas las varianzas, se comparan las varianzas de los factores
con la residual. Si estas son del mismo orden, entonces el factor no influye en la
variación de los datos. Por el contrario, si la varianza del factor es mayor que la
residual dicho factor influye en la variación final de los datos. Todo lo dicho
anteriormente se contrasta estadísticamente mediante la prueba F de Fisher. La
última columna de la tabla anterior representa los valores de F para cada factor,
calculados como cociente de la varianza del factor entre la varianza residual. Este
cociente bajo la hipótesis nula de que no hay diferencia significativa entre la
varianza del factor y la residual, se distribuye según una función F de Fisher que
se encuentra tabulada.
Si los valores F calculados son mayores que los valores F que se encuentran en la
tabla correspondiente, hay que rechazar la hipótesis nula, y el factor influye en la
variación de los datos finales. Si no, se acepta la hipótesis nula y dicho factor no
influye en la variación de los datos y por lo tanto es un estimación del residual.
De los tres valores F de la tabla anterior solo hay dos que son mayores que los de
la tabla F de Fisher, son los correspondientes a B y AxB. Es decir, al magnesio (B),
y a la interacción del Cu con el Mg (AxB). Con el Cu no ha podido demostrarse, a
través de la evidencia experimental, que tenga influencia en la dureza.
Esta tabla puede quedar definitivamente terminada si se estima más exactamente
el valor de la varianza residual, mezclando la varianza residual anterior con la
varianza calculada para el Cu que también es varianza residual, ya que este factor
no influye. La tabla definitiva quedaría de la siguiente manera:
- 24 –
Fuente Suma Suma
de de Grados de de
Variación Cuadrados Libertad Varianza F Cuadrados' P (%)
B 21,125 1 21,125 22,83 20,200 49,42
AxB 15,125 1 15,125 16,35 14,200 34,74
ep 4,625 5 0,925 6,475 15,84
T (Total) 40,875 7 40,875 100,00

Tabla 9 ANOVA DEFINITIVO
La última columna representa el porcentaje de influencia, de cada uno de los

factores significativos, sobre la dureza de las piezas. El de mayor influencia
corresponde al Mg, después a la interacción cobre magnesio, y por último el
porcentaje residual que tenemos que es del 15,84 %.
El % residual sirve para indicar la bondad del diseño de experiencias. Si el
porcentaje es demasiado elevado > 50%, nos hemos considerado factores de
control importantes que influyen sobre la variable.
3.3 DISEÑO FACTORIAL COMPLETO
Se trata de un diseño de experimentos en el que se consideran todas las posibles

combinaciones entre los nivelas de los factores. Es un sistema que ofrece la
información más completa posible. En este tipo de experimentación se deben tener
en cuentas tres criterios:
1º.- Nº de experimentos a realizar en función de los factores y niveles de los

mismos
2º.- Diseño de la experimentación
3º.- Análisis de los resultados de la experimentación y condiciones óptimas
Se va a ir viendo cada uno de los tres criterios anteriores en base a un caso real
"Optimización sobre la energía de absorción de las juntas de estanqueidad de las
puertas de un coche". El objetivo era el mejorar el cierre de las puertas de un
coche, teniendo en cuenta solamente la junta principal, en lo que concierne a :
1er Factor (A): Diámetro de los agujeros de extracción de aire (4 y 5 )

2o Factor (B): Distribución de los agujeros respecto a la grapa (24º sobre el
eje de la grapa y paralelo al eje)
3er Factor (C): Nº de agujeros por unidad de longitud (300mm y 200mm)
Los valores que hay entre paréntesis son los niveles de los factores. Estos se
denominan, en este tipo de diseño de experiencias, como + y -. El nivel -
correspondía a la serie actual, y el nivel + a una modificación de la serie.
- 25 –
1º.- Nº de experimentos a realizar en función de los factores y niveles de los
mismos
El número de diseño de experimentos ene general es:
N = (nivel) k
Ecuación 10
donde nivel el nº de niveles que posee cada factor, y k es el nº de factores. Si solo

trabajásemos con factores a dos niveles la Ecuación 10 se transformaría en:
N = 2k
Ecuación 11
En la tabla siguiente tenemos un conjunto de ejemplos de como calcular el nº de

experimentos necesarios en situaciones diferentes:
Nº de Nº de niveles Cálculo Nº de
factores combinaciones
2 2 22 4
3 2 23 8
4 2 24 16
5 2 25 32
6 2 26 64
7 2 27 128
2 3 32 9
3 3 33 27
4 3 34 81
..... ..... ..... .....
Tabla 10 CALCULO DEL Nº DE COMBINACIONES
En nuestro caso solo tenemos tres factores a dos niveles, el número de

combinaciones posibles son 8.
Diseño de la experimentación
Una vez conocido el número de combinaciones posibles, se necesita saber como

son esas combinaciones. Existe una regla bastante sencilla para construir todas
las combinaciones posibles. Esta dice que para diseñar 2k combinaciones, se crea
una tabla o matriz de signos +/-. Dicha tabla está encabezada por una primera
columna que indica el nº de combinación, después aparecen las columnas de los
factores y por último la variable o característica de calidad a optimizar.
Debajo de la columna de cada factor se colocan hasta el final (2k), un nº de signos
(2k-1) que se van intercambiando, siendo k el número de columna / factor
- 26 –
primera columna, primer factor (k=1), 2k-1, 21-1 = 20 = 1 signo se va
intercambiando
segunda columna, segundo factor (k=2), 2k-1, 22-1 = 21 = 2 signos se van
intercambiando
tercera columna, tercer factor (k=3), 2k-1, 23-1 = 22 = 4 signos se van
intercambiando
FACTORES NIVEL + NIVEL -

(A) Diámetro de los agujeros de Modificación de la serie Serie actual
extracción de aire 4 5
(B) Distribución de los agujeros Modificación de la serie Serie actual
respecto a la grapa 24º Paralelo
(C) Nº de agujeros por unidad Modificación de la serie Serie actual
de longitud 300 200
Tabla 11 FACTORES Y NIVELES
El diseño de la experimentación se refleja en la tabla siguiente:
Nº de C B A E (W) y1 E (W) y2 Varianza

comb.
Promedio y 2
1 + + + 78 84 81 10,24
2 - + + 93 101,25 97,13 19,8
3 + - + 80,75 80 80,38 0,26
4 - - + 87,75 87,75 87,75 0,21
5 + + - 89 93 91 4,53
6 - + - 103 100 101,5 2,56
7 + - - 85,75 87 86,38 0,54
8 - - - 91 95,25 93,13 5,24
Tabla 12 MATRIZ DE DISEÑO BASE
El diseño de la experimentación se lleva a cabo aplicando las fórmulas vistas

anteriormente. Una vez colocados los signos correspondientes a los niveles de los
factores, estos se traducen por su valor elucidando los experimentos que hay que
realizar. A esta tabla de signos se la denomina matriz de diseño base
Nº de comb. C B A
1 Serie modificada Serie modificada Serie modificada
2 Serie actual Serie modificada Serie modificada
3 Serie modificada Serie actual Serie modificada
4 Serie actual Serie actual Serie modificada
- 27 –
5 Serie modificada Serie modificada Serie actual
6 Serie actual Serie modificada Serie actual
7 Serie modificada Serie actual Serie actual
8 Serie actual Serie actual Serie actual
Tabla 13 TRADUCCIÓN DE LOS NIVELES DE LOS FACTORES
Una vez traducidos los niveles se llevan a cabo los experimentos. En este caso se
han replicado dos veces los experimentos y el valor de cada réplica es la media de
cuatro mediciones. Al final aparecen dos columnas, una del valor medio final, y la
otra de la varianza.
Conviene aleatorizar la experimentación, para repartir por igual, la posible
influencia de factores no controlados que tengan cierta influencia en la variable.
Análisis de los resultados de la experimentación y condiciones óptimas
El análisis consiste en determinar la influencia de cada factor por separado en la

característica de calidad, y la de todas las posibles interacciones dobles que se
pueden efectuar entre los tres factores. También se calcula el efecto de la
interacción triple, aunque normalmente este tipo de interacciones o superiores son
despreciables.
Existen varias formas de efectuar dichos cálculos, pero una de las más sencillas es
mediante la creación de la tabla de respuestas, las gráficas factoriales y las gráficas
de las interacciones.
La tabla de respuestas se desarrollar a partir de la matriz de cálculo hallada a partir
de la matriz de diseño base. Esta matriz de cálculo sirve de base para el cálculo
de los efectos de los factores y todas sus posibles interacciones.
La matriz de cálculo se construye encabezando una tabla con, primero el nº de
combinaciones, segundo con los factores, tercero con todas las interacciones
dobles que se pueden formar entre ellos, tercero con la interacción triple y una
última columna con los valores medios de la característica de calidad.
Debajo de cada columna, tanto para los factores como para las interacciones se
rellenan de signos. En el caso de los factores ya se conoce como se rellenan dichos
signos. En el caso de las interacciones, los signos que van debajo de cada columna
se obtienen multiplicando los signos de las columnas de los dos factores que
interaccionan. En el caso de la interacción triple, se construyen multiplicando los
signos de las tres columnas. La multiplicación de los signos sigue la regla de
multiplicación de signos en matemáticas.
Nº C B A CxB CxA BxA CxBxA y

comb.
1 + + + + + + + 1
2 - + + - - + - 2
3 + - + - + - - 3
4 - - + + - - + 4
- 28 –
5 + + - + - - - 5
6 - + - - + - + 6
7 + - - - - + + 7
8 - - - + + + - 8
Tabla 14 MATRIZ DE CALCULO
La tabla de respuesta es la siguiente:
FACTOR
C B A CxB CxA BxA CxBxA
NIVEL
+ 84,69 92,66 86,56 88,22 89,00 89,41 89,16
- 94,88 86,91 93,00 91,35 90,57 90,16 90,41
Diferencia 10,19 5,75 6,44 3,13 1,57 0,75 1,25
Tabla 15 TABLA DE RESPUESTAS
La tabla da para cada nivel de cada factor la energía media de cierre. Es decir, la
energía de cierre media para el nivel C+ ( para la serie modificada + en el número
de agujeros por unidad de longitud C ), es de 84,69. La interpretación del resto
niveles es la misma. La fila de la diferencia nos da, en valor absoluto, la fuerza de
influencia de dicho factor. Cuando comparamos relativamente este valor con el
resto, obtenemos información sobre los factores más influyentes; y comparando
el resultado para cada nivel de un mismo factor, obtenemos el nivel óptimo.
Vemos que los factores fuertemente influyentes en orden de mayor a menor
influencia, son:
C (Efecto = Diferencia = 10,19)

A (Efecto = Diferencia = 6,44)
B (Efecto = Diferencia = 5,75)
CxB (Efecto = Diferencia = 3,13)
el resto de los factores no tienen influencia en la variable, o su influencia es

despreciable frente a la de los factores más fuertes.
Existe un test estadístico que da el error del efecto del factor, o el intervalo de
confianza de encontrar el valor verdadero del efecto dentro del intervalo con un
nivel de confianza dado. La fórmula es la siguiente:
4
Efecto  t g.l.,   2 Efecto  Efecto  t g.l.,  sp2
2k r
Ecuación 12
donde Sp2 tiene la siguiente expresión general:
- 29 –
2
  1s 1 2   2 s 2 2 ... k s k 2 
sp =  2 2

  1   2 ... 2k 
Ecuación 13
donde:
 t es un valor de la distribución de Student que se busca en las tablas para un

determinado nº de grados de libertad y un 5% de error de Tipo I o 95 % de
confianza.
 k es el nº de factores
 r es la réplica
  son los grados de libertad de cada repetición o réplica para calcular la varianza
de cada una de las combinaciones de niveles de los factores
 si2 son las varianzas de las réplicas de cada combinación de niveles de los
factores
 El intervalo  t (g.l, )  2 Efecto es el mismo para todos los factores e

interacciones. Si el intervalo contiene el valor 0, el efecto verdadero del factor
es 0.
En el ejemplo tenemos
t [8g.l.(1x8),  =5%] = 2,306

sp2 = 5,4225
r=2
Intervalo =  2,68
Entonces los únicos factores que en su intervalo no incluyen al 0, y por lo tanto

influyen en la variable son:
C 10,19  2,68
A 6,44  2,68
B 5,75  2,68
CxB 3,13  2,68
De la tabla de respuestas podemos seleccionar los niveles de los factores que

minimizan la variable (energía de cierre). Esta selección de niveles también se
- 30 –
puede realizar mediante gráfica factorial, que no es más que la representación
gráfica de la tabla de respuestas:
W
96
94,88
94
92,66 93
92 91,35
90,57 90,4
90 89,41
90,16
89,16
89
88 88,22
86,91 86,56
86
84 84,09
82
80
78
C+
CxB+
B+
C-
CxB-
CxA+
CxBxA+
B-
A+
BxA+
CxA-
CxBxA-
A-
BxA-
Figura 14 GRÁFICA FACTORIAL
Las pendientes más pronunciadas corresponden a los factores de mayor influencia.

Al mismo tiempo se sabe qué nivel del factor es el que minimiza la energía de
cierre. Antes de fijar las condiciones óptimas definitivas, es necesario representar
gráficamente la interacción BxC.
100 99,3125
95
90 90,4375
W
86
85
83,375
80
75
B (+) B(-)
C(+) C(-)
Figura 15 INTERACCIÓN BxC
- 31 –
Se podría haber realizado un análisis más exhaustivo de los datos experimentales
mediante el correspondiente ANOVA:
Fuente de Grados de Suma de Suma' de

variación libertad cuadrados Varianza F cuadrados %P
A 1 663,0625 663,0625 103,4768 656,6547 19,39
B 1 529,0000 529,0000 82,5551 522,5922 15,43
AxB (*) 1 9,0000 9,0000
C 1 1660,5625 1660,5625 259,1454 1654,1547 48,84
AxC (*) 1 39,0625 39,0625
BxC 1 156,2500 156,2500 24,3842 149,8422 4,42
AxBxC (*) 1 25,0000 25,0000
eP (*) 59 378,0625 6,4078 403,6939 11,92
*(mezclados)
Total 63 3386,9375 53,7609 3386,9375 100,00
Tabla 16 ANÁLISIS DE VARIANZA DEL DISEÑO DE EXPERIMENTOS
Con toda la información se fijan los niveles de los factores influyentes para obtener
las condiciones óptimas, las de menor energía de cierre.
El factor más influyente es el C ( nº de agujeros por unidad de longitud), después
el A ( diámetro del agujero de extracción de aire), y por último el B (
emplazamiento del agujero de extracción de aire). Se puede mencionar la
interacción BxC como ligeramente influyente.
El óptimo definitivo es el siguiente:
C (+) A (+) B (-)
El valor de energía de cierre conseguido en estas condiciones ha de ser:
W = Y + (A(+) - Y ) + (B(-) - Y ) + (C(+) - Y ) = 78,6 W. Siendo Y la media

de la columna de medias del experimento.
La ganancia fue mayor de un 15 %.
Este tipo de diseño de experimentos, tiene dos problemas, el primero es que

cuando el número de factores (k) que influyen sobre la variable es elevado, el nº
de experimentaciones se dispara a cantidades inoperantes.; el segundo es que
incluso realizando todos los experimentos, solo nos quedamos con un 20% de la
información (la que es significativa).
Los investigadores empezaban a preguntarse si sería posible encontrar la misma
información relevante sin tener que aumentar demasiado el número de
experimentaciones. La respuesta se encuentra en el siguiente apartado.
3.4 DISEÑOS FACTORIALES FRACCIONALES
- 32 –
Se trata de un conjunto de diseños que constan de una fracción ( una parte) del
correspondiente diseño factorial completo. La estrategia de construcción se basa
en aprovechar determinadas columnas de las matrices de cálculo, para asignar
nuevos factores a alguna de ellas sin aumentar la experimentación. Por ejemplo,
si asignásemos un cuarto factor a la última columna de una matriz de cálculo de 7
columnas, no aumentaríamos la experiencia y estudiaríamos el efecto de un cuarto
factor.
El primer problema que aparece es el posible confundimiento que puede existir
entre el nuevo factor asignado y la interacción correspondiente a la columna que
se ha asignado ( si es que esta existe). Es por esto último que se recomienda
empezar por las columnas de interacciones triple o superior, ya dichos efectos no
existen.
Un cálculo que siempre se hace con este tipo de diseños es el " alias de
confunding", que no es otra cosa que una tabla que nos da qué factores están
confundidos entre si, qué factores están confundidos con interacciones dobles y
que interacciones dobles están confundidas con otras interacciones dobles.
La denominación de este tipo de diseños es:
2 k-p
Ecuación 14
siendo:
k: El nº total de factores estudiados
2k-p: el nº de combinaciones efectuadas entre los niveles de los k factores
p: el nº de variables que son introducidas en un diseño factorial
completo de k-p variables
Una característica de estos diseños es la resolución del diseño, la cual da idea del
nivel de confundimiento existente entre efectos principales es interacciones dobles,
etc.. Los diseños de alta resolución son los preferidos, ya que permiten estudiar
los efectos principales y/o interacciones de segundo orden sin estar confundidos
con otros efectos.
Un tipo especial de diseños factoriales fraccionales, son los denominados diseños
factoriales fraccionado saturados. Son los que se van a ver en el capítulo siguiente.
3.4.1 ARREGLOS ORTOGONALES ( D.F.F. SATURADOS)
Los arreglos ortogonales son diseños factoriales fraccionales saturados. Provienen

de los diseños factoriales completos. Si consideramos la siguiente tabla
proveniente del diseño factorial completo 23
Nº 1 2 3 4 5 6 7 y
comb.
1 + + + + + + + y1
- 33 –
2 - + + - - + - y2
3 + - + - + - - y3
4 - - + + - - + y4
5 + + - + - - - y5
6 - + - - + - + y6
7 + - - - - + + y7
8 - - - + + + - y8
Tabla 17 DISEÑO FACTORIAL FRACCIONAL SATURADO
Lo importante es ver la anterior como una matriz de columnas independientes

(ortogonales, polígonos ortogonales, vectores columna) a las que puedo asignar
factores y/o interacciones bajo unas ciertas reglas que veremos posteriormente.
Si la matriz anterior convierto los + por 1 y los - por 2 tendré la siguiente matriz:
Nº 1 2 3 4 5 6 7 y
comb.
1 1 1 1 1 1 1 1 y1
2 2 1 1 2 2 1 2 y2
3 1 2 1 2 1 2 2 y3
4 2 2 1 1 2 2 1 y4
5 1 1 2 1 2 2 2 y5
6 2 1 2 2 1 2 1 y6
7 1 2 2 2 2 1 1 y7
8 2 2 2 1 1 1 2 y8
Tabla 18 TABLA ORTOGONAL
si cambio el orden de las columnas de la siguiente forma:
Columna 1 Lugar 4
Columna 2 Lugar 2
Columna 3 Lugar 1
Columna 4 Lugar 6
Columna 5 Lugar 5
Columna 6 Lugar 3
Columna 7 Lugar 7
queda definitivamente el Arreglo Ortogonal L8 ( 27 ):
- 34 –
Nº 1 2 3 4 5 6 7 y
comb.
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
Tabla 19 ARREGLO ORTOGONAL L8
El cambio de lugar de las columnas se produce para que las primeras columnas
que aparezcan en cualquier arreglo ortogonal, sirvan para asignar aquellos
factores a los que cuesta mucho cambiar sus niveles alternativamente.
este tipo de tablas ya están tabuladas. Lo único que tenemos que hacer es escoger
aquel arreglo ortogonal que necesitamos para nuestra experimentación. Para
poder hacer esto, existen una ciertas reglas.
La nominación de los arreglos ortogonales es la siguiente:
La ( bc )
donde:
L: Columna linealmente independiente

a: Nº de combinaciones o experimentos mínimo del arreglo ortogonal
b: Nº de niveles de cada factor
c: Nº de columnas del arreglo ortogonal. Nº máximos de factores a
estudiar con a experimentos
Arreglos ortogonales de Arreglos ortogonales de Arreglos ortogonales mixtos

2 niveles 3 niveles
Arreglo Nº de Arreglo Nº de Arreglo Nº de
ortogonal combinaciones ortogonal combinaciones ortogonal combinaciones
L4 ( 23 ) 4 L9 ( 34 ) 9 L18 ( 21 x 37 ) 18
L8 ( 27 ) 8 L27 ( 313 ) 27 L36 ( 23 x 313 ) 36
L12 ( 211 ) 12 L81 ( 340 ) 81
L16 ( 215 ) 16
L32 ( 231 ) 32
- 35 –
Tabla 20 TIPOS DE ARREGLOS ORTOGONALES
Antes de conocerlas reglas que se han de seguir para seleccionar un arreglo

ortogonal, es necesario introducir el concepto de grados de libertad. Es una medida
de la cantidad de información que puede tratarse. A mayor nº de grados de
libertad, más información.
Cuando se investiga la influencia de un factor sobre la característica de calidad, se
busca aquel nivel que mejora la variable, es decir se comparan un nivel con el
otro, para ver que nivel es el mejor frente a la variable. Esta es la definición de
grados de libertad de un factor, es el número mínimo de comparaciones que
necesito realizar entre los niveles de un factor, para saber qué nivel es el mejor.
1,9
1,85
1,8
1,75
Altura m
1,7
1,65
1,6
1,55
1,5
A1 A2 A3
Figura 16 GRADOS DE LIBERTAD DE UN FACTOR
El mínimo nº de comparaciones entre las tres personas, dos a dos, para saber qué
persona es la más alta son dos. Los grados de libertad de una interacción de dos
factores, A a dos niveles y B a tres niveles es según la gráfica siguiente:
A1 A2
80
70
60
50
40
30
20
10
0
B1 B2 B3
Figura 17 GRADOS DE LIBERTAD DE LA INTERACCIÓN DE DOS FACTORES

Los grados de libertad de una interacción de dos factores, es el mínimo nº de
comparaciones que hay que hacer para saber si hay paralelismo gráfico o no.
Matemáticamente, el cálculo de los grados de libertad para ambos casos es:
- 36 –
Grados de libertad de un factor = nº de niveles -1
Grados de libertad de AxB = Grados de libertad de A x Grados de libertad
B
Todos los arreglos ortogonales tienen un nº determinado de grados de libertad:
Grados de libertad de un arreglo ortogonal = nº de combinaciones -1
Taguchi construyó para cada uno de los arreglos ortogonales lo que denominó
"tablas triangulares" y "gráficas lineales". Las tablas triangulares no son otra cosa
que tabla de interacciones o "alias de confunding", y las gráficas lineales son unos
dibujos que se realizan en función de los factores e interacciones que entre ellos.
Los factores se representan con puntos, y las interacciones se representan por
líneas que unen los factores que interaccionan.
Todos los arreglos ortogonales ya vienen tabulados con dichas tablas triangulares
y un conjunto de gráficas lineales. Las gráficas lineales de los arreglos ortogonales
están sacadas, realmente, de las tablas triangulares.
Para el caso del arreglo ortogonal L8 (27), la tabla triangular y las gráficas lineales
que se encuentran son:
Columna nº
Columna nº 2 3 4 5 6 7
1 3 2 5 4 7 6
2 - 1 6 7 4 5
3 - - 7 6 5 4
4 - - - 1 2 3
5 - - - - 3 2
6 - - - - - 1
Tabla 21 TABLA TRIANGULAR DEL L8
2
1
3
3 5 7 5
1 4
2 4 6
6
A B 7
Figura 18 GRÁFICAS LINEALES DEL ARREGLO ORTOGONAL L8

Taguchi creó este tipo de gráficos y tablas para asignar más fácilmente los factores
e interacciones a las columnas del arreglo ortogonal seleccionado. Esto se hace
mediante las siguientes etapas:
- 37 –
1ª.- Definir el nº de factores con sus niveles, y la interacciones posibles entre cada
uno de ellos.
Por ejemplo: Factores a dos niveles A, B, C, D, E
Interacciones AxB, AxC
2ª.- Calcular los grados de libertad que tengo con los factores e interacciones.
En el ejemplo Grados de libertad de los factores = 1 + 1 + 1 + 1 + 1 = 5
Grados de libertad de las interacciones = (1x1) + (1x1) = 2
Grados de libertad totales = 5 + 2 = 7
3ª.- Ver que arreglo ortogonal suministra por lo menos los grados de libertad
calculados anteriormente
En el ejemplo: L8 ( 27 ) (7 grados de libertad)
4ª.- Dibujar la gráfica lineal con los factores e interacciones seleccionados:
A
D E
Ax Ax
B C
5ª.- Seleccionar la gráfica lineal del arreglo ortogonal correspondiente que más se
aproxime a la anterior, y hacer los cambios correctos para que la figura final
sea idéntica a la requerida
1 1
7 7 6
3 5 3 5
2 6 4 2 4
6ª.- Identificar las dos figuras
A
1
D E
Ax Ax 7 6
3 5
B 2 4 C
7ª.- Asignar a las columnas del arreglo ortogonal
En el ejemplo A B AxB C AxC E D

Columnas: 1 2 3 4 5 6 7
- 38 –
La realización de la experimentación, así como el análisis de los resultados, se
efectúa igual que en el diseño factorial completo.
3.5 DISEÑO DE PARÁMETROS DE TAGUCHI
Este tipo de diseño fue creado por Taguchi. El objetivo es encontrar qué niveles de
los factores de control son los que hacen que un producto o proceso funcionen
óptimamente y son los menos afectados por las variaciones incontroladas.
Taguchi llama a los factores de control parámetros. Busca qué niveles de los
parámetros son los más estables frente a la característica de calidad, a pesar de
la utilización de componentes y materiales baratos y de las condiciones
ambientales.
El diseño de parámetros va implicar trabajar con arreglos ortogonales, y la
incorporación de un concepto nuevo que es la robustez.
3.5.1 RUIDO, ROBUSTEZ
El diseño de parámetros de Taguchi va a implicar trabajar con dos tipos de

factores, factores de control ( parámetros ), y factores de ruido.
 Factores de control: son aquellos cuyos niveles se pueden controlar, fijar

y mantener
 Factores de ruido: son aquellos cuyos niveles no se pueden ni fijar ni
mantener e inciden sobre el comportamiento de la característica de
calidad
Taguchi clasificó los ruidos en distintas categorías:
PERDIDA A LA
SOCIEDAD
Desviación de los
Valores Funcionales de
las Características de
Calidad
Factores De Ruido
Origen De Desviaciones
RUIDO RUIDO RUIDO ENTRE

EXTERNO INTERNO PRODUCTOS
 Errores humanos - 39 –
 Deterioro  Imperfecciones de
DISEÑO DE EXPERIMENTOS
 Temperatura (DOE). INGENIERIA
ambiental TAGUCHI
 Desgaste JOSE LUIS DEL VALLE
fabricación
 Humedad  Rozamientos  Variación de unos
 Condiciones  Tensiones productos a otros
ambientales internas
En este diseño se buscan los efectos no lineales de los parámetros sobre las
variables y las interacciones fuertes entre los factores de control y los factores de
ruido con el fin de obtener robustez.
Voltaje Resistencia
R1
R2
R3
AI AX AS A’I A’Y A’S

Ganancia del transistor
Figura 19 CONCEPTO DE ROBUSTEZ
La robustez es la insensibilidad frente a la variación provocada por los factores de

ruido. Taguchi no elimina las causa de variación provocada por el ruido, intenta
diseñar los productos y/o procesos de tal forma que los efectos provocados por las
causas no influyan o influyan lo menos posible.
En el gráfico anterior se ve claramente el concepto de robustez: trabajando con
una ganancia nominal A’Y hace que la variación en la ganancia dentro de
- 40 –
tolerancias (A'I – A’S), afecte lo menos posible a la variación del voltaje nominal
de salida. Esto es robustez.
Este tipo de diseño implica trabajar con factores de control y de ruido a la vez. El
tipo de arreglos ortogonales utilizados teniendo en cuenta los factores de ruido son
los siguientes:
Factor de ruido
Factores de control N
Nº comb A(1) B(2) C(3) D(4) E(5) F(6) G(7) N1 N2
1 1 1 1 1 1 1 1 y1 y’1
2 1 1 1 2 2 2 2 y2 y’2
3 1 2 2 1 1 2 2 y3 y’3
4 1 2 2 2 2 1 1 y4 y’4
5 2 1 2 1 2 1 2 y5 y’5
6 2 1 2 2 1 2 1 y6 y’6
7 2 2 1 1 2 2 1 y7 y’7
8 2 2 1 2 1 1 2 y8 y’8
Tabla 22 ARREGLO ORTOGONAL CON UN FACTOR DE RUIDO
FACTORES DE RUIDO
FACTORES DE CONTROL M 1 1 2 2
Nº A B C D E F G
comb. (1) (2) (3) (4) (5) (6) (7) N 1 2 1 2
1 1 1 1 1 1 1 1 y1 y’1 y’’1 y’’’1 y’’’’1
2 1 1 1 2 2 2 2 y2 y’2 y’’2 y’’’2 y’’’’2
3 1 2 2 1 1 2 2 y3 y’3 y’’3 y’’’3 y’’’’3
4 1 2 2 2 2 1 1 y4 y’4 y’’4 y’’’4 y’’’’4
5 2 1 2 1 2 1 2 y5 y’5 y’’5 y’’’5 y’’’’5
6 2 1 2 2 1 2 1 y6 y’6 y’’6 y’’’6 y’’’’6
7 2 2 1 1 2 2 1 y7 y’7 y’’7 y’’’7 y’’’’7
8 2 2 1 2 1 1 2 y8 y’8 y’’8 y’’’8 y’’’’8
Tabla 23 ARREGLO ORTOGONAL CON DOS FACTORES DE RUIDO
- 41 –
ARREGLO O. EXTERNO
ARREGLO ORTOGONAL INTERNO FACTORES DE RUIDO
O 1 2 1 2
FACTORES DE CONTROL M 1 2 2 1
Nº A B C D E F G
comb. (1) (2) (3) (4) (5) (6) (7) N 1 1 2 2
1 1 1 1 1 1 1 1 y1 y’1 y’’1 y’’’1 y’’’’1
2 1 1 1 2 2 2 2 y2 y’2 y’’2 y’’’2 y’’’’2
3 1 2 2 1 1 2 2 y3 y’3 y’’3 y’’’3 y’’’’3
4 1 2 2 2 2 1 1 y4 y’4 y’’4 y’’’4 y’’’’4
5 2 1 2 1 2 1 2 y5 y’5 y’’5 y’’’5 y’’’’5
6 2 1 2 2 1 2 1 y6 y’6 y’’6 y’’’6 y’’’’6
7 2 2 1 1 2 2 1 y7 y’7 y’’7 y’’’7 y’’’’7
8 2 2 1 2 1 1 2 y8 y’8 y’’8 y’’’8 y’’’’8
Tabla 24 ARREGLO ORTOGONAL INTERNO Y EXTERNO
En el diseño de parámetros se pretende experimentar provocando el ruido que va

a afectar posteriormente en el rendimiento del proceso o producto. Es decir, que
en el diseño de parámetros hay que buscar la manera provocar los cambios de los
niveles de los factores de ruido, para encontrar aquellos niveles de los factores de
control más robustos.
En las figuras anteriores se observa que bajo las mismas condiciones de los
factores de control, se obtienen distintos valores de la variable a causa de la
variación intencionada de los factores de ruido. La única forma de encontrar
productos o procesos robustos que optimen la variable es provocando la variación
de los factores de ruido, pero solo durante el experimento.
Los factores de control se clasifican en cuatro clases:
Clase 1: Factores de control que afectan a la media y a la variación entorno a la

media de la variable
Clase 2: Factores de control que solo afectan al variación entorno a un valor medio
Clase 3: Factores de control que solo afectan a la media de la variable ( factores
señal )
Clase 4: Factores de control que no afectan ni a la media ni a la variación de la
variable.
La estrategia a seguir es seleccionar los niveles de los factores de la clase 3 (señal)

que acerquen el valor de la variable al óptimo, y después, seleccionar los niveles
robustos de los factores de la clase 2. Escoger aquellos niveles de la clase 1 que
optimizan la variable y son los más robustos a la vez. Y por últimos los niveles de
la clase 4 que son más económicos, más rápidos, menor consumo, mayor facilidad,
etc..
- 42 –
En el diseño de parámetros se utiliza una nueva variable, creada por Taguchi, para
optimizar procesos, y productos. Es lo que se denomina relación señal / ruido .
Esta denominación proviene de la electrónica. Señal significa centrar la media en
el valor buscado (máximo, mínimo, nominal), y ruido es toda aquella variación
provocada por los factores de ruido, que hace que los productos y procesos no
funcionen óptimamente. existen tres tipo de ecuaciones señal ruido, en función de
que se quieran optimizar variables mayor - mejor, menor - mejor o nominal -
mejor.
RELACIÓN SEÑAL / EXPRESIÓN 1 EXPRESIÓN 2

RUIDO
MENOR - MEJOR
 1 n 2
 = S / R = -10 log   yi   = S/R = -10 log  y2 2
 n i1 
Ecuación 16
Ecuación 15
1 n
1 1  2 
 = S/ R = -10 log   2   = S/ R = -10 log  2 1 3 
MAYOR - MEJOR  n i1 yi  y  y2 
Ecuación 17 Ecuación 18
NOMINAL - MEJOR
 y2 1 
 = S / R = 10 log  2  
 n
 = S/R  - 10 log 2  
Ecuación 19 Ecuación 20
Tabla 25 TIPOS DE ECUACIONES SEÑAL RUIDO
Se va a tratar un caso que contemple la mayor parte de lo visto en el ejemplo

anterior. Se trata de un proceso de estampado de metales. El problema que existía
era que no se conseguía una longitud nominal de 0,40 pulgadas en el siguiente
perfil de chapa:
0,40 Pulgadas
Los factores de control y de ruido, así como sus niveles se encuentran recogidos
en la tabla siguiente:
- 43 –
FACTORES DE CONTROL NIVEL 1 NIVEL 2
Altura de rodillo A A1 A2
Proveedor de material B B1 B2
Ajuste alimentador C C1 C2
FACTORES DE RUIDO NIVEL 1 NIVEL 2
Cantidad de aceite H H1 H2
Espesor de material I I1 I2
Dureza de material J J1 J2
Figura 20 FACTORES DE CONTROL Y RUIDO
La variable a optimizar es una variable nominal mejor. Por tanto la ecuación señal
ruido que hay que utilizar el la de nominal mejor. El experimento llevado a cabo
con los factores de control y los de ruido se estableció con un arreglo ortogonal
interno L4 y uno externo también L4 .
F. de ruido. A.O.
externo
A.O. interno J 1 2 2 1
Factores de control I 1 2 1 2
L4 A B C H 1 1 2 2
1 1 1 1 37 38 36 37
2 1 2 2 35 39 40 33
3 2 1 2 45 44 44 46
4 2 2 1 41 52 46 42
Tabla 26 ARREGLO ORTOGONAL INTERNO Y EXTERNO L4
Los valores de las pulgadas se han multiplicado por 100, para mayor simplicidad.
El valor nominal a alcanzar es 40.
El análisis se efectúa ahora mediante las tablas de respuesta para la media y los
valores señal ruido, y las gráficas factoriales, también para ambos.
La ecuación señal ruido que hay que utilizar para calcular su valor por cada fila es:
 y2 1   y2 

 = S/R = 10 log 2    10 log 2 
 n   
   
Ecuación 21
- 44 –
A.O. interno J 1 2 2 1
Factores de control I 1 2 1 2
L4 A B C H 1 1 2 2 y S/R
1 1 1 1 37 38 36 37 37 37,12
2 1 2 2 35 39 40 33 36,75 20,92
3 2 1 2 45 44 44 46 44,75 33,39
4 2 2 1 41 52 46 42 45,25 19,13
Tabla 27 ARREGLO ORTOGONAL INTERNO Y EXTERNO L4
Las tablas de respuestas son:
MEDIA S/R
Factor A B C Factor A B C
Nivel Nivel
1 36,88 40,.88 41,13 1 27,02 33,26 26,12
2 45 41 40,75 2 26,26 20,03 27,16
Diferencia 8,12 0,12 0,38 Diferencia 0,76 13,23 1,04
Tabla 28 TABLA DE RESPUESTAS DE LA MEDIA Y S/R
45
34
44
43 32
SEÑAL / RUIDO
42 30
MEDIA Y
41 28
40 26
39
24
38
37 22
36 20
35 18
A1 A2 B1 B2 C1 C2 A1 A2 B1 B2 C1 C2
Figura 21 Gráfica factorial de la media Figura 22 G.F. señal / ruido
A la vista de los datos anteriores, se observa que el único factor que afecta a la
media (factor señal) es el A. El único factor significativo en la S/R es el factor B.
La variable S/R es siempre una variable mayor - mejor, por tanto siempre se
seleccionará los niveles de mayor señal ruido.
En este caso las condiciones óptimas y robustas corresponden a A1 B1. El factor
C es un factor que no afecta significativamente ni a la media, ni a la variación
entorno a la media.
Si se estudiase las interacciones entre el factor C y cada uno de los factores de
ruido, veríamos que es más robusto el nivel C2. Por tanto las condiciones más
óptimas y robustas son A1 B1 C2.
- 45 –
4. IMPLANTACIÓN, ETAPAS
Cuando tengamos que poner en marcha un diseño de experimentos, y sobre todo

un diseño de parámetros de Taguchi, se recomienda seguir las siguientes etapas:
1.- Definir el problema. Especificar con claridad el problema a resolver

2.- Especificar el objetivo y seleccionar la/s características/s de calidad a optimizar.
Estas han de ser medibles y con un buen grado de aditividad
3.- Identificar los factores que puedan influir en la/s variable/s seleccionada/s.
Existen varias técnicas como el brainstorming, diagrama de Ishikawa, AMFE,
etc.; que pueden ayudarnos a encontrar dichos factores. Lo que no debemos
nunca olvidar es lo que ya conocemos del problema. Se recomienda que los
factores sean medibles. Se agruparán en factores de control y factores de ruido.
En esta etapa también se selecciona el nº de niveles y los valores.
4.- Diseño del experimento. Se selecciona el arreglo ortogonal para los factores de
control y sus interacciones. Se asignan los factores e interacciones a las
columnas del arreglo ortogonal. Para los factores de ruido se puede seleccionar
un arreglo externo.
5.- Realización del experimento o simulación. Recogida de resultados
6.- Análisis de la información
ANÁLISIS REGULAR ANÁLISIS SEÑAL / RUIDO
Tabla de respuesta Tabla de respuestas

Gráficas factoriales Gráficas factoriales
Gráficas de interacciones ANOVA
ANOVA
Tabla 29 ANÁLISIS DE UN DISEÑO DE PARÁMETROS
7.- Conclusiones e interpretación de resultados. Selección de los niveles óptimos

para los factores de control. Valor de la variable/s en las condiciones óptimas y
robustas
8.- Realizar el experimento confirmatorio, para corroborar los resultados predichos
5. LOS 7 PUNTOS DE TAGUCHI
1.- Una dimensión importante de la calidad de un producto, es la pérdida total

generada por el producto a la sociedad
2.- En una economía competitiva, para poder subsistir en el negocio se requiere:
3.- Una mejora continua de la calidad

4.- Una reducción continua del costo
- 46 –
5.- Una mejora continua de la calidad implica una reducción continua de las
desviaciones del valor nominal de las distintas características de calidad del
producto
6.- La pérdida generada al cliente por un producto de características variables, es
proporcional al cuadrado de las desviaciones de su valor nominal
7.- La calidad y el costo de un producto fabricado, están determinados en gran parte
por la ingeniería de diseño y su proceso de fabricación
8.- La variación de un producto o proceso se puede reducir encontrando los efectos
no lineales de los parámetros del producto o proceso
9.- Para encontrar los niveles de los parámetros que reducen la variación en el
comportamiento de los productos o procesos, se deben realizar los diseños de
experimentos.
CONTRIBUCIONES DE TAGUCHI
 Simplificó las ideas de R.A. Fisher, para que los ingenieros, científicos y técnicos
pudieran aplicar el diseño de experimentos
 Simplificó el diseño de experimentos utilizando arreglos ortogonales, gráficas
factoriales, tablas de respuesta
 Introdujo un nuevo marco de referencia para concebir la calidad: la función de
pérdida
 Introdujo una medida que engloba la tendencia central y la variabilidad en la
variable: la relación señal / ruido
 Implantó con éxito el diseño de experimentos en las etapas de desarrollo de
productos y procesos
 Aplicó con éxito el diseño de experimentos en la fabricación
 Introdujo el concepto de robustez contra el ruido por medio del cual, en lugar de
eliminar las causas de los efectos, (lo cual es costoso), se hace el producto o
proceso insensible a las causas
- 47 –
6. BIBLIOGRAFÍA
1. Diseño Robusto Utilizando los Métodos Taguchi. Y. Wu, A.Wu. Díaz de Santos.
1997
2. El Secreto de la Calidad Japonesa, L. Saderra i Jorba, Productica, Nº 57,
Marcombo. 1993
3. Estadística para Investigadores, introducción al diseño de experimentos, análisis
de datos y construcción de modelos. G.E.P. Box, W.G. Hunter, J.S. Hunter. Ed-
Reverté
4. General Tolerancing Rules for Plastic Dimensions. JIS K 7.109 1986. Japanese
Industrial Estándar. Tokyo: Japanese Standars Association, 11 March
5. Introduction to Quality Engineering. G. Taguchi. Asian Productivity Organization
(APO)
6. Quality Engineering in Production Systems, G. Taguchi, E. A. Elsayed, T. Hsiang.
McGraw – Hill. 1989
7. Reducing Variability. A New Approach to Quality. L.P. Sullivan. Quality Progress,
July 1984, pp. 15 – 21
8. System of Experimental Design. Vol 1&2. G. Taguchi. Quality Resources Kraus
International
9. Taguchi Methods: A hands – on approach. Glen Stuart Peace. Addison Wesley
10.Taguchi methods: Applications in world industry. A. Bendell, J. Disney, W.A.
Pridmore. IFS Publications
11.Understanding Variation. The Key to Management the Chaos. D.J. Wheeler. SPC
Press. 1993
- 48 –

DOE e Ingeniería Taguchi PDF

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

DOE e Ingeniería Taguchi PDF

Cargado por

Copyright:

Formatos disponibles

DISEÑO DE EXPERIMENTOS (DOE).

1.3 REDUCCIÓN DE COSTOS POR REDUCCIÓN DE LA VARIACIÓN 9

1.4 FUNCIÓN DE PERDIDA 13

2.2 FACTORES, NIVELES E INTERACCIONES 18

3. TIPOS DE DISEÑO DE EXPERIMENTOS 20

3.1 DISEÑOS DE UN FACTOR A LA VEZ 21

3.2 ANÁLISIS DE VARIANZA 23

3.3 DISEÑO FACTORIAL COMPLETO 25

3.4 DISEÑOS FACTORIALES FRACCIONALES 32

3.4.1 ARREGLOS ORTOGONALES ( D.F.F. SATURADOS) 33

3.5 DISEÑO DE PARÁMETROS DE TAGUCHI 39

3.5.1 RUIDO, ROBUSTEZ 39

5. LOS 7 PUNTOS DE TAGUCHI 46

Esta metodología industrialmente forma parte de herramientas técnicas de Calidad

La calidad, no tiene sino un único evaluador de la misma, el cliente. En el siguiente

Figura 1 CIRCULO DE CALIDAD

Sabemos que un producto o servicio de calidad es aquel que responde

MAQUINA METODO MEDIO AMBIENTE

MEDICIONES MATERIA PRIMA MANO DE OBRA

Figura 2 PROCESO / SISTEMA

MEDICIONES MATERIA PRIMA MANO DE OBRA INFORMACION

Figura 3 PREVENCIÓN FRENTE A DETECCIÓN

En ambos casos lo que se hace es obtener información del producto acabado. En

ASEGURAMIENTO DE CALIDAD EN SISTEMAS TRABAJANDO EN DETECCIÓN:

Bajo este sistema de control, la información obtenida de la tabla se utiliza para

ASEGURAMIENTO DE CALIDAD EN SISTEMAS TRABAJANDO EN PREVENCIÓN:

Tabla 2 FRECUENCIA ABSOLUTA

Lo que el cliente quiere es que el proceso esté centrado en 10 mm que es el valor

1.3 REDUCCIÓN DE COSTOS POR REDUCCIÓN DE LA VARIACIÓN

"Es la mínima pérdida económica generada a la sociedad desde que un

La pérdida a la sociedad está compuesta de dos costos:

Existen dos ejemplos que aclaran el significado de pérdida ocasionada a la

Un fabricante japonés fabricaba cubiertas de polietileno con un espesor nominal

Figura 6 DIFERENCIA DE CALIDAD DE PRODUCCIÓN, JAPÓN / U.S.A.

¿Porqué los americanos preferían comprar televisores fabricados en Japón?. La

1.4 FUNCIÓN DE PERDIDA

El objetivo de la función de pérdida creada por Teguchi, es la evaluación

L(y) m = L(m) + L (m)

dicha expresión queda reducida para la característica de un solo componente a:

La función de pérdida es por los tanto una función continua y no de salto de

Figura 7 FUNCIÓN DE PERDIDA

En la figura anterior se encuentra representada la función de pérdida en para el

k = 100 $ / (20 v)2 =0.25 $/v2

con este dato la ecuación de la función de pérdida es L(y) = 0.25 (y - 115)2

Si el circuito electrónico se monta en un televisor y se comercializa con una salida

NOMINAL - MEJOR MENOR - MEJOR MAYOR - MEJOR

Tabla 3 RESUMEN DE LA FUNCIÓN DE PERDIDA

Figura 8 FUNCIÓN DE PERDIDA NOMINAL - MEJOR

Figura 9 FUNCIÓN DE PERDIDA MENOR - MEJOR

Figura 10 FUNCIÓN DE PERDIDA MAYOR - MEJOR

La primera pregunta que se puede formular inmediatamente es ¿Cómo conseguir

Una definición bastante acertada del diseño de experimentos es "la introducción

2.2 FACTORES, NIVELES E INTERACCIONES

Los factores se escogen en base a nuestra experiencia, a la información que

A los niveles se les suele simbolizar por + y - o 1 y 2 . En el ejemplo anterior y

Otro concepto importante es el de interacción de dos factores. Se dice que dos

A1 (3.5 % A2 (4.5 % Cu)

Figura 11 INTERACCIÓN COBRE - MAGNESIO

Figura 12 NO INTERACCIÓN ENTRE EL COBRE Y MAGNESIO

3. TIPOS DE DISEÑO DE EXPERIMENTOS

3.1 DISEÑOS DE UN FACTOR A LA VEZ

Se trata del método más popular sobre experimentación multifactorial en la

La diferencias de resultado entre el experimento 2 y el 1 permiten estimar la