Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Arreglo Ortogonal para
Arreglo Ortogonal para
b) Diseño de parámetros
c) Diseño de tolerancias
De estas tres etapas, la más importante es el diseño de parámetros cuyos objetivos son:
Para lograr lo anterior se ha manejado una serie de herramientas estadísticas conocida como
diseño de experimentos, tratadas anteriormente.
Taguchi ha propuesto una alternativa no del todo diferente que se que conoce como: Arreglos
Ortogonales y las Gráficas Lineales.
Un arreglo ortogonal se puede comparar con una replicación factorial fraccionada, de manera
que conserva el concepto de ortogonalidad y contrastes. Un experimento factorial fraccionado
es también un arreglo ortogonal .
Donde:
F A C T O R E S (c)
No. (a) A B C Resultado
1 1 1 1 Y1
2 1 2 2 Y2
3 2 1 1 Y3
4 2 2 1 Y4
De acuerdo con la notación empleada por Taguchi al arreglo mostrado como ejemplo, se le llama un
arreglo L4, por tener cuatro renglones.
En general, para un arreglo a dos niveles, el número de columnas (efectos o factores) que se pueden
analizar, es igual al número de renglones menos 1.
Taguchi ha desarrollado una serie de arreglos para experimentos con factores a dos niveles, los más
utilizados y difundidos según el número de factores a analizar son:
Ejemplo:
En un proceso de formación de paneles una característica no deseada es la emisión de formaldehído en el
producto final. Se desea que esta emisión sea lo mínima posible. Actualmente se estima en 0.45 ppm.
(partes por millón).
Se cree que cinco factores pueden estar afectando la emisión, estos son: tipo de resina, concentración de
la solución, tiempo de ciclo de prensado, humedad y presión.
Si se desea analizar el efecto de estos factores, es necesario variarlos, esto es probarlos bajo diferentes
valores cada uno. A cada uno de estos valores se les llama nivel. Se requieren de al menos dos niveles o
valores distintos para cada factor. A uno de ellos arbitrariamente le llamamos nivel bajo o nivel “1”, al
otro nivel alto o nivel “2”.
El análisis de resultados, se puede efectuar de dos maneras diferentes. Una de ellas mediante una serie de
gráficas, la otra mediante el análisis de varianza, se muestra en este ejemplo primero el uso del análisis de
varianza, posteriormente se muestra el uso de gráficas.
Análisis de varianza
1) como primer paso, se obtienen los totales de la variable de respuesta o lecturas, para cada uno de los
niveles de los factores.
Para calcular los totales para cada nivel del factor A, observamos que las primeras cuatro
pruebas del arreglo se efectuaron con el factor a su nivel 1 (Resina tipo I) y las siguientes
cuatro a su nivel 2 (resina tipo II).
= 0.49+0.42+0.38+0.30=1.59
Para el factor D se tiene que las pruebas 1,3,5 y 7 se efectuaron a su nivel 1 (humedad del
5%), por lo tanto los totales son:
= 0.49+0.38+0.21+0.32= 1.40
= 0.42+0.30+0.24+0.28= 1.24
En resumen se tiene:
Factor A B C D E e e
Observe que la suma de los dos niveles debe dar siempre el total de las ocho lecturas 2.64.
2) En seguida se obtiene una cantidad que llamaremos suma de cuadrados esta se calcula
como sigue:
Suma de los cuadrados del factor x= SS X= (Total nivel 2 – Total nivel 1)2/ n
Así por ejemplo, para el factor A, tendremos que dado que n=8
Similarmente
La suma de cuadrados de las columnas donde no se asignó factor (SSe) se toman como estimaciones
del error y se suman.
Total 0.0622 7
Bajo la columna SS se tienen las sumas de cuadrados. Bajo la columna G.l. (grados de
libertad), tendremos el número de columnas que se usaron para evaluar el factor, en este
caso, sólo puede ser de uno para cada factor y más de uno únicamente para el caso del error.
Por último, el valor de Fexp, se obtiene de dividir el valor de V de cada factor, entre el valor
de V para la estimación del error.
En este ejemplo resultan significantes los factores A, C, D y E, tipo de resina, tiempo de ciclo,
humedad y presión respectivamente.
Se acostumbra que aquellos efectos que no resultaron significantes, se consideren como error
aleatorio, a fin de obtener una mejor estimación (con mayor número de grados de libertad).
Las estimaciones que se obtienen de esta manera suelen escribirse entre paréntesis.
Total 0.0622 7
Nos resta decidir a que nivel habrá de fijar cada factor significante, y qué podremos esperar.
Para tomar esta decisión, es de mucha ayuda obtener los promedios de las lecturas que se
tomaron a cada nivel para cada uno de los factores significantes.
Los promedios de la emisión de formaldehído para cada nivel se obtienen dividiendo c/u de
los totales entre 4, (c/total es la suma de cuatro lecturas).
Los factores A, C, D y E que afectan emisión de formaldehído deberán fijarse al nivel que
minimicen la emisión, esto es, al nivel que se obtenga el promedio menor, en este ejemplo; A 2,
C2, D2 y E2; resina tipo II, 15 segundos como tiempo de prensado, 5% de humedad y 900 psi.
El factor B juega aquí un papel sumamente importante. Dado que no afecta la emisión de
formaldehído, dentro del intervalo analizado, se utiliza para reducir los costos de producción.
Esto se hace fijándolo a su nivel más económico. ¿Cuál será el nivel esperado de emisión bajo
las nuevas emisiones propuestas Y est.?
Para contestar esta pregunta, para cada efecto significante se calcula una resta, que
llamaremos el efecto de cada factor respecto al promedio general, para este caso el efecto es
EF C = C2 – Y= 0.2825-0.3300= -0.0475
EF D = D2 – Y= 0.3100-0.3300=-0.0200
EF E = E2 – Y= 0.3125-0.3300= -0.0175
Finalmente, el resultado esperado bajo las condiciones A2, C2, D2, E2, que llamaremos Yest. se
calcula sumando al promedio general Y todos los efectos de los factores significantes.
Existe una alternativa al análisis ANOVA, esta es una serie de gráficas que se muestran
enseguida.
1) Primero se obtienen los promedios en cada nivel, para cada uno de los factores, incluyendo
las columnas vacias.
Para hacer esto, encontramos los totales para cada nivel y dividimos entre el número de
lecturas con el que se obtuvo cada total. Para nuestro ejemplo, los totales a cada nivel los
tenemos ya en la sección anterior. Los promedios son:
Factor A B C D E e e
Observe que para cada factor, uno de los promedios es mayor y el otro menor que el
promedio global. Esto siempre debe de ocurrir.
2) Calcule la diferencia entre los promedios de niveles para cada factor, y ordénelos de mayor
a menor en valor absoluto.
Nº A B C D E e1 e2 Yi
1 1 1 1 1 1 1 1 0.49
2 1 1 1 2 2 2 2 0.42
3 1 2 2 1 1 2 2 0.38
4 1 2 2 2 2 1 1 0.30
5 2 1 2 1 2 1 2 0.21
6 2 1 2 2 1 2 1 0.24
7 2 2 1 1 2 2 1 0.32
8 2 2 1 2 1 1 2 0.28
gl 1 1 1 1 1 2
Sg si no si si si
Ni 2 - 2 2 2
Yest. = Y + Ef A2 + Ef C2 + Ef D2 + Ef E2
SS = (T2 - T1 )2 /n
F = V/Ve
Sg = ¿Efecto significante?
P1 = Promedio nivel 1
P2 = Promedio nivel 2
Ni = Nivel seleccionado
Ef = Efecto de la variable
Factor A C D E B e e
Se puede observar que el orden en que quedaron los datos anteriores, es también el orden
de mayor a menor Fexp que se obtiene con la ANOVA.
Siguiendo el orden anterior, se obtiene una gráfica como se muestra en seguida:
.40
.35
.33
.30
.25
A1 A2 C1 C2 D1 D2 E1 E2 B1 B2 e1 e2 e1 e2
Mediante esta gráfica, se puede evaluar el efecto de cada factor. Entre mayor sea la línea de cada
factor, o bien, entre más vertical se encuentre, mayor será el efecto de este factor.
Observe que las conclusiones a que se llegamos en este ejemplo son similares a las de la
ANOVA, esto es, factores significantes A, C, D y e, igualmente los niveles recomendados se
pueden identificar rápidamente, si deseamos reducir la variable de respuesta, se toma el nivel
más bajo, en este caso A2, C2, D2 y E2, es decir, los puntos por debajo de la línea promedio
global.
Como hemos visto anteriormente en los procesos de producción se producen interacciones. En esta
sección describiremos esta situación.
En los casos anteriores se asumió que el efecto de un factor sobre la variable de respuesta, no
dependía del nivel de otros factores. Cuando el efecto de un factor depende del nivel de otro
factor, se dice que existe una interacción entre los factores.
B1
B1
B2
B2
A1 A2 A1 A2
Existe interacción
¿Pero qué sucede cuando se desea incluir interacciones en un arreglo ortogonal?, se puede
decir lo siguiente:
a) los arreglos ortogonales a utilizar para los casos con interacciones, son exactamente los
mismos que se usan para el caso sin interacciones.
d) se deberá tener cuidado especial, en la manera como se asignan los factores a las columnas,
para que sus interacciones no se confundan con otros factores principales u otras
interacciones que también deseamos probar.
Una condición que existe para el manejo de las interacciones mediante procedimientos de
arreglos ortogonales Taguchi, es que se tenga una definición “a priori “ de cuales interacciones
específicamente sospechamos que existen. Esto es, debemos definir de antemano qué
interacciones creemos son relevantes, a fin de incluirlas en nuestro análisis. Esto se puede
saber en base a la experiencia previa del proceso.
NOTA: En los ejemplos que siguen, para denotar una interacción entre dos factores, A y B por
ejemplo, se utiliza indistintamente la notación AB o AxB.
Gráficas lineales
A continuación se muestra un arreglo L8 junto con una matriz triangular y dos gráficas lineales. Estas se
reproducen aquí para su explicación.
1 3 2
3 5 1
.7 5 4
2 6 4 7
(b)
(a)
La matriz triangular nos representa las interacciones entre columnas. En el primer renglón,
con el titulo de columna, cada número corresponde a la columna con ese mismo número del
arreglo, al igual que los números entre paréntesis que se encuentran en la diagonal inferior.
Por ejemplo, si nosotros asignamos el factor A a la columna 3 y el factor B a la columna 5, la
interacción de AxB aparecerá en otra columna ya definida. En el cruce de la columna número 5
y el renglón número 3 de la matriz, aparece el número 6 (marcado con * en la tabla), de
manera que la interacción de AxB se deberá asignar a la columna 6 del arreglo ortogonal.
Con ayuda de matriz de interacciones es factible, mediante prueba y error, asignar los
factores a las columnas. Sin embargo, para simplificar aun más esta asignación nos podemos
auxiliar de las gráficas lineales (1) y (2) que se muestran.
En una gráfica lineal:
c) los números representan las columnas correspondientes del arreglo ortogonal a donde se
asignan los efectos principales y las interacciones.
En particular, el arreglo ortogonal L8 tiene dos alternativas de arreglo mostrados por las
gráficas (a) y (b) respectivamente.
Por ejemplo, la gráfica (a) indica que con este arreglo se pueden analizar, tres factores
principales, (puntos 1, 2 y 4) y las interacciones entre ellos, (líneas 3, 5 y 6), además de un
cuarto factor, (punto 7), que no interactua con los otros tres.
Los números indican que si deseamos lo anterior, los tres factores deberán asignarse a las
columnas 1, 4 y 2. Las interacciones aparecen en las columnas 3, 5 y 6.
La gráfica (b) indica cuatro factores, (puntos 1, 2, 4 y 7) con interacciones de uno de ellos con
los otros tres (líneas 3, 5 y 6).
Por lo tanto, el factor que interactua con los otros tres se debe asignar a la columna 1 del
arreglo, los otros tres factores a las columnas 2, 4 y 7. Las interacciones quedarán en las
columnas 3, 5 y 6.
1) Como primer paso, seleccionamos un arreglo ortogonal tentativo. Esto depende del número
de efectos totales a analizar.
b) una interacción se representa mediante una línea que une los dos efectos
individuales.
A. B.
C. D.
En seguida mostramos las interacciones que nos interesan, mediante líneas. Para nuestro
caso tenemos (gráfica de la izquierda):
AxB 3
A B 1 2
AxC AxD 5
C D 7 4
Esto es:
Nº 1 2 3 4 5 6 7
1 1 1 1 1 1 1 1
2 1 1 1 2 2 2 2
3 1 2 2 1 1 2 2
4 1 2 2 2 2 1 1
5 2 1 2 1 2 1 2
6 2 1 2 2 1 2 1
7 2 2 1 1 2 2 1
8 2 2 1 2 1 1 2
Supongamos que ahora queremos analizar un factor más, el factor E y creemos que la
interacción AxC realmente no es relevante. La gráfica lineal que requerimos es:
AxB
A C E
AxD
Esta gráfica es parecida a la gráfica lineal (2) excepto por la interacción de AxC, por lo tanto,
una asignación lógica es:
Observe que en este último caso, también se pudo utilizar la gráfica lineal (1).
Si por alguna razón, la gráfica que deseamos, no puede quedar incluida en las gráficas lineales
(1) ó (2) es necesario usar otro arreglo ortogonal de mayor tamaño.
Efecto A D C B AxB E F
Columna 1 2 3 4 5 6 7
Ejemplo:
I II
AxC Interacción
AxB Interacción
BxC Interacción
AxC AxB
C B .D
CxB
Esta gráfica se ajusta a la gráfica lineal (1) del arreglo ortogonal L8, por lo que una asignación
apropiada de efectos es:
1 2 3 4 5 6 7
Total 71.6
Observe que al tomar las lecturas, (efectuar las pruebas), se ignoran las columnas donde se
asignaron interacciones.
A 0.0800* 1 0.0800 -
D 0.0450* 1 0.0450 -
Total 23.8800 7
El error aleatorio (e) se estima usando los efectos más pequeños marcados con *
Dado que el factor B resulta significante, pero no son significantes alguna de sus
interacciones, su mejor nivel se puede decidir de manera independiente al igual que se realizó
en secciones anteriores. Esto es, se obtienen los promedios:
Nº A C Yi
3 1 2 7.2 números: 1 1; 1 2; 2 1; 2 2
4 1 2 7.0
5 2 1 8.0
6 2 1 6.9
7 2 2 10.4
8 2 2 10.1
La combinación 2 1 se presenta en los renglones Nº 5 y 6, con un total de 8.0 + 6.9= 14.9, con
un promedio de 7.45
En resumen
10.0
9.00
8.00
7.00
A1 A2
En resumen, las condiciones propuestas son: factor A a su nivel 1, factor C a su nivel 2, factor B
a su nivel 2. El resto a su nivel más económico.
Observe que al efecto de la interacción, se le resta el efecto de los factores individuales que
intervienen (hayan resultado significantes de manera individual o no).
Una estimación del porcentaje de hidrocarburos sin quemar es igual a la suma de los efectos
significantes, incluyendo los factores que intervienen en una interacción significante, hayan
resultado significantes de manera individual o no.
Yest = Y + EF A1 C2 + EF A1 + EF C2 + EF B2
= 8.95 + (-1.675) + (9.05 – 8.95) + (8.675 – 8.95) + (-0.25)= 6.85
B Curado no 24 hrs.
Interacción ExD
Interacción DxC
1 1 1 1 1 1 1 1 1620
2 1 1 1 2 2 2 2 1580
3 1 2 2 1 1 2 2 1100
4 1 2 2 2 2 1 1 1150
5 2 1 2 1 2 1 2 1500
6 2 1 2 2 1 2 1 1560
7 2 2 1 1 2 2 1 1000
8 2 2 1 2 1 1 2 1020
Hasta aquí se han considerado ejemplos para arreglos ortogonales L8, por su comodidad en cuanto al
tamaño. A continuación se hacen algunos comentarios sobre otros arreglos.
Las interacciones en un arreglo L12 se distribuyen de una manera uniforme en todas las
columnas. La ventaja de esto es que le permite investigar 11 factores sin preocuparse por sus
interacciones. El arreglo L12 en general tiene buena reproducibilidad de conclusiones.
Para un arreglo L16 existen una gran variedad de posibles gráficas lineales, en el apéndice
se muestran las seis más utilizadas con tres variantes cada una.
Para un arreglo L32 se muestran en el apéndice 13 diferentes gráficas dentro de las varias
posibles que existen.
En cualquier caso, se puede tratar de construir más gráficas de acuerdo con las
necesidades que se tengan, respetando siempre la matriz de interacciones.
En los gráficos lineales que se anexan en el apéndice, se observa que los vértices se
representan con diferentes símbolos, específicamente con o, y . La razón y su significado
es el siguiente:
Taguchi sugiere que las pruebas o corridas se lleven a cabo en el orden indicado por los
renglones del arreglo ortogonal, esto es, primero las condiciones indicadas por el renglón 1,
seguidas de las del renglón 2 y así sucesivamente.
Por otra parte, al ejecutar el experimento, no todos los factores tienen la misma flexibilidad
de estar variando de nivel de una prueba a otra.
Por otro lado, se sugiere que los factores con menor flexibilidad se asignen al grupo 1 del
arreglo representados por el símbolo o, de la gráfica lineal. Estos factores tendrán menos
cambios de nivel a lo largo de todo el experimento. De hecho, observe que el factor asignado a
la columna 1 de cualquier arreglo, solo tiene un cambio de nivel, mientras que por ejemplo, un
factor asignado a la columna Nº 15 de un arreglo L16 cambia 10 veces de nivel.
Los factores que le siguen en inflexibilidad se deberán asignar sucesivamente a los símbolos
, y en una gráfica lineal.
Por lo general, existen pocas interacciones dentro de las múltiples posibles entre factores.
El efecto de las interacciones sobre la variable de respuesta, es por lo general menor que
el efecto de los factores individuales solos.
Recuerde que algunos arreglos ortogonales, le permiten analizar un problema sin
preocuparse por las interacciones. El L12 es un ejemplo de ellos.
Se sugiere que, en caso de dudas sobre las interacciones, siempre sea preferible incluir
más factores, en lugar de interacciones. Si estas últimas no son muy fuertes, se pueden
considerar como ruido.