Manual de Ingeniería de Calidad Unidad 2

INGENIERIA DE CALIDAD
UNIDAD II. EXPERIMENTOS CON ARREGLOS ORTOGONALES
OBJETIVO(S):
Aplicar las técnicas adecuadas para desarrollar el método de diseño de experimentos (DDE).
TEMAS:
2.1 Planeación y Conducción de Experimentos.

2.2 El diseño (23).
2.3 Definición de Ortogonalidad.
2.4 El Arreglo Ortogonal L4 (23).
2.5 El análisis de varianza en los arreglos ortogonales.
2.6 Razones para usar arreglos Ortogonales.
2.7 Otros arreglos para factores en dos niveles.
2.8 Gráficos Lineales.
2.9 Arreglos ortogonales para factores de tres niveles.
2.10 Métodos para modificar los arreglos ortogonales.
2.1. Planeación y conducción de experimentos
Un experimento es un procedimiento mediante el cual se trata de comprobar (confirmar o

verificar) una o varias hipótesis relacionadas con un determinado fenómeno, mediante la
manipulación y el estudio de las correlaciones de la(s) variables que presumiblemente son
su causa.
Obviamente la experimentación se debe planificar (diseñar) cuidadosamente para que

proporcione la información buscada. Dicha planificación debe considerar dos aspectos
importantes relacionados con toda experimentación:
1. La experimentación es normalmente cara. La capacidad de experimentar está limitada por
el coste en tiempo y en recursos (personal, productos de partida, etc...). Por tanto, una
organización óptima de la experimentación deberá contemplar el menor número de
experimentos que permita obtener la información buscada.
2. El resultado observado de un experimento (y) tiene incertidumbre:
y=h+e
Donde h es el resultado “verdadero” (desconocido) del experimento y e es una contribución
aleatoria, que varía cada vez que se repite el experimento. Por ello, la Estadística, disciplina
que proporciona las herramientas para trabajar en ambientes de incertidumbre, juega un
papel fundamental en el diseño de los experimentos y en la evaluación de los resultados
experimentales.
El análisis de los resultados experimentales permitirá obtener conclusiones sobre el sistema
en estudio y decidir actuaciones futuras. Tanto por la importancia de las decisiones que se
pueden tomar, como por el coste elevado de la experimentación no parece adecuado dejar la
I.T.E.S.R.C. _____________________________________________________________ 1
elección de los experimentos y la evaluación de los resultados a la mera intuición del

experimentador. Parece más razonable utilizar una metodología matemática y estadística
que indique como planificar (diseñar, organizar) la secuencia de experimentos de una forma
óptima, de modo que se minimice tanto el coste de la experimentación como la influencia del
error experimental sobre la información buscada. Dicha planificación y análisis es el principal
objetivo del Diseño Estadístico de Experimentos.
¿Qué es el Diseño Estadístico de Experimentos?

Se podría definir el Diseño Estadístico de Experimentos (DEE), también denominado diseño
experimental, como una metodología basada en útiles matemáticos y estadísticos cuyo
objetivo es ayudar al experimentador a:
1. Seleccionar la estrategia experimental óptima que permita obtener la información buscada
con el mínimo coste.
2. Evaluar los resultados experimentales obtenidos, garantizando la máxima fiabilidad en las
conclusiones que se obtengan.
3. ¿En qué situaciones se aplica el Diseño Estadístico de Experimentos?
Las situaciones en las que se puede aplicar el DEE son muy numerosas. De forma general,
se aplica a sistemas como el mostrado en la Figura 1, en los cuales se observan una o más
variables experimentales dependientes o respuestas (y) cuyo valor depende de los valores
de una o más variables independientes (x) controlables llamadas factores. Las respuestas
además pueden estar influidas por otras variables que no son controladas por el
experimentador. La relación entre x e y no tiene porqué ser conocida.
Variables de entrada variable de salida

X1, x2, ….,xn y
Variables no controladas
Ejemplos de sistemas experimentales son:

 Una reacción química, cuyo rendimiento (y) puede ser función, entre otros, del tiempo
de reacción (x1), la temperatura de la reacción (x2) y el tipo de catalizador (x3)
utilizado. Otras variables que pueden influir son, por ejemplo, la pureza de los
reactivos, la limpieza del material, la velocidad de agitación,....
 Una separación cromatográfica, donde el tiempo de la separación depende del pH y el
porcentaje de modificador orgánico de la fase móvil.
 Un alimento, producido por mezcla en distintas proporciones (x) de sus ingredientes, lo
cual da lugar a diferentes olores y sabores (y)
Estos son sólo algunos ejemplos del amplio campo de aplicación del DEE, que abarca, en la
industria, desde el laboratorio hasta proceso de producción. Al facilitar el desarrollo más
rápido de productos, y a más bajo coste, el DEE juega un papel fundamental desde el punto
de vista industrial y proporciona una ventaja competitiva importante para la empresa que lo
usa.
I.T.E.S.R.C. _____________________________________________________________ 2
Aunque el DEE se puede aplicar cuando se estudia un solo factor (como por ejemplo en la
elección de los patrones más adecuados para construir una recta de calibrado), sin duda sus
ventajas se aprecian mejor cuando se debe estudiar más de un factor.
La experimentación en sistemas como el descrito en la Figura anterior suele perseguir uno

de los siguientes objetivos:
 Obtener un conocimiento inicial sobre un nuevo sistema en estudio. ¿En qué valores
de los factores se puede centrar la investigación?
 Determinar la influencia de los factores sobre las respuestas observadas. De entre
todos los factores que afectan al proceso, ¿cuales influyen más?, ¿Cómo
interaccionan entre ellos?
 Optimizar respuestas. ¿Qué valores de los factores proporcionan las respuestas de
mayor calidad?
 Determinar la robustez del sistema. ¿Cómo afectan a la respuesta variaciones no
controladas en el valor de los factores?
La aplicación del diseño de experimentos requiere considerar las siguientes etapas que se
comentarán a continuación:
1. Comprender el problema y definir claramente el objetivo.

2. Identificar los factores que potencialmente podrían influir en la función objetivo, y los
valores que éstos pueden tomar. Entre estos valores se buscará la información necesaria.
3. Establecer una estrategia experimental, llamada plan de experimentación.
4. Efectuar los experimentos con los valores de los factores decididos en el punto 3 para
obtener los valores de las respuestas estudiadas.
5. Responder las preguntas planteadas, sea directamente, sea utilizando un modelo
matemático. Si es necesario, volver a la etapa 1.
2.2. El diseño (23).
El diseño de experimentos es una técnica estadística que nos ayuda a identificar cuales
factores o variables afectan el comportamiento de un proceso de producción.
El experimento es un conjunto de pruebas estructuradas y coherentes que se analizan para

lograr un entendimiento acerca del proceso.
El proceso de planear, ejecutar y analizar el experimento de tal manera que se logren inferencias
validas y útiles, es a lo que se llama: DISEÑO DE EXPERIMENTOS
El método convencional en la experimentación es variar un factor a la vez, manteniendo todos

los demás constantes para encontrar los mejores valores o niveles para cada factor. Esto origina
que el número de experimentos sea pequeño, pero adolece de varios problemas:
I.T.E.S.R.C. _____________________________________________________________ 3
1. Cada comparación está basada en una cantidad limitada de datos y por lo tanto es
baja en confiabilidad.
2. No se admite el hecho de que al cambiar un factor esto pueda influir en el efecto de
otro factor.
3. Mantener otros factores constante s no es siempre práctico y si lo fuera, se reduciría
artificialmente la variabilidad del sistema. esto puede lograrse en condiciones de
laboratorio pero no en medio ambiente de producción.
4. Se propicia una experimentación no estructurada con un consecuente aumento en
tiempo y costo.
DISEÑO 23
Suponga que se encuentran en estudio tres factores A, B y C, cada uno con dos niveles.
Este diseño se conoce como diseño factorial, 2 3 y las ocho combinaciones de tratamientos
pueden representarse gráficamente mediante un cubo.
Existen en realidad tres notaciones distintas que se usan ampliamente para las corridas o
ejecuciones en el diseño 2k:
a. La primera es la notación "+,-", llamada "geométrica".

b. La segunda consiste en el uso de letras minúsculas para identificar
las combinaciones de tratamientos.
c. En la tercera se utilizan los dígitos 1 y 0 para denotar los niveles alto y bajo del factor,
respectivamente.
Una réplica completa de tal diseño requiere que se recopilen 2 x 2 x .... x 2 =

2k observaciones y se conoce como diseño general 2k.
2.3. Definición de ortogonalidad
Ortogonalidad de factores: dos factores FI y FJ con I y J niveles, respectivamente, son

ortogonales si en cada nivel i de FI el número de observaciones de los J niveles de FJ están
en las mismas proporciones. Esta propiedad permite separar los efectos simples de los
factores en estudio.
El arreglo ortogonal es una herramienta ingenieril que simplifica y en algunos casos elimina
gran parte de los esfuerzos de diseño estadístico. Es una forma de examinar
simultáneamente muchos factores a bajo costo. El Dr. Taguchi recomienda el uso de
arreglos ortogonales para hacer matrices que contengan los controles y los factores de ruido
en el diseño de experimentos. Ha simplificado el uso de este tipo de diseño al incorporar los
arreglos ortogonales y las gráficas lineales, finalmente, en contraste con los enfoques
tradicionales como equivalentes de ruido: mientras las interacciones sean relativamente
suaves, el analista de los efectos principales nos proporcionará las condiciones óptimas y
una buena reproductibilidad en un experimento.
I.T.E.S.R.C. _____________________________________________________________ 4
Los arreglos ortogonales son herramientas que permiten al ingeniero evaluar qué
tan robustos son los diseños del proceso y del producto con respecto a los
factores de ruido.
El método del Dr. Taguchi para el diseño de experimentos utiliza técnicas que implican bajos
costos y que son aplicables a los problemas y requerimientos de la industria moderna. El
propósito que se tiene en el diseño del producto es encontrar aquella combinación de
factores que nos proporcione el desempeño más estable y confiable al precio de
manufactura más bajo.
El sistema de ingeniería de calidad del Dr. Genichi Taguchi, es uno de los más grandes
logros en ingeniería del siglo XX. El trabajo de la filosofía del Dr. Taguchi comenzó a
formarse en los inicios de la década de los 50's cuando fue reclutado para ayudar a mejorar
el sistema telefónico japonés que había sido diseñado para la Segunda Guerra Mundial.
Taguchi empleó experimentos de diseño usando especialmente una tabla conocida como
"arreglos ortogonales" para tratar los procesos de diseño. Los arreglos ortogonales son un
conjunto especial de cuadros en latín, construidos por Taguchi para planear los
experimentos del diseño del producto.
El análisis del arreglo ortogonal de Taguchi es usado para producir los mejores parámetros
para el diseño óptimo del proceso, con el mínimo número de experimentos (pruebas). Los
resultados obtenidos para los arreglos ortogonales son analizados para obtener los
siguientes objetivos:
 Estimar la contribución de los factores individuales que influyen en la calidad en la

etapa del diseño del producto.
 Ganar la mejor condición para un proceso o un producto, así que las características
en una buena calidad puedan ser sostenidas.
El diseño de experimentos con el método de Taguchi, utiliza arreglos matriciales llamados

arreglos ortogonales. Estos arreglos son tablas de números que nos ayudan a analizar
combinaciones adecuadas de factores y niveles para cada experimento.
Las características de estos arreglos son:
1. Cada nivel aparece un número igual de veces.

2. Cada nivel de cada factor aparece con cada nivel de cualquier otro.
3. Son eficientes y confiables.
4. Reducen grandemente el número de experimentos.
5. Algunos pueden usarse para experimentos particulares de factores y niveles.
Arreglos ortogonales y su ventaja
La ventaja de los arreglos ortogonales es que pueden ser aplicados al diseño experimental
involucrando un gran número de factores.
Arreglos ortogonales y su desventaja

I.T.E.S.R.C. _____________________________________________________________ 5
La desventaja del arreglo ortogonal es que puede ser únicamente aplicado en la etapa inicial
del diseño del sistema del producto o proceso. Un arreglo ortogonal permite asegurar que el
efecto de "B" en "A1" es el mismo efecto de "B" en "A2". Así se podrá estar seguro de que
se está haciendo comparaciones entre efectos de niveles de un factor.
Arreglo ortogonal que representa La(b)C donde:
L = Indica que es un arreglo ortogonal

a = Número de corridas experimentales
b = Número de niveles para cada factor
c = Número de columnas o factores de un arreglo ortogonal.
2.4. El arreglo ortogonal L8 (23).
La siguiente tabla muestra un arreglo ortogonal L 4 ( 23)
4= N° de experimentos o corridas
2= niveles
3= factores
Exp. N° A B C Resultados
1 1 1 1 y1
2 1 2 2 y2
3 2 1 2 y3
4 2 2 1 y4
En la literatura. Los arreglos ortogonales se constituyen de manera diferente. En lugar de

números 1s y 28s como los de la tabla anterior, se usan signos “+” y “-” como se muestra en la
siguiente tabla:
Exp. N° A B C Resultados
1 - - - y1
2 - + + y2
3 + - + y3
4 + + - y4
En la ecuación lineal de la forma:
L = C1 Y1 + C2 Y2 + ........+ Cn Yn
Donde las Cj son constantes
Si Σ Cj = 0 se dice que la ecuación es un “CONTRASTE”
I.T.E.S.R.C. _____________________________________________________________ 6
Si se tienen dos contrastes:
L1 = A1 Y 1 + A2 Y2 +.........+ A n Yn y
L2 = B1 Y 1 + B2 Y2 +.........+ B n Yn y si
Σ Ai Bi = 0
Entonces las ecuaciones son ortogonales
Un arreglo ortogonal representa entonces un conjunto de ecuaciones linealmente

independientes.
En la sig. Tabla se muestra las 128 combinaciones de un diseño factorial total y los 8
experimentos de un arreglo ortogonal L8 ( 23 ).
Arreglo ortogonal: L8 ( 27 ).
8= N° de experimentos o corridas
2= niveles
7= factores
ARREGLO ORTOGONAL L8(2)7
1 2 3 4 5 6 7
Na A B C D E F G RESULTADOS
1 1 1 1 1 1 1 1 Y1 NIVEL 1
2 1 1 1 2 2 2 2 Y2 NIVEL 1
3 1 2 2 1 1 2 2 Y3 NIVEL 1
4 1 2 2 2 2 1 1 Y4 NIVEL 1
5 2 1 2 1 2 1 2 Y5 NIVEL 2
6 2 1 2 2 1 2 1 Y6 NIVEL 2
7 2 2 1 1 2 2 1 Y7 NIVEL 2
8 2 2 1 2 1 1 2 Y8 NIVEL 2
Anotaciones
1 Los métodos de Taguchi optimizan para encontrar los mejores valores y robustez.
2 En un sistema con 15 parámetros de diseño con dos niveles, se tienen ¡32768!
combinaciones.
3 En un caso como este, o se aplica el método: “escoge y ten fe” o.
I.T.E.S.R.C. _____________________________________________________________ 7
4 Se usan arreglos ortogonales donde se tienen que analizar solamente 16 de las 32768
combinaciones.
5 Los arreglos ortogonales fueron desarrollados por R. Fisher en 1920.
6 En los arreglos ortogonales existe alta probabilidad de encontrar el óptimo.
2.5. El análisis de varianza en los arreglos ortogonales
El siguiente ejemplo ilustra el uso del método de Taguchi para optimizar un proceso de
tratamiento térmico.
Ejemplo : Endurecimiento de boquillas de inyección
Las boquillas de inyección son carburizadas pera lograr una dureza específica y una
profundidad de la caja en el área del asiento de la válvula.
Supóngase que se requiere optimizar el proceso de tratamiento térmico de tal manera que se
minimice la distorsión del; cuerpo de la boquilla mientras se mantienen la profundidad de la
caja y la dureza nominales.
A continuación se listan los factores escogidos y sus niveles asociados a la carburación y el

proceso de templado:
FACTORES NIVELES
A: DENSIDAD DE 3 canastillas 1 canastilla
EMPAQUETAMIENTO
B: TEMPERATURA DEL 870° C 840° C
HORNO
C: TIEMPO DE HORNEADO 8 hrs. 6 hrs.
D: TAMAÑO DE LA CARGA 100 Kg. 350 Kg.
E: GRADO DE AGITACIÓN Alto bajo

DEL ACEITE
F: RAZÓN ELEVACIÓN / 60% 50%
DIFUSIÓN DE CO2
G: TEMPERATURA DEL 150° C 80° C
ACEITE
Los factores anteriores y sus niveles se han asignado en un arreglo ortogonal L 8.
La respuesta (características de calidad) es la distorsión en micras (um).
I.T.E.S.R.C. _____________________________________________________________ 8
L8 A B C D E F G Y micras
1 1 1 1 1 1 1 1 42 Resultado nivel 1
2 1 1 1 2 2 2 2 72
3 1 2 2 1 1 2 2 28
4 1 2 2 2 2 1 1 41 Ỹ cuadro
Aleatoria mente 5 2 1 2 1 2 1 2 84
6 2 1 2 2 1 2 1 63 Ỹ A2 nivel 2
7 2 2 1 1 2 2 T 1= 42435
/ 8 = 53
8 2 2 1 2 1 1 2 59
A continuación se T = 424 muestra la tabla de
respuesta para los valores medios de la distorsión.
NIVEL 2 – NIVEL 1 = DIF.

Diferencia mayor valor absoluto = rango (ordenar de mayor a menor)
A B C D E F G
NIVEL 1 45.75 65.25 52.00 47.25 48.00 56.50 45.25
NIVEL 2 60.25 40.75 54.00 58.75 58.00 49.50 60.75
DIF. 14.50 -24.5 2.00 11.50 10.00 -7.00 15.50
RANGO 3 1 7 4 5 6 2
EJEMPLO:
A1 = 42 + 72 + 28 + 41 / 4 = 45.75
El rango son números progresivos de acuerdo al orden de las diferencias absolutas.
El valor promedio de los valores viene dado por:
T = 45 .75 + 60.25 / 2 = 53
Este valor es usado para fines de comparación debe ser igual apara cualquier par de valores
de la tabla.
Como las características de calidad (distorsión) es del tipo “la menor la mejor”, la solución
optima obtenida de la tabla de respuestas es la combinación:
A1 B2 C1 D1 E1 F2 G1
1.5 PREDICCIONES DE LAS CONDICIONES OPTIMAS
Como la combinación óptima (A1 B2 C1 D1 E1 F2 G1) no se experimento, debemos de

usar la siguiente formula de predicción para predecir el valor óptimo de la distorsión de la
boquilla:
Predicción = (Ā – T) + (B - T) +.....+ T
I.T.E.S.R.C. _____________________________________________________________ 9
A0 = valor optimo
Donde A0, B0,...son los valores óptimos tomados de la solución de la tabla de

respuestas y T es el promedio de los valores:
T = 42 + 72 + 28 +41 +84 +63 +35 + 59/ 8 = 53
Luego la predicción de la distorsión es:
_ __ _ __ _ _ _ _ _ _ _ _ _ _ _ _ _
U = ( Ā1 – T ) + ( B2 – T ) + ( C1 - T ) +( D1 - T ) + ( E1 - T ) + ( F1 - T ) + ( G1 - T )
+T
_ _ _ _ _ _ _ __ _ _ _ __ ____ _
U = Ā1 B2 C1 D1 E1 F1 G1 - 6T predicción
U = suma de los valores óptimos menos ( n- 1 ) veces el valor medio siendo n =

N° de factores
Por lo tanto :
U = 45.75 +40.75 + 52.00 + 47.25 + 48.00 +49.50 + 45.24 – (6 * 53) = 10.50 um.
Se puede llevar a cabo el experimento como prueba de confirmación
NOTA
Se analizaron solamente los datos para la distorsión

Es necesario repetir el análisis para la dureza y así verificar que las condiciones
óptimas para distorsión aseguren suficiente profundidad para la caja.
Otra forma de determinar la predicción , consiste en escoger del arreglo ortogonal

la combinación mas aproximada a la optima y restarle al valor de la distorsión de
esta combinación las diferencias de los cambios de los niveles de los factores que
sean diferentes. Esto es:
Tomando el experimento N° 1: A1 B1 C1 D1 E1 F1 G1  42 um.
Cambio de B1 a B2 = 42 – 24.5 = 17.5
Cambio de F1 a F2 = 17.5 – 7 = 10.5 um.
Observación:
Aunque lo anterior es una forma rápida para calcular la predicción, no es aplicable

en todos los casos.
Para ello se deben de cumplir las siguientes condiciones:
I.T.E.S.R.C. _____________________________________________________________
10
 El arreglo debe estar totalmente lleno (sin columnas vacías).

 Si existe alguna iteración, el experimento seleccionado debe tener los
factores interactuados en el mismo nivel que en el óptimo.
 Se debe cumplir la condición de aditividad con los factores.
Ejemplo 2
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”.
Factor Descripción Nivel I Nivel 2

A Tipo de resina Tipo I Tipo II
B Concentración 5% 10%
C Tiempo de ciclo de prensado 10 seg 15 seg
D Humedad 3% 5%
E Presión 800 psi. 900 psi.
En este caso estamos interesados en analizar el efecto de 5 efectos o factores a dos niveles
cada uno, por lo tanto, se usará un arreglo ortogonal L8. Esto implica que se ejecutarán 8
pruebas o condiciones experimentales. Por otra parte se disponen de 7 columnas, a cada
columna se le puede asignar o asociar un factor. Si en particular, asignamos los factores en
orden a las primeras cinco Columnas, dejando libres las últimas dos columnas, el arreglo
queda:
No. A B C D E e1 e2 Resina Concen. Tiempo Humedad Presión Yi

1 1 1 1 1 1 1 1 Tipo I 5% 10 seg. 3% 800 psi. 0.49
2 1 1 1 2 2 2 2 Tipo I 5% 10 seg. 5% 900 psi. 0.42
3 1 2 2 1 1 2 2 Tipo I 10% 15 seg. 3% 800 psi. 0.38
4 1 2 2 2 2 1 1 Tipo I 10% 15 seg. 5% 900 psi. 0.30
5 2 1 2 1 2 1 2 Tipo II 5% 15 seg. 3% 900 psi. 0.21
6 2 1 2 2 1 2 1 Tipo II 5% 15 seg. 5% 800 psi. 0.24
7 2 2 1 1 2 2 1 Tipo II 10% 10 seg. 3% 900 psi. 0.32
8 2 2 1 2 1 1 2 Tipo II 10% 10 seg. 5% 800 psi. 0.28
Observe que en las columnas vacías, 6 y 7, se ha escrito la letra e 1,y e2 respectivamente
esto para indicar que en ellas se evaluará la variación natural o error aleatorio.
Si no se asigna ningún factor, es de esperar que ahí se manifieste la variación natural. Los
resultados de Yi se muestran en ppm.
I.T.E.S.R.C. _____________________________________________________________
11
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).
Los totales son por lo tanto:
A1= total de las lecturas que se tomaron con el factor A a su nivel 1

= 0.49+0.42+0.38+0.30=1.59
A2= total de las lecturas que se tomaron con el factor A a su nivel 2

= 0.21+0.24+0.32+0.28= 1.05
Para el factor D se tiene que las pruebas 1,3,5 y 7 se efectuaron a su nivel 1 (humedad
del 5%), por lo tanto los totales son:
D1= Total de las lecturas que se tomaron con el factor D a su nivel 1

= 0.49+0.38+0.21+0.32= 1.40
D2= Total de las lecturas que se tomaron con el factor D a su nivel 2

= 0.42+0.30+0.24+0.28= 1.24
En resumen se tiene:
Factor A B C D E e e
Nivel 1 1.59 1.36 1.51 1.40 1.39 1.28 1.35
Nivel 2 1.05 1.28 1.13 1.24 1.25 1.36 1.29
2.64 2.64 2.64 2.64 2.64 2.64 2.64
Observe que la suma de los dos niveles debe dar siempre el total de las ocho lecturas
2.64.
2) En seguida se obtiene una cantidad que llamaremos suma de cuadrados esta se calcula
como sigue:
I.T.E.S.R.C. _____________________________________________________________
12
Suma de los cuadrados del factor x= SS X= (Total nivel 2 – Total nivel 1) 2/ n

Donde “n” representa el número total de lecturas que se tomaron.
Así por ejemplo, para el factor A, tendremos que dado que n=8 
SSA= (A2 –A1) 2/ 8= (1.59-1.05) 2/ 8=0.03645 con 1 g .1
Para el factor B se tiene

SSB= (B2 –B1) 2/ 8= (1.28-1.36) 2/ 8= 0.00080 con 1 g.1
Similarmente
SSC= (C2 –C1) 2/ 8= (1.13-1.51) 2/ 8= 0.01805 con 1 g.1
SSD= (D2 –D1) 2/ 8= (1.24-1.40) 2/ 8= 0.00320 con 1 g.1
SSE= (E2 –E1) 2/ 8= (1.25-1.39) 2/ 8= 0.00245 con 1 g.1
SSe= 0.00080 con 1 g.1
SSe= 0.00045 con 1 g.1
La suma de cuadrados de las columnas donde no se asignó factor (SSe) se toman como
estimaciones del error y se suman.
SSe= 0.00080+0.00045= 0.00125 con 2 g.1
3) Se construye una tabla ANOVA, ésta es:
Efecto SS G.L. V Fexp

A 0.03645 1 0.03645 58.32
B 0.00080 1 0.00080 1.28
C 0.01805 1 0.01805 28.88
D 0.00320 1 0.00320 5.12
E 0.00245 1 0.00245 3.92
Error 0.00125 2 0.000625
Total 0.0622 7
Bajo la columna SS se tienen las sumas de cuadrados. Bajo la columna G.l. (grados de
libertad), tendremos el 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.
La columna V, se obtiene dividiendo el número bajo la columna SS, entre el número de la

columna G.L.
I.T.E.S.R.C. _____________________________________________________________
13
Así por ejemplo, para el factor A se tiene
SSA= 0.03645, G.L. de A=1
V= SSA/G.L.= 0.03645/1= 0.03645
Por 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.
Fexp de A= V(A) / V(error)= 0.03645/0.000625=58.32
4) Obtenemos las siguientes conclusiones:
Todos aquellos factores, que tienen un valor de Fexp mayor que 2 se considera que
afectan la variable de respuesta, emisión de formaldehído en este caso. Estos son llamados
factores significantes.
En este ejemplo resultan significantes los factores A, C, D y E, tipo de resina, tiempo de

ciclo, humedad y 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).
En este caso por ejemplo, una mejor estimación de SSe es:

SSe= SSB + SSe= 0.00080+0.00125= 0.00205
Con 1 + 2 = 3 grados de libertad y (Ve)= (SSe)/3= 0.00205/3= 0.00068
Las estimaciones que se obtienen de esta manera suelen escribirse entre paréntesis.
La tabla ANOVA queda ahora
Efecto SS G.1 V Fexp
A 0.03645 1 0.03645 53.60
C 0.01805 1 0.01805 26.54
D 0.00320 1 0.00320 4.71
E 0.00245 1 0.00245 3.60
Error 0.00205 3 0.00068
Total 0.0622 7
Nos resta decidir a qué 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).
A1= A1/4= 1.59/4= 0.3975
A2= A2/4= 1.05/4= 0.2625
I.T.E.S.R.C. _____________________________________________________________
14
El resto de los promedio son:

Factor Nivel 1 Nivel 2
A A1= 0.3975 A2= 0.2625
B B1= 0.3400 B2= 0.3200
C C1= 0.3775 C2= 0.2825
D D1= 0.3500 D2= 0.3100
E E1= 0.3475 E2= 0.3125
El promedio general denotado como Y es:

Y= (0.49+0.42+0.38+0.30+0.21+0.24+0.32+0.28)/8=T/n= 2.64/8= 0.33
Los factores A, C, D y E que afectan emisión de formaldehído deberán fijarse al nivel que
minimicen la emisión, esto es, al nivel que se obtenga el promedio menor, en este ejemplo;
A2, 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 A = (promedio bajo la condición propuesta del factor promedio general)

= A2 – Y= 0.2625-0.3300= -0.0675 (A se fijó a su nivel 2)
EF C = C2 – Y= 0.2825-0.3300= -0.0475
EF D = D2 – Y= 0.3100-0.3300=-0.0200
EF E = E2 – Y= 0.3125-0.3300= -0.0175
Finalmente, el resultado esperado bajo las condiciones A2, C2, D2, E2, que llamaremos
Yest. Se calcula sumando al promedio general Y todos los efectos de los factores
significantes.
Yest= Y + EF A + EF C +EF D +EF E= 0.3300-0.0675-0.0475-0.0200-0.0175=0.1775
Análisis utilizando gráficas
Existe una alternativa al análisis ANOVA, esta es una serie de gráficas que se muestran
enseguida.
I.T.E.S.R.C. _____________________________________________________________
15
1) Primero se obtienen los promedios en cada nivel, para cada uno de los factores,
incluyendo las columnas vacías.
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:
Nivel 1 0.3975 0.3400 0.3775 0.3500 0.3475 0.3200
0.3325
Nivel 2 0.2625 0.3200 0.2825 0.3100 0.3125 0.3400
0.3225
Promedio global Y= T/n= 2.64/8 = 0.33
Observe que para cada factor, uno de los promedios es mayor y el otro menor que el
promedio global. Esto siempre debe de ocurrir.
2) Calcule la diferencia entre los promedios de niveles para cada factor, y ordénelos de
mayor a menor en valor absoluto.
Esto es por ejemplo para el factor A
A1 – A2 = 0.3975 – 0.2625= 0.1350; para el resto tenemos:
Diferencia 0.1350 0.0200 0.0950 0.0400 0.0350 0.0200 0.0100
En la tabla de ANOVA encontramos los resultados obtenidos anteriormente:

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
T1 1.59 1.36 1.51 1.40 1.39 1.28 1.35 Tot
T2 1.05 1.28 1.13 1.24 1.25 1.36 1.29 2.64
I.T.E.S.R.C. _____________________________________________________________
16
SS 0.03645 0.00080 0.01805 0.00320 0.00245 0.00080 0.00045

Ve
gl 1 1 1 1 1 2
V 0.03645 0.00080 0.01805 0.00320 0.00245 .00062
F 58.32 1.28 28.88 5.12 3.92
Sg si no si si si
P1 0.3975 0.3400 0.3775 0.3500 0.3475
Y
P2 0.2625 0.3200 0.2825 0.3100 0.3125 0.33
Ni 2 - 2 2 2
Ef -0.0675 -0.0475 -0.0200 -0.0175
Yest. = Y + Ef A2 + Ef C2 + Ef D2 + Ef E2
T1 = Total de lecturas al nivel 1
T2 = Total de lecturas al nivel 2
n = Número total de lecturas
SS = (T2 - T1 )2 /n
gl = Grados de libertad (columnas)
V = SS/gl
F = V/Ve
Sg = ¿Efecto significante?
P1 = Promedio nivel 1
P2 = Promedio nivel 2
Ni = Nivel seleccionado
Ef = Efecto de la variable
Y = Promedio de todos los datos
Yest = Valor estimado de la variable a las condiciones propuestas
Ordenando de mayor a menor valor absoluto (ignorando el signo), tenemos:
Factor A C D E B e e
Diferencia 0.1350 0.0950 0.0400 0.0350 0.0200 0.0200 0.0100
Se puede observar que el orden en que quedaron los datos anteriores, es 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
I.T.E.S.R.C. _____________________________________________________________
17
.30
.25
A1 A 2 C1 C2 D1 D2 E 1 E 2 B1 B 2 e 1 e 2 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.
Observamos un grupo de líneas inclinadas, seguida de un grupo de líneas que

súbitamente se “acuestan” o se hacen horizontales. Es de esperar que las líneas que
presentan columnas vacías o error aleatorio, queden prácticamente horizontales
Observe que las conclusiones a que se llegamos en este ejemplo son similares a las de la
ANOVA, esto es, factores significantes A, C, D y e, igualmente los niveles recomendados se
pueden identificar rápidamente, si deseamos reducir la variable de respuesta, se toma el
nivel más bajo, en este caso A 2, C2, D2 y E2, es decir, los puntos por debajo de la línea
promedio global.
En conclusión, el método gráfico puede ser utilizado para fines de exposición o

presentación y el ANOVA para fines de tomar una decisión más objetiva.
INTERACCIONES
Se dice que una interacción ocurre cuando un cambio en el nivel de un factor cambia
la influencia de otro factor sobre la respuesta.
Se dice entonces que los dos factores en cuestión se INTERACTÚAN.
Un ejemplo de interacción se presenta en el uso de un catalizador. Un factor puede no tener

un efecto hasta que se agrega el catalizador.
Considere el caso de cocer un pastel en el horno.
Dos de los factores de control son: temperatura y tiempo de horneado.
Si la característica de calidad es la altura que se levanta el pastel.
FACTORES DE CONTROL NIVELES

A: TEMPERATURA DE BAJA Alta
HORNEADO
B: TIEMPO DE HORNEADO 2 HR. 1 hrs.
I.T.E.S.R.C. _____________________________________________________________
18
Características de calidad Y = altura del pastel
En las graficas siguientes se muestran los efectos principales de los factores:
Y
Y
A1 A2 B1 B2
Analizando las graficas. Las condiciones óptimas parecen ser A 2B2

Esto es: alta temperatura durante 2 horas.
Sin embargo si se estudia la interacción veremos el efecto mostrado en la siguiente figura:
B1
B2
A1 A2
La combinación de alta temperatura y largo tiempo de cocido, hará que el pastel se queme.
POR LO TANTO TEMPERATURA Y TIEMPO SE INTERACTÚAN.
En las graficas siguientes se muestra cuando existe una fuerte interacción una interacción
débil o cuando no existe interacción.
I.T.E.S.R.C. _____________________________________________________________
19
B1
B2
A1 A2
Si las líneas son paralelas no existe interacción.

Se debe cumplir la siguiente igualdad
A1B1 + A2B2 = A1B2 + A2B1
( A1B1 * A2B2 ) = ( A1B2 * A2B1 ) = 0
( A* B )1 ( A* B )2
Recuerde que la notación A* B no indica multiplicación sino interacción de el factor A con

el factor B si A * B muestra un efecto, entonces existe una INTERACCIÓN.
Para analizar dos factores y su interacción se puede usar un arreglo ortogonal L 4 como se
muestra en la siguiente tabla:
L4 A B A*B
1 2 3
1 1 1 1
2 1 2 2
3 2 1 2
4 2 2 1
Obsérvese que en el ejemplo anterior, en la interacción entre dos factores de dos niveles fue
necesario hacer comparación para identificar, esto es un GRADO DE LIBERTAD.
En general los grados de libertad necesarios para estudiar una interacción es igual al
producto de los grados de libertad de cada factor:
GDL de interacción = GDL (A) * GDL (B)
* = si indica multiplicación
I.T.E.S.R.C. _____________________________________________________________
20
Ejemplo 1
Si se tiene un factor de tres niveles y otro de dos niveles, los grados de libertad de la
interacción serán:
Factor de tres niveles A3 _____________________________ GDL (A) = 3 – 1 = 2

Factor de dos niveles B2 _____________________________ GDL (B) = 2 – 1 = 1
Y
GDL ( A * B) = 2*1 = 2
En este caso son necesarias
Dos comparaciones B1
B2
A| A2 A3
Ejemplo 2
Si se tienen dos factores de tres niveles, los grados de libertad de la interacción serán:
Factor de tres niveles A3 _____________________________ GDL (A 3) = 3 – 1 = 2

Factor de dos niveles B3 _____________________________ GDL (B 3) = 3 – 1 = 2
GDL ( A * B) = GDL (A3) * GDL (B3) = ( 2 )( 2 ) = 4
B1
EN ESTE CASO SE REQUIEREN 4
COMPARACIONES.
B2
B3
A1 A2 A3
Efectos principales de factores
El efecto se define como el cambio en la respuesta producido por el cambio de nivel del
factor.
Esto se llama con frecuencia “efecto principal” porque se refiere a los efectos de primer
interés en el experimento.
I.T.E.S.R.C. _____________________________________________________________
21
Por ejemplo considere los datos mostrados en la siguiente tabla:
A Factor B
20 30
Factor
40 52
El efecto principal del factor A puede ser visto como la diferencia entre la respuesta
promedio del primer nivel de A y la respuesta promedio del segundo nivel de A esto es :
A = 40+52 / 2 – 20 + 30 / 2 = 21
O sea, al aumentar el factor A de su nivel 1 a su nivel 2, origina un aumento promedio en la
respuesta de 21 unidades. De una manera similar. El efecto principal de B será :
B = 30 + 52 / 2 – 20 + 40 / 2 = 11
Si los factores tienen más de dos niveles lo anterior debe modificarse.
En algunos experimentos, podemos encontrar que la diferencia en respuesta entre los

niveles de un factor no es la misma a todos los niveles de los otros factores. Cuando esto
ocurre, existe interacción entre los factores como ejemplo considere los datos de la siguiente
tabla:
Factor B
Factor A
20 30
50 12
En el primer nivel de B el efecto de A es:

A = 50 – 20 = 30
En el segundo nivel de B el efecto de A es:

A = 12 – 40 = - 28
Puesto que el efecto de A depende del nivel escogido de B, entonces existe interacción
entre A y B.
Los conceptos anteriores se ilustran en las siguientes graficas.
B2
B1
B1 B2
B2
B1 B1 B2
I.T.E.S.R.C. _____________________________________________________________
22
A1 A2
A1 A2
Grafica para los datos de seg.

Tabla
Grafica para los datos de líneas (no paralelas) si hay
Primera tabla (líneas casi paralelas) interacción
¡ no interacción !
INTERACCIÓN Y CONFUSIÓN
Puede suceder que alguna interacción pueda confundirse en el experimento:

por ejemplo, supóngase que los efectos de tres factores de control A, B y C se estudiaron
usando el programa experimental de la siguiente tabla L 8.
Puerta N° A B C Vacías Datos

4,5,6, y
7
1 1 1 1 1 5
2 1 1 1 2 5
3 1 2 2 1 9
4 1 2 2 2 9
5 2 1 2 1 9
6 2 1 2 2 9
7 2 2 1 1 13
8 2 2 1 2 13
72
_ _ _
Ā B C y
Nivel 1 7 7 9 9 Tabla de respuestas
Nivel 2 11 11 9 9
Dif. 4 4 0 0
Nota
1. Δ C = 0 luego C en este programa experimental no tiene efecto.
I.T.E.S.R.C. _____________________________________________________________
23
2.
Δ ( columna vacía ) = 0 luego se considera que esta prueba indica que el programa
experimental se desarrollo correctamente.
Por otra parte, se desarrollo otro programa experimental con el mismo equipo de acuerdo
al siguiente arreglo :
Prueba N° A B y C Datos
1 1 1 1 1 5
2 1 1 1 2 6
3 1 2 2 1 8
4 1 2 2 2 9
5 2 1 2 1 8
6 2 1 2 2 9
7 2 2 1 1 13
8 2 2 1 2 14
_ _ _ _
A B y C
Nivel 1 7 7 9.5 8.5
Nivel 2 11 11 8.5 9.5
Dif. 4 4 -1 1
A1 A2
B1 5.5 8.5
B2 8.5 13.5
Obsérvese que : 5.5 = 5 + 6 / 2
Los datos donde los niveles A y B son iguales a 1 se han promediado.
En este experimento:
Como ΔC = 0 C si tiene efecto
Como Δ (columnas vacía ) ∙≠ 0 esta columna si tiene efecto
Luego entonces la interacción A * B ha sido CONFUNDIDA con el efecto de C en el

primer programa experimental cancelándose uno con otro, mientras que el segundo los
efectos se han separado.
I.T.E.S.R.C. _____________________________________________________________
24
EJEMPLO DE ANÁLISIS CON INTERACCIÓN
Supóngase que el objetivo de calidad para un ajustador de freno es minimizar la

deflexión del ajustador al aplicar el freno.
Y = deflexión del ajustador del freno, características del tipo “ LA MENOR LA MEJOR ”.
Los factores de control son:
FACTORES DE CONTROL NIVELES

A : MATERIAL A1 A2
B: ÁREA DE LA SELECCIÓN B1 B2
C: LONGITUD C1 C2
D: TRATAMIENTO TÉRMICO D1 D2
E: PAR DE AJUSTE E1 E2
Interacciones. . . A * D y D * E
1. CONSTRUIR LA GRAFICA LINEAL.

2. PLANEAR EL PROGRAMA EXPERIMENTAL.
3. DETERMINAR LA TABLA DE RESPUESTAS.
4. DIBUJAR DIAGRAMAS DE INTERACCIONES.
5. REALIZAR ANOVA
6. RECOMENDACIONES.
7. PREDICCIÓN DE LA DEFLEXIÓN.
Solución
Los grados de libertad son: GDL ( A ) = 1
GDL ( B ) = 1
GDL ( C ) = 1
GDL ( D ) = 1
GDL ( E ) = 1
GDL ( A*D ) = 1
GDL ( A*E ) = 1
TOTAL DE GDL = 7
USANDO LA TABLA TRIANGULAR, LA GRAFICA LINEAL QUEDA COMO SIGUE :
A (1) B(5) C(7)
A*D(3)
E(4)
D(2) D*E(6)
I.T.E.S.R.C. _____________________________________________________________
25
El arreglo ortogonal y los datos se muestran a continuación:
Exp. 1 A1 D2 A*D3 E4 B5 D*E6 C7 DATOS TOTAL

1 1 1 1 1 1 1 1 50 56
2 1 1 1 2 2 2 2 81 75
3 1 2 2 1 1 2 2 48 50
4 1 2 2 2 2 1 1 92 106
5 2 1 2 1 2 1 2 112 120
6 2 1 2 2 1 2 1 64 55
7 2 2 1 1 2 2 1 42 37
8 2 2 1 2 1 1 2 72 68
LA TABLA DE RESPUESTA ES:
A B C D E A*D D*E
NIVEL1 69.75 57.88 62.75 76.63 64.38 60.13 84.50
NIVEL2 71.25 83.13 78.25 64.38 76.63 80.88 56.50
DIF. 1.50 25.25 15.50 -12.25 12.25 20.75 -28.00
RANGO 7 2 4 5 5 3 1
En los factores D Y E el rango es igual porque la diferencia absoluta es la misma.
En la tabla de respuestas el valor de 69.75 se cálculo de la siguiente manera:
69.75 = 50 + 56 +81+ 75 +48 +50 +92 + 106 / 8 = Ā 1 = 106 + 156 + 98 + 198/ 8
Los diagramas de las interacciones son los siguientes:
A1 A2
D1 65.50 87.75
D2 74.00 54.75
I.T.E.S.R.C. _____________________________________________________________
26
Y
100
D1
80
D2
60
40
20
0
A1 A2
Por ejemplo:
____
A1 D1 = 50 + 56 + 81 +75 / 4 = 65.50
SIMILARMENTE:
___
A1D2 = 74.00
___
A2D1 = 87.75
___
A2D2 = 54.75
PARA LA INTARACCION D*E
E1 E2
1
D 84.50 68.75
D2 44.25 84.50
I.T.E.S.R.C. _____________________________________________________________
27
Y
100
D1
80
D2
60
40
20
0
E1 E2
____
D1E1 = 50 + 56 + 112 + 120 / 4 = 84.50
____
D1E2 = 68.75
___
D2E1 = 44.25
___
D2E2 = 84.50
LA CONCLUSIÓN RECOMENDADA EN ESTE EJEMPLO ES:
A2 B1 C1 D2 E1
Observe que de las tablas de interacciones se tiene:
A2D2 = 54.75 ES EL MENOR VALOR
E1D2 = 44.25 ES EL MENOR VALOR
La predicción de la deflexión promedio con la A 2 B1 C1 D2 E1 es:
Û = ( A2 – T ) + ( B1 – T) + ( C1 – T) + ( D2 – T) + ( E1 – T) + T + A2D2 – (A2 – T ) – (D2 – T )

– T+ D 2E1 – ( D 2 – T ) – ( E 1 – T ) – T
Û = A2 + B1 + C1 + D2 + E1 + A2D2 - A2 - D2 + D2E1 – 2T
Û = B1 + C1 + A2D2 + D2E1 - D2 - 2T
I.T.E.S.R.C. _____________________________________________________________
28
Û = 57.88 + 62.75 + 54.75 +44.25

64.38 – 2 ( 70.25 )= 14.25
Si analizamos el experimento N° 7 del arreglo ortogonal, notaremos que este difiere

de la combinación optima solo en el factor B (es B 2 y no B1 )
La predicción se puede determinar a partir de esta combinación:
Exp. N° 7 : A2 B1 C1 D2 E1
42+37/2 = 25.25 = 14.25

Promedio en diferencia de
exp. N° 7 B2 a B1
Nomenclatura de arreglos ortogonales
La (bc ) . . . . . . . . . . .. . ... .. . . . . L = cuadrado latino (aunque realmente no lo es )
a = N° de filas o combinaciones del arreglo
b = N° niveles de los factores
c = N° de columnas o de factores
Grados de libertad = a – 1
Material de apoyo:
 Libro: Seis Sigma, metodología y técnicas. Autor: Escalante
 Ingeniería de Calidad apoyo.htm
 ..\..\DisTaguchi unidad 2.doc
 DOE TAGUCHI U2.ppt (presentación de apoyo para uso de minitab)
 Software: minitab
I.T.E.S.R.C. _____________________________________________________________
29
2.6. Razones para usar arreglos ortogonales
Un arreglo ortogonal se puede utilizar para simplificar y en algunos casos elimina gran
parte de los esfuerzos de diseño estadístico. Es una forma de examinar simultáneamente
muchos factores a bajo costo. El Dr. Taguchi recomienda el uso de arreglos ortogonales
para hacer matrices que contengan los controles y los factores de ruido en el diseño de
experimentos.
Los arreglos ortogonales son herramientas que permiten al ingeniero evaluar qué tan
robustos son los diseños del proceso y del producto con respecto a los factores de ruido.
El método del Dr. Taguchi para el diseño de experimentos utiliza técnicas que implican
bajos costos y que son aplicables a los problemas y requerimientos de la industria moderna.
El propósito que se tiene en el diseño del producto es encontrar aquella combinación de
factores que nos proporcione el desempeño más estable y confiable al precio de
manufactura más bajo.
El análisis del arreglo ortogonal de Taguchi es usado para producir los mejores parámetros
para el diseño óptimo del proceso, con el mínimo número de experimentos (pruebas). Los
resultados obtenidos para los arreglos ortogonales son analizados para obtener los
siguientes objetivos:
a. Estimar la contribución de los factores individuales que influyen en la calidad en la

etapa del diseño del producto.
b. Ganar la mejor condición para un proceso o un producto, así que las características
en una buena calidad puedan ser sostenidas.
2.7. Otros arreglos para factores en dos niveles
I.T.E.S.R.C. _____________________________________________________________
30
SERIE DE DOS NIVELES
1.- L4 ( 23 ) 4 filas
3 columnas
Es el arreglo más pequeño ( factorial total)
2.- L8 ( 27 ) siete factores de dos niveles
3.- L12 ( 211 ) once factores de dos niveles

no existe grafica lineal ni tabla triangular. Esto se
Debe a que el efecto de interacción entre cualquier
Parte de columnas está extendido a lo largo del arreglo y no en ninguna
columna.
Este es un buen arreglo cuando se conoce poco acerca de interacciones.
4.- L12 ( 211 ) quince factores de dos niveles
5.- L32 ( 231 ) treinta y un factor de dos niveles
6.- L64 ( 263 ) sesenta y tres factores de dos nivele
I.T.E.S.R.C. _____________________________________________________________
31
A continuación se hacen algunos comentarios sobre otros arreglos.
 El arreglo L12 es un caso especial. Se observa en el apéndice, que no se muestran

gráficas lineales ni matriz de interacciones, esto es porque está diseñado para analizar
únicamente hasta once factores individuales sin interacciones. Con este arreglo no se
pueden analizar interacciones.
Las interacciones en un arreglo L12 se distribuyen de una manera uniforme en todas las
columnas. La ventaja de esto es que le permite investigar 11 factores sin preocuparse por
sus interacciones. El arreglo L12 en general tiene buena reproducibilidad de conclusiones.
Algo similar se puede decir del arreglo L18
 Para un arreglo L16 existen una gran variedad de posibles 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.
Material de apoyo:
Libro: Seis Sigma, metodología y técnicas. Autor: Escalante
2.8. Gráficos lineales
Este tipo de gráficas lineales se utilizan para facilitar la asignación de factores e

interacciones en un arreglo ortogonal.
I.T.E.S.R.C. _____________________________________________________________
32
Cada punto representa una columna para asignar unos factores. Las líneas que conectan
los puntos representan las columnas que deben asignarse a las interacciones entre los
factores que conectan.
ORTOGONALIDAD
Un diseño ortogonal permite comparar, con la misma eficiencia, los niveles de los factores
bajo varias condiciones.
Grados de libertad de un factor
Los grados de libertad son una medida de una cantidad de información que puede ser
obtenida. Para conocer el efecto de un factor determinado en un experimento, se compara el
desempeño del producto al poner el factor en varios niveles al realizar un experimento;
mientras más niveles tenga un factor, tendrá más grados de libertad, y por lo tanto más
información para ser obtenida.
Interacción entre factores.
Existe una interacción cuando el efecto de un factor depende del nivel en que se encuentre
otro factor. Se graficarán los cambios de un factor B, para determinar si hay interacción.

Estas gráficas facilitan la asignación de factores e interacciones a un arreglo ortogonal.
Su interpretación es la siguiente:
 Los números representan el número de la columna en el arreglo ortogonal.

 Los puntos representan a los factores.
 Los segmentos de línea que unen dos puntos representan la interacción entre
esos dos factores
Existen representaciones graficas de las tablas triangulares para cada uno de los arreglos
ortogonales.
Las graficas lineales consisten en nodos y líneas que los conectan.
Cada nodo representa a un factor y la línea que los une a una interacción.
Las graficas lineales se hacen más útiles a medida que la complejidad del experimento
aumenta y se usan en la mayoría de las técnicas de diseño más avanzado.
La grafica lineal para una interacción de los factores se muestra en la siguiente grafica:
Un nodo para el factor A

I.T.E.S.R.C. _____________________________________________________________
33
A A*B B Un nodo para el factor B

Una línea de conexión para
La interacción.
Ejemplo:
Sean A, B, C, y F factores de 2 niveles y A*B, A*D interacciones.

Los grados de libertad para este ejemplo son :
FACTOR GDL B(2)

A 1 A*B (3) C(6) E(7)
B 1
C 1 A(1)
D 1 A*D(5)
E 1 D(4)
A*B 1*1
A*B 1*1
7
Material de apoyo:
2.9. Arreglos ortogonales para factores de tres niveles
La serie de arreglos de tres niveles permite investigar tres factores.

El L9 (34) proporciona información de cuatro factores a tres niveles, utilizando nueve
condiciones experimentales. Un L9 tiene ocho grados de libertad. Su uso permite hacer
ocho comparaciones ortogonalmente.
Los ocho grados de libertad pueden descomponerse en dos grados de libertad por columna.
Se requiere una columna para cada factor. El primer paso es para formar categorías
acumuladas a partir de las categorías iniciales, de modo que la categoría acumulada 1 sea
I.T.E.S.R.C. _____________________________________________________________
34
igual a la categoría inicial 1, la categoría acumulada 2 sea igual a las categorías iniciales 1
más 2.
EJEMPLO:
(i) = (1)
(ii) = (1) + (2)
(iii) = (1) + (2) + (3) etc.
El segundo paso es conocer la proporción que tiene cada categoría acumulada.
EJEMPLO:
P1 = 25/90
P11 = 49/90
P111 = 65/90
PIV = 90/90
A cada categoría se le asigna un peso, según la fórmula...
Wj = 1/(Pj*(1-Pj))
Para cada categoría se calcula el factor de correlación, con la siguiente fórmula:
CFj = (i¨2)/n
SUMA DE CUADRADOS DE FACTORES

Se obtiene mediante la suma de cuadrados de cada clase, multiplicada por su peso según
su fórmula.
Ssa = (Ssa clase 1)*W1+(Ssaclase 11)*W11 + (Ssa clase 111)*W111........ + (Ssa clase
n)*Wn
Sstotal = (número total de datos) * (número de categorías - 1).
GRADOS DE LIBERTAD
Los grados de libertad son calculados en base a los grados de libertad de un factor para
variables, multiplicados por el número de categorías acumuladas menos uno.
EJEMPLO:
En un problema que tenga, cuatro factores con tres niveles obtenemos lo siguiente...
2*(4-a) = 6
Obtenemos que este ejemplo tiene 6 grados de libertad.
El error
El error se puede obtener restando la suma total de cuadrados de cada factor.
I.T.E.S.R.C. _____________________________________________________________
35
Ss error = Ss total -Ssa -Ssb -Ssc -Ssd
Con todos estos datos se construye una Tabla de Anova para tomar una
decisión.
Conclusión
El análisis de varianza ofrece más que un método corto para obtener la suma de cuadrados
del error. Es confiable y de gran exactitud para obtener la opción correcta y disminuir costo
por muchos experimentos.
SERIE DE TRES NIVELES
1.- L9 ( 34 ) cuatro factores de tres niveles
2.- L27 ( 313 ) trece factores de tres niveles
3.- L81 (340 ) cuarenta factores de tres niveles
NOTA
Un factor de tres niveles requiere de dos grados de libertad, así que cada columna
tiene dos grados de libertad.
La interacción entre dos factores de tres niveles requiere de 2*2 = 4 grados de libertad = 2
columnas.
Las interacciones en la tabla triangular tiene dos columnas asignadas y ambas deberán
usarse para estudiar la interacción.
SERIE MEZCLADAS.
1.- L18 ( 21, 3 7 ) un factor de do niveles y siete de tres

Grados de libertad:
Factor de 2 niveles. . . . . . . . . . GDL = 1
7 factores de 3 niveles . . . . . . . GDL = 14= 2*7
15 GDL
Pero en un arreglo L18 hay 17 GDL

Los GDL que quedan, se usan para estudiar la interacción entre las primeras
dos columnas del arreglo.
El factor de dos noveles y el primer factor de tres.
I.T.E.S.R.C. _____________________________________________________________
36
Las interacciones restantes están distribuidas a lo largo del arreglo como en

el arreglo L12.
2.- L36( 211, 312 ) once factores de dos niveles y doce de tres.
3.- L36( 23, 313) tres factores de dos niveles de tres incluye interacciones como L 8.
4.- L54( 21, 326 ) un factor de dos niveles y veintiséis de tres
Material de apoyo:
2.10. Métodos para modificar los arreglos ortogonales
Preestablecidos con base en las modificaciones en las gráficas lineales.
OBJETIVO: Que estas gráficas puedan ser utilizadas para un problema en particular. Las
gráficas lineales estándar pueden ser modificadas para ser utilizadas en un experimento
específico, usando matrices triangulares, y la ortogonalidad entre las columnas se
mantiene.
EJEMPLO: Un L16 se puede modificar, quedando de la siguiente manera:
FACTORES: A, B, C, D, E, F, G, H, I, J .
INTERACCIONES: AxB, CxD, ExF, FxG, Y GxH.
Solución:
1. Se dibuja la gráfica lineal según factores e interacciones:

Se selecciona la gráfica lineal estándar de donde puede ser obtenida la gráfica lineal
del punto anterior
I.T.E.S.R.C. _____________________________________________________________
37
2. Revisando la matriz triangular, se determina como puede ser modificada la gráfica

lineal sí la interacción entre las columnas 6 y 11 nos e necesita, entonces se elimina y
queda libre la columna 13, colocándose la interacción entre las columnas y ella.
Solución del arreglo ortogonal
Los grados de libertad son utilizados para seleccionar un arreglo ortogonal más pequeño
que sea apropiado. Se establecen primero los grados de libertad requeridos basándose en
el número de factores y el número de niveles de >cada uno de éstos, así como las
interacciones que se desean investigar. Ejemplo:
Si se tienen 5 factores (A, B, C, D, E) con dos niveles cada uno, y además se requiere
investigar las interacciones AXB Y AXC, es necesario utilizar un arreglo ortogonal L8, que
tienen 7 grados de libertad.
Ejemplo:
Grados de libertad de los factores (5X1) = 5

Grados de Libertad de AXB (1X1) = 1
Grados de libertad de AXC (1X1) = 1
7 gl
Asignación de factores a un arreglo ortogonal
Procedimientos:
1. Se selecciona el arreglo ortogonal apropiado; para esto se toman en cuenta los grados de
libertad necesarios debido a los factores e interacciones.

2. Se dibuja la gráfica lineal según las interacciones deseadas.
3. Se selecciona una de las gráficas lineales estándar del arreglo elegido, de la cual se
puede obtener la gráfica lineal del paso anterior.
I.T.E.S.R.C. _____________________________________________________________
38

4. Se asignan los factores e interacciones según las columnas que les corresponden de
acuerdo a la gráfica lineal resultante.

EJEMPLO: La Ley de Movimiento de Newton F = MA. La naturaleza conoce esta relación
pero nosotros no. Como podemos obtener la relación rápidamente sin quedar atrapados en
años de investigación teórica como lo hizo Newton? Un DDE siempre para dos entradas,
tales como masa (M) y aceleración (A), cada uno a 2 niveles, se puede establecer como un
proceso de 4 ensayos experimentales (o intentos) en posiciones bajo y alto como se
muestra en la tabla.
ENSAYO M A
1 BAJO BAJO
2 BAJO ALTO
3 ALTO BAJO
4 ALTO ALTO
Un conjunto de condiciones experimentales se usa para interrogar a la naturaleza acerca

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

M A F
1 5 100 500
2 5 200 1000
3 10 100 1000
4 10 200 2000
Para maximizar la cantidad de conocimiento adquirido, el análisis del modelado de un DDE

se conduce con valores de entrada estandarizados, donde los valores bajos se codifican en
(1 y los altos se codifican en (+ 1). Estos valores codificados estandarizan la escala y las
unidades de las variables de entrada. El resultado es una matriz con entradas codificadas
como se muestra en tabla 2.
I.T.E.S.R.C. _____________________________________________________________
39
ENSAYO M A M*A F
1 -1 -1 1 500
2 -1 1 -1 1000
3 1 -1 -1 1000
4 1 1 1 2000
Note, en la tabla, la adición de una columna M*A la cual es generada por el producto de las
columnas coficiadas M y A y que era usada para analizar el efecto interactivo o combinado
de M y A. Las columnas M, A y M*A representan los tres efectos a ser evaluados, i.e. los
efectos lineales de M y A y el efecto de la interacción de M con A (M*A). El análisis se
conduce como se muestra en la tabla.
ENSAYO M A M*A F
1 -1 -1 1 500
2 -1 1 -1 1000
3 1 -1 -1 1000
4 1 1 1 2000
PROM(+1) 1500 1500 1250 1125
PROM(-1) 750 750 1000
PROM(+1)-PROM(-1) 750 750 250
Para obtener los números de las secciones sombreadas, usted debe hacer lo siguiente para
cada una de las columnas M, A y M*A: encuentre el promedio de la salida F cuando los
valores de la columna son -1, encuentre el promedio de la salida F cuando los valores de las
columnas son +1, y luego encuentre la diferencia de los dos promedios (∆). Por
ejemplo, cuando las columnas del efecto M está A - 1 (Ensayos 1 y 2) la salida es 500 para
el ensayo 1 y 1000 para el ensayo 2, que en promedio DA 750.
El modelo generado por el DDE se construye usando un diseño de regresión de cuadrados

mínimos el cual puede ser simplificado para diseños de 2 niveles como se muestra a
continuación:
F Es el promedio predicho para fuerza

Mc Es la variable codificada para masa
Ac Es la variable codificada para aceleración
FEs la gran media experimental
I.T.E.S.R.C. _____________________________________________________________
40
∆M Es el tamaño del efecto lineal para M, etc.
Entonces nuestro modelo actual se convierte en:
F=1125+(750/2)*Mc+(750/2)*Ac+(250/2)*Mc*Ac
Recuerde que nuestro modelo de predicción es para valores codificados (I. E -1, +1) de M y
A, y nosotros podemos transformarlo en un modelo con valores actuales de Ma y Aa usando
la siguiente relación:
Ma=((Ma+Mb)/2)+((Ma+Mb)/2)*Mc
Donde:
MA Valor fijo actual de masa
MC Valor fijo codificado de masa
MA Valor experimental actual fijado en alto
MB Valor experimental actual fijado en bajo
Para nuestro ejemplo:
Ma=7.5+2.5 Mc
Entonces:
Los cálculos previamente descritos son una forma simple para pasar de valores codificados
a actuales y viceversa, como se muestra en la escala combinada de la figura.
I.T.E.S.R.C. _____________________________________________________________
41
Material de apoyo:
Libro: Seis Sigma, metodología y técnicas. Autor: Escalante

Libro: Probabilidad y Estadística para ingenieros. Autor: Walpole. Myers.
http://www.scielo.cl/scielo.php?pid=s0717-75182004000200006&script=sci_arttext
Ingeniería de Calidad apoyo.htm
planeacion de diseño de experimentos.pdf
DOE TAGUCHI U2.ppt (presentación de apoyo para uso de minitab)
http://www.slideshare.net/ldelatorre2010/ingenieria-de-calidad
unidad 2 arreglos ortogonales.doc
Software: Minitab
Ejercicios complementarios: Ejercicios u2.
Practica a realizar: practica Ingeniería de Calidad Unidad 2
I.T.E.S.R.C. _____________________________________________________________
42

Manual de Ingeniería de Calidad Unidad 2

Cargado por

Información del documento

Descripción 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

Manual de Ingeniería de Calidad Unidad 2

Cargado por

Copyright:

Formatos disponibles

INGENIERIA DE CALIDAD

UNIDAD II. EXPERIMENTOS CON ARREGLOS ORTOGONALES

2.1 Planeación y Conducción de Experimentos.

2.1. Planeación y conducción de experimentos

Un experimento es un procedimiento mediante el cual se trata de comprobar (confirmar o

Obviamente la experimentación se debe planificar (diseñar) cuidadosamente para que

elección de los experimentos y la evaluación de los resultados a la mera intuición del

¿Qué es el Diseño Estadístico de Experimentos?

Variables de entrada variable de salida

Ejemplos de sistemas experimentales son:

La experimentación en sistemas como el descrito en la Figura anterior suele perseguir uno

1. Comprender el problema y definir claramente el objetivo.

2.2. El diseño (23).

El experimento es un conjunto de pruebas estructuradas y coherentes que se analizan para

El método convencional en la experimentación es variar un factor a la vez, manteniendo todos

a. La primera es la notación "+,-", llamada "geométrica".

Una réplica completa de tal diseño requiere que se recopilen 2 x 2 x .... x 2 =

2.3. Definición de ortogonalidad

Ortogonalidad de factores: dos factores FI y FJ con I y J niveles, respectivamente, son

 Estimar la contribución de los factores individuales que influyen en la calidad en la

El diseño de experimentos con el método de Taguchi, utiliza arreglos matriciales llamados

Las características de estos arreglos son:

1. Cada nivel aparece un número igual de veces.

Arreglos ortogonales y su ventaja

Arreglos ortogonales y su desventaja

Arreglo ortogonal que representa La(b)C donde:

L = Indica que es un arreglo ortogonal

2.4. El arreglo ortogonal L8 (23).

La siguiente tabla muestra un arreglo ortogonal L 4 ( 23)

En la literatura. Los arreglos ortogonales se constituyen de manera diferente. En lugar de

En la ecuación lineal de la forma:

Donde las Cj son constantes

Si Σ Cj = 0 se dice que la ecuación es un “CONTRASTE”

Si se tienen dos contrastes:

Entonces las ecuaciones son ortogonales

Un arreglo ortogonal representa entonces un conjunto de ecuaciones linealmente

ARREGLO ORTOGONAL L8(2)7

2.5. El análisis de varianza en los arreglos ortogonales

Ejemplo : Endurecimiento de boquillas de inyección

A continuación se listan los factores escogidos y sus niveles asociados a la carburación y el

D: TAMAÑO DE LA CARGA 100 Kg. 350 Kg.

E: GRADO DE AGITACIÓN Alto bajo

Los factores anteriores y sus niveles se han asignado en un arreglo ortogonal L 8.

La respuesta (características de calidad) es la distorsión en micras (um).

NIVEL 2 – NIVEL 1 = DIF.

El rango son números progresivos de acuerdo al orden de las diferencias absolutas.

El valor promedio de los valores viene dado por:

1.5 PREDICCIONES DE LAS CONDICIONES OPTIMAS

Como la combinación óptima (A1 B2 C1 D1 E1 F2 G1) no se experimento, debemos de

Donde A0, B0,...son los valores óptimos tomados de la solución de la tabla de

T = 42 + 72 + 28 +41 +84 +63 +35 + 59/ 8 = 53

Luego la predicción de la distorsión es:

U = suma de los valores óptimos menos ( n- 1 ) veces el valor medio siendo n =

Se puede llevar a cabo el experimento como prueba de confirmación

Se analizaron solamente los datos para la distorsión

Otra forma de determinar la predicción , consiste en escoger del arreglo ortogonal

Tomando el experimento N° 1: A1 B1 C1 D1 E1 F1 G1  42 um.

Cambio de B1 a B2 = 42 – 24.5 = 17.5

Cambio de F1 a F2 = 17.5 – 7 = 10.5 um.

Aunque lo anterior es una forma rápida para calcular la predicción, no es aplicable

 El arreglo debe estar totalmente lleno (sin columnas vacías).

En un proceso de formación de paneles una característica no deseada es la emisión de

Si se desea analizar el efecto de estos factores, es necesario variarlos, esto es probarlos