Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Cortes, P. (2013)
Cortes, P. (2013)
Granada
Septiembre 2013
Dedicatoria:
Bibliografía 109
Introducción general:
El presente material desarrolla el contenido teórico-práctico de los
diseños factoriales fraccionarios de dos niveles, diseños de selección,
metodología del diseño robusto de parámetros de Taguchi, y
complementariamente, se estudia la evolución del diseño robusto hasta la
actualidad. Todo el contenido está organizado en cuatro capítulos.
1.1 Introducción:
1
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Corrida A B C AB AC BC ABC
1 -1 -1 -1 +1 +1 +1 -1
2 -1 -1 +1 +1 -1 -1 +1
3 -1 +1 -1 -1 +1 -1 +1
4 -1 +1 +1 -1 -1 +1 -1
5 +1 -1 -1 -1 -1 +1 +1 A B C D = ABC
Corrida
6 +1 -1 +1 -1 +1 -1 -1
1 -1 -1 -1 -1
7 +1 +1 -1 +1 -1 -1 -1
2 -1 -1 +1 +1
8 +1 +1 +1 +1 +1 +1 +1
3 -1 +1 -1 +1
Diseño factorial completo 23 4 -1 +1 +1 -1
5 +1 -1 -1 +1
6 +1 -1 +1 -1
7 +1 +1 -1 -1
8 +1 +1 +1 +1
Diseño medio factorial 24-1
En la tabla superior izquierda (figura 1.2.1) hemos codificado los 2 niveles posibles
con los valores -1 y +1 (con semejanza a la codificación empleada por Box y Hunter).
Esta codificación resulta conveniente porque con ella podemos construir las columnas
de las interacciones (AB, AC, BC y ABC), mediante la simple multiplicación de los
valores de las columnas correspondientes.
C D 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
0
2
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
1 -1 -1 -1 -1 +1 +1 +1 +1 +1 +1 -1 -1 -1 -1 +1
2 -1 -1 +1 +1 +1 -1 -1 -1 -1 +1 +1 -1 -1 +1 +1
3 -1 +1 -1 +1 -1 +1 -1 -1 +1 -1 +1 -1 +1 -1 +1
4 -1 +1 +1 -1 -1 -1 +1 +1 -1 -1 -1 -1 +1 +1 +1
5 +1 -1 -1 +1 -1 -1 +1 +1 -1 -1 +1 +1 -1 -1 +1
6 +1 -1 +1 -1 -1 +1 -1 -1 +1 -1 -1 +1 -1 +1 +1
7 +1 +1 -1 -1 +1 -1 -1 -1 -1 +1 -1 +1 +1 -1 +1
8 +1 +1 +1 +1 +1 +1 +1 +1 +1 +1 +1 +1 +1 +1 +1
Luego de la asignación de la columna para el factor D, vemos con claridad que las
16 (24= 16) corridas experimentales que se hubiera requerido para el diseño factorial
completo de 4 factores, aquí se ha reducido a 8 corridas, pero esto tiene un precio que
veremos a continuación.
La reducción del número de corridas no resulta gratis, para lograr este ahorro se
requiere sacrificar la claridad que se tiene en los diseños factoriales completos en cuanto
al papel que juegan los factores principales e interacciones en el modelo final. En el
modelo factorial fraccionario las interacciones podrán confundirse entre sí, e inclusive
podrán darse confusiones de factores principales con interacciones. En la literatura en
inglés, a este fenómeno se le conoce como “aliasing” (confusión). Veamos.
Estudiando con cuidado la tabla 1.1, se pueden descubrir las siguientes confusiones
(igualdades) entre las columnas:
3
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Con toda esta “confusión”, ¿cómo es posible construir modelos con capacidad
predictiva?, ¿a qué factor o interacción habrá que responsabilizar por los efectos
detectados en la respuesta?... Existe una lógica detrás de esto, la cual se basa en el hecho
de que en la naturaleza la mayor participación la tienen los factores principales, de los
cuales se derivan las interacciones dobles, las interacciones triples, y así sucesivamente.
Las interacciones cuádruples y superiores son muy raras. Esta relación de importancia
entre producto de factores se puede verificar en las series de Taylor de varias variables
[Plackett, R.L., Burman, J.P.,1946]. Por ejemplo en un desarrollo de la serie de Taylor
para una función de dos variables f x, y alrededor del punto a,b , sus primeros
términos se pueden representar como sigue:
f x y a,b x a y b
1
2
f xx a,b x a f yy a,b y b
2 2
4
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
En el caso del diseño factorial medio que acabamos de ver, y en general en todos
los diseños factoriales fraccionarios 2k-p, la capacidad del modelo para resolver
(aproximarse) a la función real que se quiere representar estará afectada por el número
de letras en la palabra de definición. A este número de letras se le conoce como
resolución. Por ejemplo, el diseño factorial medio 24-1 que hemos visto es de resolución
4 ó RIV, porque su palabra de definición, ABCD, es de 4 letras. En conclusión:
Nótese que esta definición aplica para cualquiera asignación que se haga al factor
remanente. Así, por ejemplo, si en vez de asignar al factor D (figura 1.2.1) a la
interacción triple ABC, lo hubiéramos asignado a la interacción doble AB, tendríamos
la obvia consecuencia de que las columnas del factor D y la interacción AB serían
iguales, más otras relaciones de igualdad (confusión) que podríamos probar que son las
siguientes:
En este caso la palabra de definición vendría a ser ABD, sin considerar las
relaciones en donde una letra se presente dos veces. El diseño sería entonces de
resolución 3 ó RIII.
Estos ejemplos ponen de manifiesto que podemos tener diseños factoriales medios
con el mismo número de factores, pero con diferente resolución. Necesitamos, por lo
tanto, un criterio para decidirnos por uno u otro diseño. Este problema lo retomaremos
en la sección 1.2.4.
5
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
6
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Resolución máxima.
Mínima aberración.
Opción de diseño 1:
3
El modelo factorial 2 completo base se construye con los factores A, B y C, y el
factor D se asigna a la interacción ABC. Estas asignaciones produjeron, como vimos,
una palabra de definición: ABCD. Como sólo hay una palabra de definición, y ésta
tiene 4 letras, la resolución es RIV.
Opción de diseño 2:
3
El modelo factorial 2 completo base se construye con los factores A, B y C, y el
factor D se asigna a alguna de las interacciones AB, AC, ó BC. Para simplificar,
suponga que la variable D la asignamos a la interacción AB. Como podrá comprobarse,
con estas asignaciones sólo se produce una palabra de definición: ABD. Como sólo
hay una palabra de definición, y ésta tiene 3 letras, la resolución es RIII.
Con este criterio las confusiones de los factores (y las interacciones de orden
inferior progresivamente) se realizan con las interacciones de orden superior. Esto es
consistente con la suposición de que las interacciones de orden superior son las más
raras.
7
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Para explicar este criterio necesitamos presentar un nuevo concepto relacionado con
la relación de definición (sección 1.2.2): La relación de definición completa ( complete
7-3
defining relation). Para este fin, recordemos el ejemplo del diseño 2 que vimos en la
sección 2.3.3, con las palabras de definición: ABCDG, ACDF y ABCE. Para este
diseño se verifica la siguiente igualdad entre las columnas correspondientes:
Estos autores agregan que, dada una resolución máxima Rmax, minimizar la
aberración asegura que el diseño tenga el mínimo número de efectos principales
(factores) confundidos con interacciones de orden Rmax-1, que se tenga el mínimo
número de interacciones dobles confundidas con interacciones de orden Rmax-2, y así
sucesivamente.
Ejemplo:
72
Considere un diseño 2 IV . La construcción de un diseño de 2 niveles, de 7 factores,
factorial ¼, de resolución IV, puede hacerse mediante cualquiera de las siguientes
opciones:
Opción 1:
Opción 2:
8
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Opción 3:
Todas éstas son opciones de diseño de resolución IV, por lo tanto el mínimo
número de letras en sus correspondientes palabras de definición es 4. La opción 1 tiene
3 palabras de definición de 4 letras; la opción 2 tiene 2 palabras de definición de 4
letras; y la opción 3 tiene 1 palabra de definición de 4 letras. Por lo tanto, aplicando el
criterio de mínima aberración, habrá que escoger a la opción 3, porque es la opción con
el mínimo número de palabras de definición de longitud mínima (4 letras).
Dando por hecho que nos hemos decidido por un diseño factorial fraccionario,
tenemos que definir los criterios que usaremos para establecer la importancia relativa de
los términos (factores principales e interacciones) del modelo que se encuentren
confundidos. Para simplificar, habrá que decidirse por uno de los términos. Los
términos con mayor importancia relativa diremos que son los que tienen el efecto real,
los demás se desestimarán (al menos hasta que no surja alguna información que nos
haga cambiar de parecer). Los criterios generales son:
9
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
6
4
5
4 3 Altura
• Posición de 2 del pin
3 Posición
la taza
• Posición de 2 de parada
a liga
1
1
3 4 5 6
2
Ángulo de 1
disparo
y
Factores y codificación:
- +
A: Posición de parada 3 4
B: Ángulo 160° 180°
C: Posición de la taza 4 6
D: Altura del pin 2 4
E: Proyectil (pelota) Golf Goma
Por experiencia previa con este dispositivo se sabe que para lograr que los errores
sean homocedásticos es necesario realizar una transformación logarítmica de la
distancia “y”. Al observar el diagrama del montaje de estos experimentos (figura 1.3.1),
no es difícil imaginar que habrá mayor variabilidad con la distancia “y”. Así la respuesta
escogida fue variable Ly = Log10 (y).
10
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
a b c ab ac
y Ly
Corrida A B C D E BC ABC
1 -1 -1 -1 +1 +1 +1 -1 2.67 0.4265
2 -1 -1 +1 +1 -1 -1 +1 3.16 0.4997
3 -1 +1 -1 -1 +1 -1 +1 2.52 0.4014
4 -1 +1 +1 -1 -1 +1 -1 2.82 0.4502
5 +1 -1 -1 -1 -1 +1 +1 1.31 0.1173
6 +1 -1 +1 -1 +1 -1 -1 1.78 0.2504
7 +1 +1 -1 +1 -1 -1 -1 4.00 0.6021
8 +1 +1 +1 +1 +1 +1 +1 3.63 0.5599
1 1
0.1173 0.2504 0.6021 0.5599 0.4265 0.4997 0.4014 0.4502 0.0620
4 4
Signo ColumB
Lyi
Signo ColumB
Lyi
B AD CDE
Num Sig ColumB Num Sig ColumB
B
1 1
0.4014 0.4502 0.6021 0.5599 0.4265 0.4997 0.1173 0.2504 0.1799
4 4
11
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Debido a que las corridas se realizaron sin réplicas, por tratarse de experimentos
exploratorios, no se obtuvo un valor de MSE con el que se pudiera calcular los
estadísticos para la prueba de la significancia de los coeficientes del modelo. No
obstante, con la simple observación de las magnitudes de los efectos (se pudo haber
hecho un diagrama de Pareto), resultó fácil decir que los efectos compuestos B y D
eran los más significativos, lo cual tiene sentido, porque precisamente contienen a los
efectos de los factores B y D, los que determinan la tensión de la goma de la catapulta.
a b c abc a b c - abc
A B C D A B C D
-1 -1 -1 -1 -1 -1 -1 +1
-1 -1 +1 +1 -1 -1 +1 -1
-1 +1 -1 +1 -1 +1 -1 -1
-1 +1 +1 -1 -1 +1 +1 +1
+1 -1 -1 +1 +1 -1 -1 -1
+1 -1 +1 -1 +1 -1 +1 +1
+1 +1 -1 +1 +1 +1 -1 -1
+1 +1 +1 +1 +1 +1 +1 -1
(a) (b)
Tabla 1.3.2 Foldover del diseño factorial medio 24III1 .
12
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
válido asignar al factor D una columna con signos opuestos, como se muestra en el
diseño (b) de la tabla 1.3.2. En ambos casos tendremos al factor D y a los demás
factores confundidos:
Si tras la ejecución del diseño (a) de la tabla 1.3.2 concluyéramos que requerimos
más información, podríamos optar por correr al diseño (b), pero al hacerlo
encontraríamos que nuestro diseño habría dejado de ser factorial fraccionario, para
convertirse en un diseño factorial completo que, por supuesto, ya no tendría
confusiones, según se aprecia en la tabla 1.3.3.
a b c abc
A B C D A B C D
-1 -1 -1 -1 -1 -1 -1 -1
-1 -1 +1 +1 -1 -1 -1 +1
-1 +1 -1 +1 -1 -1 +1 -1
-1 +1 +1 -1 -1 -1 +1 +1
+1 -1 -1 +1 -1 +1 -1 -1
+1 -1 +1 -1 -1 +1 -1 +1
+1 +1 -1 +1 -1 +1 +1 -1
+1 +1 +1 +1 -1 +1 +1 +1
+1 -1 -1 -1
a b c - abc
A B C D +1 -1 -1 +1
-1 -1 -1 +1 +1 -1 +1 -1
-1 -1 +1 -1 +1 -1 +1 +1
-1 +1 -1 -1 +1 +1 -1 -1
-1 +1 +1 +1 +1 +1 -1 +1
+1 -1 -1 -1 +1 +1 +1 -1
+1 -1 +1 +1 +1 +1 +1 +1
+1 +1 -1 -1
+1 +1 +1 -1
Tabla 1.3.3 Diseño equivalente del foldover de un diseño 24III1 .
Para los diseños en los que tenemos más de una relación de definición, por ejemplo
5 2
el caso de la catapulta (diseño 2 III ), la situación es más compleja, pues cada asignación
que hagamos tiene su contrapartida negativa:
D = AB ó D = AB y E = AC ó E = AC
13
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
5 2
De tal modo que un diseño 2 III realmente tiene 4 formas posibles para hacer la
asignación de los factores:
Volviendo a los experimentos con la catapulta, luego del análisis de los resultados
de la primera parte, se decidió realizar una segunda parte consistente en la aplicación de
la opción de diseño D = AB y E = AC . La estructura de confusiones
correspondiente es:
Confusiones:
A = -BD = -CE B = -AD = CDE C = -AE = BDE D = -AB = BCE
E = -AC = BCD
BC = DE = -ACD = -ABE CD = BE = -ABC = -ADE
14
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Este caso no se presenta aquí, pero hubiera aparecido si sólo se hubiera hecho
una asignación negativa. Por ejemplo si hubiéramos asignado
D = -AB y E= AC, se cumpliría la igualdad CD = -BE.
a b c -ab -ac
y Ly
Corrida A B C D E BC ABC
1 -1 -1 -1 -1 -1 +1 -1 1.35 0.1303
2 -1 -1 +1 -1 +1 -1 +1 2.21 0.3444
3 -1 +1 -1 +1 -1 -1 +1 3.81 0.5809
4 -1 +1 +1 +1 +1 +1 -1 5.39 0.7316
5 +1 -1 -1 +1 +1 +1 +1 1.92 0.2833
6 +1 -1 +1 +1 -1 -1 -1 2.58 0.4116
7 +1 +1 -1 -1 +1 -1 -1 1.75 0.2430
8 +1 +1 +1 -1 -1 +1 +1 3.23 0.5092
A A BD CE 0.0850
B B AD CDE 0.2238
C C AE BDE 0.1898
D D AB BCE 0.1951
E E AC BCD 0.0074
BC BC DE ACD ABE 0.0186
ABC CD BE ABC ADE 0.0503
15
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
B B AD CDE 0.1799
C C AE BDE 0.0533
D D AB BCE 0.2172
E E AC BCD 0.0078
El efecto aislado del factor A se puede obtener sumando los efectos compuestos A
16
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Con respecto a los demás factores se puede aplicar el mismo procedimiento, con la
variante de que asumimos que las interacciones triples y superiores no son significantes:
B 0.1799 0.2238
B B
0.2019
2 2
C 0.0533 0.1898
C C 0.1216
2 2
D 0.2172 0.1951
D D 0.2062
2 2
E 0.0078 0.0074
E E 0.0076
2 2
A B C D
Ly = y+ A+ B+ C+ D
2 2 2 2
17
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Tras optar por un diseño factorial fraccionario, puede ocurrir que el número de
corridas experimentales todavía sea tan grande que los experimentos no se hagan bajo
condiciones homogéneas. Por ejemplo, la cantidad de recursos requeridos podría
ocasionar que se necesiten varios lotes, los cuales se constituirían en una fuente de
variabilidad, a menos que esta variabilidad sea contrarrestada del algún modo. El
procedimiento indicado para estos casos es el diseño por bloques [Montgomery, D.,
2001].
Y1
y1
y2
y3
y4
y5
y6
y7
y8
y9
y10
y11
y12
y13
y14
y15
y16
6 2
Tabla 1.4.1 Construcción de un diseño de 2 bloques a partir de un diseño 2III .
18
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
6 2
embargo, conceptualmente hay una diferencia muy importante. En el diseño 2III con
dos bloques el requerimiento de aleatoriedad, sólo se cumplirá dentro de cada bloque,
ya que la homogeneidad sólo se puede lograr dentro de los bloques. Además, la
interacción escogida (y sus confusiones) para definir los bloques, ya no aparecerá en el
modelo. Esto quiere decir que la escogencia de la interacción que se usará para definir
los bloques deberá hacerse suponiendo (o con el conocimiento de) que esta interacción
no es significante.
83
se muestra el diseño 2IV con 4 bloques. Aquí no bastará tomar una interacción para
formar los bloques. Se requieren tomar dos interacciones, cada una de las cuales
asignadas a dos factores de codificación de bloques, Blk1 y Blk2. Con dos factores de
dos niveles se crea un patrón de codificación para 4 bloques. Así, en general, se
requerirán b factores para codificar 2b bloques.
19
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
83
Fig. 1.4.2 Construcción de un diseño de 4 bloques a partir de un diseño 2IV .
20
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
2.1 Introducción:
En los diseños RIII los factores están confundidos con interacciones dobles, y
según la fracción que se trate, se podrán encontrar algunas interacciones dobles
confundidas con otras interacciones dobles, y con interacciones de tercer orden (ver
tabla 2.2.1):
Número de
coeficientes Número de
Diseño Confusiones Modelo sin interacciones en el modelo corridas
A= BC
3 1 B = AC A B C 4 2 3 1 4
2 III C = AB
ŷ = y+
2
A+
2
B+
2
C
A= BD = CE
B = AD = CDE
5 2 C = AE = BDE A B C D E
2III D = AB = BCE
ŷ = y+
2
A+
2
B+
2
C+
2
D+
2
E 6 25 2 8
E = AC = BCD
BC = DE = ACD = ABE
CD = BE = ABC = ADE
3 1 5 2
Tabla 2.2.1 Comparación de la eficiencia de un diseño 2III respecto a otro 2III .
21
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Se encuentra, por lo tanto, una relación inmediata entre el número de corridas del
diseño de experimentos, y el tamaño n de la muestra de un análisis de regresión
múltiple. Tenemos entonces, que si en un análisis de regresión múltiple el tamaño n
puede ser como mínimo igual al número de coeficientes del modelo (número de
variables más uno), en diseño de experimentos, el número mínimo de corridas podría
ser igual al número de factores más uno. Esta condición para el mínimo número de
corridas es ideal para ahorrar de recursos.
Para resolver esta ecuación, lo primero que notamos es que r es una sucesión de
números enteros condicionados a que sus valores sean potencias de 2. Así, para asegurar
la generación de esta secuencia, podemos imaginar un índice entero i , para cada valor
ri :
ri = 2i (2.2.2)
22
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
ri 2 i i 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
2 1 NA 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
4 2 NA NA 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29
8 3 NA NA NA 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28
16 4 NA NA NA NA 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27
32 5 NA NA NA NA NA 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
64 6 NA NA NA NA NA NA 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
128 7 NA NA NA NA NA NA NA 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
256 8 NA NA NA NA NA NA NA NA 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
p
Tabla 2.2.2 Solución numérica de la ecuación 2.2.3 para los valores de p. Se resaltan los
valores de p y k que a su vez cumplen con la ecuación 2.2.1.
No todos los valores generados en la tabla 2.2.2 cumplen con la ecuación 2.2.1.
Falta considerar la restricción de que el número de corridas ( 2 i , ecuación 2.2.2) sea
igual al número de factores más uno (k+1). Observando la tabla 2.2.2, podemos
identificar las celdas en las que sí se cumple con esta restricción, lo cual para mayor
claridad se presenta en la tabla 2.2.3:
Número de
corridas
ri 2 i i k p
2 1
4 2 3 1
8 3 7 4
16 4 15 11
32 5 31 26
Tabla 2.2.3 Solución numérica parcial de la ecuación 2.2.1.
23
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
En la tabla siguiente mostramos parte de la secuencia de los diseños RIII que sirven
para la selección de factores:
i ki = 2i 1 pi = ki i ri = 2i = 2ki pi
i2
k pi
Diseño 2III
i
i ki pi ri
3 1
2 3 1 4 2III
3 7 4 8 27III 4
15 11
4 15 11 16 2III
31 26
5 31 26 32 2III
63 57
6 63 57 64 2III
127 120
7 127 120 128 2III
255 247
8 255 247 256 2III
Tabla 2.2.4 Secuencia de los diseños RIII saturados.
Esta tabla corresponde al diseño ideal de selección para asignar a 15 factores (A, B,
C, …P). Si quisiéramos asignar 10 factores en vez de 15, puesto que no existe un
diseño RIII saturado de exactamente 10 factores, podríamos usar las primeras 10
columnas de la tabla 2.2.5. Usando estas columnas con sus 16 corridas podríamos
aprovechar las ventajas de la ortogonalidad del diseño. Considerando un modelo sin
24
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
interacciones, con esta tabla de diseño podríamos obtener resultados óptimos en cuanto
a la precisión (porque se minimiza el error estándar de los coeficientes). No obstante,
debido a que el número de 16 corridas es mayor que el número de factores más uno
(11), no podemos decir que éste sea un diseño óptimo en cuanto el uso de recursos.
Casos como este pusieron de manifiesto las limitaciones de los diseños RIII saturados
(tabla 2.2.4). Por lo tanto, fue necesario concebir otros diseños para ampliar las
opciones.
Esta fue la estrategia de diseño propuesta por Plackett y Burman (1946) para
resolver la limitación de los diseños RIII (tabla 2.2.4). Los diseños Packett-Burman son
más flexibles [Shmidt, S., Launsby, R., 2000]. El número de corridas que se pueden
manejar por las tablas de diseño de Plackett-Burman es un múltiplo de 4 ( ej., n =4, 8,
12, 16, 20) en vez de ser potencias de 2 (ver columna ri de la tabla 2.2.4). Cuando se
usan todas las k columnas de estos diseños, se pueden hacer análisis para k factores con
(k+1) corridas, precisamente lo requerido para un diseño eficiente (óptimo en cuanto al
uso de recursos).
Los diseños RIII de la tabla 2.2.4 son un subconjunto de las opciones de diseño de
Plackett-Burman, sólo que encontraremos que los renglones y columnas de diseño se
presentan en un orden permutado, y con cambio de signo de algunas columnas. Al
subconjunto de diseños Plackett-Burman equivalente a los diseños RIII se le conoce
como diseños Plackett-Burman geométricos. En la tabla 2.3.1 mostramos un diseño
Plackett-Burman geométrico de 8 corridas y 7 factores, nombrado abreviadamente
diseño PB8 . Este diseño es funcionalmente equivalente a un diseño factorial
7 4
fraccionario 2III .
Corrida A B C D E F G
1 +1 -1 -1 +1 -1 +1 +1
2 +1 +1 -1 -1 +1 -1 +1
3 +1 +1 +1 -1 -1 +1 -1
4 -1 +1 +1 +1 -1 -1 +1
5 +1 -1 +1 +1 +1 -1 -1
6 -1 +1 -1 +1 +1 +1 -1
7 -1 -1 +1 -1 +1 +1 +1
8 -1 -1 -1 -1 -1 -1 -1
Tabla 2.3.1 Diseño Plackett-Burman PB8 geométrico.
Debido a la equivalencia funcional con los diseños RIII, en los diseños Packett-
Burman geométricos, se cumplirá que cada factor estará en total confusión (negativa o
25
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
positiva) con un número variable de interacciones dobles, según el orden del diseño.
Por ejemplo, en el diseño de la tabla 2.3.1 podemos notar que la columna del factor D es
igual al producto con signo invertido de los pares de columnas (A,B), (C,F), y (E,G):
D = AB CF EG
7 11 15 19 23 27 31 35 39 43 47 51 55 59 63 67 71 75 79 83 87 91 95 99
Número de factores en los diseños factoriales Plackett-Burman.
Hasta aquí
Fig. 2.3.1 Comparación entre los diseños Plackett-Burman y los diseños RIII saturados,
respecto al número de factores que se pueden acomodar óptimamente.
modelo de regresión lineal y = f x1 ,x2 ,...,x j ,...,xk :
ˆ j ˆ j xj
tj , con ˆ j (2.3.1)
Error estandar j MSE×C jj 2
26
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Donde MSE (mean square error) es el error cuadrático medio de las diferencias de los
valores medidos de la respuesta respecto a los valores predichos por el modelo. El MSE
no depende de la estructura de la tabla de diseño. Por otro lado, C jj es una constante que
sí depende de la estructura de la tabla de diseño. Definiendo la matriz cuadrada
C X' X
1
(2.3.2)
C jj se corresponde con el elemento j, j de ésta matriz. Aquí X es la matriz de los
niveles de factores de la tabla de diseño, con un vector de 1´s agregado en el lado
derecho. Por ejemplo, para el diseño PB8 de la tabla 2.3.1, la matriz X es la que se
muestra a continuación:
x1 x 2 x 3 x4 x5 x6 x7
1 1 -1 -1 1 -1 1 1
1 1 1 -1 -1 1 -1 1
1 1 1 1 -1 -1 1 -1
X 1 -1 1 1 1 -1 -1 1
1 1 -1 1 1 1 -1 -1
1 -1 1 -1 1 1 1 -1
1 -1 -1 1 -1 1 1 1
1 -1 -1 -1 -1 -1 -1 -1
Donde:
Var x j : Varianza de los niveles correspondientes al factor x j .
27
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Var x j
n x j , debido a que en cada columna el número de niveles
, para todo
n 1
-1 y es igual al número de niveles +1 (diseño balanceado).
R 2j 0 , para todo x j , debido a la ortogonalidad del diseño.
1 1 1
Así: C jj × (2.3.4)
n 10 n
n 1
n 1
En vista de este resultado (ecuación 2.3.4), Plackett y Burman (1946) concibieron
la idea de definir tablas de diseño que se comportaran de la misma manera, que a su vez
tuvieran mayor flexibilidad que los diseños RIII , respecto al número de corridas. Para
tal efecto, encontraron que las matrices Hadamard presentaban el comportamiento
requerido, sólo que estaban restringidas para trabajar con un número de corridas
múltiplo de 4 [Plackett, R.L., Burman, J.P.,1946]. No obstante, como vimos
(figura 2.3.1) el abanico de opciones es mucho mayor que el que se tiene en los diseños
RIII .
Corrida A B C D E F G
1 +1 -1 -1 +1 -1 +1 +1
2 +1 +1 -1 -1 +1 -1 +1
3 +1 +1 +1 -1 -1 +1 -1
4 -1 +1 +1 +1 -1 -1 +1
5 +1 -1 +1 +1 +1 -1 -1
6 -1 +1 -1 +1 +1 +1 -1
7 -1 -1 +1 -1 +1 +1 +1
8 -1 -1 -1 -1 -1 -1 -1
28
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Corrida A B C D E F G
1 +1 -1 -1 +1 -1 +1 +1
2 +1 +1 -1 -1 +1 -1 +1
3 +1 +1 +1 -1 -1 +1 -1
4 -1 +1 +1 +1 -1 -1 +1
5 +1 -1 +1 +1 +1 -1 -1
6 -1 +1 -1 +1 +1 +1 -1
7 -1 -1 +1 -1 +1 +1 +1
8 -1 -1 -1 -1 -1 -1 -1
Corrida A B C D E F G
1 +1 -1 -1 +1 -1 +1 +1
2 +1 +1 -1 -1 +1 -1 +1
3 +1 +1 +1 -1 -1 +1 -1
4 -1 +1 +1 +1 -1 -1 +1
5 +1 -1 +1 +1 +1 -1 -1
6 -1 +1 -1 +1 +1 +1 -1
7 -1 -1 +1 -1 +1 +1 +1
8 -1 -1 -1 -1 -1 -1 -1
Corrida A B C D E F G
1 +1 -1 -1 +1 -1 +1 +1
2 +1 +1 -1 -1 +1 -1 +1
3 +1 +1 +1 -1 -1 +1 -1
4 -1 +1 +1 +1 -1 -1 +1
5 +1 -1 +1 +1 +1 -1 -1
6 -1 +1 -1 +1 +1 +1 -1
7 -1 -1 +1 -1 +1 +1 +1
8 -1 -1 -1 -1 -1 -1 -1
29
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Según dijimos, Plackett y Burman prepararon las tablas de diseño con un número
de corridas múltiplos de 4, a partir de n=8 corridas hasta n=100, exceptuando n=92. En
su diseño usaron matrices de Hadamard, pero en algunos casos procedieron por ensayo
y error [Plackett, R.L., Burman, J.P.,1946]. A continuación mostramos los vectores
generadores para los primeros 5 diseños:
n=8
n = 12
n = 16
n = 20
n = 24
30
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Algunas
PB12 interacciones
A B C D E F G H J K L AB BC CD DE
+1 -1 +1 -1 -1 -1 +1 +1 +1 -1 +1 -1 -1 -1 +1
+1 +1 -1 +1 -1 -1 -1 +1 +1 +1 -1 +1 -1 -1 -1
-1 +1 +1 -1 +1 -1 -1 -1 +1 +1 +1 -1 +1 -1 -1
+1 -1 +1 +1 -1 +1 -1 -1 -1 +1 +1 -1 -1 +1 -1
+1 +1 -1 +1 +1 -1 +1 -1 -1 -1 +1 +1 -1 -1 +1
+1 +1 +1 -1 +1 +1 -1 +1 -1 -1 -1 +1 +1 -1 -1
-1 +1 +1 +1 -1 +1 +1 -1 +1 -1 -1 -1 +1 +1 -1
-1 -1 +1 +1 +1 -1 +1 +1 -1 +1 -1 +1 -1 +1 +1
-1 -1 -1 +1 +1 +1 -1 +1 +1 -1 +1 +1 +1 -1 +1
+1 -1 -1 -1 +1 +1 +1 -1 +1 +1 -1 -1 +1 +1 -1
-1 +1 -1 -1 -1 +1 +1 +1 -1 +1 +1 -1 -1 +1 +1
-1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 +1 +1 +1 +1
Tabla 2.3.2 Diseño Plackett-Burman PB12 con algunas de las interacciones dobles.
A B C D E F G H J K L AB BC CD DE
AB 0 0 -0.33 0.33 0.33 -0.33 -0.33 0.33 -0.33 -0.33 -0.33 1
BC -0.33 0 0 -0.33 0.33 0.33 -0.33 -0.33 0.33 -0.33 -0.33 0 1
CD -0.33 -0.33 0 0 -0.33 0.33 0.33 -0.33 -0.33 0.33 -0.33 -0.33 0 1
DE -0.33 -0.33 -0.33 0 0 -0.33 0.33 0.33 -0.33 -0.33 0.33 0.33 -0.33 0 1
Tabla 2.3.3 Coeficientes de correlación entre los factores y algunas de las interacciones
dobles de un diseño Plackett-Burman PB12 .
En la tabla 2.3.3 notamos que las interacciones dobles están correlacionadas con los
factores que no contienen ninguna de sus letras. Por ejemplo, la interacción AB está
correlacionada con todos los factores con excepción de los factores A y B. Además, los
coeficientes de correlación tienen magnitudes menores que 1. Una interpretación de esto
es que en los diseños Plackett-Burman no geométricos las interacciones se dispersan
entre los factores (no están 100% vinculadas con un solo factor). Esta es una
interpretación interesante, porque de esta forma se refuerza la suposición de que los
factores prevalecen a las interacciones dobles o superiores. Esta suposición es el
principio fundamental en el que se basa el procedimiento de selección de factores que
describiremos en la sección 2.5.
31
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
32
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Para denotar los niveles, el Dr. Taguchi empleó los números 1, 2, 3, 4 y 5. Sin
embargo, en esta explicación persistiremos con el uso de los símbolos (-1) y (+1) para
los diseños de dos niveles, y agregaremos al ( 0 ) como valor central en los diseños que
incluyan factores de 3 niveles. De esta forma, podremos referirnos con más claridad a
las similitudes y a las diferencias respecto a los diseños factoriales fraccionarios RIII
saturados, y a los diseños Plackett-Burman.
Los diseños de Taguchi son en total 20, de los cuales 18 de ellos son realmente
arreglos ortogonales. Los diseños L9 2 21 y L23
3 22 no son ortogonales. Entre los 18
diseños ortogonales tenemos:
Diseños de 2 niveles: L4 2 3 , L8 27 , L12 2 11 , L16 215 , L32 2 31 , L64 263
Diseños de 3 niveles: L9 34 , L27 313 , L81 340
Diseños de 4 niveles: L16 4 5 , L64 4 21
Diseño de 5 niveles: L25 5 6
Diseños mixtos de 2 y 3 niveles: L18 21 37 , L36 211 312 ,
33
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Todos estos diseños ya están tabulados, y para su uso práctico sólo basta con
referirse a las tablas de diseño que se encuentran ampliamente publicadas en la literatura
[Taguchi, G., Chowdhury, S, Wu,Y., 2005]. Además, la mayoría de los programas de
diseño experimental ya los tienen incluidos. Sin embargo, con el propósito de tener una
idea general acerca del procedimiento de construcción, haremos la explicación para los
diseños de 2 niveles.
Entre los diseños de 2 niveles tenemos diseños cuyo número de corridas son
potencias de 2:
L4 2 3 , L8 27 , L16 215 , L32 2 31 , L64 263
Además, tenemos un diseño que no cumple con esta propiedad: L12 2 11 .
Veamos primero a los diseños con número de corridas potencias de 2. Estos diseños
son fundamentalmente diseños factoriales fraccionarios RIII saturados. En la siguiente
tabla se muestra la relación entre estos diseños:
ki pi
2III Taguchi
3 1
2III L4 2 3
27III 4 L8 27
15 11
2III L16 2 15
31 26
2III L32 2 31
63 57
2III L64 263
Tabla 2.4.3 Relación entre los diseños de Taguchi de 2 niveles y los diseños RIII saturados.
34
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
(2) Asigne un número de una secuencia de potencias de dos ( 2 i ) a cada uno de los
factores del diseño factorial completo:
1 2 4
a b c ab ac bc abc
-1 -1 -1 +1 +1 +1 -1
-1 -1 +1 +1 -1 -1 +1
-1 +1 -1 -1 +1 -1 +1
(3) Cree una tabla vacía con un
-1 número
+1 +1 de-1renglones
-1 +1 igual
-1 al número de corridas
del diseño de Taguchi ( 8 +1
en nuestro
-1 -1 caso),
-1 y -1con
+1un+1
número de columnas igual
+1 -1 +1 -1 +1 -1 -1
al número de renglones menos 1 ( 7 en nuestro caso):
+1 +1 -1 +1 -1 -1 -1
Corridas +11 +1
2 3
+1 4
+1 5
+1 6
+1 7+1
1
2
3
4
5
6
7
8
(4) Usando como apuntador el número anotado arriba de los factores en el paso 2,
llene las columnas correspondientes en la tabla del paso 3, con los niveles de
los factores:
1 2 4
a b c ab ac bc abc
-1 -1 -1 +1 +1 +1 -1
-1 -1 +1 +1 -1 -1 +1
-1 +1 -1 -1 +1 -1 +1
-1 +1 +1 -1 -1 +1 -1
Corridas +1
1 2-1 3-1 4-1 5-1 +1
6 +1
7
1 -1
+1 -1
-1 +1 -1
-1 +1 -1 -1
2 -1
+1 -1
+1 -1 +1
+1 -1 -1 -1
3 -1
+1 +1
+1 +1 -1
+1 +1 +1 +1
4 -1 +1 +1
5 +1 -1 -1
6 +1 -1 +1
7 +1 +1 -1
8 +1 +1 +1
35
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
(5) Considerando el número de factores de las interacciones del paso 1. Pase las
columnas de las interacciones a las columnas vacías del paso 4. Si el número
de factores de interacción es par, pase los niveles con el signo contrario:
1 2 4
a b c ab ac bc abc
-1 -1 -1 +1 +1 +1 -1
-1 -1 +1 +1 -1 -1 +1
-1 +1 -1 -1 +1 -1 +1
-1 +1 (-)+1 -1 (-) -1(-) +1 -1
Corridas +1
1 2-1 3-1 4-1 5-1 +1 6 +1
7
1 -1
+1 -1 +1
-1 -1 -1 +1
-1 -1 -1 -1 -1
-1
2 -1
+1 -1
+1 -1 -1 +1
+1 -1 -1+1 +1 +1
-1
3 -1
+1 +1
+1 +1 +1 -1 +1
+1 -1 +1 +1 +1
+1
4 -1 +1 +1 +1 +1 -1 -1
5 +1 -1 +1 -1 +1 -1 +1
6 +1 -1 +1 +1 -1 +1 -1
7 +1 +1 -1 -1 +1 +1 -1
8 +1 +1 -1 +1 -1 -1 +1
36
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
37
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Así mismo, como el diseño L18 2 1 37 , todos los diseños de Taguchi están
pensados para que den alguna ventaja en su implementación directa sin aleatorizar. El
investigador sólo tendrá que escoger el diseño que mejor se aplique en su caso
particular. Metafóricamente podemos decir que estos diseños son una “paleta de
colores”.
38
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
6
4
5
4 3 Altura
• Posición de 2 del pin
3 Posición
la taza
• Posición de 2 de parada
a liga
1
Medio
1
disparo
Fig. 2.5.1 Diagrama de Causa y Efecto para registrar los factores propuestos en sesiones de
lluvia de ideas entre los expertos de la catapulta.
Los factores entre los que habrá que seleccionar y sus correspondientes niveles son:
A: Posición de parada 3 4
B: Ángulo 160° 180°
C: Posición de la taza 4 6
D: Altura del pin 2 4
E: Proyectil (pelota) Golf Goma
F: Operario Del turno Del turno
matutino vespertino
Nota: Los niveles escogidos son adecuados para permitirnos ilustrar el procedimiento.
Sin embargo, en una investigación real, los niveles deberán escogerse de tal forma que
se pueda abarcar todo el rango de valores permitido por los factores, sin peligro, y sin
que el proceso entre a operar en zonas de marcado comportamiento no lineal. Este
paso, por supuesto, requiere que los miembros de equipo de investigación sean expertos
en el tema.
Para hacer el experimento de selección, con los factores y sus niveles escogidos, los
miembros del equipo pensaron usar alguno de los diseños PB8 (tabla 2.4.1), ó uno
PB12 (tabla 2.4.4), ya que ambos diseños pueden acomodar a los 6 factores del
problema. El diseño PB8 es el mejor respecto al ahorro de recurso, puesto que tiene 8
corridas en vez de 12. El diseño PB12 es mejor respecto a la exactitud de los resultados,
gracias a que tiene el mayor número de corridas. El equipo de investigación consideró
39
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
que una diferencia de apenas 4 corridas no era suficiente costo extra como para
prescindir de la ventaja de unos resultados más exactos (tenemos aquí una situación en
la que se requiere un buen criterio basado en el conocimiento y la experiencia). En la
siguiente tabla mostramos los resultados de los experimentos del diseño PB12
escogido.
Sólo se usan estas columnas
Log(y)
Corrida A B C D E F G H J K L y Ly
1 +1 -1 +1 -1 -1 -1 +1 +1 +1 -1 +1 1.76 0.2455
2 +1 +1 -1 +1 -1 -1 -1 +1 +1 +1 -1 4.03 0.6053
3 -1 +1 +1 -1 +1 -1 -1 -1 +1 +1 +1 3.20 0.5051
4 +1 -1 +1 +1 -1 +1 -1 -1 -1 +1 +1 2.59 0.4133
5 +1 +1 -1 +1 +1 -1 +1 -1 -1 -1 +1 2.62 0.4183
6 +1 +1 +1 -1 +1 +1 -1 +1 -1 -1 -1 2.73 0.4362
7 -1 +1 +1 +1 -1 +1 +1 -1 +1 -1 -1 5.56 0.7451
8 -1 -1 +1 +1 +1 -1 +1 +1 -1 +1 -1 3.54 0.5490
9 -1 -1 -1 +1 +1 +1 -1 +1 +1 -1 +1 2.71 0.4330
10 +1 -1 -1 -1 +1 +1 +1 -1 +1 +1 -1 1.30 0.1150
11 -1 +1 -1 -1 -1 +1 +1 +1 -1 +1 +1 2.40 0.3802
12 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 1.33 0.1239
En la tabla 2.5.1 se muestran los resultados de los cálculos de las medias asociadas
a cada columna, para cada nivel del factor, y el valor del efecto correspondiente.
Estos resultados se analizan por medio de 3 herramientas gráficas: Gráfica de efectos
principales, diagrama de Pareto para la magnitud de los efectos, y la gráfica normal de
efectos. Estas gráficas se muestran a continuación:
Log(y)
0.60
0.50
0.40
0.30
0.20
0.10
A B C D E F
Fig. 2.5.2 Gráfica de efectos principales para los resultados de los experimento de la catapulta.
40
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Magnitud de los
efectos principales
0.35 120%
0.3 100%
0.25
80%
0.2
60%
0.15
40%
0.1
0.05 20%
0 0%
D B C A F E
Factores seleccionados
Fig. 2.5.3 Diagrama de Pareto de los efectos principales para los resultados de los
experimento de la catapulta.
95
Cruce por
90
(0,50%) D
D
80
70
B B
Porcentaje
60
C
C
50
40
+
30 F
20
¿?
E
10
5 A
1
-3 -2 -1 0 1 2 3 4 5 6
Efecto estandarizado
Fig. 2.5.4 Gráfica normal para los efectos principales para los resultados de los experimento de
la catapulta.
Al estudiar los resultados de las gráficas de las figuras 2.5.2 a 2.5.4, se decidió
seleccionar sin ninguna duda a los factores B, C y D. En cuanto al factor A, al principio
no hubo total acuerdo, pero se decidió seleccionarlo también, debido a que el
conocimiento teórico del funcionamiento de la catapulta hacía pensar que este factor
podría hacerse significante si se aumentaba la diferencia entre sus valores mínimo y
máximo, lo cual era algo que estaban reconsiderando en el diseño final del producto.
41
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
3.1 Introducción:
42
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
La mala calidad del producto se relaciona con las pérdidas económicas y con la
disminución del mercado de un producto. Desde el punto de vista de la manufactura, la
calidad se interpreta a menudo como la conformidad con las especificaciones. Sin
embargo, el Dr. Taguchi propuso una visión diferente de la calidad, que la relaciona con
el costo y la pérdida de recursos, no sólo considerando al fabricante en el momento de la
producción, sino abarcando integralmente al consumidor y a la sociedad en su conjunto.
El crecimiento real viene del mercado, por la eficiencia del manejo de los costos y
por el logro de la satisfacción del cliente. La percepción de pérdida del cliente debido a
la mala calidad del producto se devuelve al fabricante como pérdida a largo plazo, en
los casos menos exigentes. Con todo esto en consideración, el Dr Taguchi define la
calidad como:
Calidad son las pérdidas que el producto causa a la sociedad después de que se
entrega <al mercado>, excluyendo las pérdidas ocurridas mientras se cumple con sus
funciones intrínsecas [Taguchi, G., 1986].
Esta definición, según admitió el propio Dr. Taguchi [Taguchi, G., 1986], puede ser
entendida (o malentendida) en dos formas. Primero porque su planteamiento parece
significar exactamente lo opuesto a lo que usualmente se entiende por calidad. Algunas
personas tienen la creencia de que la calidad debe ser considerada como un valor. Sin
embargo, para el Dr. Taguchi, un valor es un concepto subjetivo, sujeto a la idea
particular que cada quien tenga del valor en cuestión. La determinación de la calidad del
producto como un valor es un problema de mercadeo y de planeación de producto muy
importante para la empresa, esto no está en discusión, pero no es un problema de
ingeniería. Esta es la razón por la que el Dr. Taguchi se opuso a tratar a la calidad como
un valor, desde el punto de vista ingenieril. La definición de calidad que propuso el
Dr. Taguchi es susceptible a ser medida, ya que tiene una relación inversa con las
43
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
pérdidas: A menores pérdidas mayor calidad. Es por lo tanto, una definición práctica
para el abordaje matemático del problema.
44
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
A medida que el tamaño del cuello es mayor o menor que 40 cm., mayor será la
probabilidad de que un cliente se sienta incómodo con la camisa.
Dependiendo de qué tanta incomodidad sienta el cliente, éste podrá optar por
comprar la camisa o no comprarla.
Si después de un tiempo, la camisa aún no se vende, habrá que rematarla o
descartarla (pérdida para el negocio).
Si el cliente compra la camisa, el grado de incomodidad que pueda sentir
implicará una pérdida para él (pérdida social). Esta pérdida será mínima cuando
el tamaño del cuello sea igual al valor requerido (40 cm.).
15 $
Pérdidas $
por unidad Pérdida
conforme nos mínima = 0
alejamos del valor Pérdida por unidad k (y –m)2
óptimo
45
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
n
k
yi y y m k yi y 2 2 yi y y m y m 2
2 n 2
L
n i 1 n i 1
k n k n n
yi y yi y
2 2
y m 2 y m
n i 1 n i 1 i 1
n
n
yi y yi y
2 2
k
k n y m k i 1 y m
i 1 2 2
(3.3.4)
n n n
ŷ m
2
̂ 2
Para un valor suficientemente grande de n, podemos decir que se cumplen las
equivalencias indicadas por los paréntesis de llaves en la ecuación 3.3.4. Así:
L k ˆ 2 ˆy m
2
(3.3.5)
Esta ecuación concisa, llamada función de pérdida promedio de calidad, es la guía
fundamental de la metodología de mejora de la calidad que nos propuso el Dr. Taguchi.
Esta forma de describir cómo se producen las pérdidas contrastaba con la forma
tradicional de hacerlo, en la que simplemente se consideraba a la proporción de
productos que cumplían con las especificaciones justo antes de ser entregados, bajo la
simple lógica de pasa, o no pasa, según la característica de calidad considerada esté, o
no esté, dentro de los límites de las especificaciones.
46
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Los ingenieros de calidad cuentan ahora con una estrategia fundamental para
enfrentarse a los problemas de calidad. No importa la industria (manufactura o servicio)
que se considere, todos los métodos de mejora de la calidad que se apliquen deberán
[Taguchi, G., Chowdhury, S, Wu, Y., 2005]:
1) Siempre que sea posible, eliminar toda fuente de variabilidad; y cuando no,
habrá que robustecer al proceso contra la variabilidad.
2) Asegurar a los parámetros de diseño para que la característica de calidad no
desvíe su media de desempeño respecto al valor óptimo definido en la etapa de
diseño (fig. 3.3.3).
L k ˆ 2 ˆy m
2
m
1
1) Ruido externo: Son las variables del medio ambiente, o las condiciones de uso
que afectan a la función de un producto. Como ejemplo de este tipo de ruido
tenemos la temperatura, la humedad, vibraciones del sitio donde el producto está
montado, el polvo, los diferentes usuarios del producto, etc.
2) Ruido de deterioro o ruido interno: Son los cambios que se producen por efecto
del paso del tiempo durante el almacenaje y/o el uso, que ocasionan que una o
más características de calidad se alejen de sus metas funcionales.
3) Ruido de unidad a unidad: Diferencias entre unidades que son producidas con
las mismas especificaciones.
47
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
El control de estos tipos de ruido se realiza en dos etapas con los métodos
siguientes:
Etapa: Método:
Fig. 3.4.1 Etapas para el control del ruido y los métodos aplicables según Taguchi.
Tiene dos partes: diseño del producto, y diseño del proceso de manufactura
[Taguchi, G., 1986].
48
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Estas fuentes de variación tienen que ver con el control de calidad durante la
producción normal, o control de calidad en línea. Tenemos tres formas de control de
calidad en línea [Taguchi, G., 1986]:
49
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
También se menciona otra opción nombrada como la opción (1), pero con la
variante de que el comportamiento de la función de pérdida es asimétrica respecto a la
característica “ y ”.
Este es exactamente el caso que estudiamos en el ejemplo del tamaño del cuello de
la camisa. Por supuesto, podemos dar otros ejemplos:
L y k y m
2
Función de pérdida de calidad: (3.5.1)
L k ˆ 2 ˆy m
2
Función de pérdida promedio de calidad: (3.5.2)
50
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Este caso es una forma particular del caso mientras más cerca del valor nominal es
mejor, en donde se tiene la condición de que la característica “ y ” sólo puede adoptar
valores positivos, y donde la meta m = 0.
Nota: Realmente, para que la serie de Taylor (ec. 3.3.1) correspondiente pueda
converger habría que considerar m 0 .
L y k y
2
Función de pérdida de calidad: (3.5.3)
Los dos casos anteriores tienen una meta específica, m en el primer caso, y cero en
el segundo. Bajo estas condiciones es posible pensar en la expansión de una serie de
Taylor, tal como se explicó con la ecuación 3.3.1. En el caso presente, decir que
mientras mayor es mejor es equivalente a decir que la meta está en el infinito, lo cual es
indefinido. No es posible, por lo tanto, aplicar una serie de Taylor. Para salvar el
obstáculo el Dr. Taguchi recurrió a una expansión de Laurent:
L 1 L 1
L y L 2 ...... (3.5.5)
1! y 2! y
51
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
52
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
respecto a la potencia de la interferencia o ruido (N, “noise”) [Haykin, S., 2009], según
se ilustra en la figura 3.6.1.
Potencia Señal
Señal S/N = 10× Log
Potencia Ruido
R
R La razón S/N se expresa en
decibeles, por eso se extrae el
R logaritmo base 10.
R
R Ruido
Mientras más grande sea la razón S/N, mayor será la capacidad del sistema de
recepción para “entender” la señal (sonido, televisión, de radio, etc.) transmitida.
Fig. 3.6.2 Analogía entre el ruido y la señal de los sistemas de comunicación con la
variabilidad y valor esperado de la característica de un proceso.
Esta es una analogía que sirve de guía, pero no es una regla absoluta para la
formulación de las expresiones de las razones S/N que se aplican en Ingeniería de
Calidad. El Dr. Taguchi adapta este concepto para facilitar su aplicación e interpretación
de los resultados para la optimización de productos. Es importante destacar que este
concepto ha sido controversial desde un principio porque muchos matemáticos
estadísticos no le ha quedado claro bajo qué circunstancias deberá usarse [León, R.V.,
Wu, C.F.J.,1989] (tema desarrollado en el Capítulo 4).
Cuando la respuesta esperada del producto / proceso tiene una meta específica, fija
(figura 3.6.3). Este es el grupo de razones más estudiadas. En este tipo de experimentos
es muy importante hacer una selección apropiada de la razón S/N. La selección
53
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Troqueladora
y
La meta siempre es
la misma
Fig. 3.6.3 Experimentos estáticos.
Cuando la respuesta esperada del producto / proceso tiene una meta que varía
conforme a un factor (o factores) conocido, el cual adopta valores cambiantes según se
requiera (figura 3.6.4). El objetivo de los métodos dinámicos es optimizar la
característica de calidad de un sistema de tal forma que pueda generar un rango de
salidas. Un caso dinámico tiene una gama de valores que se desea optimizar. Como
ejemplo del tipo de sistemas en donde aplican las razones S/N dinámicas tenemos:
Control de una distancia
Cambio de dirección
Cambio de velocidad
Medición de un terremoto
Flujo de
gasolina La meta varía
54
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Antes deducir las expresiones para el cálculo de la razón S/N que propuso el Dr.
Taguchi, necesitamos definir las propiedades que deben tener estas expresiones para que
nos sirvan para la optimización de un producto. Estas propiedades son [Fowlkes, W.Y.,
Creveling, C.M. ,1995]:
Factores de
Ruido
A ŷ y+k A A kB B
Factores Producto
de control B
(ó proceso)
C S/ N = SN + qB B+ qC C
y , k A , k B , SN , qB y qC son constantes
El sistema (figura 3.6.5) es afectado por dos tipos de factores, los factores de
control, y los factores de ruido. Los factores de control (A, B y C) son los parámetros
del producto (o del proceso) cuyos valores se pueden asignar convenientemente para
optimizar el desempeño del producto. Los factores de ruido son factores internos o
externos no controlables bajo condiciones normales de operación que interfieren en el
sistema “furtivamente”, son impredecibles. Los factores de ruido entran en escena luego
de que el producto es diseñado, durante su fabricación, almacenaje, y durante su uso.
Bajo condiciones experimentales algunos de los factores de ruido podrán controlarse.
55
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Debido a la estructura del diseño experimental (sección 3.8), los factores de ruido
no afectarán al modelo de la media ( ŷ ), pero sí lo harán en el modelo de la razón S/N,
aunque que no aparecerán explícitamente, estarán inmersos en las constantes que
surgirán en el modelo de la razón S/N. Esto explica el sentido de la propiedad 1: La
razón S/N refleja la variabilidad de la característica causada por los factores de ruido.
Considerando la analogía del Dr. Taguchi (figura 3.6.2), mientras mayor sea la
razón S/N mejor será el desempeño del sistema. Esto nos permite escoger entre las
distintas combinaciones de los factores de control B y C (figura 3.6.5). Aquella
combinación que maximice a la razón S/N será la mejor. Con esto ilustramos el
significado de la propiedad 3: La razón S/N debe ser útil para hacer comparaciones.
56
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
L k ˆ 2 ˆy m
2
m
1
Fig. 3.6.6 Pasos básicos del método de mejora de la calidad de Taguchi (bis fig. 3.3.3).
Aunque, como veremos, el Dr. Taguchi nos dio las expresiones básicas para el
cálculo de la razón S/N, según el tipo de meta (cero, en un valor específico, o en el
infinito), no estamos restringidos a trabajar solamente con estas expresiones. De hecho,
en la práctica, las expresiones básicas del Dr. Taguchi no siempre permitirán cumplir
con las propiedades ideales presentadas en la sección anterior. Por lo tanto,
eventualmente necesitaremos definir nuestras propias ecuaciones, para lo cual nos
convendrá seguir un procedimiento general consistente con las propiedades. Este
procedimiento se presenta a continuación [Fowlkes, W.Y., Creveling, C.M., 1995]:
2) Cuando tenga sentido hacerlo, considerando al MSD, formular una expresión para
la razón S/N que sea independiente de los ajustes que se hagan para lograr la meta
m de la media (propiedad 2, sección 3.6.1).
*Nota: Esta es una justificación que hace Box sobre la transformación logarítmica, con la
que Phadke no está de acuerdo ( ver sección 4.3, [Nair, V., 1992] ).
57
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Resolviendo:
g x, y 2.1622+0.325 x+0.325 y 0.0179 xy 0.00895 x2 0.00895 y 2
58
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Exacto del
Magnitud Magnitud del
coeficiente 2 coeficiente
x 4 40% x 0.32504 47.39%
y 4 40% y 0.32504 47.39%
xy 1 10% xy 0.017906 2.61%
x 2
0.5 5% x2 0.00895 1.30%
y 2
0.5 5% y2 0.00895 1.30%
10 100% 0.685886 100%
Nótese que la proporción de la interacción doble xy pasa de 10% a 2.6%, y que los
términos cuadráticos pasan cada uno de 5% a 1.3%. El porcentaje de disminución de
estos términos pasó a los términos simples. Para fines prácticos, en la función
transformada podrá prescindirse de las interacciones y de los cuadrados.
y1 y2 y3
B
s1 s2 s3
A s y1 y2 y3
CV
y s1 s2 s3
Fig. 3.6.8 Caso típico en el que la desviación estándar varía proporcionalmente a la media.
59
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Paso 1:
La función del MSD correspondiente es:
MSD ˆ 2 ˆy m
2
(3.6.2)
Paso 2:
Se requiere independizar a la razón S/N de los ajustes para lograr la meta.
Reconociendo las siguientes igualdades:
ˆ = s ŷ = y (3.6.3)
Sustituyendo en la ecuación 3.6.2:
MSD s 2 y m
2
Vamos a suponer que contamos con los factores de control apropiados. Con
algunos de estos factores podremos maximizar la razón S/N (invirtiendo la
ecuación 3.6.4, tentativamente), y al menos uno de los factores servirá como factor de
ajuste (según asumimos en la ecuación 3.6.1). Digamos que tenemos un factor de ajuste
llamado A (la extensión del arco). Bajo estas condiciones, sabemos que un cambio en el
valor del factor de ajuste A no cambiará a la razón S/N. Suponga que ajustamos al
factor A a un valor tal que y m , entonces tendremos que la razón S/N seguirá siendo
la misma. Si hacemos esto, la razón m / y será igual a 1, con lo que la ecuación 3.6.4 se
simplifica:
60
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
2
MSD sa
(3.6.5)
m2 m
Nótese que en esta ecuación hemos sustituido a s por sa . Esto es para aclarar que
bajo la condición especial de y m , s adopta un valor específico. La expresión se ha
simplificado bastante, pero ahora tenemos un valor sa que debemos asegurar que está
cumpliendo con las propiedades.
A fin de tener una expresión consistente con la analogía del Dr. Taguchi (figura 3.6.2),
al invertir la ecuación anterior:
2
m2 y
(3.6.8)
MSD s
En esta ecuación se tiene que la razón y/ s es constate respecto al factor A, bajo el
supuesto que hicimos en la ecuación 3.6.1. Por lo tanto se estará cumpliendo con las
propiedades 1, 2 y 3.
Paso 3:
Para ayudar al cumplimiento de la propiedad 4 se hará la trasformación a decibeles
de la ecuación 3.6.8. La expresión resultante es la razón S/N buscada:
y2
S / N 10 log 2 (3.6.9)
s
Es importante aclarar que esta ecuación se ha conseguido aplicando un
conocimiento previo del sistema en cuestión. Por ejemplo, hemos asumido que s es
proporcional a y , y que existe un factor de ajuste A, el cual no afecta al coeficiente de
variación CV. Estos supuestos se deben verificar en la práctica. Si no se cumplieran será
necesario reconsiderar la expresión de la razón S/N escogida.
61
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Paso 1:
La función del MSD correspondiente es:
MSD ˆ 2 ˆy m
2
(3.6.10)
Paso 2:
Se requiere independizar a la razón S/N de los ajustes para lograr la meta.
Reconociendo las siguientes igualdades:
ˆ = s ŷ = y (3.6.11)
Sustituyendo en la ecuación 3.6.2:
MSD s 2 y m
2
Paso 3:
Para ayudar al cumplimiento de la propiedad 4 se hará la trasformación a decibeles
de la ecuación 3.6.12. La expresión resultante es la razón S/N buscada:
S / N 10 log s 2 (3.6.13)
El signo menos que precede a la fórmula (ecuación 3.6.13) se dispone para
mantener un estándar en la interpretación de la razón S/N. De esta forma, se podrá decir
que un aumento de la razón S/N implica una reducción en la variabilidad.
62
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Menor es mejor:
En este caso la característica sólo puede adoptar valores positivos y la meta es cero.
Los factores de control tienen efecto para aumentar o disminuir a la media y a la
desviación estándar en forma simultánea. Si aumenta la media, aumenta la desviación
estándar, o viceversa. Aquí hay una diferencia con respecto a nominal es mejor, en
donde media y desviación estándar pueden cambiarse por separado. En la sección 3.5.2
mencionamos algunos ejemplos de este tipo.
Paso 1:
La función del MSD correspondiente es:
MSD ˆ 2 ˆy 2
(3.6.14)
Sin embargo, en este caso carece de sentido práctico separar a las componentes de
la función de pérdida promedio relativas a la media y la desviación estándar, porque
justamente se espera que ambas componentes disminuyan simultáneamente. Por lo
tanto, en vez de usar la expresión de la ecuación 3.6.10, se acostumbra usar la
expresión de la sumatoria de la ecuación 3.3.3, tomando en cuenta que m = 0:
1 n
MSD yi 2 (3.6.15)
n i 1
Paso 2:
Este paso pide independizar a la razón S/N de los ajustes para lograr la meta. Sin
embargo, en este caso se espera que los factores de control actúen disminuyendo
simultáneamente a la media y a la desviación estándar (hipotéticamente). Por lo tanto,
este paso se exceptúa.
Paso 3:
Para ayudar al cumplimiento de la propiedad 4 se hará la trasformación a decibeles
de la ecuación 3.6.15. La expresión resultante es la razón S/N buscada:
1 n
S / N 10 log yi 2 (3.6.16)
n i 1
El signo menos que precede a la fórmula se dispone para mantener un estándar en
la interpretación de la razón S/N. De esta forma, siempre se podrá decir que un aumento
de la razón S/N implica una reducción en la variabilidad.
63
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Mayor es mejor:
En este caso la característica sólo puede adoptar valores positivos y la meta está en
el infinito. Los factores de control tienen efecto para aumentar o disminuir a la media y
la desviación estándar en forma simultánea, pero en dirección contraria. Si aumenta la
media, disminuye la desviación estándar, o viceversa. Aquí hay una diferencia con
respecto a nominal es mejor, en donde media y desviación estándar pueden cambiarse
por separado. En la sección 3.5.3 mencionamos algunos ejemplos de este tipo
Paso 1:
La función del MSD correspondiente es:
1 n 1
MSD
n i 1 yi 2
(3.6.17)
Paso 2:
Este paso pide independizar a la razón S/N de los ajustes para lograr la meta. Sin
embargo, como los factores de control actúan (hipotéticamente) de tal forma que al
aumentar a la media disminuye la desviación estándar, este paso se exceptúa.
Paso 3:
Para ayudar al cumplimiento de la propiedad 4 se hará la trasformación a decibeles
de la ecuación 3.6.17. La expresión resultante es la razón S/N buscada:
1 n 1
S / N 10 log 2 (3.6.18)
n i 1 yi
El signo menos que precede a la fórmula se dispone para mantener un estándar en
la interpretación de la razón S/N. De esta forma, siempre podremos decir que un
aumento de la razón S/N implica una reducción en la variabilidad.
64
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
flujo de gasolina y el hundimiento del pedal del acelerador (figura 3.6.8). El flujo
de gasolina es el resultado de la evaluación de la función que queremos estabilizar, y el
hundimiento del pedal es el factor que actúa sobre la función para que cambie su
resultado, (puede haber más de un factor de este tipo) y se le conoce como factor de
señal. Nuestra intención es asegurar que siempre tengamos la misma función, una
función lineal en este caso (ecuación 3.6.19).
y= M (3.6.19)
Para lograrlo, necesitamos que la pendiente sea siempre la misma. Para casos
como este no tenemos una versión dinámica de la función de pérdidas que nos guíe en
la definición de una razón S/N. No obstante, se puede decir que la versión dinámica de
la razón S/N está cercanamente relacionada al caso estático nominal es mejor Tipo I. La
ecuación 3.6.9 que dedujimos para este caso, se acerca bastante a la analogía que hiciera
el Dr. Taguchi [Fowlkes, W.Y., Creveling, C.M. ,1995]:
Hundimiento del pedal del
acelerador (M)
Donde MSE (mean square error) es el error cuadrático medio de la regresión entre
la salida y el parámetro de ajuste. En el ejemplo de la figura 3.6.8 nos referimos al flujo
de gasolina y al hundimiento del pedal, respectivamente.
65
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Una valoración exitosa del desempeño de un producto o proceso pasa primero por
la identificación de la característica de calidad que resuma la función que más se tiene
en estima por parte del usuario. Esta característica estará afectada por parámetros cuyas
condiciones en el producto final están en nuestras manos, estos son los factores de
control; y por factores internos o externos que no podemos controlar, llamados factores
de ruido. Es imprescindible saber cuáles son estos factores, pues entre ellos estarán las
variables independientes que manipularemos en el experimento, para cuantificar las
causalidades y determinar las condiciones óptimas.
66
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Factores de
Ruido
M1
Factores Producto
M Respuesta medida
de señal 2
(ó proceso)
M3 (Característica de calidad)
A B C
Factores de control
El Dr. Taguchi y sus colaboradores [Taguchi, G., Chowdhury, S, Wu, Y, 2005] han
destacado la gran importancia que tiene la respuesta escogida en la existencia de
interacciones entre los factores de control que se consideren en un experimento.
Algunas interacciones surgen de transformaciones energéticas (por su naturaleza, la
energía es una cantidad física que implica productos). Como ejemplo de tales
características tenemos la intensidad del sonido y la potencia eléctrica. Las interacciones
no son necesariamente malas, y muchas características de calidad estimadas por los
clientes contienen mucha interacción. No obstante, lo recomendable es que la
característica se pueda modelizar con la mínima participación de interacciones. Bajo
condiciones ideales el modelo de la característica y de su razón S/N debería tener la
forma general siguiente [Taguchi, G., Chowdhury, S, Wu, Y, 2005]:
y = f1 A + f 2 B + f 3 C ...+error (3.7.1)
A esta forma se le conoce como el modelo aditivo, donde “y” es la respuesta (o la razón
S/N) y A, B, C…, son los factores de control. Si el término de error es pequeño,
67
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
entonces el modelo aditivo es aceptable. Existen varias razones por las que el modelo
aditivo es deseable, por ejemplo:
El número de corridas experimentales puede reducirse debido a que no hay
interacciones.
Los resultados son más fáciles de interpretar.
Los diseños puede resistir a los cambios de alguno de los parámetros de diseño
sin sufrir efectos notables en la calidad.
Los diseños son fáciles de implementar y optimizar debido a la ausencia de las
restricciones que podrían imponer las interacciones.
68
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
B2 B3
A1 A2 A1 A2 A3
69
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Bloque 1 Bloque 3
Bloque 2 Bloque 4
Energía
eléctrica
Fig. 3.7.3 Ejemplo simplificado de los bloques de un televisor LCD.
La selección de los factores de ruido es crítica para el éxito del diseño robusto.
Según vimos al inicio de la sección 3.4, los factores de ruido pueden clasificarse en:
Ruido externo.
Ruido de deterioro o ruido interno.
Ruido de unidad a unidad.
Medio
Máquina Personas ambiente
Apagones Destreza
de energía ____ del cliente_____ Temperatura_
Salud de
Factor de ruido 2 los operarios__ Humedad relativa
Característica
de calidad
Ausencia imprevista Descalibración Impureza de la
de algún procedimiento . no detectada__. materia prima__ Material usado por los clientes
Factor de ruido 3 Factor de ruido 1 Factor de ruido 4 ___en el uso normal del producto
Fig. 3.7.4 Diagrama de causa y efecto para la identificación de factores causantes de efectos
no controlados en la característica de calidad.
70
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Luego de identificar a los factores de ruido, los factores han de clasificarse según
las categorías anteriores (externo, interno, y unidad a unidad). Cada categoría de ruido
tiene sus métodos especializados para atacarlos. Entre los métodos más efectivos de
abordar a los factores de ruido externo tenemos la metodología del diseño robusto de
parámetros. Los factores de ruido interno se controlan principalmente mediante la
selección entre opciones de sistemas, de componentes y materiales; lo cual se da en el
proceso de diseño y en el proceso de manufactura (en la selección de los proveedores, y
el control en la entrega). Los factores de ruido unidad a unidad se controlan
principalmente durante el proceso de manufactura. Complementariamente, entre los
métodos para mejorar al proceso de manufactura (al menos en lo concerniente a la
selección de máquinas y herramientas) también se aplica la metodología del diseño
robusto de parámetros.
0.40
Factores
B Producto 0.30
C (ó proceso) 0.20
0.10
D
1 2 3 4 10 11
71
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Los factores de control que requieren seleccionarse para los experimentos estáticos
del tipo nominal es mejor, y para los experimentos dinámicos, son de dos tipos:
Factores que al variar afectan únicamente a la media de la respuesta, llamados
factores de ajuste (“tuning factors”).
Factores que al variar afectan principalmente a la razón S/N, aunque podrían
afectar también a la media de la respuesta.
La acción conjunta de este tipo de factores permitirá la aplicación de los dos pasos
fundamentales del método de Taguchi:
1) Maximizar la razón S/N.
2) Alcanzar la meta.
En los experimentos estáticos del tipo menor es mejor se requieren factores que
maximicen a la razón S/N y que simultáneamente minimicen la media de la respuesta.
En forma contraria, en los experimentos estáticos del tipo mayor es mejor se requieren
factores que maximicen a la razón S/N y que simultáneamente maximicen la media de
la respuesta. En estos experimentos los pasos del método de Taguchi se reducen a un
solo paso, maximizar la razón S/N, pues logrado esto, también se logra el objetivo
complementario de minimizar o maximizar la media de la respuesta, según el tipo de
experimento.
72
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Modelo físico
F
6
4
5
3
• Posición de
4 Altura
del pin
rB
3 Posición 2
IO = rF F Sen Cos
la taza
de parada
• Posición de
a liga
2
1
mgrB rF
1
rG
1
2
3 4 5 6
MgrG +mgrB Sen
MgrG
Ángulo de
disparo
Asumiendo que somos los diseñadores de este producto (la catapulta), como
expertos que somos podremos deducir algunas expresiones matemáticas (figura 3.7.6)
que nos ayudarán a hacer nuestra selección de los factores de control. Supondremos que
la variable respuesta es la distancia “y” a la que cae el proyectil. Así, según la distancia
a la que cae el proyectil sea fija, o a discreción del usuario, nuestro diseño podrá ser
estático o dinámico, respectivamente. Para simplificar, asumiremos que se trata de un
diseño estático. De esta forma, considerando las ecuaciones del modelo teórico,
nosotros, como diseñadores, podremos proponer la hipótesis de la existencia de una
zona (espacio de diseño) de operación lineal de la distancia “y” con el ángulo . El
lanzamiento del proyectil con la catapulta es semejante al ejemplo del lanzamiento de la
flecha (figura 3.6.8), por lo tanto, podemos deducir que habrá un coeficiente de
variación CV idealmente constante con la distancia “y”, y en consecuencia CV también
será constante con respecto al ángulo . Todo lo cual nos hace concluir que nuestro
diseño será estático “nominal es mejor” tipo I, donde la variable podrá servirnos
como factor de ajuste (no afecta a la razón S/N). Con razonamientos de este tipo habría
que identificar otros factores de control que sirvan para la minimización de la razón
S/N.
73
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Por lo que hemos dicho hasta ahora, está claro que el “enemigo” es la variabilidad.
Un sistema ideal es aquel que no tiene pérdidas, y que por lo tanto no tiene variabilidad.
En contraste, en el mundo real la variabilidad siempre está presente. La estrategia
general del Dr. Taguchi para combatir a este enemigo es: Disminuir la variabilidad y
lograr la meta. En la concepción de Taguchi, no debemos esperar a que el producto
salga al mercado para reaccionar luego apagando fuegos, debemos ser proactivos y
prevenir la ocurrencia de estos fuegos [Taguchi, G., Chowdhury, S, Wu, Y, 2005].
74
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Hasta ahora hemos estado insistiendo en que deben evitarse las interacciones entre
los factores de control en los “modelos” (a nivel conceptual, pues no se construyen
modelos) de la media y de la razón S/N. No se ha dicho nada respecto a las
interacciones cruzadas entre los factores de control y los factores de ruido, pues de
hecho no se pretende obtener un “modelo” que incluya a las interacciones (figura 3.6.5).
Sin embargo, estas interacciones están en el núcleo del mecanismo de reducción de la
sensibilidad a la variabilidad, o maximización de la razón S/N [Taguchi, G.,
Chowdhury, S, Wu, Y, 2005]. Para ilustrar el punto, considere el caso hipotético de la
siguiente figura.
Factor de ruido
R
A
Factores Producto
B ŷ
de control (ó proceso)
C
R A RA y
-1 -1 +1 20.00
-1 +1 -1 8.00
+1 -1 -1 12.00
+1 +1 +1 24.00
75
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Gráfica de
y Interacción
30
R(-) R(+)
16
15
ŷ 16 2R 6RA
-1 +1
1
A
3
Fig. 3.8.1 Gráfica de interacción para un problema hipotético de un factor de control y otro de
ruido.
En esta gráfica es claro que si el factor de control A toma el valor de -1/3 (unidades
codificadas), la respuesta “y” mantendrá un valor de 16, para cualquier valor que adopte
el factor de ruido R: El producto se habrá hecho robusto ante las variaciones del ruido.
Suponga ahora que alguno (o ambos) de los factores B y C pueden actuar como
factores de ajuste (sus cambios no afectan a la razón S/N). En este caso, la respuesta “y”
podrá situarse en el valor deseado sin afectar a la razón S/N.
76
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
RC -1 +1 +1 -1
Arreglo interno Arreglo externo
RB -1 +1 -1 +1 (factores de Ruido)
(factores de Control) RA -1 -1 +1 +1
Corrida A B C D E F G H 1 2 3 4 S/N y
1 -1 -1 -1 -1 -1 -1 -1 -1
2 -1 -1 0 0 0 0 0 0
3 -1 -1 +1 +1 +1 +1 +1 +1
4 -1 0 -1 -1 0 0 +1 +1
5 -1 0 0 0 +1 +1 -1 -1
6 -1 0 +1 +1 -1 -1 0 0
7 -1 +1 -1 0 -1 +1 0 +1
8 -1 +1 0 +1 0 -1 +1 -1
9 -1 +1 +1 -1 +1 0 -1 0
10 +1 -1 -1 +1 +1 0 0 -1
11 +1 -1 0 -1 -1 +1 +1 0 Resultados
12 +1 -1 +1 0 0 -1 -1 +1 experimentales
13 +1 0 -1 0 +1 -1 +1 0
14 +1 0 0 +1 -1 0 -1 +1
Cálculos
15 +1 0 +1 -1 0 +1 0 -1
16 +1 +1 -1 +1 0 +1 -1 0
17 +1 +1 0 -1 +1 -1 0 +1
18 +1 +1 +1 0 -1 0 +1 -1
Arreglo interno: Matriz de diseño con los factores de control que se han
seleccionado para el experimento. Se trabaja con diseños de Taguchi.
Arreglo externo: Matriz de diseño con los factores de ruido cuyos efectos en la
respuesta se pueden controlar bajo condiciones experimentales, pero no bajo
condiciones normales de aplicación. Se trabaja con diseños de Taguchi.
Resultados experimentales: Respuestas de la característica de calidad medidos
para cada combinación horizontal de los factores de control, cruzados con cada
combinación vertical de los factores de ruido.
S/N: Razón señal-ruido usada como medida de la variabilidad. Es un cálculo con
los resultados experimentales del renglón correspondiente.
y : Media de los resultados del renglón correspondiente.
77
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
M 1 1 1 1 2 2 2 2 3 3 3 3
Arreglo interno RB -1 +1 -1 +1 -1 +1 -1 +1 -1 +1 -1 +1
(factores de Control) RA -1 -1 +1 +1 -1 -1 +1 +1 -1 -1 +1 +1
Corrida A B C D E F G H 1 2 3 4 5 6 7 8 9 10 11 12 S/N ̂
1 -1 -1 -1 -1 -1 -1 -1 -1
2 -1 -1 0 0 0 0 0 0
3 -1 -1 +1 +1 +1 +1 +1 +1
4 -1 0 -1 -1 0 0 +1 +1
5 -1 0 0 0 +1 +1 -1 -1
6 -1 0 +1 +1 -1 -1 0 0
7 -1 +1 -1 0 -1 +1 0 +1
8 -1 +1 0 +1 0 -1 +1 -1
9 -1 +1 +1 -1 +1 0 -1 0
10 +1 -1 -1 +1 +1 0 0 -1 Resultados
11 +1 -1 0 -1 -1 +1 +1 0 experimentales
12 +1 -1 +1 0 0 -1 -1 +1 Cálculos
13 +1 0 -1 0 +1 -1 +1 0
14 +1 0 0 +1 -1 0 -1 +1
15 +1 0 +1 -1 0 +1 0 -1
16 +1 +1 -1 +1 0 +1 -1 0
17 +1 +1 0 -1 +1 -1 0 +1
18 +1 +1 +1 0 -1 0 +1 -1
Arreglo interno: Matriz de diseño con los factores de control que se han
seleccionado para el experimento. Se trabaja con diseños de Taguchi.
Arreglo externo: Está compuesto por un renglón con los niveles distribuidos
entre los límites de operación del factor de señal, y por un arreglo ortogonal para
los factores de ruido. Cada nivel del factor de señal se combina con un mismo
patrón del arreglo ortogonal de factores de ruido.
Resultados experimentales: Respuestas de la característica de calidad medidos
para cada combinación horizontal de los factores de control, cruzados con cada
combinación vertical de los factores de ruido y de señal.
S/N: Razón señal-ruido usada como medida de la variabilidad. Es un cálculo con
los resultados experimentales del renglón correspondiente.
78
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
El arreglo externo es una composición de los niveles del factor de señal con los
factores de ruido. Las combinaciones del factor de señal y los factores de ruido se leen
verticalmente. En la columna S/N se anotan los cálculos de la razón S/N hechos con los
resultados experimentales del renglón correspondiente, aplicando la ecuación:
2 (3.8.1)
S/ N = 10 Log
MSE
El factor de señal se recomienda que sea de al menos 3 niveles. Los factores de
ruido deberían tener 2 niveles, o a lo más 3 niveles [Fowlkes, W.Y., Creveling,
C.M.,1995]. El diseño ortogonal de los factores de ruido ha de ser factorial completo
para 2 factores de ruido; o algunos de los diseños de Taguchi, para más de 2 niveles.
No obstante, debido al considerable número de experimentos, lo usual es trabajar con
unos pocos factores de ruido, con sólo un factor si es posible.
M 1 1 1 1 2 2 2 2 3 3 3 3
RB -1 +1 -1 +1 -1 +1 -1 +1 -1 +1 -1 +1
RA -1 -1 +1 +1 -1 -1 +1 +1 -1 -1 +1 +1
Corrida A B C D E F G H 1 2 3 4 5 6 7 8 9 10 11 12 S/N ̂
1 -1 -1 -1 -1 -1 -1 -1 -1
2 -1 -1 0 0 0 0 0 0
3 -1 -1 +1 +1 +1 +1 +1 +1
4 -1 0 -1 -1 0 0 +1 +1 78 85 75 91 153 165 158 169 236 252 239 250 21 81
5 -1 0 0 0 +1 +1 -1 -1
6 -1 0 +1 +1 -1 -1 0 0
M y
1 78 y
1 85 y vs M
1 75 300
1 91 250
ˆ 81
2 153
200
2 165 MSE 48.36
2 158 150
2 169 100
̂
3 236 50
3 252
3 239
0 M
0 0.5 1 1.5 2 2.5 3 3.5
3 250
Fig. 3.8.2 Cálculos de los resultados ̂ y MSE de un análisis de regresión lineal simple, para
cada renglón.
2 812
S/ N = 10 Log 10 Log 21.32
MSE 48.36
79
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Ya estamos listos para resolver un caso típico. Para este fin consideraremos un
ejemplo del libro Design of Experiments Using The Taguchi Approach de Ranjit, R.
(2001), ejemplo 12.4, página 384.
Factores de control:
Min Max
A Temperatura de inflado 250° C 290° C
B Presión de inflado 60 psi 100 psi
C No se usa
D Velocidad de moldeado 2.5 rpm 3.5 rpm
E Peso de la base 4.25 oz. 5.60 oz.
F Diseño Actual Modificado
G Peso de la espaldilla 0.4 oz. 0.6 oz.
Tabla 3.8.4 Definición de los niveles mínimo y máximo para los factores de control,
Ranjit, R., 2001, ejemplo 12.4.
Factores de ruido:
Min Max
RC Temperatura del enfriador Ambiente Fria
RB Proveedor del material Prov. 1 Prov. 2
RA Marca de la máquina Marca A Marca B
Tabla 3.8.5 Definición de los niveles mínimo y máximo para los factores de ruido,
Ranjit, R., 2001, ejemplo 12.4.
80
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
RC -1 -1 +1 +1
Arreglo interno Arreglo externo
RB -1 +1 -1 +1
(factores de Control) (factores de Ruido)
RA -1 +1 +1 -1
Corrida A B C D E F G 1 2 3 4 S/N
1 -1 -1 -1 -1 -1 -1 -1 30 33 36 32 30.248 32.75
2 -1 -1 -1 +1 +1 +1 +1 36 40 44 41 32.027 40.25
3 -1 +1 +1 -1 -1 +1 +1 30 28 27 25 28.73 27.5
4 -1 +1 +1 +1 +1 -1 -1 44 36 28 33 30.602 35.25
5 +1 -1 +1 -1 +1 -1 +1 24 28 32 29 28.88 28.25
6 +1 -1 +1 +1 -1 +1 -1 52 44 36 43 32.599 43.75
7 +1 +1 -1 -1 +1 +1 -1 32 24 16 29 27.095 25.25
8 +1 +1 -1 +1 -1 -1 +1 46 43 40 38 32.345 41.75
Los factores asignados a las columnas del arreglo interno, y a los renglones del
arreglo externo, son los que aparecen en la tabla 3.8.4 y 3.8.5 respectivamente. La
columna C del arreglo interno no se usa (ver nota a continuación).
Nota: La selección de la columna C para que se quedara sin usar, no fue al azar.
Los “ingenieros” (una ficción de nuestro ejemplo) tenían la sospecha de que existía
alguna interacción entre las columnas A y B (“temperatura de inflado” y la “presión
de inflado”, respectivamente). Como es sabido, para una masa de gas constante, en
un volumen constante, la temperatura y la presión son directamente proporcionales
(ley de Gay-Lussac). En nuestro caso, la temperatura y la presión se administran de
tal forma que los niveles de estos factores se encuentran en una relación ortogonal,
lo que suprime cualquier problema de colinealidad natural entre ellos, y
entendemos que esto ha sido posible gracias a modificaciones apropiadas en
función de algún volumen, o quizás alguna válvula de escape. Sin embargo, todo el
esfuerzo en tratar de mantener la ortogonalidad entre los factores, según los
“ingenieros”, pudo ocasionar la aparición de efectos de interacción en el modelo de
la respuesta o de la razón S/N. Como sabemos, las interacciones no son deseables
en los diseños de Taguchi, por diversos problemas prácticos. Por esta razón,
considerando que en el diseño L8 sobraba una columna, se escogió la columna C
para dejarla sin asignación de factores, de tal forma que el efecto medido aquí se
pudiera interpretar como procedente de la interacción de los factores A y B
(temperatura y presión), ya que la columna C de diseño L8 se obtiene del patrón de
interacción de A y B (sección 2.4.2). Existe también confusión con las
interacciones DG y EF, pero los “ingenieros” no creían que estas interacciones
estuvieran presentes. Cuando se realicen los experimentos, se harán pruebas para
determinar si la interacción AB es realmente significante.
81
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
2. Complete las acciones indicadas para especificar el diseño y dar los detalles de
los niveles de los factores.
1 2
82
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
1 2
83
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
1 2
Fig. 3.8.6 Llenado de los sub-menús “Opciones” y “Almacenamiento” del menú de “Analizar
diseño de Taguchi”, Minitab 15 ®.
84
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
En esta tabla tenemos los promedios de la respuesta asociados a cada nivel del
factor, siendo “Delta” el valor absoluto de la diferencia máxima entre los
promedios (definición que se cumple para cualquier número de niveles que
tengan los factores). Por ejemplo, para los resultados de la razón S/N de la
“Velocidad de moldeado” (en recuadro rojo, tabla 3.8.9), Delta = 3.16 es la
diferencia de 31.89 menos 28.74 (no se aprecia exacto, debido a que Minitab
hace los cálculos con todos los decimales). Otro resultado útil aquí es el renglón
“Clasificar”, el cual señala el rango de importancia del factor, donde “1” señala
al factor más importante, según la magnitud de “Delta”. Por ejemplo, para la
razón S/N el factor más importante es “Velocidad de moldeado”.
85
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
4 1
S / N 10 Log 2 y
i 1 yi
Fig. 3.8.7 Gráfico de efectos principales para las razones S/N, Minitab ®.
Fig. 3.8.8 Gráfico de efectos principales para los efectos principales, Minitab ®.
86
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
En las figuras 3.8.7 y 3.8.8, los factores más destacados son los que están
marcados con una elipse (Minitab no pone esta marca). Aquí también se puede
apreciar el sentido del efecto. Por ejemplo, la “velocidad de moldeado” tiene una
relación creciente con la razón S/N; y la “presión de inflado”, y el “peso de la
base” tienen una relación decreciente. Notamos, además, que el factor C
(denotado “no se usa”) tiene un efecto no destacado, por lo que se rechaza la
sospecha de los “ingenieros” acerca de la interacción AB (“temperatura de
inflado” y “presión de inflado”).
Min Max
A Temperatura de inflado 250° C 290° C
B Presión de inflado 60 psi 100 psi
C No se usa
D Velocidad de moldeado 2.5 rpm 3.5 rpm
E Peso de la base 4.25 oz. 5.60 oz.
F Diseño Actual Modificado
G Peso de la espaldilla 0.4 oz. 0.6 oz.
Tabla 3.8.11 Parámetros del diseño robusto del proceso.
87
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
A B C D E F
Tabla 3.8.12 Resultados de los cálculos de la media y de la razón S/N por combinación de
factores de control, según aparecen en la “Hoja de trabajo” de Minitab ®.
Así:
S/ N SN + S/ N-B
B+
S/ N-D
D+
S/ N-E
E
2 2 2
Modelo de la respuesta y:
Experimentos de confirmación:
88
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
4.1 Introducción:
“Tan pronto como el caso de estudio de la Bell sobre fotolitografía fue publicado
en 1983, la metodología para el diseño industrial de experimentos fue reconocida
por la comunidad estadística de E.U. Desde ese tiempo han aparecido muchos
artículos sobre la metodología de Taguchi, en revistas y publicaciones científicas,
tales como Quality Progress, Quality, Journal of Quality Technology, Tecnometrics, Quality
Engineering and Quality Observers. En todos estos medios, la metodología de Taguchi
ha causado un tremendo debate y controversia. Algunas personas han dado
mucho apoyo y han demostrado su entusiasmo, algunas han estado en contra y
89
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
han sido antagónicas, y otras han sido neutrales. Las respuestas positivas
encontradas en estos artículos se pueden resumir como sigue:
Mientras este debate tuvo lugar, el Dr. Taguchi se dedicó a visitar periódicamente a
empresas de Estados Unidos como Xerox, Ford, ASI, Bell, ITT, General Motors y
muchas otras compañías, contribuyendo al logro de cuantiosos ahorros. Hizo numerosas
presentaciones en conferencias y simposios. Y en todos estos escenarios comentó que su
método se estaba usando mal. Su método estaba pensado para robustecer productos y
procesos en forma proactiva, y no para resolver problemas de calidad <reactivamente>.
Su metodología no debería usarse para apagar fuegos, sino para prevenirlos.
90
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Este debate se organizó en torno a temas de discusión generales, sobre los cuales
cada participante dio su opinión. A continuación presentamos un resumen de los aportes
que cada participante hizo en cada tema.
A. Comentarios generales:
Madhav Phadke:
Shin Taguchi:
91
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
procura el logro de los resultados necesarios para satisfacer al cliente. Más aún, el costo
y el tiempo son asuntos muy importantes para los ingenieros. La ciencia es para explicar
la naturaleza, mientras que la ingeniería es para utilizarla.
Debemos enfatizar que el diseño robusto es un problema sobre una propiedad que
se espera lograr en un producto, o en un proceso de manufactura, y que no implica un
método de solución específica. El objetivo es diseñar un sistema para acomodar un
rango amplio de variación de las entradas. Taguchi se merece el crédito de haber
destacado la importancia de este problema en la producción de productos competitivos.
El método de solución apropiado para conducir un diseño robusto depende del área
de aplicación. < Para estos investigadores no se trata de aplicar sólo un tipo de diseño.
El método de Taguchi aplica muy bien en ciertos casos, mientras que en otros casos es
preferible la aplicación de otras alternativas >.
George Box:
Thomas Lorenzen:
Se ha afirmado por alguien que Taguchi inventó el diseño robusto. < Este panelista
pone en duda esta afirmación, porque desde los años 40 ya se ha estado aplicando esta
idea en la producción agrícola, donde se requiere un crecimiento uniforme para
maximizar la producción, sin importar las condiciones del clima y del suelo >…No hay
duda, sin embargo, de que Taguchi popularizó la idea en la comunidad ingenieril, y que
esta es su gran contribución.
Raghu Kacker:
92
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
93
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Raghu Kacker:
Shin Taguchi:
…Las interacciones entre los factores de control y los factores de ruido se usan para
reducir la variabilidad. Aún las interacciones más débiles contribuyen grandemente en
la reducción de la variabilidad.
Cuando tengamos muchos factores de ruido, puede ser difícil estudiar todos los
efectos. En este caso, se podrá hacer una composición de los factores de ruido (de los
factores de ruido que estén correlacionados) que tengan condiciones extremas… Los
diseños robustos para un factor de ruido compuesto tienden a ser también robustos para
todos los demás < factores de > ruido.
Jeff Wu:
Como una alternativa más económica, varios autores, incluyendo Shoemaker, Tsui
y Wu (1991), han sugerido el uso de un formato de arreglo combinado, que tenga un
arreglo único para acomodar a ambos tipos de factores. El tamaño del arreglo
combinado puede ser mucho menor que el tamaño del producto de los arreglos de ruido
y de control.
El uso que dio Taguchi a los factores de ruido es una contribución vital. Si las
variables importantes de ruido se usan en el proceso experimental, la variabilidad
reflejada es más realista…
94
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
importantes, pero no una parte sistemática del diseño experimental, una porción
principal de la variabilidad podría capturarse al azar, indirectamente, y por lo tanto
ineficientemente. El arreglo externo es un medio para caracterizar la variabilidad del
proceso en cada combinación del arreglo interno…
Debido a que los niveles de los factores de ruido no representan muestras aleatorias
de las distribuciones de los factores de ruido, la varianza muestral calculada con el
arreglo de ruido no es una buena estimación de la varianza poblacional. En vez de esto,
la varianza muestral debería interpretarse como una medición rudimentaria de la
sensibilidad a los factores de ruido presentes en el arreglo de ruido.
Madhav Phadke:
95
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Por lo anterior, deberá hacerse todo lo necesario para eliminar o minimizar las
interacciones C x C, mediante una juiciosa selección de la característica de calidad (la
respuesta usada en diseño robusto), de la función objetivo que será maximizada (la
razón S/N), los factores de control y sus niveles… La escogencia apropiada de estos
elementos constituye un gran esfuerzo en la realización de un diseño robusto de
parámetros. Estas tareas requieren conocimiento ingenieril acerca del proyecto
específico, y conocimiento de la metodología del diseño robusto… Si un ingeniero no
fuera capaz de eliminar las interacciones, deberá continuar con la búsqueda de otras
formulaciones del problema, o aceptar el riesgo de enviar un diseño defectuoso hacia el
siguiente paso de realización del producto. No existen reglas que puedan garantizar la
ausencia de interacciones. Esto debe hacerse caso por caso, y aun, a veces, por ensayo y
error.
96
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Shin Taguchi:
Thomas Lorenzen:
Una declaración que me causa una inmensa pesadumbre en las consultas con
ingenieros es: Si la variable de respuesta es escogida para reflejar la energía de salida, o
un fundamento físico, no habrá interacciones entre factores de control que tengan que
considerarse en el diseño, o el análisis de los datos…
Tengo varios problemas con esta declaración. Primero, considerando que variables
de respuesta diferentes influirán con certeza en la complejidad del modelo requerido, ni
la energía de salida medible, ni el fundamento físico necesitan ser aditivos, < o
podríamos asegurar que son aditivos >. Lo siento, se necesitan las interacciones.
Segundo, las interacciones de factores de control con factores de ruido son necesarias
para mejorar la robustez. La diferencia entre los factores de control y los factores de
ruido es debida a una definición, todo depende de si el factor se puede controlar a bajo
costo o no, dentro de la fábrica. < El panelista es escéptico acerca de la necesidad de
que la característica escogida refleje la energía de salida o un fundamento físico, para
asegurar su aditividad >.
Raghu Kecker:
…Se afirma que cuando los efectos de los factores de control son aditivos […], las
combinaciones óptimas logradas en condiciones de laboratorio muy probablemente se
mantendrán óptimas durante la manufactura, y durante las condiciones de uso del
cliente; de otra forma no se podrá hacer una extrapolación < de los resultados > a las
condiciones de manufactura y de uso.
97
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
La motivación de Taguchi por ignorar las interacciones entre los factores de control
pareciera ser la economía en el esfuerzo experimental, en vez de < demostrar > que es
seguro hacer tal cosa. La economía < requerida > está forzada por la ineficiencia del
arreglo cruzado de su diseño experimental. Para cada combinación de factores de
control (arreglo interno), se hacen observaciones en todas las combinaciones de los
factores de ruido del arreglo (externo) de ruido. < Los panelistas comentan que es
posible reducir aún más el número de experimentos mediante la aplicación de un arreglo
único que contenga tanto a los factores de control como a los factores de ruido [Welch,
W., Yu, T.K., Kang, S., Sacks, J., 1988] >.
Madhav Phadke:
George Box:
98
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Se ha hecho esfuerzos para integrar los principios del diseño robusto de parámetros
de Taguchi con las técnicas estadísticas reconocidas. Un número de autores ha
propuesto tratar a los factores de ruido como factores de diseño, usando una matriz
única de diseño, y modelizando a la respuesta directamente como una función de los
factores de control y los factores de ruido.
Varios autores, incluyendo a Vining y Myers (1990) han combinado los principios
de diseño de parámetros de Taguchi con la metodología convencional de superficie de
respuesta […]. Este método incorpora las ideas útiles de diseño de parámetros sin las
dificultades asociadas a la metodología de Taguchi.
99
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
El panel de discusión organizado por Nair [Nair, V., 1992], que resumimos en la
sección anterior, dejó claro que existen casos que pueden abordarse con la metodología
de Taguchi, que en general serán aquellos casos en donde pueda afirmarse que la razón
S/N es una función aditiva de los factores de control, sin interacciones. Para los demás
casos requerirá aplicarse alguna otra metodología que permita incluir a las interacciones
en el análisis. Las propuestas comentadas en este panel coincidían en las ventajas de
aplicar una metodología combinada de la filosofía de Taguchi con el método de
Superficie de Respuesta, trabajando con sólo un arreglo para economizar recursos. Así
mismo, desde entonces, muchos otros autores han destacado la ventaja de modelizar a la
media y la varianza. Al respecto, a continuación haremos un resumen razonado del
método propuesto por Myers, Montgomery, y Anderson-Cook, en su libro “Response
Surface Methodology – Process and Product Optimization Using Designed
Experiments”, 2009. Un método que en la actualidad se ha convertido prácticamente en
el estándar alternativo a la metodología de Taguchi.
E MDS = Ez y x , z - m = E y x , z - m VarZ y x , z
2 2
(4.4.1)
100
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
2
x ' Bx : Término constituido por la suma de los rx factores cuadráticos xi más las
rx rx -1 / 2 interacciones dobles, cada factor e interacción multiplicados
por coeficientes respectivos tomados de la matriz B .
z' : Término constituido por sumas de rz factores z j multiplicados por
coeficientes respectivos γ j , 1 ≤ j ≤ rz , siendo rz es número de los
factores de ruido considerados.
x' z : Suma de todas las interacciones dobles posibles entre los factores de
control y los factores de ruido. Cada interacción está multiplicada por un
coeficiente ij organizados en la matriz .
:
Variable de error gausiano N 0,2 .
Para ilustrar el significado de la ecuación 4.4.2, suponga que contamos con dos
factores de control x1 y x2 , y con dos factores de ruido z1 y z2 . El modelo expandido
para el valor esperado de un caso particular podría ser:
Con respecto a los factores de ruido se requiere asumir que, si bien estos factores no
se pueden controlar, sí contamos con información estadística básica respecto a ellos.
Conocemos cuál es la media z j y la desviación estándar z j de cada factor de ruido.
101
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Con este conocimiento la relación entre los valores reales y codificados para un
experimento en 3 niveles de estos factores será:
Valor real Valor codificado
z j q z j -1
z j 0
z j q z j +1
donde q es un factor de escala que el investigador deberá definir de acuerdo a su
conocimiento del proceso. En lo que sigue, para simplificar el análisis, se asumirá que el
valor de q es el mismo para cada factor de ruido, y que las variables de ruido son
independientes entre sí. Con esto:
E z 0 , Var z 2z I rz (4.4.3)
Donde I rz es una matriz identidad rz × rz , 2z 1 / q 2 , y z representa valores codificados.
Consideremos el diagrama que muestra la relación entre los valores reales y los
codificados:
Max Min Max Min
2 2
Considerando este diagrama, se puede deducir que la ecuación que relaciona a los
valores codificados con los valores reales es:
Max Min 2
zC + zR (4.4.4)
Max Min Max Min
Sabiendo que los valores máximo y mínimo reales están dados por zR qzR ,
reemplazando y simplificando en la ecuación 4.4.4, tenemos:
Z 1
zC + R
zR (4.4.5)
q Z q Z R R
102
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
El resultado es un
Varz y x , z Varz 0 + x' + x' Bx + z' + x' z + escalar, y por lo
tanto la transpuesta
Varz z + x' z + Varz ' z + x' z + es equivalente.
Varz y x , z '+ x ' 2z I rz '+ x' + 2
2z l x l x + 2 (4.4.9)
donde l x + x .
y x ,z
0 + x ' + x ' Bx + z' + x ' z +
z z
z' + x' z z' + z' ' x
z z
= + x z = + x I rz + x (4.4.10)
z
103
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Varz y x , z ˆ c+
ˆ 2z c '+ x '
ˆ x +
ˆ2 (4.4.14)
Varz y x , z
2
+
2
(4.4.15)
zi
z
i 1
104
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Una manera de hacer la optimización, podría ser, por ejemplo, establecer un rango de
valores dentro de los cuales aceptaríamos que estuviera la media de la respuesta, y
escogiendo un valor específico m dentro de este rango. Hecho esto, la regla de
optimización podría ser la siguiente:
Min Varz y x,z , bajo la restricción de que Ez y x , z m
x
Debe considerarse que podríamos tener situaciones ideales < como las pretendidas
en los diseños robustos de Taguchi >, en las que se identifiquen factores que sólo
afecten a la superficie de respuesta de la media, pero no así a la superficie de respuesta
de la varianza, los que se conocen como factores de ajuste. Si tuviéramos un caso como
este, el procedimiento a seguir sería primero lograr la minimización de la varianza de la
respuesta, sin restricciones de meta, luego de lo cual se aproximaría la media a la meta
deseada mediante los factores de ajuste. Observando la ecuación 4.4.9, en este caso la
varianza podrá minimizarse si se resuelve el sistema de ecuaciones contenido en la
siguiente expresión matricial:
ˆ x 0
c+ (4.4.16)
105
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
106
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
solución ideal f x max j :
1/ p
k p
LP = w j f x max j f x
j=1
donde w j es una ponderación no negativa asignada a cada función objetivo por el que
tomador de decisiones. El valor de p es la importancia dada a las desviaciones. La
solución ideal de una respuesta particular es la que se obtendría resolviendo el problema
de optimización de esta respuesta por separado. Las optimizaciones se realizan
aplicando el método de superficie de respuesta. Luego habrá que proceder para buscar
una localización x que, al aplicarla a las funciones de cada respuesta, minimice el valor
de LP , el cual se calcula sumando las contribuciones ponderadas correspondientes a
cada una de las k respuestas. En el artículo se da un ejemplo que explica con claridad la
aplicación de este método.
107
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
El método de diseño robusto < de Taguchi > se aplica a una variedad de casos
industriales incluyendo tanto los problemas de las características estáticas y dinámicas.
El problema estático intenta obtener el valor de una característica de calidad de interés
tan cerca como sea posible a un valor objetivo fijo; el problema dinámico tiene como
objetivo hacer que las respuestas se aproximen a valores objetivo flotantes que
dependen de la señal de entrada de valores asignados por el operador del sistema.
Aunque el método de diseño robusto tiene amplias aplicaciones en la práctica, es difícil
de utilizar en problemas de respuestas múltiples, especialmente en sistemas
dinámicos. La recomendación habitual para la optimización de un sistema con
respuestas múltiples se deja a juicio de los ingenieros y, por lo tanto, con la introducción
del juicio humano, aumenta la incertidumbre en el proceso de toma de decisiones.
108
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
Bibliografía:
1) Box, G., Behnken, D. “Some New Three Level Designs for the Study of
Quantitative Factors”. Technometrics Vol 2, No. 4, 1960.
2) Box, G. Signal to Noise Ratios, Performance Criteria and Transformation ,
Center for Quality and Productivity Improvement, University of Wisconsing-
Madison, Report No. 26, July 1987.
3) Box, G., Hunter, J.S., Hunter, W.G. Statistics for Experimenters – Design,
Innovation and Discovery, 2nd Ed., Wiley, 2005.
4) Castillo, E., Mongomery, D., McCarville, D. Modified Desirability Functions
for Multiple Response Optimization, Journal of Quality Technology, Vol. 28,
No. 3, October, 1996.
5) Chang, H.H. Dynamic Multi-Response Experiments by Backpropagation
Networks and Desirability Functions, Journal of the Chinese Institute of
Industrial Engineers, Vol. 23, No. 4, pp. 280-288, 2006.
6) Dellino,G., Kleijnen, J., Meloni, C. Robust optimization in simulation:
Taguchi and Response Surface Methodology, International Journal of
Production Economics, www.elsevier.com/locate/ijpe, 2010.
7) Draper, N., Smith, H. Applied Regression Analysis, 3rd Ed, Wiley, Wiley &
Son, 1998.
8) Fowlkes, W.Y., Creveling, C.M. Engineering Methods for Robust Productivity
Design, Addison-Wesley, 1995.
9) Haykin, S. Communications Systems, 5th Ed., Wiley, 2009.
10) Juran, J.M., Godfrey, A.B. Juran’s Quality Handbook, 5th Ed., McGraw Hill,
1999.
11) Kacker, R. N, Lagergren, E.S, Filluben, J.J . Taguchi’s Orthogonal Arrays Are
Classical Designs of Experiments, Journal of Research of the National Institute
of Standards and Technology, Vol. 96, Number 5, Sep-Oct 1991.
12) León, R.V., Wu, C.F.J. A Theory of Performance Measures in Parameter
Design, IIQP Research Report RR-89-05, April 1989.
13) Maindonald, J., Braun, W. J. Data Analysis and Graphics Using R: An
Example-Based Approach, 3th Ed., Cambridge Series in Statistical and
Probabilistic Mathematics / Cambridge University Press, 2010.
14) Myers, R., Montgomery, D., Anderson-Cook, C. Response Suface
Methodology – Process and Product Optimization Using Designed
Experiments, 3th Ed, Wiley 2009.
15) Montgomery, D. Design and Analysis of Experiments, 8th Ed, Wiley, 2012.
16) Montgomery, D., Runger, G. Applied Statistics and Probability for Engineers,
2nd Ed, Wiley, 2010.
17) Nair, V. N. Taguchi´s Parameter Desing: A Panel Discussion,Center for
Quality and Productivity Improvement, University of Wisconsin,
Report No. 79, Marzo 1992.
109
Publio Darío Cortés Carvajal
Diseños Factoriales Fraccionarios y Metodología del Diseño Robusto de Parámetros
110
Publio Darío Cortés Carvajal