INSTITUTO TECNOLOGICO SUPERIOR DE ACAYUCAN.

➢ ALUMNO: ANGEL ISRAEL REBOLLEDO LORENZO.

➢ PROFESORA: ING ANAHI ARIAS SALINAS.

➢ MATERIA: INGENIERIA DE CALIDAD.

➢ CARRERA: INGENIERIA INDUSTRIAL

➢ TURNO: DOMINICAL.

➢ SEMESTRE: NOVENO

➢ MATRICULA: 180B0268.

FECHA:15/10/2022 ACAYUCAN, VER.

 ACTIVIDAD 2 PLANEACION Y CONDUCCION DE EXPERIMENTOS.

Experimentos con Arreglos Ortogonales.

2.1 PLANEACIÓN Y CONDUCCIÓN DE EXPERIMENTOS.

El objetivo de la experimentación en procesos de manufactura, es encontrar la forma
para minimizar la desviación de la característica de la calidad de un valor objetivo.
Estos métodos de diseño de experimentos realizados por R.A. Fisher traen una gran
variedad de técnicas estadísticas para el diseño; se sabe que al aplicar estos
diseños el ingeniero conoce sobre probabilidad y estadística.

Las técnicas de costo en efectivo utilizadas por el Dr. Taguchi, son de aplicación
directa en los problemas y requerimientos de la industria moderna, algún ejemplo
es en el diseños de un producto, en búsqueda de combinación de factores cuyo
desempeño sea confiable y estable y sea de bajo costo; estos métodos simplifica o
eliminan algunas de las dificultades impuestas por cálculos estadísticos.
El Dr. Taguchi ha simplificado el diseño de experimentos con la introducción de
arreglos ortogonales y graficas lineales los cuales permiten al ingeniero evaluar los
diseños de producto y proceso con respecto a su robustez y costo.

PLANEACION Y CONDUCCION DE EXPERIMENTOS

Los modelos de diseño de experimentos son modelos estadísticos clásicos cuyo
objetivo es averiguar si unos determinados factores influyen en una variable de
interés y, si existe influencia de algún factor, cuantificar dicha influencia. El objetivo
del diseño de experimentos es estudiar si cuando se utiliza un determinado
tratamiento se produce una mejora en el proceso o no. Para ello se debe
experimentar aplicando el tratamiento y no aplicándolo. Si la variabilidad
experimental es grande, sólo se detectará la influencia del uso del tratamiento
cuando éste produzca grandes cambios en relación con el error de observación. La
metodología del diseño de experimentos estudia cómo variar las condiciones
habituales de realización de un proceso empírico para aumentar la probabilidad de
detectar cambios significativos en la respuesta; de esta forma se obtiene un mayor
conocimiento del comportamiento del proceso de interés La experimentación forma
parte natural de la mayoría de las investigaciones Científicas e industriales, en
muchas de las cuales, los resultados del proceso de interés se ven afectados por la
presencia de distintos factores, cuya influencia puede estar oculta por la variabilidad.
Especificar las medidas con que se trabajará (la respuesta), el procedimiento
experimental y anticiparse a las posibles dificultades. — Ejecutar un experimento
piloto. — Especificar el modelo. — Esquematizar los pasos del análisis. —
Determinar el tamaño muestral. — Revisar las decisiones anteriores. Modificarlas si
se considera necesario. Los pasos del listado anterior no son independientes y en
un determinado momento puede ser necesario volver atrás y modificar decisiones
tomadas en algún paso previo. A continuación, se hace una breve descripción de
las decisiones que hay que tomar en cada uno de los pasos enumerados. Sólo
después de haber tomado estas decisiones se procederá a realizar el experimento.

1.Definir los objetivos del experimento: Se debe hacer una lista completa de las
preguntas concretas a las que debe dar respuesta el experimento. Es importante
indicar solamente cuestiones fundamentales ya Una vez elaborada la lista de
objetivos, puede ser útil esquematizar el tipo de conclusiones que se espera obtener
en el posterior análisis de datos. Normalmente la lista de objetivos es refinada a
medida que se van ejecutando las etapas del diseño de experimentos. 2. Identificar
todas las posibles fuentes de variación: Una fuente de variación es cualquier cosa
que pueda generar variabilidad en la respuesta. Es recomendable hacer una lista
de todas las posibles fuentes de variación del problema, distinguiendo aquellas que,
a prioridad, generarán una mayor variabilidad. Se distinguen dos tipos. —factores
tratamiento —factores nuisance.

2.2.- DEFINICION DE ORTOGONALIDAD

La ortogonalidad es una propiedad de las unidades centrales de procesamiento. Se
dice que un conjunto de instrucciones es ortogonal cuando se puede utilizar
cualquier modo de direccionamiento en cualquier instrucción Arreglos ortogonales
Por definición, un diseño es ortogonal cuando sus columnas son linealmente
Independientes, es decir si la multiplicación de dos columnas cualesquiera es igual
a cero, esto es cumple con la propiedad de ortogonalidad. En la filosofía Taguchi un
arreglo ortogonal puede ser factorial, completos, fraccionados o mixtos,
dependiendo del número de factores a estudiar en un caso particular. Así desarrolló
una serie de arreglos particulares que denominó: L a (b) C Dónde: a: Es el número
de pruebas o condiciones experimentales que se tomarán. b: Representa los
diferentes niveles a los que se tomará cada factor. c: Es el número de efectos
independientes que se pueden analizar, esto es el número de columnas.

En este diseño son investigadas todas las combinaciones de todos los niveles de
todos los factores, permitiendo investigar los efectos de varios factores al mismo
tiempo. En un diseño experimental con 3 factores en dos niveles cada uno se
requieren exactamente:(2)^3= 8 experimentos Otro caso sería este (2)7= 128
experimentos o (2)8= 256 experimentos.
Es cierto que con el factorial completo se probaran todas las posibles condiciones,
pero es completamente incosteable su realización con un numero de factores y
niveles moderados.
“Experimento Factorial completo”

EL ANÁLISIS DE VARIANZA EN LOS ARREGLOS ORTOGONALES 1)

Como primer paso, se obtienen los totales de la variable de respuesta o lecturas,
para cada uno de los niveles de los factores. Para calcular los totales para cada
nivel del factor A, observamos que las primeras cuatro pruebas del arreglo se
efectuaron con el factor a su nivel 1 (Resina tipo I) y las siguientes cuatro a su nivel
2 (resina tipo II). Los totales son por lo tanto: A1= total de las lecturas que se tomaron
con el factor A a su nivel 1 = 0.49+0.42+0.38+0.30=1.59 A2= total de las lecturas
que se tomaron con el factor A a su nivel 2 = 0.21+0.24+0.32+0.28= 1.05 Para el
factor D se tiene que las pruebas 1,3,5 y 7 se efectuaron a su nivel 1 (humedad del
5%), por lo tanto los totales son: D1= Total de las lecturas que se tomaron con el
factor D a su nivel 1 = 0.49+0.38+0.21+0.32= 1.40 D2= Total de las lecturas que se
tomaron con el factor D a su nivel 2 = 0.42+0.30+0.24+0.28= 1.24 En resumen se
tiene:
Factor.

Nivel 1

1.59

1.36
1.51

1.40

1.39

1.28

1.35

Nivel 2

1.05

1.28

1.13

1.24

1.25

1.36

1.29

2.64

2.64

2.64

2.64

2.64

2.64

2.64
Observe que la suma de los dos niveles debe dar siempre el total de las ocho
lecturas 2.64. 2) En seguida se obtiene una cantidad que llamaremos suma de
cuadrados esta se calcula como sigue: Suma de los cuadrados del factor x= SS X=
(Total nivel 2 – Total nivel 1)2/ n Donde ―n‖ representa el número total de lecturas
que se tomaron.

Así por ejemplo, para el factor A, tendremos que dado que n=8  SSA= (A2 –A1)
2/ 8= (1.59-1.05) 2/ 8=0.03645 con 1 g .1 Para el factor B se tiene SSB= (B2 –B1)
2/ 8= (1.28-1.36) 2/ 8= 0.00080 con 1 g.1

Similarmente SSC= (C2 –C1) 2/ 8= (1.13-1.51) 2/ 8= 0.01805 con 1 g.1 SSD= (D2
–D1) 2/ 8= (1.24-1.40) 2/ 8= 0.00320 con 1 g.1 SSE= (E2 –E1) 2/ 8= (1.25-1.39) 2/
8= 0.00245 con 1 g.1 SSe= 0.00080 con 1 g.1 SSe= 0.00045 con 1 g.1

La suma de cuadrados de las columnas donde no se asignó factor (SSe) se toman

como estimaciones del error y se suman. SSe= 0.00080+0.00045= 0.00125 con 2
g.1 3) Se construye una tabla ANOVA, ésta es: Efecto

SS

G.l.

0.03645

0.03645

0.00080

0.00080

1.28

C
0.01805

0.01805

28.88

0.00320

0.00320

5.12

0.00245

0.00245

3.92

Error 0.00125 Total

2 0.0622

Fexp 58.32

0.000625 7
Bajo la columna SS se tienen las sumas de cuadrados. Bajo la columna G.l. (grados
de libertad), tendremos el número de columnas que se usaron para evaluar el factor,
en este caso, sólo puede ser de uno para cada factor y más de uno únicamente
para el caso del error. La columna V, se obtiene dividiendo el número bajo la
columna SS, entre el número de la columna G.L.

Así por ejemplo, para el factor A se tiene SSA= 0.03645, G.L. de A=1 V= SSA/G.L.=
0.03645/1= 0.03645 Por último, el valor de Fexp, se obtiene de dividir el valor de V
de cada factor, entre el valor de V para la estimación del error. Fexp de A= V(A) /
V(error)= 0.03645/0.000625=58.32 4) Obtenemos las siguientes conclusiones:
Todos aquellos factores, que tienen un valor de Fexp mayor que 2 se considera que
afectan la variable de respuesta, emisión de formaldehído en este caso. Estos son
llamados factores significantes. En este ejemplo resultan significantes los factores
A, C, D y E, tipo de resina, tiempo de ciclo, humedad y presión respectivamente. Se
acostumbra que aquellos efectos que no resultaron significantes, se consideren
como error aleatorio, a fin de obtener una mejor estimación (con mayor número de
grados de libertad). En este caso por ejemplo, una mejor estimación de SSe es:
SSe= SSB + SSe= 0.00080+0.00125= 0.00205 Con 1 + 2 = 3 grados de libertad y
(Ve)= (SSe)/3= 0.00205/3= 0.00068 Las estimaciones que se obtienen de esta
manera suelen escribirse entre paréntesis.

La tabla ANOVA queda ahora Efecto

SS

G.1

0.03645 1

0.03645 53.60

0.01805 1

0.01805 26.54

D
0.00320 1

0.00320 4.71

0.00245 1

0.00245 3.60

Error

0.00205 3

0.00068

Total

0.0622

Fexp

Nos resta decidir a que nivel habrá de fijar cada factor significante, y qué podremos
esperar. Para tomar esta decisión, es de mucha ayuda obtener los promedios de
las lecturas que se tomaron a cada nivel para cada uno de los factores significantes.
Los promedios de la emisión de formaldehído para cada nivel se obtienen dividiendo
c/u de los totales entre 4, (c/total es la suma de cuatro lecturas). A1= A1/4= 1.59/4=
0.3975 A2= A2/4= 1.05/4= 0.2625

El resto de los promedios son: Factor

Nivel 1

Nivel 2

A1= 0.3975

A2= 0.2625
B

B1= 0.3400

B2= 0.3200

C1= 0.3775

C2= 0.2825

D1= 0.3500

D2= 0.3100

E1= 0.3475

E2= 0.3125

El promedio general denotado como Y es:

Y= (0.49+0.42+0.38+0.30+0.21+0.24+0.32+0.28)/8=T/n= 2.64/8= 0.33 Los factores
A, C, D y E que afectan emisión de formaldehído deberán fijarse al nivel que
minimicen la emisión, esto es, al nivel que se obtenga el promedio menor, en este
ejemplo; A2, C2, D2 y E2; resina tipo II, 15 segundos como tiempo de prensado, 5%
de humedad y 900 psi. El factor B juega aquí un papel sumamente importante. Dado
que no afecta la emisión de formaldehído, dentro del intervalo analizado, se utiliza
para reducir los costos de producción. Esto se hace fijándolo a su nivel más
económico. ¿Cuál será el nivel esperado de emisión bajo las nuevas emisiones
propuestas Y esta?? Para contestar esta pregunta, para cada efecto significante se
calcula una resta, que llamaremos el efecto de cada factor respecto al promedio
general, para este caso el efecto es EF A = (promedio bajo la condición propuesta
del factor promedio general) = A2 – Y= 0.2625-0.3300= -0.0675 (A se fijó a su nivel
2) EF C = C2 – Y= 0.2825-0.3300= -0.0475 EF D = D2 – Y= 0.3100-0.3300=-0.0200
EF E = E2 – Y= 0.3125-0.3300= -0.0175
Finalmente, el resultado esperado bajo las condiciones A2, C2, D2, E2, que
llamaremos Y est. se calcula sumando al promedio general Y todos los efectos de
los factores significantes.

Yest= Y + EF A + EF C +EF D +EF E= 0.3300-0.0675-0.0475-0.0200-

0.0175=0.1775

2.4.-RAZONES PARA USAR ORTOGONALES

Tradicionalmente, mediante técnicas de diseño de experimentos se han evaluado
los efectos de factores sobre la calidad de una característica. En el caso de una sola
realización para cada experimento, se combinan los diferentes valores de la
respuesta observados en cada realización de los experimentos, detenidos en la
matriz del diseño, para obtener una estimación de los efectos principales y de sus
interacciones. Cuando se consideran réplicas de la variable respuesta en cada
combinación de los niveles de los factores, la variación del error también puede ser
estimada; el análisis en términos de los valores medios muéstrales obtenidos de las
réplicas. Sin embargo, cuando se introduce la función de pérdida (en particular,
cuando se considera la formulación (1)), se hace patente la necesidad de combinar
el estudio de la respuesta media con la variabilidad, es decir, definir una medida que
recoja ambos aspectos. Esta medida es referida por Taguchi como razón señal-
ruido. Esta terminología proviene del lenguaje utilizado en ingeniería, donde la
media de la variable respuesta representa la señal y la variación n representa el
ruido. Se pueden definir diferentes medidas de razón señal-ruido, dependiendo del
objetivo del estudio. Las más frecuentes son: (i) Aproximación a un valor nominal.
La pérdida se incrementa según la característica X de la calidad estudiada se aleja
del valor nominal. (ii) Aproximación al valor más pequeño. El valor nominal es cero
y la característica de la calidad es no negativa. La pérdida disminuye según la
característica de la calidad se aproxima a cero. (iii) Aproximación al valor más
grande. El valor nominal es infinito y la característica de la calidad es no negativa.
La pérdida disminuye cuando la característica de la calidad crece. En el caso (i), se
considera un factor o parámetro de ajuste que elimine el sesgo de la variable
respuesta o característica de la calidad estudiada. Los parámetros de ajuste son
factores controlables sobre los que se puede actuar. En algunos casos, se pueden
determinar parámetros de ajuste que modifiquen la media sin afectar a la varianza.
Mediante el uso de dichos parámetros, se consigue eliminar el sesgo o reducirlo
considerablemente. La pérdida media (1) viene dada entonces en términos de y el
objetivo sería minimizar o reducir la variabilidad. Para este objetivo Taguchi propone
la razón señal-ruido.
2.5 EL ANÁLISIS DE VARIANZA EN LOS ARREGLOS
ORTOGONALES.
El análisis de la varianza se convierte en la técnica más habitual cuando las
variables explicativas son categóricas y cuantitativas la variable explicada. Las
variables independientes se denominan factores, constan de dos o más niveles y
pueden interactuar entre ellas. Esta técnica contrasta mediante el análisis de la
variabilidad si los valores medios de la variable dependiente difieren según las
diferentes combinaciones de factores e interacciones. Los experimentos factoriales
pueden complicarse tanto como se deseen e incorporar efectos aleatorios,
multinivel, jerárquicos, anidados, fijos, etc. Existe una amplia gama de situaciones
que se presentan de forma habitual al realizar un experimento o análisis. Si bien el
acercamiento básico al análisis de la varianza proviene de los contrastes de medias
para dos o más niveles, el enfoque más correcto nace desde el análisis de
regresión. El análisis de la varianza particulariza el modelo de regresión lineal
cuando las variables independientes son cualitativas y la independiente cuantitativa.

2.6 RAZONES PARA USAR ARREGLOS ORTOGONALES.

Usar arreglos ortogonales permite encontrar aquella combinación de factores que
nos proporcione el desempeño más estable y confiable al precio de manufactura
más bajo. Los resultados obtenidos para los arreglos ortogonales son analizados
para obtener los siguientes objetivos: A) Estimar la contribución de los factores
individuales que influyen en la calidad en la etapa del diseño del producto. B) Ganar
la mejor condición para un proceso o un producto, así que las características en una
buena calidad puedan ser sostenidas.

2.7 OTROS ARREGLOS PARA FACTORES EN DOS NIVELES.

El primer diseño de la serie 2k es el que sólo tiene dos factores, por ejemplo, A y B;
cada uno se corre a dos niveles. A este diseño se le llama diseño factorial 22. Los
niveles de los factores pueden denominarse arbitrariamente "bajo" y "alto". Como
un ejemplo, considere la investigación del efecto de la concentración del reactivo y
de la cantidad del catalizador sobre la conversión (rendimiento) de un proceso
químico. Sea la concentración del reactivo el factor A, y sean 15 y 25 por ciento los
dos niveles de interés. El catalizador es el factor B, con el nivel alto denotando el
uso de 2 libras del catalizador y el nivel bajo denotando el uso de 1 libra. Se hacen
tres réplicas del experimento, y los datos son los siguientes:
Las combinaciones de los tratamientos se ilustran gráficamente en la figura 6-1. Por
convención, el efecto de un factor se denota con una letra mayúscula latina. Por lo
tanto, "A" se refiere al efecto del factor A, "B" al efecto del factor B, y "AB" a la
interacción AB. En el diseño 22, los niveles bajo y alto de A y B se denotan por "-" y
"+", respectivamente, en los ejes A y B. Por lo tanto, - en el eje A representa el nivel

bajo de la concentración (15%), mientras que + representa el nivel alto (25%), y en

el eje B representa el nivel bajo del catalizador, mientras que + denota el nivel alto.

2.8 GRÁFICOS LINEALES.

Se compone de una serie de datos representados por puntos, unidos por segmentos
lineales. Mediante este gráfico se puede comprobar rápidamente el cambio de
tendencia de los datos. El diagrama lineal se suele utilizar con variables
cuantitativas, para ver su comportamiento en el transcurso del tiempo. Los pasos
para construir el gráfico de líneas son los siguientes: • • • •

En el eje horizontal (eje de avisas) se colocan los períodos de tiempo (meses, años,
trimestres,) En el eje vertical (eje de coordenadas) se colocan las frecuencias
absolutas o relativas. Se señalan los puntos. A cada período de tiempo le
corresponde un punto en el valor de su frecuencia. Se unen mediante segmentos
lineales los puntos consecutivos.

2.9 ARREGLOS ORTOGONALES PARA FACTORES DE TRES

NIVELES.
El diseño más simple del sistema 3k es el diseño 32, el cual tiene dos factores, cada
uno con tres niveles. Las combinaciones de tratamientos de este diseño se
mostraron en la figura 9-1. Puesto que están presentes 32 =9 combinaciones de
tratamientos, hay ocho grados de libertad entre estas combinaciones de
tratamientos. Los efectos principales de A y B tienen dos grados de libertad cada
uno, y la interacción AB tiene cuatro grados de libertad. Si hay n réplicas, habrá n32
-1 grados de libertad totales y 32 (n -1) grados de libertad del error. Las sumas de
cuadrados de A, B YAB pueden calcularse mediante los métodos usuales para los
diseños factoriales. Cada efecto principal puede representarse con un componente
lineal y uno cuadrático, cada uno con un solo grado de libertad, como se observa
en la ecuación 9-1. Desde luego, esto sólo tiene sentido si el factor es cuantitativo.
La partición de la interacción de dos factores AB puede hacerse de dos maneras.
El primer método consiste en subdividir AB en los cuatro componentes con un solo
grado de libertad que corresponden a ABL x L, ABL x Q, ABQ x L y ABQ x Q. Esto
puede hacerse ajustando los términos β12x1x2, β122x1x22, β112x12x2, y
β1122x12x22, respectivamente.
2.10 MÉTODOS PARA MODIFICAR LOS ARREGLOS
ORTOGONALES.
En este diseño se investigan todas las combinaciones de todos los niveles de todos
los factores, permitiendo investigar el efecto de varios factores al mismo tiempo. En
un diseño experimental de 7 factores en 2 niveles cada uno, se requieren 128
experimentos. En experimentos de manufactura es común 13 factores con 3 niveles
cada uno, siendo entonces necesario (3) 13 = 1, 594,323 experimentos.

ANÁLISIS DE DATOS MEDIANTE ARREGLOS ORTOGONALES:

Determinación de promedios de respuesta para niveles de factores.

Selección de niveles óptimos de un factor mediante la comparación de promedios

de respuestas.
•

Predecir la respuesta promedio del proceso utilizando los niveles óptimos.

Comparación de la predicción con los resultados de una corrida de confirmación.

Conclusión: Ya teniendo en cuenta concluido y leído cada tema de dicha

investigación podremos notar la eficiencia hacia los experimentos con arreglos
ortogonales. Y así llevar a cabo las actividades utilizando dichas actividades para
su utilización, debemos tener en cuenta la utilización de minitab para realizar
“algunas actividades”
 BIBLIOGRAFIA

Bibliografía
calidad, I. d. (s.f.). https://www.buenastareas.com/ensayos/Unidad-2-Ingenier%C3%ADa-De-
Calidad/48941088.html. Obtenido de BUENAS TAREAS.

TEM, V. S. (2022). pdfcoffee.com.