• Método de Taguchi.

Temas • Diseños con superficie de respuesta.

Selectos • Diseños cruzados.

• Análisis de covarianza.

Velasco Martínez Diego.

314252252
Universidad Nacional Autónoma de México.
Facultad de Estudios Superiores Cuautitlán C1
Lic. en Química Industrial
Estadística Aplicada
Profra. Lidia E. Ballesteros
Semestre: 2020-II
MÉTODO DE TAGUCHI
 Introducción
• El diseño robusto tiene su origen en las ideas del
ingeniero japonés Genichi Taguchi.
• Desarrolló su propia filosofía y métodos de ingeniería de
la calidad desde la década de 1950.
• Clasificación de las variables de un proceso como
variables de control, ruido y de señal.
• Encontrar los valores de las variables controlables que
logren productos y procesos robustos frente a las causas
de la variabilidad.
• “La calidad de un producto debe ser medida en
términos de abatir al mínimo las pérdidas que ese
producto le trae a la sociedad; estas pérdidas sociales se
traducen en pérdidas de la empresa en el mediano y
largo plazos”.
 Diseños robustos (insensibles)
ante el medio ambiente para
productos y procesos.

Metas del Diseño y desarrollo de

método de productos, de modo que sean
robustos a la variación de
Taguchi componentes.

Minimización de las
variaciones con respecto a un
valor objetivo.
Etapas del desarrollo de un producto

Diseño del sistema: el ingeniero utiliza principios científicos y de ingeniería para

determinar la configuración básica.

Diseño de parámetros: se determinan los valores específicos para los parámetros

del sistema, minimizando la variabilidad aportada por las variables de ruido.

Diseño de tolerancias: se determinan las mejores tolerancias para los

parámetros.
 Función de pérdida
•• Establece
  una medida financiera del impacto negativo a la sociedad
(consumidor, productor, etc.) por el desempeño de un producto
cuando se desvía de un valor designado (meta).
• Esto implica que la característica de calidad de un producto, y, debe
estar cada vez más cerca de su valor ideal, t, y todo lo que se desvíe
del ideal es considerado como una pérdida para la sociedad.

Donde: k: constante que depende de la

tolerancia. t: meta (target)
y: calidad del producto L(y) es la pérdida económica
producida 
Concepto de robustez

• Por robusto o consistente se entiende que el producto o proceso

funciona de la manera como se planeo y que sea relativamente
insensible a factores difíciles de controlar (factores de ruido).
• Un diseño robusto es un experimento en el que se presentan
factores de ruido (no controlables) y cuyo efecto se pretende
minimizar de forma indirecta con la finalidad de encontrar la
combinación de niveles de factores de proceso o control, en donde
el efecto de dichos factores de ruido sea el mínimo posible.
• Se trata de lograr que el producto/proceso tenga el desempeño
deseado sin que le afecten las fuentes de variación no controladas.
Tipos de factores

• En un proceso existen básicamente dos tipos de factores:

controlables y no controlables.
• Los factores controlables se pueden clasificar en función de su
efecto sobre la respuesta de interés.
• Se distinguen cuatro tipos de factores controlables:
I. Afecta la media y la variabilidad.
II. Afecta sólo la variabilidad.
III. Afecta sólo la media.
IV. No afecta la media ni la variabilidad.
 Factores de ruido y de señal

Factores de ruido Factor de señal

• Factores que no pueden ser controlados y que • Productos diseñados para
crean una variabilidad en los procesos trabajar en diferentes
niveles de desempeño
• Pueden tener efectos considerables, leves, o
• El usuario puede elegir la
despreciables.
señal (o valor promedio de
• Se clasifican en: la respuesta) que desea en
• Ruido externo: ambiente en el cual se desempeña y a la un momento dado.
carga de trabajo a que es sometido. • Se llama factor señal al
• Ruido interno: variación generada por el proceso de dispositivo que permite
producción cambiar el nivel de
• Deterioro: Efectos que aparecen con el tiempo por la operación.
degradación paulatina del proceso y sus componentes
DISEÑOS CON SUPERFICIE DE RESPUESTA
Introducción

• Algunas veces hay experimentos con los que no se obtienen las

respuestas buscadas o el nivel de mejoras logrado no es suficiente,
por lo que es necesario experimentar de manera secuencial hasta
encontrar el nivel de mejoras deseado. En esas situaciones es
conveniente explorar en forma más detallada la región
experimental inicial.
• Una forma de hacerlo es mediante la llamada metodología de
superficie de respuesta (MSR).
 Descripción del modelo
• La MSR es un conjunto de técnicas matemáticas y estadísticas
utilizadas para modelar y analizar problemas mediante el
estudio de una “superficie” en los que una variable de interés es
influenciada por otras. 
• Es decir, permite resolver el problema de encontrar las
condiciones de operación óptimas de un proceso(aquellas que
dan por resultado “valores óptimos” de una o varias
características de calidad del producto).
• Se utiliza con frecuencia para refinar los modelos después de
haber determinado los factores importantes utilizando diseños
de cribado o diseños factoriales (especialmente si se sospecha
que existe curvatura en la superficie de respuesta)
Región experimental y región de operabilidad

• La región experimental es el espacio delimitado por los rangos de

experimentación utilizados con cada factor. Se refiere a la zona
donde un experimentador va a trabajar un proceso dado.
• La región de operabilidad está delimitada por las condiciones donde
el equipo o proceso puede ser operado, aun cuando no se vayan a
considerar en el experimento. Es difícil de delimitar pues se pueden
tener restricciones por tener algún factor operando en un rango.
• La región de operabilidad siempre es igual o más grande que la
región experimental. Para mayor sencillez se consideran regiones de
forma regular.
• Es importante definirlas, ya que en principio, el punto óptimo del
Ejemplo de regiones de operabilidad
proceso pudiera localizarse en cualquier lugar de la región de (cubo mayor) y experimental.
operabilidad, aun fuera de la región experimental.
 Elementos de la MSR

La MSR implica tres aspectos: diseño, modelo y técnica de

optimización .El diseño y el modelo se piensan al mismo tiempo, y
dependen del tipo de comportamiento que se espera en la respuesta.

Diseño: para optimizar un

proceso se debe aplicar Modelo: utiliza el análisis Optimización: Técnicas
un diseño de de regresión lineal matemáticas para obtener
experimento. Estos múltiple, junto con sus información sobre el
diseños son conocidos elementos básicos para punto óptimo explorando
como diseños para dar un modelo ajustado. el modelo ajustado dado.
superficie de respuesta.
MODELOS

• 
Las superficies de respuesta se caracterizan ajustando un modelo a los datos
experimentales. Los modelos utilizados en MSR son básicamente polinomios.
De esta manera, para un diseño de k factores:
El modelo de primer orden está dado por:

El modelo de segundo orden es:

Principales diseños de superficie de respuesta
Diseños centrales compuestos
•Pueden ajustarse a un modelo
cuadrático completo.
•Suelen utilizarse cuando el plan del
diseño requiere de un experimento
secuencial, porque estos diseños
pueden incluir información de un
experimento factorial planificado
correctamente.
Diseños de Box-Behnken
•Tienen menos puntos de diseño que los
diseños centrales compuestos y resulta
menos costoso ejecutarlos para el mismo
número de factores.
•Pueden estimar eficientemente los
coeficientes de primer y segundo orden.
•No pueden incluir corridas de un
experimento factorial.
•Los diseños de Box-Behnken nunca
pueden incluir corridas donde todos los
factores estén en su valor extremo.
Propiedades

Algunas propiedades deseables en los diseños para la MSR son:

1. Que genere una distribución satisfactoria de los puntos
experimentales sobre la región experimental.
2. El diseño debe requerir un número mínimo de corridas
experimentales.
3. El diseño debe permitir que otros diseños de orden mayor se
construyan a partir de él.
4. El experimento debe permitir la detección de la falta de ajuste, para
lo cual se requieren repeticiones al menos en el centro del diseño.
5. El diseño debe proporcionar un estimador puro de la varianza del
error, lo cual se logra con repeticiones al menos en el punto central.
Diferencia entre MSR y otros diseños experimentales

• En un diseño experimental por si solo tiene como objetivo localizar el

mejor tratamiento o la mejor combinación entre todos aquellas que se
han probado.
• En una MSR se pretende localizar las condiciones óptimas de operación
del proceso. Aun cuando estas condiciones estén fuera de la región de
experimentación.
• Esto la hace útil para:
• Entender o mapear una región de una superficie de respuesta mediante el
modelado o una gráfica.
• Hallar los niveles de las variables que optimizan una respuesta.
• Seleccionar las condiciones operativas para cumplir con las especificaciones.
Diseños cruzados
 Introducción

El diseño cruzado, alternativo o cross-over, es un esquema de

investigación experimental donde cada una de las unidades de
observación recibe dos o más tratamientos.
El diseño cruzado más simple (y probablemente el más utilizado) es
conocido por diseño 2 x 2 (2 tratamientos-2 períodos).
Cada grupo recibe los tratamientos en una secuencia diferente.
• Por ejemplo, en un estudio clínico:
• los participantes de la secuencia 1 reciben un medicamento de referencia
durante el período 1, seguido por el medicamento de prueba durante el
período 2.
• Los participantes de la secuencia 2 reciben el medicamento de prueba
durante el período 1 y el medicamento de referencia durante el período 2.
En un diseño cruzado, cada participante es asignado aleatoriamente
a una secuencia de dos o más tratamientos; por lo tanto, los
participantes se usan como su propio control, mientras que en los
diseños paralelos las comparaciones se realizan entre los grupos de
participantes
Así, en los estudios cruzados se compara la exposición en el
“momento caso” con la exposición en uno, o varios “momentos
control”.
Así, la variabilidad debida a edad, sexo, raza, personalidad, genética
y otras características fijas se elimina.
 Ventajas y desventajas

Ventajas:
• La ventaja de usar estudios cruzados es que se puede estimar con mayor precisión el
efecto del tratamiento y por lo tanto no es necesario reclutar tantos participantes.
• Los costes de los estudios son menores.
• No hay sesgos al elegir a los sujetos control.
• Las posibles variables se mantienen estables en el tiempo.
Desventajas:
• Dificultad para evitar los efectos de arrastre "carry-over" o efecto residual de orden k
• El retiro de los pacientes del estudio antes de finalizarlo.
• Efecto de orden asociado al período, relacionado con el lugar que ocupa el
tratamiento en la secuencia experimental.
Esquema

De acuerdo con lo expuesto, el esquema de un diseño alternativo

quedaría, en el caso más sencillo (2 x 2), del siguiente modo:
Tabla ANOVA 2x2
La importancia de la igualdad de los efectos residuales y, por tanto,
de la inexistencia de transferencia asimétrica entre tratamientos y
secuencias, puede demostrarse con cierta facilidad si se atiende a
los efectos fijos que se asumen:
Solamente en el caso de que los dos efectos residuales sean
idénticos puede plantearse una comparación correcta entre los
tratamientos a partir de la media de periodos distintos.
Bajo el supuesto de igualdad de los efectos residuales los valores
esperados de las diferencias entre periodos en cada uno de los
grupos serían los siguientes:
Prueba de hipótesis

•Obviamente
  estos dos valores esperados son idénticos (en valor
absoluto) en caso de que sea cierta la hipótesis nula

Lo cual permite contrastar dicha hipótesis de forma inmediata.

Dada la importancia de esta hipótesis, suele aconsejarse que se
rechace a un nivel del 5%
Análisis de covarianza
Introducción

• El diseño por bloques se considera para eliminar el efecto de los factores de ruido que
no son controlables. El análisis de la covarianza es otro método que se utiliza para un
problema semejante
• Se tiene un experimento con una variable respuesta, y, donde existe otra variable, x,
relacionadas linealmente. Supongamos, además, que x no es una variable controlable
por el experimentador pero que puede ser observada junto con y. A la variable x se le
denomina covariable o variable concomitante.
• El análisis de la covarianza sirve para ajustar la variable respuesta por el efecto de la
covariable. En caso de no hacerlo, la media de cuadrados del error puede aumentar
mucho y hacer que las verdaderas diferencias en la respuesta debido a los
tratamientos sean difíciles de detectar.
• Por lo tanto, el análisis de covarianza es un método de ajuste para los efectos de una
variable perturbadora no controlable. Como se verá, el procedimiento es una
combinación del análisis de varianza (ANOVA) y del análisis de regresión.
Objetivo de la covarianza

1. eliminar cualquier error sistemático fuera del control del investigador que
puede sesgar los resultados
2. tener en cuenta las diferencias en las respuestas debidas a las
características propias de los encuestados.
3. Eliminar cualquiera de los efectos que:
• Influyen solamente a una parte de los encuestados
• Varían entre los encuestados.
El investigador utiliza una covarianza para extraer cualquiera de las
diferencias debidas a estos factores antes de que los efectos del
experimento sean calculados.
Usos de análisis de covarianza

Los usos más importantes del análisis de la covarianza son:

1. Para controlar el error y aumentar la precisión.
2. Ajustar medias de tratamientos de la variable dependiente a las
diferencias en conjuntos de valores de variables independientes
correspondientes.
3. Interpretación de la naturaleza de los efectos de los
tratamientos.
4. Dividir una covarianza total o suma de productos cruzados en
componentes.
 Modelo estadístico

  modelo básico para el análisis de covarianza para un experimento de un solo

• El
factor con una covariable en el que asumimos una relación lineal entre la
variable respuesta y la covariable es el siguiente:

Donde:
• es la j-ésima observación bajo el i-ésimo nivel del tratamiento.
• es la medida de la covariable que se hace para
• es la media de los valores de
• es el valor medio global.
• es el efecto del nivel i-ésimo del tratamiento
• coeficiente de regresión lineal que relaciona con la covariable
• error aleatorio
 Modelo estadístico

Los valores S se calculan: Los valores T se calculan:

•  • 
Modelo estadístico

•Los
  estimadores para , y pueden obtenerse mediante el método de
mínimos cuadrados:

La suma de cuadrados del error en este modelo es:

Con grados de libertad.

La varianza del error experimental se estima con:

Modelo estadístico

• Supongamos
  que no hay efecto del tratamiento, entonces el
modelo queda reducido a

• Los estimadores por mínimos cuadrados son

• La suma de cuadrados del error en este modelo reducido es

Con grados de libertad.
Prueba de hipótesis

• Para
  contrastar la hipótesis:

Se calcula

Si la hipótesis nula es verdadera, se distribuye como una F de Fisher

se rechaza si
Se muestra un resumen de ANCOVA en la
siguiente tabla:
 Referencias

• Arnau Gras, J., & Viader Junyent, M. (s. f.). Diseños cross-over (alternativos): Aspectos metodológicos y analíticos.
Recuperado 20 de mayo de 2020, de
http://quadernsdigitals.net/datos_web/articles/qurriculum/qurriculum1/qr1disenyoscrossover.pdf
• Gutiérrez Pulido, H. (2008). Análisis y Diseño de Experimentos (2a ed.). D.F., México: McGraw-Hill Interamericana
Editores S.A. de C.V.
• Métodos de Taguchi. (s. f.). En DOE WIKI. Recuperado 20 de mayo de 2020, de
http://evaluador.doe.upv.es/wiki/index.php/M%C3%A9todos_de_Taguchi
• Minitab. (s. f.). ¿Qué es un diseño cruzado 2x2? Recuperado 20 de mayo de 2020, de https://support.minitab.com/es-
mx/minitab/19/help-and-how-to/statistics/equivalence-tests/supporting-topics/what-is-a-2x2-crossover-design/
• Minitab. (s. f.). ¿Qué son los diseños de superficie de respuesta, los diseños centrales compuestos y los diseños de Box-
Behnken? - Minitab. Recuperado 20 de mayo de 2020, de https://support.minitab.com/es-mx/minitab/18/help- and-how-
to/modeling-statistics/doe/supporting-topics/response-surface-designs/response-surface-central- composite-and-box-
behnken-designs/
• Montgomery, D. C. (2005). Diseño y análisis de experimentos (2a ed.). Hoboken, NJ, Estados Unidos: Limusa Wiley.
• Sejzer, R. (2016, agosto 5). El Método Taguchi, la Ingeniería Robusta y el Diseño de Experimentos. Recuperado 20 de
mayo de 2020, de http://ctcalidad.blogspot.com/2016/08/el-metodo-taguchi-la-ingenieria-robusta.html
• Yepes Piqueras, V. (2016, abril 19). ¿Qué es la metodología de la superficie de respuesta? Recuperado 20 de mayo de