3da.

Unidad

EXPERIMENTOS CON
ARREGLOS ORTOGONALES.
• 3.1 Concepto de arreglos ortogonales
• 3.2 Diseño del Sistema
• 3.3 Diseño de parámetros EQ 1
• 3.4 Diseño de tolerancias EQ 1
• 3.5 Aplicación de arreglos ortogonales
• Taguchi
• EJEMPLO DE UN AO CUALITATIVO EQ2
• EJEMPLO DE UN AO CUANTITATIVO EQ3
• EJEMPLO DE UN AO ANVA CUALITATIVO EQ4
• EJEMPLO DE UN AO ANVA CUALITATIVO EQ5
• EJEMPLO DE UN AO ANVA CUALITATIVO EQ6
• eq1 ejemplo de un arreglo ortogonal análisis regular
para una característica cuantitativa.
• eq2 ejemplo de un arreglo ortogonal análisis regular
para una característica cualitativa.
• eq3 ejemplo de un arreglo ortogonal ANVA para una
característica cuantitativa. Mayor es mejor
• eq4 ejemplo de un ANVA para una característica
cualitativa. (secuencial) Menor es mejor
• eq5 ejemplo de un arreglo ortogonal ANVA para una
característica cuantitativa. Menor es mejor
• eq6 ejemplo de un ANVA para una característica
cualitativa. (secuencial) Mayor es mejor
• eq7 ejemplo de un arreglo ortogonal ANVA para una
característica cuantitativa. Menor es mejor
• Un arreglo ortogonal es una matriz de números
distribuidos en filas y columnas, cada fila representa
el nivel de los factores de un experimento dado, y la
columna nos indica un factor o condición especifica
que puede ser cambiada de un experimento a otro.

• El arreglo es llamado ortogonal porque los efectos

resultantes de los factores del experimento pueden
ser evaluados separadamente.

• Los experimentos que se hacen con respecto a los

procesos de manufactura tienen como objetivo
distribuir el grado de desviación de la característica
de calidad.
• Esto solo pude lograrse cuando se combinan
apropiadamente los niveles a fin de que la
desviación disminuya e identificar los factores
que impactan a la característica de calidad.

• Desde la perspectiva de calidad, la

experimentación busca encontrar cual es el
mejor material, la mejor precisión, la mejor
formulación química o el tiempo de ciclo mas
apto, todo con el propósito de lograr la longitud,
amplitud a la durabilidad que se desea, tomando
en cuenta el costo que este implica.
• Los métodos clásicos para el diseño
experimental fueron desarrollados por Fisher
los cuales incluyen una gran diversidad de
técnicas de diseños estadísticos.

• El método de Taguchi para el diseño

experimental, utiliza técnicas que implican un
bajo costo y que son aplicables a problemas y
requerimientos de la industria moderna.

• El propósito que se tiene del diseño del

producto, es encontrar la combinación de
factores que sean los que nos proporcionen el
desempeño más estable y confiable al precio de
manufactura mas bajo.
• El método Taguchi es una herramienta de
ingeniería que simplifica y elimina gran
parte de los esfuerzos del diseño
estadístico, es una forma de examinar
simultáneamente muchos factores a bajo
costo.

• El objeto de los arreglos ortogonales es

hacer matrices que contengan los factores
de control y factores de ruido en el diseño
de experimentos. El uso de este tipo de
diseño incorpora a los arreglos
ortogonales las graficas lineales.
• En contraste con lo tradicional ve las
interacciones como equivalentes de ruido,
mientras que las interacciones sean
relativamente suaves el análisis de los efectos
principales nos proporcionara las condiciones
óptimas y una buena reproductividad de un
experimento.

• Los arreglos ortogonales son herramientas que

nos permiten evaluar que tan robustos, son el
diseño del proceso o diseño del producto,
con respecto a lo robusto de un producto.
 Método de un factor a la vez.
Un factor combina y todos los demás se mantienen
constantes. Supongamos que estamos interesados
en investigar el efecto de la temperatura y de la
presión.

• Estos factores van a variar, seleccionamos los

niveles de los factores y escogemos para la
temperatura T1 y T2 y dos niveles para la presión,
P1 y P2. El rendimiento químico será la variable de
respuesta, ya que es la característica que
deseamos mejorar.
• En el experimento con este método de un
factor a la vez, se fija la temperatura a T1
mientras se hace varia la presión, luego la
presión se fija en P1 mientras se varía la
temperatura.

• A primera vista, el método de un factor a la

vez parece ser más eficiente que el de los
factoriales completos. Por ejemplo, para
nuestro arreglo con siete factores a dos
niveles, se requerirían solo 8 experimentos, lo
cual parece ser más eficiente. Pero,
¿realmente lo es?
 EXPERIMENTO CON EL MÉTODO DE UN FACTOR A LA VEZ

Factores y Condiciones
N° de
Resultados
Experimentos A B C D E F G

1 A1 B1 C1 D1 E1 F1 G1 Y1

A2 Y2
2 B1 C1 D1 E1 F1 G1

A2 B2 Y3
3 C1 D1 E1 F1 G1

A2 B2 C2 Y4
4 D1 E1 F1 G1

A2 B2 C2 D2 Y5
5 E1 F1 G1

A2 B2 C2 D2 E2 Y6
6 F1 G1

A2 B2 C2 D2 E2 F2 G1 Y7
7

A2 B2 C2 D2 E2 F2 G2 Y8
8
 El método de un factor a la vez

• Pierde información con factores múltiples

• Es menos relista con gran numero de

factores

• No garantiza que los resultados se

puedan reproducir en situaciones reales
de manufactura.
 Diseño factorial completo.
• El arreglo factorial permite investigar, en
forma simultanea, los efectos de números
factores. En un factorial completo se
investigan o estudian todas las
combinaciones de los niveles de todos los
factores. En un factorial 27 cada factor va
a probarse a dos niveles, tal arreglo
requiere 27 = 128 experimentos.
• Hay siete factores, cada uno a dos
niveles. Por lo tanto, el numero de
combinaciones en este experimento
factorial completo esta dado por 128
combinaciones.
 N° Factores
Exp. A B C D E F G
L12827
1 1 1 1 1 1 1 1
2 1 1 1 1 1 1 2
3 1 1 1 1 1 2 1
4 1 1 1 1 1 2 2
5 1 1 1 1 2 1 1
6 1 1 1 1 2 1 2
7 1 1 1 1 2 2 1
8 1 1 1 1 2 2 2
9 1 1 1 2 1 1 1
10 1 1 1 2 1 1 2
11 1 1 1 2 1 2 1
12 1 1 1 2 1 2 2
13 1 1 1 2 2 1 1
14 1 1 1 2 2 1 2
15 1 1 1 2 2 2 1
16 1 1 1 2 2 2 2
. . . . . . . .

127 2 2 2 2 2 2 1

128 2 2 2 2 2 2 2
Arreglos ortogonales.

Consideremos un experimento para

determinar el efecto de 3 factores sobre la
resistencia a la tensión. Los factores son:
temperatura, tiempo de cosido y agente
aglutinante, se incorporan sobre un diseño
factorial completo a 2 niveles (23 = 8
corridas).

La salida de cada corrida es la variable de

respuesta, esto es la resistencia a la
tensión.
 C1 C2
Factores Niveles
A = Temperatura 150 a 80°C
B1 Y1 Y2 B = Tiempo de cosido 10 a 15 Min
A1 C = Agente aglutinante Tipo 1 y Tipo2
B2 Y3 Y4

En esta tabla se presentan los factores. Por

B1 Y5 Y6* ejemplo cuando A esta en el nivel 2, B en el
A2
nivel 1 y C en el nivel 2, la respuesta es Y6
B2 Y7 Y8

A 2 B 1 C2 --------- Y6
A 1 B 2 C1 ---------
A 1 B 1 C2 ---------
A 1 B 1 C1 ---------
A 2 B 1 C1 ---------
A 2 B 2 C2 ---------
A 2 B 2 C1 ---------
A 1 B 2 C2 ---------
 Factorial 23

Exp. A B C Datos

1 1 1 1 Y1

2 1 1 2 Y2

3 1 2 1 Y3

4 1 2 2 Y4

5 2 1 1 Y5

6 2 1 2 Y6

7 2 2 1 Y7

8 2 2 2 Y8
En esta figura se presenta la información en
una tabla factorial completa en la 1ra columna
se enlistan las ocho corridas posibles, las
siguientes columnas presentan los niveles
para los factores A, B y C; en la ultima
columna, se listan los resultados (resistencia a
la tensión)

¿Cómo se puede reducir el numero de

corridas experimentales conservando casi la
misma información en los tres factores?
El costo de la experimentación es muy alto, por
tales razones, en lugar de un factorial completo, es
preferible utilizar un arreglo ortogonal.

Queremos reducir el diseño 23 a un arreglo

ortogonal que nos proporcione la misma
información para los tres factores. Para hacer
esto, cada nivel de cada factor debe aparecer
en combinación con cada nivel de cada uno de
los otros factores.

Para que el arreglo sea ortogonal. En cada par de

columnas, todas las combinaciones de todos
los niveles deben ocurrir en igual número de
veces.
 A B C
Exp. Datos

1 1 1 1 Y1

2 1 1 2 Y2

3 1 2 1 Y3

4 1 2 2 Y4

5 2 1 1 Y5

6 2 1 2 Y6

7 2 2 1 Y7

8 2 2 2 Y8
 Tabla Arreglo No. 1

Exp. A B C Datos

1 1 1 1 Y1

2 1 1 2 Y2

3 1 2 1 Y3

4 1 2 2 Y4

¿Cumple con esto el arreglo 1?

Una mirada rápida revela que el nivel 2 del factor A, no

aparece en el diseño por lo tanto este arreglo no es
ortogonal.
 Arreglo 2 ( L4 ) de un 23

Exp. A B C Datos

1 1 1 1 Y1

4 1 2 2 Y4

6 2 1 2 Y6

7 2 2 1 Y7

¿Cumple con esto el arreglo 2?.

Es mejor opción utilizar los renglones 1, 4, 6 y 7 del arreglo
estándar 23, como en el diseño 2, este es uno de los dos
posibles arreglos ortogonales que pueden utilizarse.

¿Podría usted pensar en otro?

Exp. A B C Datos

1 1 1 1 Y1

3 1 2 1 Y3

6 2 1 2 Y6

8 2 2 2 Y8

Arreglo 3
• Escogiendo el diseño correcto, podemos
obtener la misma información con solo 4
corridas, en lugar de 8, que con el factorial
completo.

• Supongamos que el costo del experimento

es muy alto y que solo queremos hacer 4
experimentos en lugar de 8 ¿Qué diseño
podemos utilizar?

• ¿Porque?
 Ortogonalidad.
• La característica principal en un diseño de
experimentos, debe ser la reproducibilidad
de sus resultados.

• Nuestro propósito es comparar los niveles

de los factores bajo condiciones diferentes
de la manera más eficiente.

• Un arreglo ortogonal nos permite hacer

esto.
 Arreglo ortogonal L8 (27)
A B C D E F G
Numero Resultado
1 2 3 4 5 6 7

1 1 1 1 1 1 1 1 Y1

2 1 1 1 2 2 2 2 Y2

3 1 2 2 1 1 2 2 Y3

4 1 2 2 2 2 1 1 Y4

5 2 1 2 1 2 1 2 Y5

6 2 1 2 2 1 2 1 Y6

7 2 2 1 1 2 2 1 Y7

8 2 2 1 2 1 1 2 Y8

En este arreglo podemos ver que las columnas A y B son

ortogonales
• Para A1: niveles de B: = 1:1, 2:2

• Para A2, niveles de B: = 1:1, 2:2

• De igual forma, cada par de columnas en el arreglo

es ortogonal.

• El diseño es ortogonal, porque cuando

comparamos A1 con A2 en una tabla de respuesta,
podemos estar seguros de que el efecto de B en
A1 es el mismo que el efecto de B en A2. Los
factores combinan ortogonalmente sin mezclarse
otros efectos con los niveles.
• Esta es una característica muy importante
para evaluar los niveles de un factor en
nuestro experimento.

• Podemos hacer muchas comparaciones bajo

diferentes condiciones, en lugar de tener una
condición fija, como en el diseño de un factor
a la vez.

• Una variable con un efecto consistente tiene

posibilidad de ser reproducido bajo diferentes
condiciones (reproductividad), como son las
condiciones de manufactura.
 Grados de libertad.

• Son una medida de la

cantidad de información
que puede obtenerse. Si
tenemos más grados de
libertad, mayor será la
información.

• ¿Cuál es el menor número 2 comparaciones

de comparaciones en
pares que se necesitan A1 con A2
para saber que persona A1 con A3
es la más alta?
 Grados de libertad de un factor.

• Hablamos de grados de libertad (g.l) en

relación con un factor.

• Cuando investigamos el efecto de un

factor dado en un experimento, estamos
comparando el desempeño del producto o
proceso considerado el factor mencionado
en varios niveles.
Ejemplo:

• El factor A tiene 2 niveles A1

y A2, deseamos determinar
que nivel proporciona el
mejor desempeño.

• Para determinarlo, debemos

hacer una comparación.
Comparamos el desempeño
del nivel A1 en A2. •El Factor A tiene 1
grado de libertad
• Los grados de libertad del
factor A son el número de
comparaciones que se
pueden hacer.
• Ejemplo: (factor B)
supongamos que el
factor B tiene 3 niveles
B1, B2 y B3. Para
encontrar que nivel
ofrece el mejor
desempeño podemos
El Factor B tiene 2 grados
comparar: 1.-, B2 con de libertad.
B1 y 2.- B3 con B1
•Ya no necesitamos
comparar B2 con B3 ya
que seria redundante.
• Los grados de libertad de un factor son el
número de comparaciones que es necesario
hacer entre los niveles, sin ser redundante.

• Matemáticamente, los grados de libertad de

un factor son el número de niveles menos 1.

• De los ejemplos anteriores el factor B tiene 1

grado de libertad más que el factor A, por lo
que se puede obtener más información de B
que la que podemos obtener con A.
Interacción.
• Cuando el efecto de
un factor depende del
nivel de otro, existe
una interacción entre
los factores.

• Caso 1 Observando solo los efectos

principales. No sabremos si se da
No hay interacción AxB, interacción entre A y B.
el cambio de B1 a B2 Para saberlo, hay que hacer una
provoca un efecto grafica de la interacción, graficando
los cambios en A contra los cambios
constante en A de B.

Si las líneas de respuesta graficadas

son paralelas no existe interacción
entre los factores.
 y

B1

Caso 2
• El efecto de A B2

depende del nivel

de B y viceversa, A1 A2

los efectos de A Caso 2: Existe interacción

no son constantes AxB.
sobre los niveles
El efecto de A en B1 y B2 no
de B. Las líneas
es el mismo, existe
no son paralelas. interacción ya que no son
paralelas las líneas de
respuesta.
• Caso 3.­
B2

Existe una fuerte

interacción AxB, las B1

líneas de respuesta
pueden intersectarce.
Interacción: Factor B.
• Grados de libertad de una interacción de dos factores.
Consideremos nuevamente el factor A con dos niveles
(1 g.l.) y el factor B con tres niveles (2 g.l.).

• ¿Cuántos grados de libertad le corresponden a la

interacción AxB?

• Matemáticamente g.l. (AxB) = g.l. A x g.l. B entonces g.l

(AxB) = 1 X 2 = 2

• Grados de libertad para un arreglo ortogonal. Son el

número de experimentos menos uno

• g.l. de un L4 = 3

• g.l. de un L5 = 4

• g.l. de un L8 = 7
 Arreglo ortogonal L4 (23)
g.l. = 4 – 1 = 3

•Y están distribuidos en el arreglo ortogonal de una manera específica

3
1 2

grafica lineal

Numero 1 2 3 Y

1 1 1 1

2 1 2 2

3 2 1 2

4 2 2 1
Arreglo ortogonal de 5 factores con 2 interacciones
Arreglo Ortogonal L8 (25)

g.l. = 8 – 1 = 7; 5 Factores (5 g.l.) y 2 Interacciones (2 g.l.)

Numero 1 2 3 4 5 6 7

1 1 1 1 1 1 1 1
2 1 1 1 2 2 2 2
3 1 2 2 1 1 2 2
4 1 2 2 2 2 1 1
5 2 1 2 1 2 1 2
6 2 1 2 2 1 2 1
7 2 2 1 1 2 2 1

8 2 2 1 2 1 1 2
Arreglo ortogonal de 4 factores con 3 niveles
Arreglo Ortogonal L9 (34)
Grafica Lineal

La grafica lineal se utiliza como sigue:

 Los factores se asignan a los puntos

 Se asigna una interacción entre dos factores al

segmento de línea que conecta los dos puntos

 Si una interacción entre dos factores se

considera irrelevante, entonces puede asignarse
un factor al segmento de línea correspondiente
• Tradicionalmente, el análisis de varianza
se utiliza para determinar hasta qué punto
los factores contribuyen a la variación, y
para probar su significancia estadística.

• Sin embargo, es posible determinar qué

factores afectan fuertemente a la variación
y proyectar las condiciones óptimas, al
reconocer diferencias en el efecto
promedio de los factores a través de
tablas de respuesta y gráficas factoriales.
 Veremos ejemplos del análisis básico de datos
para experimentos con arreglos ortogonales.

Este tipo de análisis se denomina análisis regular

e involucra:

• Determinar la respuesta promedio de los niveles

de los factores.

• Seleccionar los niveles óptimos de los factores

comparando los promedios de las respuestas.
• Predecir el promedio del proceso para los
niveles óptimos.

• Comparar la magnitud de la predicción con los

resultados de la corrida confirmatoria.

• Muchos de los ejemplos incluyen

interacciones con el objeto de familiarizarse
con su análisis.
ANALISIS REGULAR

• Ejemplo: Fuerza de desactivación de una

válvula de vacío del control automático de
velocidad de un automóvil.

• La válvula de vacío del control automático de

velocidad de un automóvil, había estado
fallando durante la fase de ensamble, debido
a que la maquina de colocación rompía el
émbolo del cuerpo de la válvula, la falla se
atribuyo a un mal diseño.
• Se consideraron dos características de calidad
para el estudio.

• 1.- La fuerza de desactivación del colocador para

separarse del cuerpo

• 2.- La distancia que recorre el colocador

• La fuerza de desactivación fue considerada

como la característica más importante.

• Se diseñó un experimento para determinar la

condición óptima del proceso, tanto para
maximizar la fuerza de desactivación así como
para minimizar su variación.
• Los Factores de control Para ilustrar el
análisis de datos de este experimento, se
hacen las siguientes simplificaciones:

• Se seleccionan cinco factores y dos

interacciones.

• En nuestro experimento, se asignarán

cinco factores a dos niveles y dos
interacciones a un L8. Cada corrida
experimental se hará dos veces (r=2) para
un total de 16 observaciones (n=16).
L8 (25) Con dos Interacciones
Característica seleccionada Y = Fuerza de desactivación

Factores de Control Nivel 1 Nivel 2

A. Material M-270 M-90

B. Tiempo de reacción 2.7 seg. 2.2 seg.

C. Temperatura del cautín 410°F Ambiente

D. Presión del soporte 60 lbs 80 lbs

E. Método de soldadura Sónico Resistencia

Interacciones: BXC y CXD

• Dibuje la grafica lineal requerida

O
Efecto principal

    B   C    
    X   X
__ Interacción
   
C B C D D A E
1 2 3 4 5 6 7
 Corr. 1 Corr. 2
    B   C    
    X   X    
C B C D D A E
1 2 3 4 5 6 7 DATOS Total
1 1 1 1 1 1 1 1 38 35 73
2 1 1 1 2 2 2 2 40 46 86
3 1 2 2 1 1 2 2 57 52 109
4 1 2 2 2 2 1 1 45 55 100
5 2 1 2 1 2 1 2 41 48 89
6 2 1 2 2 1 2 1 28 24 52
7 2 2 1 1 2 2 1 26 25 51
8 2 2 1 2 1 1 2 35 41 76

Promedio = 39.75 636

Numero de datos = 16 Analisis Datos.xls
Suma total de los datos = 636
Promedio de los datos = 39.75

Con el objeto de comparar los niveles de los factores hicimos una

tabla de respuesta:

1.- Determine la respuesta promedio para cada nivel de los factores e

interacciones

Tabla de Respuesta promedio (efecto Independiente e interacciones)

  A B C D E BXC CXD

Nivel 1 42.25 37.50 46.00 40.25 34.50 35.75 38.75

Nivel 2 37.25 42.00 33.50 39.25 45.00 43.75 40.75

2.- Estime el efecto principal para cada factor e
interacción: Es la diferencia entre el efecto
principal del los niveles de los factores.

Efecto principal = C1 – C2 = 46 – 33.5 = C = 12.5

  A B C D E BXC CXD

Nivel 1 42.25 37.50 46.00 40.25 34.50 35.75 38.75

Nivel 2 37.25 42.00 33.50 39.25 45.00 43.75 40.75

Diferencia
Efecto
Principal 5.0 4.5 12.5 1.0 10.5 8.0 2.0
3.- Ahora podemos medir el grado de influencia de cada
factor sobre la característica, comparando los efectos
principales, de la tabla observamos que los factores C y
E tienen efectos significativos sobre la característica en
la fuerza de desactivación.

• Efecto principal C = 12.5 Temperatura

• Efecto principal E = 10.5 Método de soldadura

• Efecto principal A = 5 Material

• La interacción BXC muestra un efecto promedio fuerte

8, mientras que CXD muestra un ligero efecto.
• 4. El siguiente paso es graficar los efectos
de los factores e interacciones en graficas
factoriales.

• Sólo es necesario graficar los efectos de

los factores y las interacciones fuertes;
como los cambios en los niveles de los
factores de efecto débil tienen poca
influencia sobre la característica (fuerza de
desactivación), pueden ignorarse.
Usted puede preguntarse:

• ¿Por qué graficar, si los efectos fuertes y

los mejores niveles pueden determinarse
observando la tabla de respuesta?

• El graficar los factores proporciona una

comprensión del comportamiento de los
factores, mejor que la que se obtiene
mirando números.
 Factor C (Tem p. Cautín) Factor E (Método de Soldadura)

50.00 50.00
45.00 45.00
40.00 40.00
35.00 35.00
30.00 30.00

Fuerza
Fuerza

25.00 C 25.00 E
20.00 20.00
15.00 15.00
10.00 10.00
5.00 5.00
0.00 0.00
410°F Amb. Sónico Resistencia
• Grafique las tablas de respuesta para los
factores mostrados en la página siguiente.
Mientras mayor sea la pendiente de la línea,
más fuerte es el efecto.

• Observar los efectos principales de nuestra

tabla de respuesta puede aclararnos qué tan
fuerte es una interacción. Sin embargo, no nos
dice nada acerca de la forma de la interacción.

• Por ejemplo para examinar la interacción CXB,

graficamos los efectos promedios C1B1, C1B2,
C2B1 y C2B2.
  B1 B2   2.7 seg 2.2 seg

C1 39.75 52.25 410°F 39.75 52.25

C2 35.25 31.75 Amb. 35.25 31.75

 Factor B (Tiem po de Reacción)

50.00
45.00
40.00
35.00
30.00
Fuerza

25.00 B
20.00
15.00
10.00
5.00
0.00
2.7 Seg 2.2 Seg
Recomendaciones para la optimización

• Ahora seleccionamos los factores óptimos que

mejoran la característica del producto. Ya que la
interacción CxB fue fuerte, debemos examinar
su grafica.

• La fuerza de desactivación es una

característica del tipo mayor-es- mejor; por lo
tanto, C1B2 representan los niveles óptimos de
los factores C y B.

• Podemos hacer esto ya que la columna CxB se

guardó para la interacción.
De las tablas de respuesta observamos que:

• A1 es recomendable.

• B2 es recomendable.

• C1 es muy recomendable

• D1 es poco recomendable.

• E2 es muy recomendable.
• Nuestra sugerencia para la optimización
es:

Cl, B2, D1, A1 y E2 ;

[Material M-270, Tiempo de reacción 2.2 Seg.,

Temperatura del cautín 410°F, Presión del
soporte 60 Lbs y Método de soldadura de
Resistencia.]
Predicciones de respuesta para los niveles óptimos

• Con el objeto de confirmar que nuestros resultados

puedan reproducirse, debemos generar una estimación
de la respuesta (Fuerza de desactivación) utilizando la
condición recomendada (Cl, B2, D1, A1 y E2).

• Esta predicción se comparara con los resultados del

experimento confirmatorio, usando la condición optima.
La estimación de la respuesta llamada (promedio del
proceso) se deriva al utilizar la aditividad de efectos.

• Ŷ : Estimación del promedio del proceso en la condición

optima.

• T: promedio general de los datos

• En el cálculo de nuestra estimación, solamente debemos usar
los efectos fuertes.

• Esto se hace debido a que el error experimental (error de

varianza) se confunde dentro de cada uno de nuestros
promedios, tendiendo a darnos una subestimación.

• Aunque es posible determinar el grado de influencia de nuestro

error haciendo un análisis de varianza, permitiremos la
sobrestimación debida al error al dejar de considerar los efectos
débiles.

Ŷ= T + (C1 – T) + (E2 – T) + [(C1B2 – T) – (C1 – T) – (B2 – T)]

Ŷ = T + (E2 – T) + [(C1B2 – T) – (B2 – T)]

Ŷ = (E2) + [(C1B2) – (B2)]

Ŷ = E2 – B2 + C1B2 = 45 – 42 + 52.25 = 55.25

• Corrida confirmatoria. El propósito de una
corrida confirmatoria es comprobar que los
resultados puedan reproducirse.

• Nuestra corrida se hace con la condición

A1, B2, Cl, D1, y E2 recuerde que el
promedio estimado del proceso fue de
55.25.

• Confirmar que los resultados pueden

reproducirse
Supongamos que en la corrida confirmatoria obtuviéramos:

• Caso 1.- R= 58 Indica una alta probabilidad de reproducir

los resultados.

• Caso 2. R= 54 Buena probabilidad de reproducir los

resultados

• Caso 3. R= 42 Baja probabilidad de reproducirlos (se

utiliza la condición optima de manera temporal) hasta que
hagamos mejoras subsecuentes.

• Caso 4. R= 30 Baja probabilidad de reproducirlos (No se

pueden aceptar los resultados experimentales, debe ser
reconsiderado).

• Caso 5. R= 65 Mucho mejor de lo esperado. Una

interacción puede estar trabajando en mucho beneficio
para producir resultados mejores de los esperados.
La Meta de la Ingeniería de calidad es
asegurar, el mínimo costo posible,
maximizando el desempeño del producto
y del proceso y minimizar la sensibilidad
al ruido.
Ejemplo:

Se desea analizar un nuevo tipo de carburador. La variable

de respuesta de interés es reducir el porcentaje de
hidrocarburos no quemados que arroja el motor.
Cuatro diferentes factores y tres
interacciones parecen afectar esta variable:
Se desea estudiar cuatro factores (A, B, C y D) y las
interacciones AC, AB y BC cual seria la grafica lineal y como
seria la asignación de factores e interacciones al L8 de un 24
Determine los dos factores y la interacción más
fuertes que afectan significativamente y determine la
predicción para la condición optima.
los factores serian: nivel 1 nivel 2

A Tensión del diafragma Baja Alta

B Entrada para el aire Estrecha Abierta

C Apertura para el combustible Pequeña Grande

D Flujo de gasolina Lento Rápido

Esta gráfica se ajusta a la gráfica lineal (1) del arreglo ortogonal L8, por lo
que una asignación apropiada de efectos es:

1A

3 AxC 5 AxB

2C 4B 7 .D
6 BXC

    A   A B   
    X   X X  
A C C B B C D
1 2 3 4 5 6 7
 A A B

A C C B B C D

Exp 1 2 3 4 5 6 7 Corr. 1 Corr. 2

1 1 1 1 1 1 1 1 11 11.4

2 1 1 1 2 2 2 2 10.4 11.2

3 1 2 2 2 2 1 1 6.7 7.3

4 1 2 2 1 1 2 2 6.8 7.6

5 2 1 2 2 1 2 1 7.2 6.6

6 2 1 2 1 2 1 2 7.7 8.3

7 2 2 1 1 2 2 1 10.3 10.5

8 2 2 1 2 1 1 2 9.7 10.3
   A C B D AXC AXB BXC

Nivel 1 9.05 9.23 9.20 8.88 10.60 8.83 9.05

Nivel 2 8.83 8.65 8.68 9.00 7.28 9.05 8.83

efecto 0.2 0.6 0.5 0.125 3.3 0.23 0.23
 C1 C2

A1 11 7.1

A2 7.45 10.2
Con el objeto de confirmar que los resultados puedan
reproducirse, debemos generar una estimación de la respuesta
(% Hidrocarburos no quemados) Utilizando la condición
recomendada (B2 y C2),y considerando la inetracción (A1C2).

ŷ = T + (B2 - T) + (C2 - T) + [(A1C2 - T) - (A1 - T) - (C2 -T)]

ŷ = T + (B2 - T) + [(A1C2 - T) - (A1 - T)]
ŷ = (B2) + (A1C2) - (A1) prome 8.9375

ŷ = 8.68 + 7.1 - 9.05 testigo = 11.2

ŷ = 6.73
Supongamos que en la corrida confirmatoria obtuviéramos:

Caso 1.- R= 6.9 Buena probabilidad de reproducir los

resultados.

Caso 2. R= 6.1 Indica una aprobabilidad de reproducir los

resultados

Caso 3. R= 4.2 Mucho mejor de lo espera Algun factor no

considerado puede estar trabajando en beneficio para producir
resultados mejores de los esperados.
Caso 4. R= 9.4 Baja probabilidad de reproducirlos (No se
pueden aceptar los resultados experimentales, debe ser
reconsiderado)
Supongamos que en la corrida confirmatoria obtuviéramos:
Caso 1.- R= 6.9 Buena probabilidad de reproducir los
resultados.
Caso 2. R= 6.1 Indica una alta probabilidad de reproducir
los resultados
Caso 3. R= 4.2 Mucho mejor de lo esperado. Algún factor no
considerado puede estar trabajando en beneficio para
producir resultados mejores de los esperados.
Caso 4. R= 9.4 Baja probabilidad de reproducirlos (No se
pueden aceptar los resultados experimentales, debe ser
reconsiderado)
 Ejemplo menor es mejor:
Se desea analizar un nuevo tipo de carburador. La
variable de respuesta de interés es el porcentaje de
hidrocarburos no quemados que arroja el motor. Cuatro
diferentes factores y tres interacciones parecen afectar
esta variable:
La Gráfica lineal que se desea es:

Esta gráfica se ajusta a la gráfica lineal (1) del arreglo ortogonal L8, por lo
que una asignación apropiada de efectos es:

AxC AxB

C B .D
CxB
Efecto Descripción Niveles  
I II
A Tensión del diafragma Baja Alta

B Entrada para aire Estrecha Abierta

C Apertura para combustible Pequeña Grande

D Flujo de gasolina Lento Rápido

AxC Interacción    

AxB Interacción    

BxC Interacción    
  
Nº  
Exp A C AxC B AxB CxB D Yi
1 1 1 1 1 1 1 1 11.2
2 1 1 1 2 2 2 2 10.8
3 1 2 2 1 1 2 2 7.2
4 1 2 2 2 2 1 1 7.0
5 2 1 2 1 2 1 2 8.0
6 2 1 2 2 1 2 1 6.9
7 2 2 1 1 2 2 1 10.4
8 2 2 1 2 1 1 2 10.1

El resultado se expresa en porcentaje de hidrocarburos sin

quemar.
SSa= (∑a2 - ∑a1)2/8
Obtenemos las siguientes conclusiones:
Todos aquellos factores, que tienen un valor de F cal mayor que 2 se
considera que afectan la variable de respuesta.
Estos son llamados factores significantes.
 TABLA DE
RESPUESTA
  C A AC B AB BC D
Nivel 1 36.2 36.9 42.5 36.8 35.4 36.3 35.5
Nivel 2 35.4 34.7 29.1 34.8 36.2 35.3 36.1
  71.6 71.6 71.6 71.6 71.6 71.6 71.6

Observe que la suma de los dos niveles debe dar siempre el total de las ocho
lecturas 71.6. prom= 8.95

2) En seguida se obtiene una cantidad que llamaremos suma de cuadrados esta

se calcula como sigue:

Suma de los cuadrados del factor x= SS X= (Total nivel 2 – Total nivel 1)2/ n

Así por ejemplo, para el factor A, tendremos que dado que n=8 \
SSA= (A2 –A1) 2/ 8= (36.9-34.7) 2/ 8= 0.605 con 1 g .1
Efecto SS G.l. CM Fcal

A 0.0800* 1 -

C 0.6050 1 0.6050 8.85 **

AxC 22.4450 1 22.4450 328.62 **

B 0.5000 1 0.5000 7.32 **

AxB 0.0800* 1 -

BxC 0.1250 1 0.1250 1.83 NS

D 0.0450* 1 -

(e) 0.2050 3 0.0683

Total 23.8800 7

SSA= (A2 –A1)2/ 8= (35.4 – 36.2)2/8= 0.0800

 El error aleatorio (e) se estima usando los efectos más
pequeños marcados con * la F calculada es significativa cuando
es mayor de 2 de otra manera la SS se suma al error.
Análisis de varianza ajustado

Efecto SS G.l. CM Fcal

C 0.6050 1 0.6050 7.33

AxC 22.4450 1 22.4450 272.0606

B 0.5000 1 0.5000 6.0606

(e) 0.330 4 0.0825

Total 23.8800 7
Para analizar estos factores, se reproducen aquí las
columnas de A y C:

Nº A C Yi
1 1 1 11.20 Siempre existirán entre dos columnas
2 1 1 10.80 cuatro posibles combinaciones de
3 1 2 7.2 números: 1 1; 1 2; 2 1; 2 2
4 1 2 7.0
5 2 1 8.0
6 2 1 6.9
7 2 2 10.4
8 2 2 10.1

En resumen
 
Combinación Total Promedio
A1 C1 22.0 11.00 Como es un caso menor es mejor,
A1 C2 14.2 7.10 se selecciona el promedio
A2 C1 14.9 7.45 menor, A1 C2 en este caso.
A2 C2 20.5 10.25
Combinación Total Promedio
A1 C 1 22.0 11.00 Como es un caso menor es mejor,
A1 C 2 14.2 7.10 se selecciona el promedio
A2 C 1 14.9 7.45 menor, A1C2 en este caso.
A2 C 2 20.5 10.25
Resulta significante la interacción AxC, el factor C y el factor B.
Dado que el factor B resulta significante, pero no son
significantes alguna de sus interacciones, su mejor nivel se
puede decidir de manera independiente al igual que se realizó
en secciones anteriores. Esto es, se obtienen los promedios:
 
B1= B1 /4= 36.8/4= 9.20; B2 = B2/4= 8.70

Como es un caso de menor es mejor, se selecciona el nivel 2.

El factor C también resulta significante. Sin embargo, también lo

es su interacción con el factor A. Cuando resulta significante la
interacción de algún factor, no se puede analizar por separado,
sino en conjunto con el factor con el que se interactua. En este
caso, el factor C se debe analizar en conjunto con el factor A,
aun cuando el factor C resultó además significante
individualmente y el factor A no.
En resumen, las condiciones propuestas son: factor A a su nivel 1, factor
C a su nivel 2, factor B a su nivel 2. El resto a su nivel más económico.
 
El efecto respecto al promedio de cada factor o interacción es:
 
EF A1C2 = (A1C2 - Y) – (A1 – Y) - (C2 - Y)
= (7.10 – 8.95) – (9.05 – 8.95) – (8.675 – 8.95)= -1.675
 
Observe que al efecto de la interacción, se le resta el efecto de los
factores individuales que intervienen (hayan resultado significantes de
manera individual o no).
 
EF B2= B2 – Y= 8.70 – 8.95= -0.25

EF C2= C2 – Y= 8.675 – 8.95= -0.275

 Una estimación del porcentaje de hidrocarburos sin quemar
es igual a la suma de los efectos significantes, incluyendo los
factores que intervienen en una interacción significante, hayan
resultado significantes de manera individual o no.

Y est = Y + EF A1 C2 + EF C2 + EF B2

= 8.95 + (-1.675) + (– 0.275) + (-0.25)=

Y est = 6.75
Supongamos que en la corrida confirmatoria obtuviéramos:

Caso 1.- R= 6.7 Buena probabilidad de reproducir los

resultados.

Caso 2. R= 6.0 Indica una alta probabilidad de reproducir los

resultados
Caso 3. R= 4.2 Mucho mejor de lo esperado, Algun factor no
considerado puede estar trabajando en beneficio para
producir resultados mejores de los esperados.
Caso 4. R= 8.1 considerar como solución temporal mientras
se replantea otro experimento.
Caso 4. R= 9.4 Baja probabilidad de reproducirlos (No se
pueden aceptar los resultados experimentales, debe
replantear el experimento) reconsiderado)
Supongamos que en la corrida confirmatoria obtuviéramos:
Caso 1.- R= 6.7 Buena probabilidad de reproducir los
resultados.
Caso 2. R= 6.0 Indica una alta probabilidad de reproducir
los resultados
Caso 3. R= 4.2 Mucho mejor de lo esperado. Algún factor no
considerado puede estar trabajando en beneficio para
producir resultados mejores de los esperados.
Caso 4. R= 9.4 Baja probabilidad de reproducirlos (No se
pueden aceptar los resultados experimentales, debe ser
reconsiderado)
Considere los siguientes datos propuestos.
Variable de respuesta, viscosidad, el mayor valor es deseado.

Factores Nivel I Nivel II

A Mezcla de hule crudo si no

B Curado no 24 hrs.

C Velocidad de prensado 50m/min 55 m/min

D Enfriamiento del tambor con agua sin agua
E Secado con vapor envolvente si no
Interacción DxC
Interacción DxE

Determine la gráfica lineal ajustada (1) del arreglo ortogonal L8, por lo
que una asignación apropiada de efectos seria:
• Dibuje la grafica lineal requerida

O
Efecto principal

    D   D    
    X   X
__ Interacción
   
D C C E E A B
1 2 3 4 5 6 7
Arreglo ortogonal y resultados

Nº D C DxC E DxE A B Y

1 1 1 1 1 1 1 1 102

2 1 2 2 2 2 1 1 100

3 1 1 1 2 2 2 2 115

4 1 2 2 1 1 2 2 110

5 2 2 1 1 2 1 2 162

6 2 1 2 2 1 1 2 156

7 2 2 1 2 1 2 1 150

8 2 1 2 1 2 2 1 158