Discusin Sobre Taguchi: Taguchi S o No

Por Sergio Arratia

Introduccin
La contribucin de Taguchi a los mtodos de mejora de la calidad es sin duda excepcional. Sin embargo, existe cierta crtica de sus mtodos de parte de algunos estadsticos occidentales de renombre, en particular. Box (1985), quien al dar una discusin sobre Kackar (1985), observa que los procedimientos estadsticos de Taguchi son con frecuencia innecesariamente complicados e ineficientes. Para apoyar esta afirmacin, menciona los siguientes puntos: 1. 2. 3. 4. La naturaleza secuencial de la experimentacin no es explotada completamente. La seleccin de diseos listados por Taguchi es limitada. Las Interacciones no son tratadas adecuadamente. Son recomendados mtodos de arreglos ortogonales muy complicados para optimizacin computacional. 5. El uso universal de las razones S/N es poco convincente. 6. La importancia de transformacin de datos no es reconocida. 7. Terminologa poco familiar es usada.

Tcnica de Taguchi
El mtodo de parmetros de Taguchi consiste en tratar los factores de control y las variables de ruido mediante diseos ortogonales1 por separado, uno interno, asociado a los factores de control, y otro externo para las variables de ruido. Los arreglos ortogonales son diseos muy econmicos,

Variable de entrada Arreglo variables de ruido Arreglo para Factores de Control

...

Arreglo variables de ruido

Arreglo producto

sin embargo su resolucin es pobre, ya que se presentan confusiones entre factores principales e interacciones de bajo orden.Posteriormente, Taguchi recomienda analizar la variacin usando una relacin apropiada seal/ruido (S/N)=Z que depende de las respuestas y, eligiendo la combinacin de parmetros que maximicen este cociente, tomando los factores de control que mayor efecto tienen cuando Z es la respuesta experimental, para controlar el ruido de las variables no controlables. As mismo, sugiere analizar la respuesta media y para cada corrida en el arreglo
1

Cabe mencionar que los arreglos ortogonales de Taguchy en realidad no fueron creados por el, originalmente fueron propuestos por Plaket y Burman (1946).

interno, elegir los factores de mayor efecto en esta respuesta, que no hayan sido usados para controlar el ruido, para lograr el objetivo deseado. La determinacin de los efectos es efectuada utilizando grficas de medias e interacciones simples. Las relaciones seal-a-ruido Z son derivadas de la funcin de prdida cuadrtica2 y tres de ellas son consideradas estndar de acuerdo a tres posibles objetivos. Nominal es mejor

y2 (S/N ) N = 10 log 2 s 1 1 (S/N ) L = 10 log 2 n y

1 (S/N ) S = 10 log y 2 n

Mayor es mejor

Menor es mejor

Ntese que estas razones estn expresadas en una escala de decibeles y por ello utilizan logaritmos base 10. Salvo cuestiones ingenieriles no hay otra razn de peso para no haber elegido logaritmos naturales o de cualquier otra base. Taguchi afirma que en cada caso, la seleccin de los niveles de los factores de control que maximicen la razn S/N garantizan una variabilidad mnima y por tanto una mayor robustez contra las variables no controlables.

Defectos de la razn seal-ruido Z como respuesta

Analicemos en primer lugar la razn nominal es mejor

y2 (S/N ) N = 10 log 2 s
Taguchi sugiere que es mejor trabajar con (S/N)N en vez de la varianza directamente, ya que en muchos casos la media y la desviacin estndar de los procesos estn relacionadas, por ejemplo si aumenta disminuye, y por ende no es posible, argumenta, minimizar directamente la varianza y por tanto centrar el proceso en el nominal. As propone, como comentamos anteriormente, hallar primero los factores de control que influyen "mayormente" y fijarlos para que maximicen (S/N)N. Despus determinar que factores tienen un efecto significativo en la media, pero no en la razn (S/N)N , llamados de seal, y utilizarlos para llevar la media del proceso a su nominal. Sin embargo si se observa que
2

l () = c( ) 2 usada en teora de decisin da origen a una de las 2 cantidades ms importantes en la estadstica, el Error Cuadrtico Medio a saber E ( ) .
La funcin de prdida cuadrtica

 = 10 log( y 2 ) 10 log(s 2 ) Si la media se fija un valor objetivo estimado por y , entonces minimizar (S/N)N equivale a y2 (S/N ) N = 10 log 2 s
minimizar log(s2). A parte esto, que implica clculos ms simples, tambin permite una comprensin ms clara de las relaciones factoriales con la variabilidad del proceso y por tanto del proceso en si. Adems si se minimiza directamente el log(s2), se elimina el riesgo de obtener conclusiones errneas a partir de la maximizacin de (S/N)N, en caso de que alguno de los factores manipulados desplace la media y hacia arriba en vez de empujar s2 hacia abajo. De lo anterior puede deducirse que, probablemente, en muchas ocasiones sea ms seguro trabajar con la varianza o su logaritmo directamente que con la razn seal-ruido sugerida por Taguchi.

Las Razones (S/N)L y (S/N)S son aun ms conflictivas.

1 y 2 , Taguchi parte de una funcin de n 1 prdida cuadrtica con y no negativa (parbola) de la forma L = C y 2 n
Por ejemplo para la razn (S/N ) S = 10 log con C constante. Luego su logaritmo est dado por

1 log(L) = log(C ) + log y 2 n

y por lo tanto (S/N)S =10log(C) 10log(L), de modo que al maximizar (S/N)S, se minimizar log(L). Sin embargo es fcil demostrar que

1 n 1 y 2 = y 2 + n S 2 n
Por lo tanto el uso de (S/N)S como variable de respuesta confunde los efectos de localizacin y de dispersin, resultando inconveniente para hacer inferencias adecuadas. Algo similar ocurre con (S/N)L Finalmente (S/N)S y (S/N)L incluyen a y2 y 1/y2, lo que las hace muy sensibles a residuos inusitados o a valores de respuesta cercanos a cero. Por lo anterior debemos concluir que el uso de las razones de seal-ruido propuestas por Taguchi, si bien no pueden ser descartadas siempre, si deben ser utilizadas con suma precaucin en el anlisis de datos experimentales. En los diseos tradicionales las transformaciones que se han de aplicar a las respuestas, son efectuadas de acuerdo a una serie de evidencias estadsticas y tericas, lo que permite elegir la transformacin ms adecuada a cada caso.

Taguchy vs ANOVA Tradicional

Podramos mencionar que la principal ventaja del mtodo de Taguchi es que sus conclusiones se basan en gran medida en razonamientos intuitivos, ya que fundamenta sus decisiones en el estudio de las grficas de medias marginales y de interacciones simples. Desafortunadamente desprecia con frecuencia efectos de interaccin importantes, lo cual no garantiza de manera alguna el encontrar el ptimo. Adems, el anlisis grafico no arroja de ninguna manera una resultado estadsticamente significativo. Refinamientos posteriores al mtodo han introducido el estudio de las contribuciones de sumas de cuadrados y de varianzas, lo cual evidentemente indica una tendencia del anlisis de Taguchi a convertirse en una anlisis de varianza tradicional (ANOVA), perdiendo as su ventaja intuitiva. Contrario a creencias errneas, el mtodo de diseo de experimentos tradicional puede ser usado para realizar cualquier anlisis, (y ms), de los que efecta el mtodo de Taguchi. Ciertamente tambin para diseos robustos, en los cuales la o las variables de ruido son tratadas como factores convencionales, los cuales aunque no se pueden controlar si pueden ser medidos en su gama de posibilidades. Ms an, al contar con los coeficientes de regresin, en el diseo tradicional es posible efectuar un estudio de superficie de respuesta para encontrar la combinacin ptima de operacin de los factores controlables, bajo los posibles escenarios de las variables no controlables, i.e realizando un anlisis de sensibilidad. Esto no es posible con la tcnica de Taguchi. Adems, la gran riqueza de los diseos tradicionales basados en las tcnicas inductivas y deductivas del mtodo cientfico no son el explotadas adecuadamente en la metodologa de Taguchi. Simplemente si consideramos los diseos factoriales tradicionales y sus fracciones3, cada una de las cuales puede ser usada para reunir evidencia y saber si los resultados encontrados proporcionan suficiente informacin para tomar decisiones finales, o bien si es necesario continuar secuencialmente con otra fraccin, podemos notar la enorme ventaja que stos poseen al compararlos con los mtodos de Taguchi que, dada su naturaleza, se ven imposibilitados para conectar diversas fracciones experimentales adecuadamente.

Eplogo
Ryan (1989) provee una discusin detallada y una revisin de las limitaciones de los mtodos de Taguchi incluyendo la seleccin de las razones S/N, la eleccin de los arreglos ortogonales, optimizacin, etc. El recomienda que un diseo discriminante de algn tipo se aplique con el propsito de eliminar factores que no son importantes. Afirma que para seleccionar factores es mejor usar factoriales fraccionados (en vez de los arreglos ortogonales sugeridos por Taguchi). Para optimizacin de todas las medidas de desempeo tales como los cocientes S/N, Ryan (1989) recomienda el uso de procedimientos de optimizacin matemticos como programacin no lineal. Sin embargo, para finalizar vale la pena mencionar la observacin de Hunter (1985) sobre la metodologa Taguchi:
3

Para un excelente tratamiento de los diseos factoriales ver a Box, Hunter y Hunter (1978).

Las ltimas palabra acerca de la seleccin del diseo experimental, del papel de las interacciones, y los efectos de la transformacin de datos para descubrir cmo disear y producir productos de mayor calidad, no han sido escritas an, y posiblemente nunca lo sern. Todos nos encontramos involucrados en un proceso de aprendizaje en pro de la calidad del producto, y tenemos que agradecer al Profesor Taguchi por acelerar nuestra educacin.

Bibliografa
Box, G.E.P. (1985), Discussion on Kackars (1985) article, Journal of Quality Technology, 17, pp.189-190. Box, G.E.P., Hunter, W.G., and Hunter, J.S. (1978), Statistics for Experimenters. An Introduction to Design, Data Analysis, and Model Building. John Wiley & Sons, New York, NY. Hunter, J.S. (1985). Statistical Design Applied to Product Design, Journal of Quality Technology, 17, pp.210-221. Kackar. R.N. (1985). Off-line Quality Control, Parameter Design, and the Taguchi Method, Journal of Quality Technology, 17, pp.176-188. Plackett, R.L., and J.P. Burman (1946). The design of optimum multifactorial experiments, Biometrika, 33, 305. Ryan, T.P. (1989), Statistical Methods for Quality Improvement, John Wiley & Sons, New York, NY.