Professional Documents
Culture Documents
Introduccin
La ingeniera como el plano donde se aplica el saber cientfico para enfrentar la
incertidumbre, la idea como la capacidad del individuo para imaginar, los datos como
manifestaciones o caractersticas de un entorno real y la informacin como comunicacin
o adquisicin de conocimientos sobre una materia determinada son los elementos sobre los
que se plantea la siguiente pregunta: Cmo se piensa la ingeniera y la calidad en un
mundo de objetos a los que se les quita o agrega atributos en un proceso de escalamiento
continuo? Explicar esta relacin es una manera de despejar las sombras de la calidad como
un ejercicio obligado para prever la vulnerabilidad del objeto (producto o servicio).
Mientras que mejorar la calidad de ese producto o servicio es despejar las preocupaciones
del error y la falla. La calidad es, como consecuencia, la esencialidad del conocimiento
aplicado. Esto significa que no hay conocimiento sin que haya un conocedor (Shera, 1990),
como tampoco hay calidad sin que haya un ingeniero.
Ingeniera
La ingeniera es la praxs y una forma particular de cultura y capacidades tcnicas
de la sociedad. La Accreditation Board for Engineering and Technology (ABET) define
ingeniera como la profesin en la cual el conocimiento de las ciencias naturales y
junto con el juicio para desarrollar formas de utilizar, de forma econmica, los
materiales y las fuerzas de la naturaleza para el beneficio de la humanidad (ABET, sfe,
trad. propia). Esta definicin muestra que la ciencia, conocimiento, experiencia,
naturaleza y humanidad transitan juntos sobre un protagonista principal: el mundo
observable (Montas, 2006).
El Handbook of the Philosophy of Science (Gabbay, et al, 2009, trad. propia)
define ingeniera como la aplicacin de la ciencia y las matemticas por las cuales las
propiedades de la materia y las fuentes de energa se hacen tiles para la gente. En tanto
que el diccionario de la Real Academia Espaola la define como el conjunto de
conocimientos que permite aplicar el saber cientfico a la utilizacin de los materiales y de
las fuentes de energa mediante invenciones o construcciones tiles para el hombre. El
saber cientfico es la palabra que funge como hilo conductor entre ambas definiciones y que
su aplicacin promete un flujo continuo de bienes. Visto desde otra perspectiva, la
ingeniera es el ingenio en accin continua que se asocia ms estrechamente con el progreso
tcnico y el desarrollo tecnolgico.
Ingeniero
El ingeniero es la representacin social compleja del gen egosta o altruista
(Dawkins, 1993). Es el sujeto social que hace del mundo natural una senda de posibilidades
que las convierte en produccin. El ingeniero es, a decir de F. Broncano (2011), el creador
de articulaciones que reconfiguran las prcticas sociales al transformar la base material que
las hace posibles porque sus capacidades le permiten crear nuevos artefactos y establecer
por ello nuevos usos. Es el sujeto que ha sido formado bajo un fuerte soporte del mtodo
de ingeniera, las matemticas y la estadstica para resolver problemas tpicamente
ingenieril y que puede cristalizar en un artefacto el cual porta el sensible atributo que se
llama calidad.
El ingeniero innova soluciones para los desafos del mundo real en la sociedad
1
y equipos que se ocultan para dar cuerpo al diseo. Pruebas y registros identifican los
lmites, pero tambin nuevas fronteras y oportunidades; asimismo, surgen diferentes
cdigos para prevenir defectos y luego el control. As, pues, marcado por la curiosidad, el
ingeniero, con actitudes prometeicas, descubre nuevas funciones para dar pie novedosos
conceptos e inesperados descubrimientos.
Esto significa que el ingeniero se considera como un especialista que ofrece
sistemas u objetos con funciones objetivo (Taguchi, et al, 2005: 26). Ms simple, el
diccionario de la Real Academia Espaola dice que ingeniero es el hombre que discurre
con ingenio las trazas y modos de conseguir o ejecutar algo. El ingeniero es una persona
singular, de quien sus ideas les da forma especfica avin, automvil, smartphones, etc.
para que sujetos desconocidos los disfruten, quienes a su vez, en ese proceso de gozo, le
dan un voto de confianza al desconocido que dise el objeto, el cual es producto de su
imaginacin. La lengua comn que conecta a ambos desconocidos es, entonces, el buen
desempeo del objeto. Es decir, este buen desempeo es un lenguaje, que luego se le define
como calidad.
Calidad
La calidad es un lenguaje. La calidad es un atributo transformador de la tcnica y
la sociedad. Su historia no slo muestra la evolucin de los artefactos, sino tambin el
surgimiento de nuevas familias de mquinas con nuevas funciones y, como consecuencia,
ha derivado en la transformacin de nosotros mismos (Brocano, 2007). La calidad es una
fuerza que ha democratizado los productos y los ha llevado hacia nuevas geografas y
nuevas fronteras de usuarios. La calidad es un hecho ingenieril y es un signo distintivo de
cultura que no envejece y se autosustenta. Visto de otra manera, la calidad es un concepto
multidimensional.
Juran & Godfrey (1999) definen la calidad como aquellas caractersticas que
proporcionan la satisfaccin del cliente y que se ajustan a sus necesidades. En este sentido,
como se habr notado, el significado de la calidad est orientado a los resultados. Estos
mismos autores tambin dicen que la calidad significa (en trminos del producto) libre de
deficiencias, libre de errores los cuales obliguen a hacer el trabajo otra vez (retrabajo), libre
Ingeniera de calidad
Cmo se piensa la ingeniera y la calidad? Despejar las sombras de la calidad es
un ejercicio obligado para prever la vulnerabilidad de la caracterstica del objeto. Mejorar la
calidad es despejar las preocupaciones del error y la falla. De acuerdo con las definiciones
anteriores, los requisitos de la calidad y el desempeo del producto consisten, entonces, en
que ste sea, sobre todo, seguro. En tal sentido, el mtodo Taguchi proporciona un camino
sistemtico y eficiente para optimizar el desempeo de los diseos, la calidad y el costo
(Unal & Dean, 1991). Por lo tanto, se necesita de una nueva filosofa y una nueva
tecnologa mediante las cuales se renueven los principios de la ingeniera, se redimensionen
los criterios de la calidad y, especialmente, el ingeniero, quien bajo una visin
transformadora y una slida base tica, tiene la capacidad de hacer converger ambas
tcnicas. Estas aplicaciones interdisciplinares se facilitan a travs de la ingeniera de
calidad.
La ingeniera de calidad se define como una tecnologa para predecir y prevenir
problemas de calidad desde las etapas tempranas del desarrollo y diseo del producto,
incluyendo los problemas asociados con las funciones del producto, contaminacin y otros
costos derivados despus de la fabricacin y puesta en el mercado (Wu & Wu, 1996).
Asimismo tiene como objetivo minimizar la variabilidad en el desempeo de un producto
bajo diferentes condiciones ambientales. Adems,
Ver Curso Design of experiments Eberly College of Science, Penn State Science. Disponible en:
https://onlinecourses.science.psu.edu/stat503/node/6 Consultado el 19 de agosto de 2015.
Occidente, siendo una de sus ms famosas las que l denomina matrices ortogonales.
Tcnica que desarroll de manera independiente pero que en occidente se les identific
como diseos factoriales fraccionados. Con base en los resultados de aquella tcnica surgen
los conceptos diseo de parmetros robusto (diseo robusto) y robustez del proceso.
La ingeniera de calidad implica un procedimiento de investigacin para la mejora
de la funcionalidad y la precisin del diagnstico o de la prediccin, mediante el
aprovechamiento de los mtodos de medicin en el espacio funcional y en el espacio
multidimensional (Taguchi, Chowdhury & Wu, 2005). La ingeniera de calidad no se centra
en la respuesta sino en la interaccin entre los diseos y las seales o los ruidos. La
ingeniera de calidad es un diseo robusto que se basa en tres procedimientos: 1) matriz
ortogonal (arreglos ortogonales); 2) Relacin S/R, y; 3) la funcin de prdida. Estos tres
procedimientos, per se, no son diseo robusto, son tcnicas que se utilizan para evaluar los
productos o los medios tcnicos.
La ingeniera de calidad se diferencia de los diseos de experimentos clsicos3 por
la forma novedosa de presentar y operar el diseo de arreglo cruzado. Este diseo est
formado de una matriz interna y otra externa, el cual es imprescindible para el diseo de la
calidad (Taguchi, 1993). La matriz interna se compone de los factores controlables mientras
que la matriz externa se compone de los factores de ruido. La caracterstica principal de
este diseo es que estos dos conjuntos se "cruzan". Es decir, cada combinacin de
tratamiento de la matriz interna se ejecuta en combinacin con cada combinacin de
tratamiento de la matriz externa.4 Los resultados de estos cruzamientos son los datos
necesarios para calcular la relacin S/R, despus.
Debido a que le DEE es una herramienta clave para el diseo de parmetros, G.
Taguchi puso especial nfasis en conseguir que el DoE (diseo de experimentos clsico)
fuera ms sencillo de aplicar. Bsicamente simplific la aplicacin del DoE al incorporar
un conjunto estndar de diseos experimentales (matrices ortogonales), una herramienta
grfica para asignar los factores al diseo experimental (grficas lineales), guas para
interpretar los resultados (cookbook), maneras de transformar la respuesta para obtener la
Se le llama diseos de experimentos clsicos, los diseos de experimentos que desarroll Ronald A. Fisher y
Frank Yates durante la primera mitad del siglo XX.
4
reduccin en la variacin (razn S/R) y un mtodo formal para estudiar los factores no
controlables utilizando la tcnica de diseo robusto (Tanco, et al. 2009). Asimismo,
simplific el anlisis y diseo de tolerancias, con el fin de minimizar an ms los efectos de
los factores de ruido.
La ingeniera de calidad, entendida como un mtodo para el diseo robusto, agreg
al DEE las preocupaciones que enfrentan todos los diseadores de productos y procesos de
cmo reducir econmicamente la variacin de la funcin de un producto en el entorno de
los consumidores. De la misma manera, cmo garantizar que las decisiones que se
consideran ptimas durante los experimentos de laboratorio demostrarn ser as en la etapa
de fabricacin, as como su desempeo en campo (Phadke, 1989). En suma, la ingeniera de
calidad se distingue de los DoE por tres aspectos esenciales: conciencia de la variacin, la
insensibilidad a los factores de ruido y la aplicabilidad continua (Arvidsson, et al, sfe).
1.3 Desarrollo de tecnologa robusta
Antes de explicar en qu consiste el desarrollo de la tecnologa robusta habr que
tener una breve nocin de lo que implica la tecnologa y lo robusto. La tecnologa es la
extensin de nuestra capacidad humana para satisfacer nuestras necesidades o deseos
(UNESCO, 2003). Esto ltimo significa que toda tecnologa implica sistemas, los que a su
vez toman una variedad de insumos que de alguna manera los procesan en interaccin con
otros subsistemas para derivar en un conjunto de salidas. Algunas de stas son productos
deseables y otras son subproductos no deseables. Este conjunto de acciones sistemticas se
llevan dentro de un contexto artificializado.
El diccionario de la Real Academia Espaola define robusto (que viene del latn:
robustus) como: fuerte, vigoroso, firme; mientras que el diccionario Larousse especifica
robustez como fuerza, vigor. Con tales enunciados, no hay manera de salir del apuro. Sin
embargo, Taguchi et. al (2000) definen robustez como el estado en el que la tecnologa, el
producto o el desempeo del proceso es mnimamente sensible a los factores que causan la
variabilidad (ya sea en la fabricacin o en el entorno del usuario) y el envejecimiento, al
costo de fabricacin unitario ms bajo. De esta ltima definicin, la palabra esencial es
estado, en ella radica la debilidad o la fuerza, as como las capacidades para su
autodesarrollo.
10
11
=
=
12
13
De acuerdo con los textos especializados que tratan del mtodo Taguchi, se
explica que el uso de las relaciones S/R comenz en los aos 60 y se emplearon para
evaluar y mejorar sistemas de medicin, tales como los mtodos de anlisis y pruebas (Wu
& Wu, 1997). Segn estos autores, el anlisis de los datos de los sistemas de medida para
evaluar la variabilidad se descompona en dos aspectos: sesgo5 (desviacin) y variacin
(figura 1.2). Sin embargo, ambos elementos no siempre son distinguibles (dificultad para
descomponer el error) y tal enfoque slo es aplicable cuando se va a medir una sola
5
14
15
variacin. La sensibilidad es la capacidad para distinguir las diferencias entre los objetos
(muestras) a medir. La linealidad se refiere a la calibracin de un sistema de medida (Wu &
Wu, 1997). La variacin es la desviacin de los datos con respecto el valor objetivo. En
este caso el punto de referencia es la lnea recta en un ngulo de 450 o con su pendiente =
1, que es la gua a la que se ajustan los datos.
En la dcada de los aos 80, la relacin S/R se utiliz para abordar la condicin de
la ajustabilidad. Para llevar a cabo esta actividad los problemas se dividen en dos modos:
no dinmicos y dinmicos En el modo no dinmico, la media () se considera como
equivalente a la sensibilidad y se coloca en el numerador de la relacin S/R. En este caso, la
relacin S/R es la proporcin de la media, en trminos cuadrados, a la variacin. (Taguchi,
et al, 2005). Dicho de forma ms simple, la relacin S/R es la proporcin de la media
(seal) a la desviacin estndar (ruido). Tal relacin se expresara de la siguiente manera:
!" #/ =
$%
&%
16
El diagrama explica que aunque el ruido est presente en el proceso o el producto, quel (el
ruido) no debe tener ningn efecto en la salida. Este resultado es el principal objetivo de los
experimentos efectuados mediante el mtodo Taguchi. Es decir, minimizar las variaciones
en la salida a pesar de que el ruido est presente en el proceso. Por tal motivo, se dice,
entonces, que el proceso tiene la categora de proceso robusto.
El modo dinmico consiste, dentro del marco de un sistema de control, en la
necesidad de ajustar, siempre, la salida al target. Para ello, se hace variar una determinada
seal de entrada. En tal caso, la ajustabilidad se convierte en un asunto crtico para el
diseo. Aqu es muy importante subrayar que la relacin de entrada/salida sea proporcional,
ms que lineal. En otras palabras, la linealidad se vuelve crtica para el ajuste del sistema.
Sin embargo, cuanto mejor sea la linealidad y ms pronunciada la relacin entrada/salida
mejor ser el ajuste. Por lo tanto, la pendiente (), se utiliza como equivalente a la
sensibilidad y se coloca en el numerador de la relacin S/R (Taguchi, et al, 2005). As,
pues, la relacin se formulara de la siguiente manera:
%
!" #/ = %
&
Ahora bien, si el diseo del producto que se va a optimizar tiene una seal de
entrada que decide directamente la salida, entonces la optimizacin implica determinar los
mejores niveles del factor de control de manera que la relacin "seal de entrada/salida" sea
la ms cercana a la relacin esperada. Tal problema se le conoce como un "problema
17
18
Factores de seal (M): los establece el usuario para alcanzar la salida deseada. Por
ejemplo, son factores de seal, el ajuste de la velocidad de un ventilador elctrico, el
acelerador de un automvil, el 0 y 1 en sistemas de comunicacin, etc. Aunque un
investigador, en los ensayos de optimizacin, puede estudiar uno o dos factores de seal, es
l, de acuerdo con su preferencia, quien establecer el nivel de factor.
Factores de control (Z): son los valores de los parmetros que los define el investigador.
Cada factor de control es estudia por lo menos en dos niveles y el objetivo del diseo de
parmetros es seleccionar el mejor nivel. Puesto que hay muchos factores de control en un
experimento, stos se personalizan en una notacin matricial.
Factores de ruido (X): son factores que no controla el investigador o el usuario. Sin
embargo, para el propsito de la optimizacin, estos factores se pueden fijar a uno o ms
niveles. Dado que hay muchos factores de ruido que se involucran en un experimento, estos
factores tambin se organizan en una notacin matricial. Para el desarrollo del experimento,
es obvio que no se puede seleccionar el factor de ruido ptimo.
Factores de escala (R): son casos especiales de factores de control que se ajustan para
alcanzar la relacin funcional deseada en forma de una relacin (ratio) entre el factor de
seal (M) y la respuesta (y).
Factores de nivel (D): son casos especiales de factores de control que se ajustan para lograr
la relacin funcional deseada como una constante entre el factor de seal y la respuesta.
De acuerdo con todo lo anterior, la relacin S/R dinmica tambin se puede usar
en el rea de desarrollo de tecnologa. Es precisamente en esta plano donde la relacin S/R
ha tenido una mejor evolucin. La actividad se define por el desarrollo de tecnologa para
un grupo de futuros productos. Esto evita concentrar el esfuerzo en el desarrollo de un
producto en particular que tiene solo un objetivo fijo. De esta manera se prescinde de la
investigacin redundante y, por lo tanto, no slo se reduce el tiempo de la investigacin,
sino tambin el tiempo del ciclo de desarrollo (Taguchi, et al, 2005). Esta sucesin de
escalas da pie para el principio de la robustizacin.
19
confrontarse con la realidad de la cual partieron. De esta comparacin nace la idea que le da
cuerpo al concepto. Este es el caso de la relacin S/R. sta proporciona una medida del
impacto de los factores de ruido en el desempeo del producto o proceso. La historia de las
relaciones S/R explica que stas, en principio, se utilizaron como tcnicas de medida y,
despus, se aplicaron en las reas de diseo de productos y procesos para medir la calidad
de los productos (Wu & Wu, 1997). El aspecto fundamental que subyace en este propsito
es la minimizacin de la desviacin con respecto al valor objetivo (target).
Como ya se explic en el inciso anterior para llevar a cabo la ajustabilidad, los
problemas se dividen en dos modos: no-dinmico y dinmico. Ahora el modo no-dinmico
se denomina de tipo pasivo y el modo dinmico de tipo activo (Taguchi, et al, 2005). Con
base en la intencin, la relacin S/R que se utiliza para la medicin es del tipo pasivo, el
cual consiste en que el objeto, que es la seal de entrada, se mide y de este resultado
(lectura) se estima el verdadero valor de la muestra (entrada). Por ello, la relacin de S/R se
le llama pasiva y se tiene como:
i) Entrada: verdadero valor a medir
ii) Salida: valor medido
Visto en un esquema (Fig. 1.6), el sistema de medida es
Por otro lado, en la relacin S/R de tipo activo (Fig. 1.7) que se usa en un sistema
de control o de comunicacin, al sistema se le coloca una seal con la intencin de cambiar
la salida. Para ello se tiene
i) Entrada: intencin
ii) Salida: resultado
Este modelo se puede formular como dos etapas (Fig. 1.7)
20
Con base en lo anterior, Wu & Wu (1997) enmarcan tres requisitos para un sistema de
medida. Estos son:
1. De la misma muestra, los resultados de la medicin deben ser los mismos no
importa dnde o cundo la muestra sea medida.
2. De dos muestras diferentes, una pequea diferencia en la medicin debe ser
detectada con gran sensibilidad.
3. Un sistema de medicin debe ser fcil de calibrar.
21
se hacen comparaciones entre los niveles del factor de control y la relacin S/R y
aquella que tenga el valor ms alto se selecciona como la condicin robusta.
22
23
24
Ahora bien, si se espera que la diferencia entre el LSE y LIE deba ser menor que la
variacin total del proceso, entonces la comparacin de 6 con (LSE-LIE) o 2T arroja un
ndice de capacidad del proceso que se le conoce como Cp del proceso:
'( =
)
* ),*
2/
6
6
Queda claro, que cualquier Cp por debajo de 1 significa que la variacin del proceso es
mayor que la banda de la tolerancia especificada, entonces el proceso no es capaz. En la
medida que el valor de Cp se incrementa, en esa misma proporcin el proceso es capaz.
De acuerdo con lo anterior, la relacin entre (LSE-LIE) o 2T y 6 describe tres
niveles de precisin del proceso, como se muestra en la figura 1.9:
25
i)
ii)
Precisin relativa media: la banda de la tolerancia es justo mayor que 6 (2T >
6) (Fig. 9b).
iii)
26
media del proceso a partir de la desviacin del valor objetivo . Por ello, el Cpm es ms
eficiente para centrar el proceso.
Cuando se conocen los parmetros, esto es, los parmetros del proceso la media
y la desviacin estndar son conocidos, el ndice de capacidad de proceso Cpm se calcula
de la siguiente manera:
'(0 =
)
* ),*
61
La frmula para la variacin del proceso alrededor del objetivo deseado del
proceso se expresa como
4% = *56 / 7 = *56 8 7 + 8 / = &% + $ 9%
El clculo de Cpm, entonces se llevar a cabo de la siguiente manera:
'(0 =
)
* ),*
6: + 8 /
'(
;1 + <8 /=
27
Donde, =
'?
(0 =
A BC
D
?(
'
1 +
)
* ),*
6
28
'( =
)
* ),*
/H
El modelo ayuda, por un lado, a calcular el ndice potencial y, por el otro, permite,
sobre todo, hacer varios tipos de comparaciones que, en el marco de la dispersin del
proceso y la amplitud de la especificacin, muestran la tasa de rechazos (ver figura 1.11).
Los ndices de capacidad de procesos (ICPs) son definidos como una combinacin
de materiales, mtodos, equipos y personas que se dedican a producir productos medibles.
Al mismo tiempo, pero en singular, el ndice de capacidad del proceso (Cp) se explica como
la relacin de la proporcin de la especificacin de conformidad (o rendimiento del
proceso) con la conformidad de la proporcin deseada (o natural) (Saha & Maiti, 2015).
Dicho de manera ms sencilla, el ndice Cp es un indicador de la capacidad de fabricacin y
de la calidad. Caracterstica dentro de la cual se encuentra una de las principales
aportaciones de G. Taguchi: la funcin de prdida.
La funcin de la prdida de calidad es una funcin continua que se define en
trminos de la desviacin de un parmetro de diseo con respecto a un valor ideal o valor
objetivo. Con base en esta desviacin por un lado se establece que la prdida producida al
cliente es proporcional al cuadrado de la desviacin respecto del valor objetivo de calidad
29
(Saderra, 1993) y, por el otro, la funcin de prdida se relaciona con los valores del ndice
Cp segn sean las magnitudes de las desviaciones, como se muestra en la figura 1.12.
30
PREGUNTAS
1. De acuerdo con la Accreditation Board for Engineering and Technology (ABET),
ingeniera se define como:
A) la ciencia en la cual el conocimiento de las ciencias humana y matemticas, obtenido
mediante el estudio, la experiencia y la prctica, es aplicado junto con el juicio para
desarrollar formas de utilizar, de forma econmica, los materiales y las fuerzas de la
naturaleza para el beneficio de la humanidad
B) la tcnica en la cual el conocimiento de las ciencias naturales y qumica, obtenido
mediante exmenes, la experiencia y la prctica, es aplicado junto con el juicio para
desarrollar formas de utilizar, de forma econmica, los materiales y las fuerzas de la
naturaleza para el beneficio de la humanidad.
C) la profesin en la cual el conocimiento de las ciencias naturales y matemticas,
obtenido mediante el estudio, la experiencia y la prctica, es aplicado junto con el juicio
para desarrollar formas de utilizar, de manera econmica, los materiales y las fuerzas de la
naturaleza para el beneficio de la humanidad.
D) la profesin de mayor demanda y complejidad por el conocimiento de las ciencias
naturales y matemticas, obtenido mediante el estudio, la experiencia y la prctica, es
aplicada para desarrollar formas de utilizar, de manera econmica, los materiales y las
fuerzas de la naturaleza para el beneficio de la humanidad.
2. Los enunciados que siguen todos son formalmente correctos, excepto:
A) El ingeniero innova soluciones para los desafos del mundo real en la sociedad.
B) El ingeniero innova soluciones slo para los desafos del mercado en la sociedad
avanzada.
C) El ingeniero innova soluciones para los desafos del mundo tecnolgico para la sociedad
humana sin distingos sociales.
D). El ingeniero se adelanta a los problemas e innova soluciones para los desafos del
mundo real en la sociedad humana.
3. Lea el siguiente enunciado: La calidad es una fuerza que ha democratizado los
productos y los ha llevado hacia nuevas geografas y nuevas fronteras de usuarios. Ahora
diga si est de acuerdo o no. Para una u otra decisin explique por qu?_______________
_________________________________________________________________________
_________________________________________________________________________
_________________________________________________________________________
31
13. Es un diseo que tiene sensibilidad mnima a las variaciones de los factores no
controlables.
A) DEE
B) DoE
C) diseo robusto
D) diseo tecnolgico
32
14. Es un ratio que mide la seal de la onda de la voz transmitida desde la estacin de la
radiodifusora que convierte la voz en sonido. Cuanto ms grande es la voz enviada, mayor
es la voz recibida.
A) seal TV
B) seal ruido (S/R)
C) seal radio
D) seal satlital
15. Unidades con las que se mide la S/R
A) mm
B) kg
JK BLM
AK
C) lb/pulg2
D) dB
C)
D) ninguno
OM
B)
PM
17. El anlisis de los datos de los sistemas de medida para evaluar la variabilidad se
descompone en dos aspectos:
A) Media y varianza B) sesgo y variacin C) Intervalo de confianza
D) Incertidumbre
18. Dentro del sistema de medicin que se aplicaba en la industria automotriz estabilidad
significa:
A) Variacin que se origina cuando la misma persona mide repetidamente la misma
muestra.
B) Variacin que se genera cuando diferentes personas miden la misma muestra.
C) Variacin que se produce cuando la misma persona mide la misma muestra
repetidamente en diferente tiempo.
D) Variacin definida por el proceso.
19. En un buen sistema de medicin, el resultado de sta debe ser proporcional al valor
verdadero; as, la relacin de entrada/salida debe ser:
A) lineal
B) Curvilneo
C) Aleatorio
D) Horizontal
20. Cuando la relacin S/R se utiliza para abordar la condicin de la ajustabilidad, esta
accin se divide en dos modos:
A) determinado/indeterminado
B) no dinmicos/dinmicos
C) definido/indefinido
D) cierto/incierto
21. Los diagramas P, tanto no dinmicos como dinmicos contienen tres tipos principales
de factores:
A) factores de seal (M), factores de control (Z) y factores de ruido (X).
B) factores tecnolgico (T), factores humanos (H) y factores culturales (C).
C) factores ambientales (A), factores administrativos (G) y factores externos (E)
D) factores acadmicos (E), factores polticos (P) y factores ecolgicos
22. Es uno de los siete beneficios del uso de la relacin S/R.
A) Explica la variacin
B) Omite el ANOVA
C) Descubre las interacciones y las elude
D) Apoya para la evaluacin econmica de la variacin
33
D) Mnima
34
Referencias
ABET (sfe). Definition of Engineering. Disponible en:
http://www.wmich.edu/engineer/ceee/miller/082903/Lecture%20Notes.pdf
Consultado el 10 de marzo de 2015.
Arvidsson, M., Gremyr I. & Hasenkamp, T. (sfe). An operationalization of robust design
methodology. Chalmers University of Technology, Sweden. Disponible en:
http://www.chalmers.se/en/departments/math/centres/gmmc/researchprogramme/risk-reliability-quality/Documents/Arvidsson.pdf Consultado el 20 de
agosto de 2015.
Autor annimo (2015). Design of experiments Eberly College of Science, Penn
State
Science.
Disponible
en:
https://onlinecourses.science.psu.edu/stat503/node/6 Consultado el 19 de
agosto de 2015
Belavendram, N. (2012). Principles of Robust Design. Proceedings of the 2012
International Conference on Industrial Engineering and Operations
Management.
Istanbul, Turkey, July 3 6. Disponible en:
http://iieom.org/ieom2012/pdfs/295.pdf Consultado el 10 de septiembre de
2015.
Broncano, F. (2007). Diseos tcnicos y capacidades prcticas. Una perspectiva modal en
filosofa de la Tecnologa. Eidos: Revista de Filosofa de la Universidad del Norte,
mayo, 78-121.
Broncano, F. (2011).La ingeniera como una disciplina humanstica. El ingeniero como
intrprete de los artefactos. Reunin de la Asociacin Colombiana de Facultades de
Ingeniera, Santa Marta. Colombia, 7 Septiembre. Disponible en:
http://www.acofi.edu.co/portal/documentos/REUNAL_2011_PRESENTACION_F
BRONCANO.pdf Consultado el 8 de agosto de 2015.
Byrne, D.M., & Taguchi, S. (December, 1987). "The Taguchi Approach to Parameter
Design", Quality Progress , pp. 19-26
Cakmakci Mehmet, Durakbasa Numan M., Karasu Mahmut Kemal, and Bas Gokcen
(2013). The relationship between the quality engineering and Taguchi methodology.
Presentado en el 11th International Symposium on Measurement and Quality
Control 11th 13th of September, Cracow - Kielce, Poland. Disponible en:
http://www.imeko.org/publications/tc14-2013/IMEKO-TC14-2013-56.pdf
Consultado el 17 de agosto de 2015
Dawkins, R. (1993). El gen egosta. Las bases biolgicas de nuestra conducta. Barcelona:
Salvat.
Deming, W. E. (1986). Out of the crisis. Cambridge, Ma.: Massachusetts Institute of
Technology, Centre for Advanced Engineering Study.
Fisher, R. A. desarroll su The Design of Experiments en 1935; asimismo elabor
sus trabajos sobre los que sustenta el anlisis de varianza. Ver en:
http://es.wikipedia.org/wiki/Ronald_Fisher
Gabbay, D., Thagard, P. & Woods, J. (eds.) (2009). Handbook of the Philosophy of
Science. Amsterdam: North Holland_Elsevier, p. 22.
Hsiang, T. C. & Taguchi, G. (1985). Tutorial on quality control and assurance The
Taguchi Methods, Joint Meeting of the American Statistical Association, Las
Vegas, Nevada, 188.
35
http://www.wmich.edu/engineer/ceee/miller/082903/Lecture%20Notes.pdf
Consultado el 10 de marzo de 2015.
ISO 8402, descrita en: https://es.wikipedia.org/wiki/ISO_8402
Juran, J. M. & Godfrey, A. B. (1999). Jurans quality handbook. 5 ed. New York:
McGraw-Hill.
Kane, V. E. (1986). Process Capbility Indices. Journal of Quality Technology. Vol.
18, No. 1, January, pp. 41-52
Kapur, K. C. & Chen, G. (1988). Signal-to-noise ratio development for quality
engineering.
Quality
Reliability
Engineering
Internationl,
4: 133
141.doi: 10.1002/qre.4680040208
Kuhn, T.S. (1971). La estructura de las revoluciones cientficas. Mxico, D.F.: Fondo
de Cultura Econmica.
Kurekov, E. (2001). Measurement Process CapabilityTrends and Approaches,
MEASUREMENT SCIENCE REVIEW, Volume 1, Number 1. Journal of the
Institute of Measurement Science, Slovak Academy of Science, pp. 43-46.
M. Abdolshah, R. M. Yusuff, Y. B. Ismail and T. S. Hong (2010). A New
Asymmetric Bounded Loss-based Process Capability Index. Disponible en:
http://www.idosi.org/wasj/wasj11%287%29/20.pdf Consultado el 29 de
agosto de 2015.
Maiti, S. S., Saha, M. & Nanda, A. K. (2010). On Generalizing Process Capability
Indices. Quality Technology & Quantitative Management, Vol. 7, No. 3, pp.
279-300.
Montas, J. L. La ingeniera, motor de conocimientos cientficos. En Aracil, Javier
(2006). Ingeniera y pensamiento. Sevilla: Fundacin El Monte, pp. 107-122.
Oakland, J. S. (2003). Statistical Process Control. 5. ed. Burlington, MA.:
Butterworth-Heinemann
Park, S. H. & Antony, J. (2008). Robust design for quality engineering and six Sigma.
Singapore: World Scientific Publishing, p. 4
Phadke, M. S. (1989) Quality engineering using robust design. Englewood, NJ.:
Prentice Hall.
Saderra I Jorba, L. (1993). El secreto de la calidad japonesa. El diseo de
experimentos csico, Taguchi y Shainin. Barcelona: Marcombo.
Saha, M. & Maitit, S. S. (24 Mar. 2015). Trends and Practices in Process Capability
Studies.
Disponible
en:
arXiv:1503.06885v1
o
http://arxiv.org/abs/1503.06885v1 Consultado el 1 de septiembre de 2015
envar; . & Tozan, H. Process Capability and Six Sigma Methodology Including
Fuzzy and Lean Approaches. En Igor Fuerstner (Edit.) (2010). Products and
Services; from R&D to Final Solutions. Disponible en: Available from:
http://www.intechopen.com/books/products-and-services--from-r-d-to-finalsolutions/process-capability-and-six-sigma-methodology-including-fuzzyand-lean-approaches Consultado el 28 de agosto de 2015, pp. 153-178.
Shera, J. H. (1990). Los fundamentos de la educacin bibliotecolgica. Mxico, D.F.:
Universidad Nacional Autnoma de Mxico. Centro Universitario de
Investigaciones Bibliotecolgicas.
Speed, T. P. (May 1990). Introduction to "The Arrangement of Field Experiments"
by R.A. Fisher. (J. Min. Agric. Gr. Br., 33, 503-513; Collected Papers I, #38:
83-94). Technical Report No. 253. Department of Statistics, University of
36
California,
Berkeley,
California.
Disponible
en:
http://digitalassets.lib.berkeley.edu/sdtr/ucb/text/253.pdf Consultado el 19 de
agosto de 2015.
Surez, J. G. (1992). Three experts on Quality Management: Philip B. Crosby, W. Edwards
Deming and M. Joseph Juran. Arlington, Va.: United States, Department of the
Navy, Office of the Under Secretary of the Navy, Total Quality Leadership Office.
Taguchi, G. & Konishi, S. (1987). Orthogonal Arrays and Linear Graphs. Dearborn,
Mi.: American Supplier Institute Inc.
Taguchi, G. (1986). Introduction to Quality Engineering: Designing quality into
products and processes. Dearborn, MI.: Asian Productivity Organization,
distributed by American Supplier Institute Inc.,
Taguchi, G. (1993). Taguchi Methods. Design of experiments. Quality Engineering
Series, Volumen 4. USA: ASI Press, Japanese Standards Association.
Taguchi, G., Chowdhury S. & Wu Y. (2005). Taguchis Quality Engineering Handbook.
Hoboken, New Jersey: John Wiley & son
Taguchi; G., Chowdhury, S. & Taguchi, S. (2000). Robust Engineering: Learn How to
Boost Quality While Reducing Costs & Time to Market. USA: McGraw-Hill.
Takeshita, S. & Hosokawa, T. (january 2007). Achieving robust design through quality
engineering: Taguchi Method. FUJITSU, Sci. Tech. J. 43, 1, pp. 105-112.
Disponible
en:
http://www.fujitsu.com/downloads/MAG/vol43-1/paper12.pdf
Consultado el 18 de agosto de 2015
Tanco, M., Viles, E., & Pozueta, L. (2009). Comparing different approaches for
design of experiments (DoE), in Advances in Electrical Engineering and
Computational Science, Vol. 30 de la serie Lecture Notes in Electrical
Engineering, Netherlands: Springer, pp. 611-622.
Unal R., & Dean, E. B. (1991). Taguchi approach to design optimization for quality and
cost. An overwiev. Presented at the 1991 Annual Conference of the International
Society
of
Parametric
Analysts.
Disponible
en:
http://www.researchgate.net/publication/2753316_-_1__TAGUCHI_APPROACH_TO_DESIGN_OPTIMIZATION_FOR_QUALITY_AN
D_COST_AN_OVERVIEW_Resit_Unal_Edwin_B._Dean Consultado el 17 de
agosto de 2015.
UNESCO (2003). Technology education guide. Disponible en:
http://unesdoc.unesco.org/images/0013/001320/132001e.pdf Consultado el 21
de agosto de 2015.
Wu, Y. & Wu, A. (1996). Diseo robusto utilizando los Mtodos Taguchi. Madrid: Daz de
Santos
37
La fraccin defectuosa
La tcnica fraccin defectuosa, que se denota por p, es una de las prcticas ms
antiguas que se hayan utilizado en los procesos industriales. Es la relacin entre el nmero
de productos con algn tipo de defecto que los hace estar fuera de las especificaciones y
el nmero total de artculos producidos o inspeccionados. La tcnica se denomina control
por nmero de defectos. La expectativa consiste en tratar de obtener la menor fraccin
38
Ahora bien, el control de la produccin por nmero de defectos es una tcnica que se
excede por su simplicidad, dado que las unidades inspeccionadas pueden tener defectos o
diferencias con la norma de calidad, y aun as servir bastante bien al consumidor (Oakland,
2003). Para tener una imagen del comportamiento de los defectos se usa el grfico de
control c (control por nmero de defectos) muestra el nmero total de disconformidades
por una unidad y el grfico u (control de disconformidades) describe el nmero promedio
de defectos por unidad.
)
* ),*
/ FR
=
6
6
donde LSE denota el lmite superior de especificacin, LIE denota el lmite inferior de
especificacin, y es la desviacin estndar del proceso y el resultado indica el nmero de
veces que el proceso cabe dentro de la especificacin.
39
Si se tiene una muestra de tamao n, y las caractersticas de calidad son y1, y2,
...,yn, entonces se estima mediante la desviacin estndar de la muestra
X UV UW
S = = T VYZ
1
[K
X
=
W
del tamao n de la muestra. Los valores de d2 se pueden encontrar en los apndices de los
libros de texto de control estadstico de procesos.
Cuando el ndice de Cp = 1, indica que 6, o el 99.73 %, de la salida del proceso
cumple simplemente con las especificaciones. Es decir, no hay lugar para cambiar la media
del proceso, sin que se hagan ms productos fuera de especificacin. Por esta razn, el Cp
mnimo requerido para que un proceso pertenezca a la clase A es 1.33 (vase la figura 2.1 y
2.2)
40
Donde
'(a =
)
* 8
3
'(f =
8 ),*
3
'(\ = 1 h'(
i =
|k 8|
)
* ),*l
2
41
Los lmites de especificacin se establecen con base en la funcionalidad del producto y son
determinados por el departamento de diseo o por el proveedor, si el cliente no lo
especfica. Mientras que, los lmites de control son la voz del proceso y no tienen
relacin con los lmites de especificacin aunque se desea que los lmites de control estn
dentro de los lmites de especificacin (Escalante, 2006). De este punto surge la
oportunidad de utilizar las tolerancias estadsticas que sean ms pertinentes cuando se
utiliza una funcin de prdida de calidad.
42
resulta natural especificar una funcin de prdida que permita medir la caracterstica de un
producto (Park, 1996), de tal manera que el producto planeado resulte con un costo
competitivo.
Tradicionalmente, la calidad del producto se ha medido mediante la comparacin
de las caractersticas crticas de aqul con respecto a las especificaciones de ingeniera del
producto. Sin embargo, ya que son los procesos de produccin los que determinan la
calidad del producto terminado, es importante, entonces, controlar la capacidad del proceso.
La funcin de prdida es un nuevo enfoque para la evaluacin de esa capacidad. Sin
embargo, es importante dejar claro que el objetivo de la funcin de prdida de calidad es la
evaluacin cuantitativa de la prdida causada por la variacin funcional de un producto
(Taguchi, et al, 2005). Es decir, se trata de investigar el aspecto econmico de las
especificaciones de precisin del diseo.
No importa cmo se mida la calidad del producto o del proceso, hay tres criterios
que se consideran estndar y son de aplicacin general en las siguientes situaciones:
Nominal es mejor
Menor es mejor
Mayor es mejor
Cuando el proceso bajo estudio tiene un valor objetivo finito, por ejemplo una
43
R m
R mm
R X
6 +
6 + +
6 X
1!
2!
!
)m
)mm
)mmm
)mmmm
U +
U +
U q +
U s
1!
2!
3!
4!
44
En tal expresin se ve claramente que L() = 0; puesto que el valor mnimo de la funcin se
obtiene en el objetivo , la primera derivada de la funcin, en este punto, es tambin cero;
es decir, L'() = 0. Por lo tanto la ecuacin previa se reduce a:
)mm
)mmm
)mmmm
q
)U =
U +
U +
U s 2.2
2!
3!
4!
La cual se puede replantear como
)U = i U 1 + iq U 1q + is U 1s 2.3
Esta funcin representa la forma general de la funcin de prdida de cuarto grado con sus
coeficientes k2, k3 y k4 que son constantes, y que se refieren como de segundo, tercer y
cuarto orden (Trcolea & Stere Paris, 2011). Este mismo razonamiento, es decir la funcin de
prdida, Taguchi et al (2005), lo plantean de la siguiente manera:
) = )G + U G 2.4
= )G +
)m G
u w
U G +
x w% + 2.5
1!
%!
(2.7)
45
La figura 2.5a, que representa la funcin pasa-no pasa, describe que cualquier valor que
tenga el producto en el intervalo m 0 es igual de bueno para satisfacer las necesidades
del consumidor, pero tan pronto como se salta ese rango el producto se define como igual
de malo para el usuario. Esta manera de decisin es una forma no adecuada para cuantificar
la prdida de calidad. Adems, lo que se busca es calcular la funcin de prdida desde el
punto de vista del consumidor, por ello se usa el trmino tolerancia del consumidor en
vez de "tolerancia especificacin" que se utiliz para definir el ndice de capacidad del
proceso. Normalmente, la tolerancia del consumidor es ms amplia que la tolerancia de
especificacin del productor.
Se sugiere que la unidad de medida monetaria sea el dlar, dado que esta divisa es la que predomina en los
intercambios comerciales. Aunque la persona que est haciendo el anlisis de la funcin de prdida de calidad
tiene la libertad de elegir cualquier moneda de uso corriente.
46
En realidad, para cada caracterstica de calidad existe alguna funcin que define de
forma nica la relacin entre la prdida econmica y la desviacin de la caracterstica de
calidad a partir de su valor objetivo. De una forma u otra, la funcin de prdida de calidad
es un cambio radical para la evaluacin de la calidad en trminos de especificaciones al
convertir el concepto abstracto de la calidad en un mtodo cuantitativo que sirva para el
47
control de calidad y la mejora (Roshan, 2004), en los que, por supuesto, va implcita la
robustez.
Para un producto con un valor objetivo m, si se le analiza desde el punto de vista
del consumidor, m 0 representa la desviacin dentro de la cual puede ocurrir la falla
funcional de un producto o componente. Cuando la caracterstica de calidad de un producto
se manufactura en el extremo m + 0, o en el extremo m - 0, el consumidor promedio se ve
obligado a llevar a cabo algunas contramedidas tales como descartar el producto, sustituirlo
o repararlo. El costo de esa contramedida es igual a A0, y dado que la funcin de prdida es
L = k (y m)2
y sea la caracterstica
y = m + 0
Se sustituyen tanto A0 en L, como m + 0 en y de la funcin original, se tiene entonces
A0 = k (m + 0 m)2
Se elimina m, entonces
A0 = k (0)2
Como consecuencia
i =
z{
{
~
%
x w %
48
Hasta este punto, la funcin de prdida de calidad slo explica la prdida que genera una
sola pieza o un solo producto defectuoso (Taguchi, et al, 2005). En general, la evaluacin
se puede realizar para mltiples piezas de productos como se explicar ms adelante.
La ecuacin
u = } x w% =
z0
20
U G 2
no implica que cada cliente que recibe un producto de calidad y incurrir en la misma
prdida calidad L(y). Ms bien, se debe entender que L(y) es la prdida media de calidad a
la que incurren los clientes que han adquirido el mismo producto.
Visto de manera ms amplia, si busca evaluar las calidades de todas las piezas de
todos los productos, esto significa calcular la prdida para ms de una pieza. Para efectuar
esta evaluacin, lo primero que se hace es obtener el promedio de (y m)2, lo cual se le
conoce como desviacin media elevada cuadrada. Valor que se sustituye en la funcin
original
u = } x w%
49
u = } #
Esto significa que para n piezas de productos con una salida y1, y2, , yn la prdida es
) =
) = i
VYZ
1
= UV UW + UW G
X
VYZ
respecto al valor objetivo (target). Con todo esto, ya se puede evaluar la calidad de todos
los productos. Para reducir la prdida, se debe reducir la MSD. Para lograrlo, se puede
2: reducir la variabilidad alrededor de la media
Dicho de otra manera, con el propsito de minimizar la prdida esperada se tiene que
reducir la variacin de la calidad 2, al mismo tiempo reducir la diferencia entre la media
50
calidad. (Taguchi, et. al., 2005), de manera tal que pueda compararse la prdida de calidad
y el precio del producto.
Ejemplo 2.1 Tipo de caracterstica de calidad nominal es mejor, para una pieza
El circuito neumtico de frenos de un camin de carga debe trabajar a una presin
nominal de 8 kg/cm2. El personal de laboratorio hizo algunas pruebas y encontr que la
tolerancia funcional recomendable es de m 0.5 Kg/cm2. Sin embargo, los usos y
costumbres de los usuarios, unos por dificultades en el frenado prefieren una presin de 6
kg/cm2; otros, por fugas en los racores si la presin del circuito alcanza los 10 kg/cm2. La
reparacin adecuada de la vlvula reguladora tiene un costo de 100 dlares.9
Responda,
i) defina m; ii) defina 0; iii) defina A0; iv) Coloque los valores definidos en la curva que
representa la funcin de prdida; v) calcule k; vi) Elabore la funcin de prdida especfica
para el circuito neumtico de frenos de un camin de carga; vii) Dada la funcin de prdida
especfica calcule la prdida cuando la caracterstica calidad y = presin kg/cm2 es igual a
10 kg/cm2; viii) Redacte sus conclusiones
Respuesta
i) m = 8kg/cm2; ii) 0 = 2kg/cm2; iii) A0 = 100 dlares;
iv) Coloque los valores definidos en la curva que representa la funcin de prdida
Este ejemplo fue tomado y adaptado del ensayo diseo de experimentos de autor annimo (sfe). Diseo de
experimentos. Disponible en: http://www.caprichos-ingenieros.com/ewExternalFiles/taguchi.pdf Consultado
el 11 de septiembre de 2015
51
v) i =
Z{{
M
= 25
u = } x w% =
z0
20
U G 2
52
voltios en corriente directa. Cualquier desviacin de los 115 voltios se considerar como
una variabilidad funcional y provocar alguna prdida. Es decir, el costo por reparar o
reemplazar el circuito en el televisor de color es de 10 dlares norteamericanos. Esto ocurre
cuando y est fuera del intervalo 115 3 volts, y el aparato ya est en manos del
consumidor.
Ahora suponga que cuatro fbricas producen dichos circuitos bajo las mismas
especificaciones: 115 3 voltios, cuya produccin aparece en la figura 2.8. Suponer an
ms que las cuatro fbricas llevan a cabo una inspeccin al 100% (y ser lo bastante ingenuo
para creer que dicha inspeccin es 100% eficaz), de modo que se embarcan slo piezas
que cumplen con las especificaciones. Si USTED fuera el cliente y quisiera comprar los
circuitos de alguna de las cuatro fbricas, cul elegira, suponiendo que el precio del
circuito fuera el mismo? Su respuesta, sin duda, se dirigir hacia la distribucin del
proveedor 4!
Figura 2.8 Distribucin del circuito convertidor AC/CD de las cuatro plantas
53
UW
Tabla 2.1. Datos del circuito convertidor AC/CD de las cuatro fbricas
Fbrica
1
Datos
112, 113, 113, 114, 114, 115,
115, 116, 116, 117, 117, 115,
118
Datos
113, 114, 114, 114, 115, 115,
115, 115, 115, 116, 116, 116,
113
Datos
113, 113, 112, 113, 112, 113,
114, 115, 112, 113, 114, 112,
114
Datos
114, 115, 116, 114, 115, 116,
114, 115, 116, 114, 115, 116,
115
115
UW
114.69
UW
113.08
UW
115
MSD
L (Dlares)
3.17
3.17
3.52
MSD
1.065
1.1611
1.29
MSD
0.91
4.60
5.11
MSD
0.67
0.67
0.74
Responda,
i) Qu tipo de caracterstica de calidad est evaluando?; ii) Cul es la caracterstica de
calidad y cul es la unidad de medida?; iii) Identifique m; iv) Identifique 0; v) Identifique
A0; vi) Calcule k; vii) Calcule la y , 2, MSD y la L de cada fbrica; viii) Despus de haber
realizado sus clculos y sin mayor anlisis, la fbrica 4 sigue siendo la mejor opcin?; ix)
Redacte sus conclusiones; x) Ya que redact sus conclusiones asuma que usted es un
ingeniero de la fbrica 2 y le dice a su Director de I+D e I, que le gustara invertir
20,000.00 dlares para elevar la calidad del proceso como el de la fbrica 4. Qu le dira a
su jefe? Cmo justificara tal inversin? Suponga que la produccin mensual es de
100,000 piezas.
Respuesta,
i) El tipo de caracterstica de calidad que se est evaluando es: nominal es mejor.
ii) La caracterstica de calidad es: voltaje de salida; la unidad de medida: voltio.
iii) m = 115 voltios
iv) 0 = 3 voltios
v) A0 = 10 dlares
x!
"
vii) Calcular
=
x
Z{
54
ZZZZqZZqZZ
WWWWWWWWWWWW
Z =
= 115 voltios
Zq
Zq
x! x
%
"
.Z
=
.
=
.q
=
.s
=
MSD =
1 n
( y i m )2
n i =1
1 n
( y i y )2 + ( y m )2
n i =1
( y1 y )2 + ( y 2 y )2 +L+( y n y )2
= 2 + ( y m )
n
2
k
E.Z = .Z
+ UW.Z G
+ ( y m)
55
k
E.Z = 3.17 + 115 115 = 3.17
+ UW. G
k
E. = .
k
E. = 1.065 + 114.69 115 = 1.1611
k
E.q = .q
+ UW.q G
k
E.q = 0.91 + 113.08 115 = 4.60
+ UW.s G
k
E.s = .s
k
E.s = 0.67 + 115 115 = 0.67
Clculo de la prdida para cada fbrica
L =k (MSD)
LFab.1 = 1.11 (MSDFab.1)
LFab.1 = 1.1 (3.17) = 3.52 dlares
De acuerdo con los clculos llevados a cabo, con los datos disponibles de cada
fbrica, la primera observacin general consiste que las cuatro fbricas tienen una prdida.
Sin embargo, hay que poner atencin que tales prdidas describen diferencias
significativas. Esto significa que todo proceso de produccin tiene una dispersin. Si se
siguiera la cultura de tomar una decisin con base en los promedios resulta claro que la
fbrica 3 no ser elegida, porque su promedio se aleja del parmetro m = 15 voltios. Le
sigue la fbrica 2 cuyo promedio est muy prximo al parmetro m. La disyuntiva se refleja
56
entre la fbrica 1 y la fbrica 4, dado que los promedios de ambas es igual al parmetro m.
Cul elegir como proveedor?
Con base en la experiencia, se sabe que la varianza ms comprimida es una seal
de baja dispersin. Siguiendo este criterio se observa que la fbrica 4 es la que tiene la
varianza ms baja si se le compara con las varianzas de las fbricas 1, 2, y 3. El valor de la
varianza de la fbrica 4 resulta consistente con su correspondiente MSD que tambin
deviene bajo. Para cerrar el ciclo de observaciones, la prdida L de la fbrica 4 tambin es
tambin es bastante reducida y la prdida L = 0.74 dlares es la ms baja de las cuatro, por
la tanto, la fbrica 4 es la mejor opcin para que sea la proveedora del circuito AC/CD.
Note que en todos los casos, la MSD ms pequea significa una prdida promedio
menor para la sociedad. Por ello, la responsabilidad, para obtener alta calidad a bajo
costo, es reducir la MSD. Esto se puede alcanzar a travs del diseo de parmetros, y el
diseo de tolerancias. La funcin de prdida ofrece una manera de cuantificar los beneficios
que se alcanzan por la reduccin de la variabilidad alrededor del target.
x) Cmo justificar una inversin de 20 mil dlares en la fbrica 2 para mejorar un proceso
57
todas o casi todas las partes de acuerdo con las especificaciones establecidas. Esto es
especialmente cierto si la distribucin se centra dentro de los lmites de especificacin.
se obtiene
u = } x w%
u = } x %
u = } x%
por lo que, haciendo 0 = y0, entonces i = M , por lo que la forma final de la funcin de
z0 2
U
U20
58
L = k (MSD)
donde k
E = XVYZ
KM
X
= + UW
59
calidad y cul es la unidad de medida?; iii) Identifique 0; iv) Identifique A0; v) Coloque los
valores que identific en los anteriores acpites en la grfica que representa la funcin de
prdida menor es mejor; vi) Calcule k; vii) Formule la funcin de prdida especfica de la
caracterstica de calidad menor es mejor; viii) Redacte sus conclusiones
Respuesta
i) El tipo de caracterstica de calidad es: menor es mejor
ii) La caracterstica de calidad es: emisin a la atmsfera y la unidad de medida es ppm
vi) i =
viii) Conclusiones
z0
U 2
U20
u = , . x%
Mientras que la emisiones de formaldehdo se encuentren por debajo de las 0.45 ppm la
empresa que fabrica los paneles para muebles no pagar los 400 dlares. Sin embargo,
reducir ese valor de las emisiones es lo ms recomendable.
60
Ejemplo 2.4. Tipo de caracterstica de calidad menor es mejor para una sola pieza.
es la unidad de medida?; iii) Identifique 0; iv) Identifique A0; v) Coloque los valores que
identific en los anteriores acpites en la grfica que representa la funcin de prdida
menor es mejor; vi) Calcule k; vii) Formule la funcin de prdida especfica de la
vi) i =
11
Este ejemplo fue tomado y adaptado de la presentacin Mtodo Taguchi de Ros Nava, M. G. (sfe).
Diseo de experimentos. Disponible en: http://files.iindustrial7.webnode.com/200000232efa52f09ee/METODO%20TAGUCHI%20ok.pdf Consultado el 12 de septiembre de 2015.
61
u=
z0 2
U
U20
u = %. x%
viii) Conclusiones
En la medida que lo tiempos de entrega estn por debajo de las 2 horas prometidas para la
entrega de la mensajera la empresa no pagara los 10 dlares de compensacin por haber
hecho la entrega por arriba de la 2 horas comprometidas.
Iph
Datos (segundos)
1.28, 1.24, 1.33, 1.30,
1.35, 1.18, 1.26, 1.24,
1.16, 1.33
1.08, 1.12, 1.07, 1.03,
1.03, 1.09, 1.06, 1.05,
1.04, 1.03
UW
UW
MSD
L (Dl.)
1.267
seg.
0.004
1.605
1.609
57.2
1.06
seg.
0.0009
1.124
1.1249
39.6
Responda,
i) De qu tamao es n?; ii) Qu caracterstica de calidad est midiendo?; iii)Cul es la
62
vii) i =
{ cD
viii) Calcular
UW =
K
X
U
WWWWWWW
0D =
WWWWW
U
( =
Z.M
.
= 35.55
UV 8
=
k
E =
VYZ
UV
k
E = + UW se sustituyen los valores
MSDSmsg = 0.004 + (1.267)2 = 1.609
63
k
E( =
x) Conclusiones
De acuerdo con los resultados obtenidos para cada marca de celular de las que se avalu la
dos es mejor para la tarea esperada. La media UW = 1.267 de la marca Smsg es mayor que
velocidad de envo y recepcin de imgenes, cuatro indicadores para cada marca definen cul de los
UW = 1.06 de la marca Iph, la varianza 2 = 0.004 de la marca Smsg es mayor que la
varianza 2 = 0.0009 de la marca Iph, la MSD = 1.609 de la marca Smsg es mayor que la MSD =
1.1249 de la marca Iph. De acuerdo con los dos ltimos valores, la prdida LSmsg = 57.2 dlares de
la marca Smsg es mayor en poco ms de 30.0%, que la prdida LIph = 39.6 dlares de la marca Iph.
Asimismo, la primera marca es mayor en ms del 16 % en tiempo promedio de envo y recepcin
de las imgenes con respecto la segunda marca. En este sentido, a efecto de no incurrir en gastos
superiores de 80 dlares por no recibir las imgenes en un tiempo menor de 1.5 segundo se
recomienda adquirir los telfonos celulares de la marca Iph.
64
Para este tipo de figura, la funcin de prdida se aproxima mediante la sustitucin de 1/y
para y en la ecuacin
65
)=i
1
U
1
U
z{ = i
y resolviendo para k, se obtiene
1
{
i = z{ {
La funcin de prdida de calidad inmediata anterior explica la prdida para una pieza. Ante
la necesidad de calcular la prdida para muchas piezas, la funcin que favorece esta
evaluacin es,
L = k(MSD),
1
1
donde k
E =
UV
X
VYZ
= X < M + M + + M =
Z
Ejemplo 2.5. Tipo de caracterstica de calidad mayor es mejor para una sola pieza.
La compaa Tu Kasco es especialista en el diseo de motores. En este momento tiene el
reto de maximizar la resistencia de la soldadura protectora de las terminales de un motor
muy especial. Con base en su experiencia saben que cuando la tensin es de 2 lbs/pulg2,
algunas soldaduras se quebrarn, esta anomala les obligara desembolsar un costo
promedio de reemplazo de A0 = 200 dlares.
66
Responda,
i) Qu tipo de caracterstica de calidad est midiendo?; ii) Cul es la caracterstica de
calidad?; iii) Cul es la unidad de medida?; iv) Cul es valor actual de la caracterstica de
calidad?; v) Cul es el costo de econmico de reducir ese valor?; vi) Calcule k; vii)
Formule la funcin de prdida de calidad para la caracterstica mayor es mejor; viii) Dibuje
la curva de la funcin de prdida mayor es mejor y coloque el valor de y0 en el lugar y la
direccin correspondiente; ix) A cunto asciende la prdida si un operario recin
contratado dejara una soldadura que soporta una tensin de 1.5lbs/ pulg2?; x) Coloque el
valor de la prdida en la grfica previamente elaborada; xi) Formule sus conclusiones.
Respuesta,
i) El tipo de caracterstica de calidad que se est midiendo es: mayor es mejor.
ii) La caracterstica de calidad es: resistencia de la soldadura.
iii) La unidad de medida es: lb/pulg.2
iv) Valor actual de la caracterstica de calidad: y0 = 2lbs/pulg.2
vi) Clculo de k, i = z{ { , se sustituyen los valores, k = (200)(2)2 = 800
v) Reducir el valor actual de la caracterstica de calidad: A0 = 200 dlares.
67
xi) Conclusiones
Si la compaa Tu Kasco no quiere exponerse a correr riesgos innecesarios y pierda parte
de su mercado y su prestigio, no slo debe cuidar las destrezas tcnicas de sus operarios en
rea de soldadura, sino, sobre todo, debe elevar la resistencia de la soldadura ms all de las
2lbs/pulg.2 con el fin de no pagar 200 dlares, en caso de que se rompiera la soldadura.
2
1.173
UW
62.73
MSD
0.01683 x 10-6
L
8.42
10.083
5.54
101.67
0.01172 x 10-6
5.86
68
Responda,
i) De qu tamao es n?; ii) Qu tipo de caracterstica de calidad est midiendo?; iii).
Cul es la caracterstica de calidad?; iv). Cul es la unidad de medida?; v). Cul es valor
actual de la caracterstica de calidad?; vi). Cul es el costo sobrepasar ese valor?; vii).
Calcule k; viii). Calcule y , 2, y 2 , MSD, L; ix). Formule la funcin de prdida de calidad
para cada versin; x). Redacte sus conclusiones
Respuesta,
i) El tamao de n es: n = 12
ii) El tipo de caracterstica de calidad es: mayor es mejor.
iii) La caracterstica de calidad es: horas de vida til.
iv) La unidad de medida: la hora
v) Valor actual de la caracterstica de calidad: y0 = 5,000 horas
vi) Costos de reducir el valor y0 = 5,000 horas: A0 = 20 dlares
UW =
U
WWW
=
8 + 7 + 8 + + 9
= 7.92 G
12
10 + 6 + 10 + + 11
= 10.083 G
12
UV 8
=
U
WWW
=
=
Clculo de MSD
69
1 1
1
1
k
E = + + +
UZ
UX
U
Se sustituyen los valores
k
E =
k
E =
1 1
1
1
+ + + = 0.01683610B
10 8
7
9
1 1
1
1
+ + + = 0.01172610B
10 10
6
11
versin B mostraron una media UW = 10,083 y una prdida LB = 5.86 dlares, pero
El gerente de la firma de automviles est en un serio dilema. Los datos de la escobilla
con un varianza 2 = 5.54. En tanto que los datos de la escobilla versin A arrojaron una
70
En sntesis, las ecuaciones para calcular las funciones de prdida para las
diferentes caractersticas de calidad se resumen en la tabla 2.4.
Tabla 2.4. Las funciones de prdida para diferentes caractersticas de calidad
Tipos de caractersticas
Nominal es mejor
Menor es mejor
Mayor es mejor
1
U
i=
z{
U{
i = z{ U{
1
k
E = UV G
X
VYZ
L = k (MSD)
= + UW G
L = k(MSD)
= + UW
k
E =
VYZ
UV
1
1
k
E =
UV
X
VYZ
1 1
1
1
= + + +
UZ
UX
U
71
72
73
respuesta. Hay varias relaciones S/R disponibles en funcin de los tipos de caractersticas:
continuas o discretas; nominal es mejor, menor es mejor o mayor es mejor (Park, 1996).
Por ahora slo se explicar las caractersticas continuas.
8
=
Esto significa que el sistema ser mejor cuanto mayor sea el valor numrico de la relacin
S/R.
seal, como la potencia del ruido se reemplazan por las estimaciones de 8 en el numerador
Cuando se utiliza la relacin S/R en un experimento estadstico, tanto la potencia de la
encontrar
S = =
=
XVYZUV UW
1
74
$
% = #w
"
Mientras que
Donde
0 =
UV
/ =
Se obtiene
8
=
#w
"
/ =
=
Taguchi recomienda utilizar el logaritmo comn de esta relacin S/R multiplicado por 10,
con lo cual, la relacin se expresa en decibeles (dB). Por lo tanto, para el caso de la
caracterstica continua nominal es mejor, la relacin S/R se define como
#w
"
/ = 10 log
Observe cmo el valor de la S/R se incrementa cuando la potencia del ruido (V) decrece y
la potencia de la seal S V se incrementa. Tambin, no pierda de vista que si
Z
0 =
UV
= UW
75
UW
/ = 10 log
Entonces,
/ = 10 log
Note que
W
D
UW
UW
/ = 10 log = 20 log
es el recproco del coeficiente de variacin, el cual, como es sabido por todo
Ejemplo 2.7. Relacin S/R para el tipo de caracterstica de calidad nominal es mejor.
Los datos que se muestran ms abajo son los resultados de cuatro pruebas que se llevaron a
cabo en un experimento diseado con un arreglo interno y un factor de ruido de dos niveles
N1 y N2. Los datos muestran diferentes variaciones. Obtenga la relacin S/R para la
caracterstica de calidad nominal es mejor para cada prueba.
Resultados de la prueba 1:
N1 11, 10, 9
N2 11, 10, 9
Resultados de la prueba 2:
N1 12, 10, 8
N2 = 12, 10, 8
76
Resultados de la prueba 3
N1 12, 11, 10
N2 = 10, 9, 8
Resultados de la prueba 4
N1 21, 20, 19
N2 = 21, 20, 19
Respuesta,
Clculos de la prueba 1
#w
"
/ = 10 log
i) Obtener 8 = UW
UW =
UV
11 + 10 + 9 + 11 + 10 + 9
= 10
6
?
ii) Estimar la
U
WWWWWWWWWWW
a Z =
? = =
=
a Z
UV UW
1
UV
iii) Calcular Sm
0 =
0 (a Z
11 + 10 + 9 + 11 + 10 + 9
=
= 600
6
#w
/ = 10 log "
77
/a Z
.
= 10 log
= 10log 124.83
0.8
/ = 10 log
/a Z
WWWWWW
10
= 10
= 10125 = 102.0969 = 20.96
0.8
UW
10
Clculos de la prueba 2
#w
/ = 10 log "
i) Obtener 8 = UW
UW =
UV
12 + 10 + 8 + 12 + 10 + 8
= 10
6
?
ii) Estimar la
U
WWWWWWWWWWW
a =
? = =
=
a
=
UV UW
1
78
UV
0 =
iii) Calcular Sm
0 (a =
12 + 10 + 8 + 12 + 10 + 8
= 600
6
#w
"
/ = 10 log
/a
. %
= 10 log
= 10log 31.083
3.2
#w
"
/ = 10 log
Clculos de la prueba 3
i) Obtener 8 = UW
UW =
UV
12 + 11 + 10 + 10 + 9 + 8
= 10
6
?
ii) Estimar la
U
WWWWWWWWWWW
a q =
? = =
=
a q
=
UV UW
1
UV
0 =
iii) Calcular Sm
79
0 (a q =
12 + 11 + 10 + 10 + 9 + 8
= 600
6
#w
"
/ = 10 log
/a q
%
= 10 log
= 10log 49.833
2
#w
/ = 10 log "
Clculos de la prueba 4
i) Obtener 8 = UW
UW =
UV
21 + 20 + 19 + 21 + 20 + 19
= 20
6
?
ii) Estimar la
U
WWWWWWWWWWW
a s =
? = =
=
a s
=
UV UW
1
UV
iii) Calcular Sm
0 =
0 (a s =
21 + 20 + 19 + 21 + 20 + 19
= 2,400
6
80
#w
"
/ = 10 log
/a s
%, .
= 10 log
= 10log 499.83
0.8
Dado que la relacin S/R mide la desviacin de una caracterstica de calidad con respecto a
su valor nominal, entonces una relacin S/R alta significa una desviacin estndar baja. En
tal sentido, la prueba 4 cuya relacin S/R = 26.99 dB, no slo es la ms alta de las cuatro
pruebas, sino que tambin tiene la desviacin estndar ms baja, lo cual es la condicin
necesaria para lograr un diseo robusto.
Suponga que tiene un conjunto de datos de la caracterstica y1, y2, , yn. La estimacin
natural de E(y2) es
XVYZUV 0
1
k
E = UV 0 =
X
VYZ
81
XVYZ UV
1
= UV =
X
VYZ
donde MSD expresa la desviacin media elevada al cuadrado con respecto al valor objetivo
de la caracterstica de calidad estudiada. Para ser consecuente con su aplicacin en la
ingeniera de calidad, se utiliza la transformacin logartmica de la caracterstica de calidad
de tipo menor es mejor de la que se espera que el valor de la relacin S/R sea grande para
situaciones favorables. La ecuacin es
/ = 10 log UV
X
VYZ
Datos (yi)
(milivoltios)
UV
VYZ
/ = 10 log UV
X
VYZ
Responda,
i) Qu tipo de caracterstica calidad se evala?; ii) De qu tamao es n?; iii) Calcule la
82
/ = 10 log UV
/.Z
/.Z
VYZ
1
= 10 log UV
VYZ
#/. = . = . = .
/. = 10 log
iv) Conclusiones
Con base en los resultados que se obtuvieron de la S/R para medir la caracterstica de
calidad de tipo menor es mejor, cuyo propsito es decidir qu equipo es menos sensible a la
variacin del microvoltaje, se observa que la relacin S/R del proveedor 2 es la ms grande.
Esto significa que si se observaran los promedios de ambos equipos, el promedio del
equipo 2 estar ms prximo a cero (0) y su varianza debe ser la ms pequea. En tal
sentido, se recomienda adquirir el equipo quirrgico del proveedor 2.
de tipo menor es mejor, tambin se hace para estimar la prdida esperada ) = i* M) de la
Z
VYX
1
1
=
UV
X
VYZ
Este ltimo trmino es la base de la que se desprende la relacin S/R para la caracterstica
de calidad de tipo mayor es mejor. Es muy importante hacer notar que el enfoque mayor es
83
mejor es una ltima alternativa para los ingenieros que confunden qu tipo de caracterstica
elegir y cmo evaluarlas (Wu & Wu, 1996). Para n datos: y1, y2, , yn, la ecuacin para la
relacin SR del tipo de caracterstica sealado es
1
1
/ = 10 log
UV
X
VYZ
= 10 <
Z
MM
+ + M=
Z
1
1
= 10 log
UV
X
/VD ac
/VD ac
VYZ
1
1
1
1
= 10 log + +
3
20
21
22
q
VYZ
1
1
1
+ +
21
22 = 10 log 0.0022778
= 10 log 20
3
/
1
1
1
1
= 10 log + +
3
17
21
25
/VD ac
VYZ
1
1
1
+ +
21
25 = 10 log 0.00244259
= 10 log 17
3
84
para tener una mayor cantidad de evidencias para tomar la decisin pertinente.
En sntesis, las ecuaciones para calcular las relaciones S/R para los diferentes tipos
de caractersticas de calidad se resumen en la tabla 2.5.
Tabla 2.5 Funcin de prdida y relacin S/R para un conjunto de n observaciones
Tipo de
caracterstica
Prdida
promedio
Nominal es
mejor
1
iZ UV _ G
Menor es
mejor
1
iZ UV
Mayor es
mejor
VYX
VYX
X
1
1
i
UV
VYX
Relacin S/R
Enfoque relacin S/R
Enfoque
funcin
de
prdida
X
1
1
< =
0
10
10 UV _ G
VYX
UW
20
M , i = z { {
1
10 UV
X
VYX
X
1
1
10
UV
VYX
2.12.
85
Por lo tanto, la probabilidad de xito ser el rea bajo la curva de la funcin de densidad de
probabilidad (fdp) para la amplitud acotada del sistema que a su vez limita el rango de
diseo (Suh, 1999). EL rango de diseo se especifica utilizando los lmites inferior y
superior de especificacin, es decir, LIE (rango diseo bajo, rdb) y LSE (rango diseo alto,
rda), como se muestra en la figura 2.13.
86
tolerancias con intervalo ya que una y otro pudieran diferir en cuanto extensin y propsito
(Sharma & Cudney, 2011). En un diseo robusto, la caracterstica de calidad, y, es definida
por los requerimientos funcionales (RF). Estas exigencias, a su vez, permiten que una
porcin de la amplitud del sistema se sobreponga en el rango de diseo, de manera que
ambos comparten un rea comn. Esta zona comn, dentro del marco del sistema que est
definido por la funcin de densidad de probabilidad y, a su vez, el rango de diseo, delimita
la probabilidad de lograr los requerimientos funcionales especificados (El-Haik, 2006), los
cuales se expresan en trminos de su valor nominal, con tolerancias permisibles o la
exactitud deseada.
Los requerimientos funcionales se satisfacen mediante el diseo de parmetros o
parmetros fsicos. Los requerimientos funcionales, vistos desde los intervalos, significan
qu es lo que se quiere lograr y vistos desde el diseo de parmetros, que son de hecho
las tolerancias, es responder a la pregunta cmo se va satisfacer tales exigencias
funcionales? (Suh, 2003). Esta distincin tiene el propsito de advertir que las
vulnerabilidades conceptuales siempre arrojarn vulnerabilidades operacionales. Como
apunta Earl, et al., (2004) la estructura de un diseo es dinmica, cambia a travs del
proceso, se afinan los detalles, se analiza el desempeo, as como el comportamiento de las
sucesivas propuestas de diseo.
Intervalo
Los lmites de tolerancia naturales son los lmites 3 (intervalo). Este concepto
se puede generalizar en varios sentidos; por ejemplo, se puede considerar un mltiplo
arbitrario de la desviacin estndar poblacional, , o bien se puede considerar que la
poblacin no es normal. En un sentido ms amplio, los lmites de tolerancia naturales de un
proceso son aquellos que contienen cierta fraccin 1 - de la distribucin de la
caracterstica de la calidad estudiada. En el caso donde la distribucin de la caracterstica
estudiada es normal (anlogamente cuando es conocida), se tiene que, para y conocidos,
los lmites de tolerancia naturales que contienen al 100(1 - ) % de los valores de la
caracterstica estudiada son Z/2 (ver figura 2.14).
87
88
Una camisa con un cuello de 40 cm se ajusta exactamente a una persona que tiene
un cuello de 40 cm. Una persona que tenga un cuello de 40.5 cm debe comprar una de 40
cm que le quedara ajustada 0.5 cm, o comprar una que tenga un cuello de 41 cm que le
quedara 0.5 ms holgada. El sistema actual de tallas tiene una tolerancia de
0.5 cm
La cuestin es, entonces, cul es el intervalo que comprenda las tolerancias. Si un cuello
ajustado es menos tolerable que uno holgado, entonces las tolerancias puede ser un
conjunto asimtrico de ms y menos lados, tales como
- 0.3 cm
+ 0.7 cm
Son razonables los actuales intervalos de tallas de 1 cm para los cuellos y 2 cm
para las mangas? Una persona que no puede encontrar la talla exacta de su cuello
experimenta una prdida. En el mismo sentido se expresa la talla de los zapatos. Dado que
solamente el 30 % de los consumidores puede encontrar los zapatos que le ajustan
perfectamente, entonces el 70 % est experimentando una prdida porque su medida exacta
no est disponible. Con tantos productos en el mercado es extrao que un consumidor no
pueda encontrar uno que satisfaga sus necesidades. Proveer productos para satisfacer las
necesidades de tantos consumidores como individuos haya, es un problema de estndares y
una medida del progreso de la civilizacin.
Esto significa, sin embargo, que no sea posible satisfacer las necesidades
individuales de cada uno. Para las camisas significara tener la tela, la talla, el diseo de
acuerdo como lo ordene cada persona, pero el precio sera prohibitivo para la mayora de
las personas. En consecuencia, los tamaos de las talla se pueden estandarizar de tal manera
que se consigan ahorrar los costos relacionados, siempre que la desviacin sea pequea con
respecto al tamao ptimo y por consiguiente la prdida tambin sea mnima. La duda es el
tamao de la tolerancia y el intervalo entre las tallas.
89
90
91
s,{{{
Cuando y > m, i =
s,{{{
MM
s,{{{
{.M
= 16,000
i =
s,{{{
Z.{M
= 4,000
Con base en los valores conocidos de k1 y k2, la funcin de prdida especfica queda de la
forma siguiente
)U =
16,000U Gm
4,000U Gm
92
)U =
16,0000.3 = 1,440
4,0000.7 = 1,960
De acuerdo con la magnitud del valor de la prdida, le persona preferir la camisa cuyo
cuello le quede ms estrecho, es decir, la que tiene el cuello de 40 cm. Es importante
observar que si la persona tuviera una talla de cuello igual a 40.33 cm las dos prdidas
seran iguales. Esto ltimo significa que cuando se est calculando el tamao del intervalo
se debe asumir que todos los consumidores elegirn la prdida menor.
Taguchi (1990) introduce nuevos supuestos como la prdida promedio, tales como
la distribucin uniforme, costos de manufactura e inventarios que, mediante integrales
definidas calcula e identifica los valores extremos del intervalo y las tolerancias del
consumidor. Con base en los resultados obtenidos con estas tcnicas deduce que el
intervalo ideal es aquel en el que las prdidas del consumidor, del fabricante y del
vendedor son iguales. Concluye que el tamao ptimo del intervalo no ser el mismo que
el rango de la tolerancia del consumidor.
Lmites funcionales
93
Los lmites funcionales es el rango dentro del cual el producto se desempea u opera con la
peor calidad que el usuario tolera. En el entendido que la calidad tiene un costo, los lmites
funcionales es el nivel de calidad aceptable que no acarrea reclamos. De acuerdo con
Taguchi (1990) los lmites funcionales representan las desviaciones (0) con respecto al
valor objetivo por las cuales el 50% de los consumidores expresaran su malestar por el
psimo desempeo del producto; quienes, por supuesto tendran prdidas econmicas
significativas. La representacin de estos lmites es
m + 0
m - 0
Los lmites se evalan mediante la funcin de prdida
L(y) = k (y m)2
cuyo diagrama se muestra en la figura 2.20.
94
i =
z{
{
95
donde y1, el valor inferior (caso 1) e y2 el valor superior (caso 2) representan los valores de
la caracterstica de calidad y de la tolerancia funcional 20 (figura 2.21).
De acuerdo con las relaciones (caso 1) y (caso 2), se deduce que la desviacin de
la caracterstica de calidad con respecto al valor objetivo m se puede determinar
y m = 0
Las prcticas de la ingeniera recurren a la tolerancia de produccin 2 < 20 como se
observa en la figura 2.20, que se derivan de la influencia aleatoria de los errores de
medicin en la evaluacin precisa del valor real de la variable bajo estudio, as como de la
necesidad de prevenir la aceptacin en el lmite de la tolerancia prescrita y de los valores
que exceden esta tolerancia.
La prdida A que aparece cuando la produccin se realiza dentro de los lmites de
tolerancia (figura 2.20) es menor que la prdida A0 cuando sta (la produccin) se lleva a
cabo dentro de los lmites de la tolerancia funcional 20 (limites funcionales). El valor de la
media de la tolerancia de produccin se determina a partir de la ecuacin de la funcin de
prdida para la sociedad
L(y) = k (y m)2
En la cual la prdida A se sustituye en L(y),
A = k (y m)2
Donde a travs de la similitud con los relaciones
Caso (1): 0(-) = y1 m
Caso (2): 0(+) = y2 m
Asimismo, y m = 0
96
Entonces,
i =
z{
{
A = M (y m)2
L(y) = k (y m)2
ux = ~ = } x w% =
~ %
%
~=
~ %
%
=
z
z{
{
97
z
z{
z
~
=T
= T ;{ = T
z{
z{
z{
~
{
w=
=
w + w%
%
w w%
%
98
i =
z{
{
) =
z{
U G
{
z{
{
z
= T {
z{
99
z
= T {
z{
300
3
1500
= 1.34 GG
De acuerdo con los resultados obtenidos, por consiguiente, se recomienda que el rango de
especificaciones para el panel de vidrio se debe situar en m 1.34 (mm), en tanto que
aquellas placas que estn fuera de estas especificaciones no deben salir al mercado para ser
vendidas. Esta decisin presupone que la meta es la satisfaccin del usuario,
independientemente de que haga o no reclamos.
2.6 Tipos de tolerancias
Del diseo perfecto a la manufactura de un objeto imperfecto se interpone una barrera
invisible. El mayor obstculo que se interpone durante el largo camino que recorren las
ideas conceptuales hasta definirse como productos tangibles es la variacin. sta puede
ocurrir durante la fabricacin de los productos, as como en el transcurso de los procesos
que se emplean para el desarrollo de aqullos. Esto se debe a que las tolerancias
dimensionales que se asientan en las plantillas de un diseo inducido por el proceso se
100
Tolerancias de nivel I
Factor de seguridad y la caracterstica nominal es mejor
Hay dos lmites de tolerancia (lmites de especificacin): uno es el lmite de
tolerancia del fabricante y el otro es el lmite de tolerancia del consumidor, como se
muestra en la figura 2.22. Sea m que expresa el valor nominal, m el lmite de tolerancia
del productor y m 0 el lmite de tolerancia del consumidor. Ambos lmites de tolerancia
confirman la consistencia de que 0.
101
) =
z{
U G
{
z{
U G
{
z =
z{
G G
{
102
z =
Por lo tanto,
= T
Donde
= T
z{
{
z
{
{ =
z{
z{
z
103
z{
z
= T
45
=3
5
= T
24
=8
3
Para que el fabricante no pague ms de $5 por reemplazo del circuito, sus lmites de
especificacin los debe ajustar en 120 8 V. Estos lmites confirman que las tolerancias del
fabricante son menores que las tolerancias del consumidor. Esto es < 0, 8V < 24V.
104
= T
Donde
= T
z
{
{ =
z{
z{
z
mientras que k es
Entonces,
i = z{ {
1
) = z{ {
U
1
Como consecuencia, los lmites de especificacin de la fbrica se pueden calcular mediante
Por lo tanto, si la prdida de los lmites de tolerancia del fabricante es A, entonces
z = z{ {
= 0
Donde
= T
z{
z
105
z{
z
= T
Sustituyendo A0 = $150 y A = $20, entonces
= ; { = 2.74
Z{
Para que el fabricante no pierda $20 por metro de tubo no conforme, ste debe
fabricarse de manera tal, que la fuerza debe ser mayor que 13,700 kgcm-2.
106
Tolerancias nivel II
Las tolerancias se les consideran como lenguajes especiales de precisin para la ingeniera
de diseo. Como lenguaje y aplicacin en la fabricacin de mquinas, montajes, etc., estn
inscritos en diversos estndares: ANSI sistema mtrico en pulgadas comprende las
normas ANSI B4.1, ANSI B4.2. ISO sistema mtrico decimal contiene las normas ISO
286, ISO 1829, ISO 2768, EN 20286,
Academia Espaola define tolerancias como la mxima diferencia que se tolera o admite
entre el valor nominal y el valor real o efectivo en las caractersticas fsicas y qumicas de
un material, pieza o producto. Mientras que la ASME (1995; 2009) en la ANSI Y14.5M-
1982 (R1988) la especifica como la cantidad total que se permite variar a una dimensin
especfica. La tolerancia es la diferencia entre los lmites mximo y mnimo.
aritmticas (Scholz, 1995), se asume que las dimensiones del detalle de la pieza pueden
tener cualquier valor dentro del rango de tolerancia, de tal suerte que estas tolerancias
aritmticamente apiladas no slo describen el rango de todas las posibles variaciones
permisibles sino, sobre todo, sostienen el criterio del montaje de inters.
Ahora bien, dependiendo del tipo de aplicacin, la variacin permisible de la
dimensin se establece de acuerdo con los grados estndar disponibles. Las tolerancias se
clasifican en tres tipos: bilaterales, unilaterales y bilaterales asimtricas. Cuando la
tolerancia est presente en ambos lados del valor nominal se le denomina tolerancia
bilateral; cuando est en uno u otro del valor nominal se le llama tolerancia unilateral,
como se muestra en la figura 2.23 en la que se representa las tolerancias especficas de un
eje.
12
Consultado
el
26
de
107
A modo de ejemplo, las tolerancias especficas del eje son 50{B , 50{ y 50B . El
valor nominal del eje es 50mm. Los primeros dos valores indican la tolerancia unilateral y
el tercer valor la tolerancia bilateral. Los valores de las tolerancias estn definidas como y.
La desviacin superior (+) es la diferencia de cota entre el valor mximo posible del
componente y su valor nominal. La desviacin inferior (-) es la diferencia de cota entre el
valor mnimo posible del componente y su valor nominal. La desviacin fundamental
define la ubicacin de la zona de tolerancia con respecto al valor nominal.13
Dicho de otra manera, la tolerancia bilateral es una forma de expresar la
tolerancia mediante el uso de variaciones que pueden asumir valores ya sea menos o ms de
un tamao dado, con respecto al valor nominal, por ejemplo 1.125 0.005.
1.125 {.{{
B{.{{
Las tolerancias especficas o de seguridad son 1.12 - 1.13 cm. La tolerancia es de 0.01 cm.
La tolerancia unilateral es una forma de expresar la tolerancia usando solamente
una variacin menor o mayor con respecto al valor nominal. Por ejemplo, la tolerancia con
variacin negativa es
13
1.125{.{{
B{.{{
Ver Module 1. Fundamentals of machine design. Lesson 3. Brief overview of design and and
manufacturing.
Version
2,
ME
IIT
Kharagpur.
Disponible
en:
http://www.nptel.ac.in/courses/112105125/pdf/mod1les3.pdf Consultado el 27 de septiembre de 2015
108
1.125{.{{
{.{{
109
tolerancias (Vasseur, Kurfess, & Cagan, 1997). La seal de esta relacin consiste en que la
prdida de calidad decrece si las tolerancias crecen.
Es muy importante advertir que en el diseo de las tolerancias dimensionales bilaterales, el smbolo (),
A
dado en la valor nominal m, se colocan de la siguiente manera: GB
. En tanto que Taguchi, dado el valor
B
nominal m, las tolerancias bilaterales se expresan del siguiente manera: GM . Para no entrar en
contradiccin con el lenguaje del mtodo Taguchi, se seguir la simbologa de ste.
14
110
Bajo la tolerancia de tipo nominal, el fabricante debe tener como objetivo el valor nominal
para la produccin, as como reducir al mnimo la variacin. El siguiente ejemplo ilustra
cmo se evala el nivel de calidad de un producto para una tolerancia de tipo nominal
cuando se tiene la misma variacin alrededor del valor objetivo.
0.0
-0.1
0.0
0.3
0.2
0.1
-0.2
0.6
0.4
-0.2
0.1
0.0
-0.4
0.5
0.4
-0.2
0.0
0.0
0.2
-1.6
-0.4
-0.1
0.6
0.4
-1.2
-1.3
-0.2
-0.4
-0.4
0.5
-0.3
0.6
0.6
-0.9
-0.7
-0.9
-0.7
-1.3
Con base en las mediciones tanto del dimetro, como de la dureza descritas arriba,
determine los niveles de calidad del proceso de produccin para los atributos del dimetro y
la dureza de las bolas.
Solucin
La desviacin con respecto al valor objetivo causa una prdida que se puede calcular a
travs de
) =
z
111
2 = lmite de tolerancia
v2 = desviacin media elevada al cuadrado de los valores producidos (ys) con
1
S = 5UZ G + U G + + UX G 7
) =
z
1
S = 5UZ G + U G + + UX G 7
As como
= 0.6
30
0.075 = 6.25
0.6
El nivel de calidad del dimetro de las bolas, medido a travs de la funcin de prdida, es
) =
= 2.0
) =
30
0.704 = 5.28
2
112
La diferencia entre los niveles de calidad relacionados con la dureza requerida y el dimetro
de las bolas se hace evidente cuando se considera la tasa de produccin anual. Suponga 250
das de trabajo al ao.
Diferencia en los niveles de calidad = (0.0625 0.0528)(250 das)(80,000 bolas)
= $194,000 al ao!
Como se vio arriba, el enfoque de la funcin de prdida es muy til para comparar los
niveles de calidad de varios procesos en los que se tratan diferentes atributos.
z
donde A es la prdida por exceder el lmite superior de tolerancia.
) =
113
Datos del aplanado (m)
Mquina
M1
M2
10
Solucin
Esta es un caso de tipo menor es mejor con un lmite superior de tolerancia = 12 m y A
= $80.
El nivel de calidad de la mquina M1 es
Donde
)Z =
z
S
Z
1
U + U + Uq + + U{
20 Z
1
SZ = 0 + 5 + 4 + + 7
20
SZ =
= 23.4 m2
Por lo tanto,
) =
)Z =
80
23.4 = $13.00
12
Donde,
S =
z
S
Z
) =
z
S
1
U + U + Uq + + U{
20 Z
1
5 + 4 + 0 + + 1
20
= 8.8 m2
114
Dado,
) =
z
S
80
8.8 = $4.90
12
De acuerdo con los resultado obtenidos para una y otra mquina herramienta, el nivel de
Se sustituyen los datos,
) =
calidad de la mquina herramienta M2, que se expresa mediante la prdida igual a 4.90
dlares, es mejor que el nivel de calidad de M1, cuya prdida es igual a 13 dlares. Esto
significa que M2 es mejor por 8.1 dlares. Si la produccin diaria es de 2,000 piezas y se
trabajan 250 das por ao, esta diferencia arrojar un beneficio de $ 4 050 000! Por ao
1
U
1
< =
115
) =
z
U
) = z S
1 1
1
1
1
S = + + + +
UZ
UX
U
Uq
Donde
En efecto, la funcin de prdida (nivel de calidad) que se asocia al tipo de tolerancia mayor
es mejor que es, de suyo, una tolerancia unilateral, se obtiene tomando los recprocos de las
mediciones y tratarlos si fueran del tipo menor es mejor.
Tipo de adhesivo
S1
S2
5.8
4.9
16.1
15.0
9.4
4.8
10.1
14.6
19.7
5.0
4.7
16.8
4.5
4.0
16.5
7.6
13.7
7.0
12.8
11.8
13.7
14.8
10.4
7.0
10.1
6.8
10.0
8.6
11.2
8.3
10.6
116
Solucin
En este caso, a mayor fuerza, mejor adhesivo. El nivel de calidad del adhesivo S1 se obtiene
) = z S
mediante,
Donde
A = $70.00
= 5kgf
1 1
1
1
1
S = + + + +
UZ
UX
U
Uq
SZ =
1
1
1
1
1
+
+
+
Entonces
)Z = z SZ
)Z = 705 0.0228
= $39.90
S =
) = z S
1
1
1
1
1
+
+ + +
16 7.6
13.7
7
10.6
) = 705 0. . 1139
= 0.01139
= $19.90
117
Si se sabe que el costo por unidad del adhesivo S1 es de $50 y el costo del adhesivo S2 es de
$60, los ahorros que resultan de usar el adhesivo S2 en vez de S1 es
(50 + 39.90) (60 + 19.90) = $10 por unidad
Por lo tanto, el ahorro anual es igual a
(12,000 unidades)($10) = $1 200 000!
Tolerancia de tipo nominal (Tipo N) cuando las tolerancias ms-menos no son iguales
(Tolerancias asimtricas)
El caso ms general del sistema de tolerancias bilateral es donde los lmites de tolerancia se
B
donde 1 y 2 son lmites de tolerancia inferior y superior, respectivamente. La
como G
establecen a distancias desiguales a partir del valor objetivo m. Esta desigual se expresa
prdida que se genera por la desviacin de un dato puntual y con respecto al valor objetivo
zZ U G R U G
)U = Z
z U G R U > G
donde A1 es la prdida que deviene cuando y est por debajo del lmite inferior de
tolerancia, y A2 es la prdida cuando y est por arriba del lmite superior de tolerancia.
118
Ejemplo 2.16. Clculo de tolerancia de tipo nominal (Tipo N) cuando las tolerancias
ms-menos no son iguales (Tolerancias asimtricas)
Un fabricante de automviles requiere que el claro entre el cilindro y el pistn de un motor
de seis cilindros sea de 3B
m. La produccin mensual es de 50,000 unidades y un defecto
para cada conjunto de cilindro y pistn provoca una prdida de $200. Los datos que se
muestran ms abajo son las desviaciones con respecto al valor objetivo para los dos
primeros meses de produccin. Para estos dos periodos, cules son los niveles de calidad?
En su caso, cul es la mejora del nivel de calidad?
Mes
1
2
y1i
-2, -2, -2, -1.-1, -3, -2, -1
3, 4, 5, 3, 4, 3, 1, 5, 6, 2
y2i
-1, -1, -2, -2, -2, -1
3, 2, 1, 3, 6, 4, 3, 2, 4
Solucin
m
mm
1 zZ
zZ
) = UZV G + UV G
Z
A1 = A2, = $200
1 = -2
2 = 7
1 200
+ 1 +
=
200
53 + 4 + 5 + 3 + 4 + 3 + 1 + 5 + 6 + 2 7
7
1
1400 +612.24 = $87.50 F
23
119
1 200
200
53 + 2 + 1 + 3 + 6 + 4 + 3 + 2 + 4 7
7
1
750 +424.49 = $58.70 F
23
Las prdidas, por cada mes, que resultan de la variacin por el lado del lmite inferior son
mayores que las que se dan en el lmite superior. El mejoramiento del nivel de calidad por
unidad durante el mes 2 es
$87.50 - $58.70 = $28.80
Esto resulta en una mejora de
($28.80)(50,000 unidades) = $1 440 000 por mes
120
corresponden a una mayor V , dar lugar a una mayor variabilidad de las caractersticas
una menor , y por lo tanto, una menor prdida de calidad. Visto de otra manera, reducir
de calidad (Yang, Xie & He, 1994). Comprimir el lmite de tolerancia dar como resultado
121
2 = 02 + b 2 x2 +
T2
x 2
3
A0 2
20
122
L=
A0
20
T2
0 + b 2 x2 +
x 2
3
300
L=
(500)2
=
300
(500) 2
102
2
2
0 + b (5) +
x 2
3
(10)2
0 + b 2 x 25 +
x 2
3
Suponga que tiene cuatro categoras de materiales M1, M2, M3 y M4 que se pueden
emplear para fabricar el producto. Los precios, coeficientes de expansin de calor, tasas de
desgaste, prdidas de calidad, y los costos totales (P + L) se muestran en la Tabla 2.1. Dado
que 0 es la misma para todos los materiales no se incluye para el clculo de la prdida de
calidad como se muestra en la citada tabla.
Clculos
q{{
A0 2
20
q{{
q{{
123
q{{
s =
q{{
{{M
858.325 = $ 1.03
Precio P
($)
Tasa de
expansin b
m/0F
Tasa de uso
m/Ao
Prdida de
calidad L
Total
P+L
28
Desviacin
media
elevada al
cuadrado 2
26758
M1
2.00
32.11
34.11
M2
4.50
20
13733
16.48
20.98
M3
8.00
12
4900
5.88
13.88
M4
18.00
858
1.03
19.03
Conclusiones
124
0 (lmite funcional )
( factor de seguridad )
A0
A
A0
=
A
300
= 6.1237
8
= 6.124
mientras que,
500
6.124
= 82 m
125
Conclusiones
desgaste, mquinas de precisin, deterioro y nivel de ruido. El diseo de tolerancia para las
caractersticas de calidad menor es mejor se ilustra mediante el siguiente ejemplo:
126
Tabla 2.5. Mediciones de la redondez
Mquinas
M1
M2
3
8
7
16
5
15
14
2
0
6
15
6
Redondez (
m)
12
5
4
17
0
5
7
4
14
7
3
13
10
6
7
14
7
2
9
13
4
0
13
2
8
10
2
14
Solucin
Asumiendo que el lmite de tolerancia para la mquina actual (M2) es aceptable y m
z{
{
) =
1
= UZ + U + Uq + + UX
12 =
1 2
(3 + 52 + 02 + + 102)
20
z
{
= 72.35
) =
) =
z
{
)Z =
6.00
72.35
20
= $ 1.09
Varianza de la mquina M2
22 =
1 2
(7 + 142 + 152 + + 142)
20
= 95.10
) =
z
{
127
) =
6.00
95.10
20
= $1.43
Conclusiones
{ = T
z{
6.00
z{
4.80
= T
= 20 x
A0
6.00
A0
4.80
128
4.80
6.00
= 20 x
= 18 m
Otra forma de obtener el diseo de tolerancia para la caracterstica de calidad menor
es mejor es a travs de la frmula de la caracterstica de calidad nominal es mejor
asumiendo que m = 0.
Sea,
A0 = $6.00
Donde A = A0 nuevo costo de produccin de la nueva mquina
A = $6.00 - $1.2 = $4.80
=
=
A0
A
6.00
4.80
= 1.12
=
, sustituyendo
20
1.12
= 17.85 18 m
nominal. A lo largo de un cable se eligieron 10 puntos en los se hizo una medicin del
espesor de la cubierta de plstico. Las desviaciones que se encontraron son las siguientes:
1, 0, 0.5, 2, 1.5, 1, 2, 0.25, 0.5, 1.3
129
Solucin
Como primer paso para determinar la tolerancia del nuevo proceso y la prdida para ambos
proceso nuevo, Z U , respectivamente.
procesos, se calcula la desviacin media elevada al cuadrado del proceso actual y del
1
1 + 0 + 0.5 + 2 + 1.5 + 1 + 2 + 0.25 + 0.5 + 1.3
10
Z =
= 1.45
1
1 + 1 + 0.3 + 0.5 + 0.9 + 1 + 1.1 + 0.8 + 0.75 + 0.9
10
=
= 0.74
= T
Donde,
z
.
zZ Z
130
= ; . 1
Z{
{
= 0.71
)Z =
)Z =
zZ
Z Z
20
1.45
1
= $29.00
La prdida del proceso nuevo es
) =
) =
z
10
0.74
0.71
= $14.8
Conclusiones
Comparando la prdida del proceso actual L1 = $ 29.00 y la prdida del proceso nuevo L2
= $14.8, el proceso actual excede en $14.2. Se observa, adems, que la reduccin del costos
en un 50 por ciento, se refleja en una reduccin de la prdida de la misma magnitud. Por lo
que se sugiere adquirir el nuevo proceso.
131
Solucin
Siguiendo con los mismos pasos del ejemplo nominal es mejor, primero se calcula el costo
total para cada cable (precio + prdida de calidad). Sea x el rea de cruce seccional del
cable, la cual es el parmetro que se est analizando.
Costo total del cable tipo T1. El costo total C1 del cable tipo T1 se obtiene de la suma del
precio y la prdida de calidad.
'Z = Z 6 +
z{ {
Z 6
Se sustituyen los valores: P1 = $1,750, A0 = $58 000 000, 0 = 20,000 kgf, y S1 = 220 kgf,
'Z = 1,7506 +
'
2z{ {
=
Z q = 0
6
Z 6
El costo total se minimiza derivando la ecuacin con respecto a x y luego igualar a cero (0),
Despejar x,
2z{ {
Z q = 0
Z 6
2z{ {
Z = q
Z 6
Z
Z 6 q = 2z{ {
6Zq
2z{ {
=
Z
Z
132
=<
M
M
D
1,750220
Costo total del cable tipo T2. El costo total C2 del cable tipo T2 se obtiene de la suma del
z{ {
' =
6 +
6
6
El costo total se minimiza derivando la ecuacin con respecto a x y luego igualar a cero (0),
2,250265
Con base en el valor de los costos totales obtenidos para los tipos de cables, T1 y T2,
respectivamente, se sugiere seleccionar el cable tipo T1 dado que el costo total de T1 es
menor que el costo total de T2. Toda vez de que se haya seleccionado el cable tipo T1, se
calcula la tolerancia de este cable usando la ecuacin de la funcin de prdida mayor es
mejor,
133
) =
Donde, = ;
z{ {
U
= 0
por lo tanto,
z{
= T {
z
Se sustituyen los valores A0 = $58 millones, A1= 1.43 millones y 0 = 20,000 kgf.
= T
58 000 000
20 000 iR
1 430 000
) =
z{
U G{
{
134
) =
) =
) =
z{
5U G{ 7
{
z{
5G{ + 6 G G{ 7
{
z{
5G{ + 6 G G{ 7
{
) =
z{
56 G 7
{
z{
56 G 7
{
z =
z
= 56 G 7
z{
{
z
T ;{ = 6 G
z{
T
z
= 6 G
z{ {
6 = GT
z {
z{
de la cual, la tolerancia ptima de especificacin para el componente x es
z {
= T
z{
135
Z = T
zZ {
z{ Z
= T
z {
z{
.
.
.
\ = T
z\ {
z{ \
Por lo tanto,
zZ
z
z\
= T . { + T { + + T {
z{
z{
z{
=
zZ + z + + z\
{
z{
= T
\VYZ zV
{
z{
136
(a) Si
Esta situacin ocurre cuando el producto final ensamblado debe ser desechado, ya que no
mayor al precio total de todas las partes (i=1 z ). Si, por ejemplo, A0 es 5 veces mayor a la
hay manera de repararlo, y la prdida A0 por la eliminacin se convierte en varias veces
{ = 0.447{
Esto significa que, incluso, cuando todas las caractersticas de los componentes tienen la
misma distribucin uniforme dentro del rango de sus tolerancias (es decir, el ndice de
capacidad de proceso es 0.577), la caracterstica de salida (la caracterstica del producto
ensamblado) tendra una distribucin con desviacin estndar de 26
{.ss
2{
1.3
0.447{
66
una Cp de
Z
= 0.258{ y
Si }!= ~! << ~ y dado que < 0, entonces la inspeccin final del ensamblaje se debe
descartar.
(b) Si
A menudo esta situacin ocurre cuando un producto ensamblado se puede ajustar despus
de observar que la salida y no se ajusta a la especificacin m0 0. Naturalmente, se espera
que el costo A0 del ajuste sea menor que el costo total de los componentes del producto. La
distribucin actual de la caracterstica de salida puede satisfacer su tolerancia m0 0,
debido a que los lmites de control de los componentes son generalmente ms pequeos que
mi i. Sin embargo, hay una alta probabilidad que la salida y no sea conforme a sus
tolerancias o se ajuste a los lmites a pesar de que todos los componentes se ajustan a sus
propias tolerancias mi i.
137
Es mucho ms probable que ocurran las situaciones (a) y (b) que la situacin (c). En este
ltimo caso, las tolerancias de salida se asignan entre las caractersticas de los componentes
que afectan a la caracterstica de salida y. La tolerancia para cada componente se puede
estimar usando,
6 = GT
z {
z{
Solucin
Sea y la caracterstica del producto. Por lo tanto las relaciones entre las caractersticas del
producto y la de los componentes son
y = m0 + (x m)
y = m0 + 1 (x1 m1)
y = m0 + 2 (x2 m2)
y = m0 + 3 (x3 m3)
z{
) = V 6V G
{
q
VYZ
138
zV {
6V = GV T = 1, 2, 3
z{ V
V = T
zV {
= 1, 2, 3
z{ V
De acuerdo con esta ltima ecuacin los lmites de tolerancia para los tres componentes son
zZ {
20 3
Z = T = T
= 0.30
z{ Z
500 2
= T
q = T
z {
60 3
= T
= 0.34
z{
500 3
zq {
130
3
= T
= 1.02
z{ q
500 1.5
=
zZ + z + + z\ 20 + 60 + 130
3
{ =
z{
500
= 3.78
= 1.94
O tambin,
qVYZ zV
210
20 + 60 + 130
T
3 = T
=
{ = T
3 = 1.94
z{
500
500
5. Tolerancia no lineal
En los incisos anteriores se expuso el enfoque del diseo de tolerancia cuando las
caractersticas de cada componente tienen un efecto aproximadamente lineal sobre las
caractersticas del producto. En este apartado se aborda el diseo de tolerancia con una
metodologa que consiste en suponer que la caracterstica x de un componente tiene un
139
Z = T
y
zZ
{
z{
= T
z
{
z{
140
PREGUNTAS Y PROBLEMAS
PREGUNTAS
Indicaciones: subraye la respuesta correcta
1. La tcnica se denomina control por nmero de defectos.
A. ndice capacidad de proceso
B. Fraccin defectuosa
C. Carta de control
D. Intervalo de confianza.
141
z
C. i = M
D. ) = 0 U G2
z0 2
U
U20
D. ) = i U G
14. Es el tipo de caracterstica que no puede tomar valores negativos y su valor objetivo es cero
(0).
A. menor es mejor
B. Nominal es mejor
C. Mayor es mejor
D. Dinmico es mejor
15. La caracterstica de calidad debe ser no negativa, y su valor ms deseable es el infinito.
A. menor es mejor
B. Nominal es mejor
C. Mayor es mejor
D. Dinmico es mejor
16. Es una medida de desempeo para elegir los mejores niveles de control para hacer
frente al ruido.
A. ndice Cp
B. La varianza 2
C. La media poblacional
D. La relacin S/R
17. Cuanto mayor sea la relacin S/R ms robusto ser el producto contra el ruido, o tendr
mayor capacidad para hacer frente a las condiciones ambientales en las que se desempee.
A. cierto
B. Relativamente cierto
C. Relativamente falso
D. Falso
18. Una relacin S/R alta significa
A. una desviacin estndar alta
C. no linealidad
142
19. Se define como el lmite dentro del cual se puede llevar a cabo alguna accin
econmicamente significativa.
A. Intervalo
B. Rango
C. Tolerancia
D. Dimensin especfica
20. Delimita la probabilidad de lograr los requerimientos funcionales especificados.
A. Rango
B. Rango de diseo
C. Funcin de densidad de probabilidad
D. Requerimientos funcionales
21. La tolerancia se establece en aquel punto donde el ______ de los consumidores no
comprarn esa bien.
A. el 30%
B. el 70%
C. el 40%
D. el 50%
22. Cuando se calcula el tamao del intervalo se debe asumir que todos los consumidores
elegirn
A. la medida ptima
B. la prdida menor.
C. la prdida esperada
D. la medida necesaria
23. Se entiende como la incapacidad que tiene el producto para cumplir con los
requerimientos de uso.
A. Defecto
B. Atributo
C. Desviacin
D. Escasez
24. Es el rango dentro del cual el producto se desempea u opera con la peor calidad que el
usuario tolera.
A. El intervalo de confianza
B. El rango
C. Los lmites funcionales
D. El lmite
25. En la funcin de prdida de calidad 0 es el lmite funcional, al que tambin se le llama
A. punto crtico
B. tolerancia del consumidor
C. desviacin
D. Ninguno
26. El mayor obstculo que se interpone durante el largo camino que recorren las ideas
conceptuales hasta definirse como productos tangibles es la variacin.
A. la tcnica
B. el diseo
C. la medicin
D. la variacin
27. Prdida cuando el valor de la caracterstica de calidad se halla en los lmites
tolerancia del productor.
A. A
B. A0
C.
D. 0
de
143
28. Es la raz cuadrada de la relacin entre la prdida del consumidor cuando el valor de la
caracterstica de calidad sobrepasa el lmite funcional y la prdida del fabricante cuando el
valor de la caracterstica de calidad sobrepasa el lmite de especificacin.
A. A
B. A0
C.
D. 0
29. Tolerancia es la cantidad total que se permite variar a una dimensin especfica. La
tolerancia es la diferencia entre los lmites mximo y mnimo. Definicin dad por,
A. La Real Academia Espaola
B. The American Society of Mechanical Engineers (ASME)
C. The National Institute of Standards and Technology, U.S Department of Commerce.
D. Instituto Mexicano de la Propiedad Industrial
30. Es el puente que articula el requisito de desempeo del producto con el proceso de
fabricacin; asimismo, no deja de lado el costo de ste y tampoco descuida el buen
desempeo del producto.
A. El diseo
B. El proceso de manufactura
C. El control de calidad
D. El diseo de tolerancia
PROBLEMAS
2.1 Los datos de la tabla 2.1 se refieren al nmero de componentes defectuosos, para lo cual
se tomaron 20 muestras, donde el tamao de la muestra n = 50 componentes. El objetivo de
haber tomado 20 muestras es para establecer valores preliminares del grfico de control.
Calcule la fraccin defectuosa FV para cada muestra y luego obtenga F que sirva para
definir la lnea central.
Tabla 2.1 Nmero de componentes defectuosos
Muestra
1
2
3
4
5
6
7
8
9
10
Nmero de
componentes
defectuosos
8
6
5
7
2
5
3
8
4
4
Fraccin
defectuosa
Muestra
11
12
13
14
15
16
17
18
19
20
Nmero de Fraccin
componentes defectuosa
defectuosos
3
1
5
4
4
2
3
5
6
3
144
e identifique hacia qu extremo se carga la media del proceso; iii) Qu puede concluir
sobre la capacidad del proceso?15
2.3 Mediante un sensor automtico se mide en orden consecutivo el dimetro de ciertos
agujeros para un componente electrnico. Los resultados de la medicin de 25 de estos
orificios se hallan en la tabla 2.2.
Tabla 2.2 Dimetro de los orificios.
Muestra
1
2
3
4
5
6
7
8
9
10
11
12
13
Dimetro
9.94
9.93
10.09
9.98
10.11
9.99
10.11
9.84
9.82
10.38
9.99
10.41
10.36
Muestra
14
15
16
17
18
19
20
21
22
23
24
25
Dimetro
9.99
10.12
9.81
9.73
10.14
9.96
10.06
10.11
9.95
9.92
10.09
9.85
i) Utilizando todos los datos, calcular los lmites de control para las mediciones particulares
para observar su rango de movimiento; ii) Construya el grfico de control y representar los
datos; iii) Determine si el proceso est bajo control estadstico; iv) Estime la media del
proceso y la desviacin estndar para el proceso bajo control.
2.4 Con base en los datos del ejercicio 2.3, se tiene conocimiento que el orificio tiene como
valor objetivo m = 10m y una tolerancia 0 = 0.05, de manera tal que toda perforacin
que sobrepase esta tolerancia tiene un costo de 65 dlares. Responda: i) Qu tipo de
caracterstica de calidad est midiendo? ii) Cul es la unidad de medida? iii) Calcule k; iv)
Formule la funcin de prdida especfica; v) Dibuje la funcin de prdida correspondiente
de acuerdo con el tipo de caracterstica de calidad que est midiendo y coloque los valores
de m y 0 con sus valores especficos en la curva; vi) Calcule la prdida de las muestras 2,
8, 12, 18 y 25; vii) Calcule la prdida promedio para todos los orificios; vii) Redacte sus
conclusiones.
2.5 Una compaa que se distingue por la rigurosidad de su proceso industrial, en donde se
ensamblan partes para alas de aviones, requiere de un tornillo con espesor de 15mm0.05.
Si se detecta un tornillo fuera de esas especificaciones que se haya colocado en una pieza,
obligadamente habr de retirarse y colocar uno que cumpla con las especificaciones. El
costo del retrabajo es 10 dlares por hora. Hay cuatro proveedores que ofrecen el citado
tornillo al mismo precio y todos dicen que cumplen de manera puntual con las tolerancias
15
Los ejercicios 2.2 y 2.3 fueron tomados, traducidos y adaptados de Montgomery, D. C. & Runger, G. C.
(2003). Applied Statistics and Probability for Engineers. Third Edition. United States of America: John Wiley
& Sons, pp. 619-620.
145
MSD
L (Dlares)
UW
MSD
UW
MSD
UW
MSD
Datos (mm)
14.93, 15.00, 14.94,
14.89, 14.91, 14.89,
14.98, 14.93
Datos
15.04, 15.03, 15.06,
14.93, 15.01, 15.01,
14.99, 15.02
Datos
15.05, 15.05, 15.09,
15.03, 15.02, 15.04,
15.05, 15.10
Datos
15.09, 15.12, 15.10,
15.06, 15.09, 15.09,
15.11, 15.11
14.90,
14.96,
14.95,
14.97,
15.01,
15.00,
15.02,
15.03,
Responda,
i) Qu tipo de caracterstica de calidad est evaluando?; ii) Cul es la caracterstica de
calidad y cul es la unidad de medida?; iii) Identifique m; iv) Identifique 0; v) Identifique
A0; vi) Calcule k; vii) Calcule la y , 2, MSD y la L de cada fbrica; viii) Despus de haber
realizado sus clculos y sin mayor anlisis, qu fbrica es la mejor opcin?; ix) Redacte
sus conclusiones.
146
ha notado la alta incidencia de prdida temporal de audicin que padecen sus operarios. La
fuente que provoca estas anomalas en la capacidad auditiva de los trabajadores es el ruido
que supera los 85 decibeles que generan los tornos. El costo de los servicios mdicos, sin
tomar en cuenta el nmero de das de incapacidad, es de 1,800 dlares por trabajador
afectado. Dos empresas extrajeras ofrecen equipos que cumplen con las normas
internacionales y nacionales en trminos de control de los altos niveles de ruido. Los datos
de cada uno de los equipos de las marcas se concentran en la tabla 2.4.
Tabla 2.4 Emisin de ruido de dos equipos.
Industria
Datos (dB)
Hear Better 50, 60, 60, 30, 90, 90,
20, 50, 70, 75, 60
Listen Softly 50, 65, 50, 80, 70, 60,
55, 65, 80, 50, 60
UW
UW
MSD
L (Dl.)
Responda,
i) De qu tamao es n?; ii) Qu tipo de caracterstica de calidad est midiendo?; iii)Cul
es la caracterstica de calidad?; iv) Cul es la unidad de medida?; v) Cul es valor actual
de la caracterstica de calidad?; vi) Cul es el costo sobrepasar ese valor?; vii) Calcule k;
viii) Calcule y , 2, y 2 , MSD, L; ix) Formule la funcin de prdida para cada marca de
equipo; x) Qu equipo es la mejor opcin?; xi) Redacte sus conclusiones.
2.8 La resistencia del sellado de una carcasa de soplador de vaco de una copiadora de
oficina est expuesta a usos y ambientes muy variados. En tal sentido, para minimizar la
prdida, habr que elevar la resistencia del sellado. Cuando el sello del ventilador no
funciona, el reemplazo tiene un costo de 40 dlares: 20 que es el costo del sello y 20 es el
costo de la instalacin. Mientras que el dispositivo que utiliza el soplador de vaco se
encuentra en tiempo muerto, el costo para el propietario de la copiadora es de 340
dlares/hora. En promedio, para reemplazar el ventilador, el tcnico se tarda 30 minutos. La
integridad del sello se mide mediante pruebas de la fuerza de adhesin de ste. A nivel del
mar, la prdida de vaco as como la fuerza de adhesin se vuelven cuestionables cuando se
llega al lmite de 20 psi. Responda: i) Qu tipo de caracterstica de calidad que est
midiendo?; ii) Cul es la caracterstica de calidad?; iii) Cul es la unidad de medida?; iv)
Cul es valor lmite de la caracterstica de calidad?; v) Cul es el costo de econmico de
reducir ese valor?; vi) Calcule k; vii) Formule la funcin de prdida de calidad para la
caracterstica mayor es mejor; viii) Dibuje la curva de la funcin de prdida mayor es mejor
y coloque el valor de y0 en el lugar y la direccin correspondiente; ix) A cunto asciende
la prdida si un operario dejara la fuerza del sellado de la mquina en 13 psi?; x) Coloque el
valor de la prdida en la grfica previamente elaborada; xi) Formule sus conclusiones.
2.9 El consumidor potencial de adquirir un automvil antepone dos restricciones: mayor
kilometraje por litro y menor contaminacin. Un grupo de expertos llev a cabo cinco
pruebas sobre el kilometraje y el consumo de combustible de dos modelos de automviles.
Estos tcnicos, antes de hacer la prueba, declararon que si un automvil no promedia
5km/litro, al menos, el usuario del automvil deber pagar 6 dlares diarios para hacer sus
recorridos cotidianos. Los datos de las pruebas se anotaron en la tabla 2.5.
147
UW
UW
MSD
vidrio que encaje en un marco prediseado, en los que ambos estarn expuestos a factores
ambientales extremos. Los datos que se muestran ms abajo son los resultados de cuatro
pruebas que se llevaron a cabo en un experimento diseado con un arreglo interno de cuatro
factores y un arreglo externo de tres factores. Los valores de la tabla 2.6 muestran las
diferentes variaciones.
Tabla 2.6 Variaciones del marco prediseado y la lmina de vidrio en ambiente extremo
S/R (dB)
Prueba
Datos
UW
15.6, 9.5, 16.9, 19.9, 19.6, 19.6, 20.0, 19.1
1
15.0, 16.2, 19.4, 19.2, 19.7, 19.8, 24.2, 21.9
2
16.3, 16.7, 19.1, 15.6, 22.6, 18.2, 23.3, 20.4
3
18.3, 17.4, 18.9, 18.6, 21.0, 18.9, 23.2, 24.7
4
Responda: i) Qu tipo de caracterstica de calidad est evaluando?, ii) Obtenga la relacin
S/R para cada prueba; iii) Elija la prueba que considere sea la ms idnea, es decir, la que
de acuerdo con las observaciones resistir las variaciones ambientales.
2.11 Suponga que los datos de la tabla 2.7 representan los resultados de las condiciones
experimentales de un proceso analizador de partculas (m) que se llev a cabo en un
laboratorio en el que se exige inocuidad absoluta.
Tabla 2.7 Tamao de las partculas (m)
Prueba
1
2
3
4
5
6
7
8
Datos
4.62, 1.15, 0.37, 0.23, 0.30, 0.57, 3.99, 0.95
5.61, 0.45, 0.20, 0.03, 0.47, 0.82, 1.46, 0.43
6.03, 0.66, 1.07, 1.02, 1.24, 0.1,7 0.95, 0.83
3.66, 4.24, 3.04, 3.9,3 2.56, 4.27, 8.01, 3.06
0.24, 0.16, 0.73, 0.96, 3.63, 0.98, 0.56, 0.86
0.07, 0.49, 0.79, 0.16, 4.44, 0.88, 0.39, 0.30
1.45, 0.82, 0.91, 0.92, 0.23, 0.72, 4.72, 1.26
0.18, 0.22, 1.43, 0.76, 4.02, 0.97, 0.64, 0.98
UW
S/R (dB)
148
Datos
7.22, 7.61, 7.27, 7.32
8.03, 8.35, 8.53, 8.51
8.14, 8.26, 8.04, 8.19
7.30, 8.02, 6.70, 7.80
8.63, 8.70, 8.80, 8.65
8.20, 8.35, 7.88, 7.56
7.55, 7.80, 7.90, 7.60
9.10, 9.30, 8.60, 9.05
UW
S/R (dB)
149
cocheras. Para medir la especificacin de esos pisos, debe determinar tanto una tolerancia
funcional, as como la prdida que genera cuando el desempeo de los mosaicos es
insatisfactorio. La tolerancia funcional actual es 40kg/cm2 y la prdida promedio por m2
debido a devoluciones es de 11 dlares. Responda: i) Qu tipo de caracterstica de calidad
es? ii) Dibuje la curva de la funcin de prdida correspondiente y coloque en la figura los
valores actuales; iii) Obtenga el coeficiente de seguridad; iv) Calcule una nueva tolerancia
si el fabricante decidiera desembolsar tan solo cuatro dlares por no conformidad de los
mosaicos; v) Coloque la nueva tolerancia en la figura de la funcin de prdida; vi) Formule
sus conclusiones
150
Referencias
ADIMA
151
Earl, C.; Eckert, C. and Johnson, J. (2004). Complexity models in design. In: International
Design Conference - Design 2004, 18-21 May 2004, Dubrovnik, Croatia.
Disponible
en:
http://oro.open.ac.uk/7420/1/Complexity_Models_2004.pdf
Consultado el 20 de septiembre de 2015.
El-Haik, B.S. (2006). Axiomatic Quality: A Framework for Axiomatic Design & Robust
Integration. Robust Engineering, ASIs 20th Annual Symposium, Livonia, MI.
El-Haik, B.S., (2005). Axiomatic Quality: Integrating Axiomatic Design with Six Sigma,
Reliability, and Quality Engineering. New Jersey: Wiley
Escalante, Edgardo (2006). Anlisis y mejoramiento de la calidad. Mxico, D.F.: Limusa,
pp. 156-158
Hansen, Berthrand L. & Ghare, Prabhakar M. (1990). Control de calidad. Teora y
aplicaciones. Madrid: Daz de Santos
Islam, M. N., Anggono, J. M., Pramanik, A., & Bosweel, B. (sfe). Effect of cooling
methods on dimensional accuracy and surface finish of a turned titanium part.
Disponible
en:
http://espace.library.curtin.edu.au/webclient/StreamGate?folder_id=0&dvs=14522
20063985~638&usePid1=true&usePid2=true Consultado el 7 de enero de 2016
Johnson R. E., Kiokemesiter, F. L., & Wolk, E. S. (1984). Clculo y geometra analtica.
Mxico, D. F.: CECSA, p. 432.
Kelley, W. M. & Donnelly Jr. R. A. (2009). The Humongous Book of Statistics Problem.
New York: Alpha Books, Penguin Group.
Knight, E., Russell, M., Sawalka, D. & Yendell, S. (2006). Taguchi quality loss function
and
specification
tolerance
design.
Disponible
en:
https://controls.engin.umich.edu/wiki/index.php/Taguchi_quality_loss_function_a
nd_specification_tolerance_design Consultado el 7 de enero de 2016.
Kottegoda, N. T. & Rosso, R. (2008). Applied Statistics for Civil and environmental
Engineers. 2. ed. Singapore: Blackwell Publishing.
National Institute of Standards and Technology, U. S. Department of Commerce (2011).
Handbook 44, Specifications, Tolerances, and Other Technical Requirements for
Weighing and Measuring Devices. Washington: Annual Meeting of the National
Conference on Weights and Measures (NCWM)
Montgomery, D. C. & Runger, G. C. (2003). Applied Statistics and Probability for
Engineers. Third Edition. United States of America: John Wiley & Sons
Oakland, J. S. (2003). Statistical Process Control. 5 ed. Burlington MA.: ButterworthHeinemann
Oehlert, G. W. (2010). A First Course in Design and Analysis of Experiments. W. H
Freeman & Co
Pan, J. N & Pan, J. (2009). Optimization of engineering tolerance design using revised loss
functions.
Engineering
Optimization
02/2009;
41(2):99-118.
DOI:10.1080/03052150802347959.
Disponible
en:
http://www.tandfonline.com/doi/full/10.1080/03052150802347959 Consultado el
27 de septiembre de 2015.
Park, S. H. (1996). Robust design an analysis for quality engineering. London: Chapman &
Hall.
Roshan, J. V. (2004). Quality Loss Functions for Nonnegative Variables and Their
Applications. Journal of Quality Technology; Apr., Vol. 36 Issue 2, pp. 129-138.
Disponible en: http://asq.org/qic/display-item/index.html?item=19634 Consultado
152
153
154
Introduccin
Un experimento es una prueba o serie de pruebas para observar algn fenmeno (Escalante
V., 2014). Tambin se entiende como un conjunto de ensayos que se realizan para saber por
qu ocurre una determinada situacin. Estas pruebas ayudan a explorar lo que no se puede
conocer por observacin directa (Saderra, 1993). De igual forma, se define como una
prueba o serie de pruebas en las que se hacen cambios deliberados en las variables de
entrada de un proceso o sistema para observar o identificar las razones de los cambios que
pudiera observarse en la salida (Montgomery, 2004). Tales definiciones apuntan hacia un
solo sentido: estudiar el resultado o desempeo de los procesos o del sistema. Esta
necesidad induce, como consecuencia, el diseo estadstico de experimentos (DEE).
El DEE o diseo de experimentos (DOE) constituye el corazn de la ingeniera de
calidad. El concepto DOE fue introducido a principios de los aos 20 por R. A. Fisher
(1925), aunque la mayora de las investigaciones y aplicaciones sobre este tema se llev a
cabo en el mbito acadmico (Ranjit, 2001), el mismo Fisher (1926; 1937) se encarg de
demostrar la utilidad de su tcnica en experimentos agrcolas en los que analiz las
circunstancias ptimas del agua, lluvia, sol, fertilizantes, y los condiciones necesarias del
suelo para producir la mejor cosecha. Tiempo despus, Taguchi (1990) fue ms all con el
concepto diseo de experimentos al introducir su enfoque de los arreglos ortogonales.
El enfoque de los diseo de experimentos con arreglos ortogonales es un mtodo
que se basa en utilizar matrices ortogonales a travs de las cuales se reduce, de manera
razonable, el nmero de corridas experimentales, lo cual redunda en menores tiempos y
costos para obtener los resultados (Bolboac & Jntschi, 2007). Por el contrario, un
experimento factorial completo que, si bien considera las potenciales interacciones y sus
conclusiones son altamente reproducibles, requiere pruebas de todas las combinaciones de
los niveles del factor bajo estudio (Stuart P., 1993). Proceso que no slo es oneroso, sino
tambin prolongado y tedioso.
Un experimento con el enfoque de factorial completo 2k en el que se tenga 5
factores con dos niveles cada uno se requiere llevar a cabo 32 corridas. Otro experimento
que se componga de 7 factores con dos niveles cada factor se deber de realizar 128
corridas. Ahora suponga un proyecto en el que se estudiarn 13 factores de 3 niveles cada
155
factor se requerir desarrollar 1 594 323 corridas experimentales! Frente a este nmero
creciente de corridas experimentales, el enfoque ms eficiente de la experimentacin
clsica es el uso de los experimentos factoriales fraccionados. Mtodo para el cual se
necesitan personas con ciertas capacidades estadsticas para disearlos.
Los experimentos factoriales fraccionados, si bien consumen menos tiempo para
su realizacin y obtener resultados, los ingenieros u otras personas encargadas de aplicarlos
no poseen los conocimientos estadsticos requeridos para entender la necesidad de
aumentar el conocimiento acerca del proceso y del producto. Esta debilidad es lo que trata
de enmendar el enfoque de los diseos de experimentos con arreglos ortogonales, cuyas
matrices, adems de ser eficientes son sencillas y muy fciles de usar (Stuart P., 1993).
Asimismo, estas matrices ortogonales tienen la virtud de que, por un lado, producen
experimentos menos caros y con alta tasa de reproducibilidad y, por el otro, reduce de
manera significativa el nmero de experimento. Sea el caso del estudio con 13 factores con
3 niveles de cada factor, usando la matriz ortogonal apropiada, se puede reducir a slo 27
corridas experimentales.
Por qu hacer los experimentos con matrices ortogonales? Los experimentos que
se hacen con respecto a los procesos de manufactura tienen como objetivo disminuir el
grado de desviacin de las caractersticas de calidad. Esto slo se puede lograr cuando se
identifican aquellos factores que impactan a las caractersticas de calidad y cuando se
cambian apropiadamente sus niveles a fin de que la desviacin disminuya. En otras
palabras, desde la perspectiva de calidad, la experimentacin busca cul es el mejor
material, la mejor, presin, la mejor temperatura, la mejor formulacin qumica, el tiempo
ms apto del ciclo, etc. Todo con el propsito de lograr la longitud, la amplitud o la
durabilidad que se desea, etc., tomando en cuenta el costo que esto implica.
El mtodo de Taguchi para el diseo de experimentos utiliza tcnicas que implican
bajos costos y que son aplicables a los problemas y requerimientos de la industria moderna.
El propsito que se tiene en el diseo del producto es encontrar aquella combinacin de
niveles de los factores que sea la que proporcione el desempeo ms estable y confiable al
precio de manufactura ms bajo. Este mtodo es una herramienta ingenieril. Simplifica, y
en algunos casos, elimina gran parte de los esfuerzos de diseo estadstico. Es una forma de
examinar simultneamente muchos factores a bajo costo.
156
Hay varias maneras de planificar un experimento. En este captulo slo se describirn dos:
uno extenso y otro sinttico. Para lograr un experimento exitoso y obtener resultados
reproducibles se necesita de un esfuerzo bien organizado y ejecutado, para ello se requiere
de una cuidadosa planificacin y cumplimiento del plan. Los pasos necesarios para realizar
de manera fiel y correcta un experimento se pueden clasificar en cinco fases distintas, pero
necesariamente relacionadas:
I. Planificacin del experimento
II. Diseo del experimento
III. Conducir el experimento
IV. Analizar el experimento.
V. Confirmar el experimento
Estas fases se esbozan en la figura 3.1
Desafortunadamente, muchos de los esfuerzos bien intencionados para llevar a cabo
un experimento toman otro sentido no por causa de la falta de conocimientos tcnicos, el
mal uso de frmulas estadsticas o clculos errticos, sino sobre todo, debido a una
planificacin improcedente. A la par de la presin que ejercen quienes toman decisiones
sobre el grupo que est llevando cabo la experimentacin, quien por el apuro para dar una
solucin rpida al jefe inmediato, se omiten requisitos fundamentales de las fases de la
experimentacin.
157
158
Todas las decisiones acerca de los objetivos, su mtodo de medicin, y los factores
que pueden influir en los resultados son propuestos por los participantes en un proceso
democrtico, en el que cada persona tiene un voto. Generalmente esta sesin toma todo un
da y sigue la siguiente agenda:
159
2. Entender la situacin actual. Es muy importante colectar datos pasados tanto como sea
posible para el problema experimental y entender la situacin actual. Asimismo, reunir
informacin de referencias bibliogrficas que tratan sobre el problema y de todas las partes
interesadas, tales como las de ingeniera de aseguramiento de la calidad, manufactura,
marketing, personal de operacin, y as sucesivamente.
3. Elegir las variables de respuesta. Del planteamiento del problema se debe obtener una
variable de respuesta apropiada. Si fuera necesario se deben elegir variables de respuesta
mltiple.
4. Seleccionar los factores y niveles. El experto en diseo estadstico debe seleccionar las
variables independientes (factores) los cuales afectan las variables de respuesta elegidas.
160
Escoger cuidadosamente los niveles de los factores que se usarn en el experimento. Por lo
general, se consideran que entre dos y cinco niveles son apropiados; mientras que los
expertos aconsejan que el rango de los niveles debe ser tan grande como sea posible dentro
de la regin experimental de inters para el experimentador.
161
162
Continuos
(Variables)
Clase
Discreto simple
Ejemplo
Datos contables, tales como nmero de
defectos y nmero de agujeros
Distribucin de probabilidad
Poisson
Discretos
marginales fijos
Multidiscretos
Continuos simples
Normal
Continuos
multifraccionales
Aproximadamente normal en
cada categora, si n es grande.
Continuos
multivariables
Fuente: Park, Sung H. (1996). Robust design and analysis for quality engineering.
London: Chapman & Hall, p. 45
163
controlables y, generalmente, cada nivel no tiene algn significado tcnico. Asimismo, los
niveles de un factor aleatorio no se pueden reproducir, ni repetir en nuevos experimentos.
Los factores fijos se pueden subdividir en tres clases:
1. Factores de control: estos son las variables controlables de diseo o de proceso en
las que se puede estar interesado en encontrar el nivel, el cual es, en cierto sentido,
el mejor. La variable principal tal como la temperatura, presin y tiempo en un
experimento son todos factores de control
2. Factores indicativos: estos son factores que poseen niveles tcnicos de la misma
manera como los tienen los factores de control. En los factores indicativos cualquier
nocin sobre el "mejor" nivel puede carecer de sentido. Por ejemplo, en un
experimento de desgaste de un neumtico, suponga que la posicin de la llanta
(frente derecho, frente izquierdo, atrs derecho, atrs izquierda) es un factor. Tal
factor es un factor indicativo
3.
Factores de seal: estos son factores que influencian el valor promedio, pero no la
La tabla 3.2 contiene algunos ejemplos de cada uno de los factores de ruido y
factores controlables que inciden ya sea en el producto o el proceso. Los factores de ruido
son la fuente principal que hace que el desempeo de un producto se desve de su valor
164
objetivo. Por lo tanto, el diseo parmetro busca identificar los ajustes de los factores de
control que hacen que el producto sea insensible a las variaciones de los factores de ruido,
e. g., hacer el producto ms robusto, sin eliminar realmente las causas de variacin.
Tabla 3.2 Tipos de factores y su relacin con el producto y el proceso
Diseo del producto
Condiciones
de
uso
consumidor
Baja temperatura
Alta temperatura
Cambio de temperatura
Impacto
Vibracin
Humedad
Deterioro de las partes
Deterioro del material
Oxidacin (moho)
Ruido externo
Ruido interno
Ruido de
producto
producto
Factores controlables
Envejecimiento
de
la
maquinaria
Desgaste de la herramienta
Deterioro
a Variacin de pieza a pieza donde Variacin de proceso a proceso
se supone que son del mismo, donde se supone sea la misma,
por ejemplo,
por ejemplo, variacin en la
Mdulo de Young
velocidad de alimentacin.
Mdulo de corte
Mdulo de esfuerzo
Todos los parmetros de diseo, Todos los parmetros de
por ejemplo,
diseo de procesos
Todos los parmetros de
Dimensiones
configuracin de procesos
Seleccin de materiales
3.2 El diseo 23
El DEE es una actividad que puede ser realizada por una persona o equipo de
personas con nociones bien arraigadas de estadstica, pero sobre todo con un alto potencial
natural de creatividad e imaginacin. La mayora de los textos que tratan de los diseos de
experimentos insisten en explicar que stos son para resolver problemas industriales;
aunque, si bien, es ms evidente su uso en el sector industrial, tambin se aplica en la
agricultura, la pesca, la ganadera, servicios, o actividades culinarias, entre otras. De
acuerdo con la experiencia del experimentador, ste puede decidir por los siguientes
diseos: i) diseo mejor acierto; ii) diseo de un factor a la vez; iii) diseo factorial
completo y; iv) diseo de experimentos con matrices ortogonales (mtodo Taguchi), el cual
es la materia de estudio de este texto.
165
controlables llamadas factores. Las respuestas adems pueden estar influidas por otras
variables que no son controladas por el experimentador. Es importante sealar que la
relacin entre x e y no tiene por qu ser conocida.
166
Las condiciones en las que se pueden aplicar el DEE son numerosas. Cualquier
condicin que sea, desde el punto de vista de la empresa, el DEE juega un papel
fundamental ya que proporciona una ventaja competitiva importante para la empresa que lo
usa (Ferr & Rius, 2002). Adems, otra ventaja sustantiva es la de facilitar el desarrollo
ms rpido de productos con alto nivel de robustez y a ms bajo costo. Sobre todo, si para
tal efecto, se ha tomado en cuenta las necesidades y expectativas del consumidor (Zhang,
1998), que al final de cuentas, es l quien da el voto de confianza sobre la virtudes del
producto.
Tres ejemplos que por sus condiciones sugieren aplicar algn tipo de DEE.
a) La resistencia de la cubierta de una podadora, cuya fuerza (y) puede ser funcin,
entre otros, del temperatura de moldeo (x1), presin (x2) y el tiempo (x3). Otras
variables que pueden influir son, la pureza de los reactivos, la limpieza del material,
el tipo de resina,....etc.
b) Una separacin cromatogrfica, donde el tiempo de la separacin depende del pH y
el porcentaje de modificador orgnico de la fase mvil.
c) Una alimento protenico para deportistas principiantes, que se produce con una
mezcla en distintas proporciones (xi) de sus ingredientes, lo cual da lugar a
diferentes olores y sabores (yi).
167
condiciones de las que se esperan los mejores resultados. Esta estrategia carece de rigor
cientfico ya que se basa nicamente en la intuicin y la experiencia de aquellos tcnicos
que tienen ms tiempo a cargo del funcionamiento del proceso o de la elaboracin del
producto.
168
De acuerdo con la figura 3.4 la presin que se denomina con la letra mayscula A
y la temperatura que se identifica con la letra mayscula B son los factores que se van
variar en el experimento. Para ello, habr de seleccionarse los niveles para cada uno los
factores que deben probarse. Se escogen dos niveles para la presin: A1 y A2 y dos niveles
para la temperatura: B1 y B2, donde el subndice 1 denota el nivel bajo y el subndice 2 el
nivel alto. Estos subndices tambin se pueden representar como (-) y (+) para los niveles
bajo y alto respectivamente.
Cuando se corre el experimento con el mtodo de un factor a la vez, se fija la
temperatura en el nivel B1, mientras se vara la presin. Las observaciones que se obtienen
son: A1B1 y A2B1. Luego se fija la presin en A1 y se vara la temperatura, lo cual da las
observaciones A1B1 y A1B2, como se muestran en la figura 3.5.
169
- A1B1 y A2B2 - A1B2. De manera similar, pueden hacerse dos estimaciones del efecto del
factor B. Estas dos estimaciones de cada efecto principal podran promediarse para producir
efectos principales promedio que tienen la misma precisin que las estimaciones del
experimento con un solo factor.
Ejemplo 3.1
La empresa Happy Kitchen necesita mejorar las caractersticas de calidad del
tefln de sus sartenes. En la actualidad el tefln apenas supera las 200C, de tal modo que
por arriba de esta temperatura el material del fondo del sartn adquiere una forma
corrugada, lo cual no slo da mal aspecto al momento de guisar los alimentos, sino tambin
se desprenden algunas partculas. Las amas de casa han mostrado su inconformidad por el
utensilio y exigen a la empresa que corrija esa anomala.
170
Para ello, la alta direccin de la empresa convoca a una reunin urgente para elegir
un grupo de trabajo con la finalidad de que estudie tanto el diseo como el proceso de
fabricacin y definan las modificaciones a introducir en este ltimo particularmente. Este
grupo de trabajo qued integrado por personal de amplia experiencia en el proceso y en las
tecnologas relacionadas con el mismo. En la primera sesin de trabajo el grupo elabor
una lista de los factores y sus respectivas unidades de medida que tienen una incidencia
directa sobre el tefln de los sartenes. Estos factores son:
Temperatura: 170 C.
Concentracin del producto base: 30%.
Catalizador: tipo A.
De acuerdo con los datos acordados por consenso, el equipo de trabajo organiz
los factores y niveles de la siguiente manera (Tabla 3.3):
Tabla 3.3 Factores y niveles del proceso de fabricacin de sartenes
Smbolo
Factor
Temperatura
Concentracin
Catalizador
T
C
K
Niveles
Bajo (-1)
Alto (+1)
160 C
190 C
20%
40%
A
B
Con base en el contenido de la tabla 3.3 se tienen 3 factores con dos niveles cada
factor. Es decir, k = 3 y los niveles = 2. Uno de los miembros del equipo dijo: si las
condiciones experimentales se representan como 2k ensayos, entonces el nmero de
corridas es igual a 23 = 8. Y sigui explicando: adems, es conveniente identificar los
factores con letras maysculas latinas (i.e A, B, C,) y denotar los niveles bajo y alto de
los factores A, B, C, , con los signos (-) y (+), respectivamente. Esto ltimo, agreg,
recibe el nombre de notacin geomtrica para el diseo y se emplea para etiquetar las
171
combinaciones de tratamientos, los cuales se representan por una serie de letras minsculas
que se coloca en la primera columna de la tabla (i. e. (l) a, b, ab, c,) Sin duda, este
operario haba ledo el libro de Montgomery y Runger (1996) Probabilidad y estadstica
aplicadas a la ingeniera.
Total
I
+
+
+
+
+
+
+
+
Efecto factorial
A
+
+
+
+
B
+
+
+
+
AB
+
+
+
+
C
+
+
+
+
AC
+
+
+
+
BC
+
+
+
+
ABC
+
+
+
+
172
Factores principales
A
+
+
+
+
B
+
+
+
+
C
+
+
+
+
atencin se observa que todas las columnas empiezan en -. La primera columna (factor
A) alterna - y +, la segunda (factor B) alterna - - y + +, la tercera (factor C) alterna
- - - - y + + + +, lo cual deviene en una regla que seguira si hubiera ms columnas
(Ruiz-Falc Rojas, 2009). Esta forma como se escriben las combinaciones de tratamientos
no presupone que los ensayos tengan que realizarse en ese orden. Todo lo contrario, el
orden de las corridas debe ser aleatorio, de modo que se proteja el experimento de posibles
cambios que pudieran suceder durante el ejercicio del mismo.
Ya que el equipo de trabajo ha definido las combinaciones de los niveles de cada
uno de los factores principales (tabla 3.5), el siguiente paso es, por un lado, definir la
nomenclatura de los factores contenidos en la tabla 3.3, es decir, T = A, C = B y K = C, y
por el otro, sustituir los signos - y + por los valores de los niveles de cada factor, como
se describe en la tabla 3.6, que representa la matriz de condiciones experimentales.
173
Tabla 3.6. Matriz de condiciones experimentales del proceso de fabricacin
de sartenes de la empresa HAPPY KITCHEN, sin interaccin
Combinacin de
tratamientos (serie de
letras minsculas)
(1)
a
b
ab
c
ac
bc
abc
Factores
principales
A
B
C
160 20
A
180 20
A
160 40
A
180 40
A
160 20
B
180 20
B
160 40
B
180 40
B
Efecto factorial
A
+
+
+
+
B
+
+
+
+
AB
+
+
+
+
C
+
+
+
+
AC
+
+
+
+
BC
+
+
+
+
ABC
+
+
+
+
Resultados
(C)
60
72
54
68
52
83
45
80
Con los datos de la columna de resultados se calculan los posibles efectos de cada factor
sobre la variable de respuesta. Se define efecto como el cambio en la respuesta ocasionado
por un cambio en el nivel de ese factor. Hay tres tipos de efecto:
1. Efectos simples: son comparaciones entre niveles de un factor (contrastes);
2. Efectos principales: son comparaciones entre los niveles de un factor
Es muy importante no olvidar que las letras minsculas (1), a, b, ab, c, ac, bc, y
abc representan el total de todas las n rplicas en cada una de las ocho corridas en el diseo
174
(Montgomery & Runger, 1996). El clculo de los efectos se realiza mediante la siguiente
frmula:
~ x
~
~ = x
+ + + 1 + + +
4
4
z=
1
5 + + + 1 7
4
z=
1
572 + 68 + 83 + 80 60 54 52 457
4
Para este ejemplo n = 1. Sustituyendo los valores de los resultados de cada letra minscula
se tiene,
z =
303 211
= 23
4
= x
+ + + 1 + + +
4
4
1
5 + + + 1 7
4
1
554 + 68 + 45 + 80 60 72 52 837
4
Para este ejemplo n = 1. Sustituyendo los valores de los resultados de cada letra minscula
se tiene,
247 267
= 5
4
175
x
= x
+ + + 1 + + +
4
4
1
5 + + + 1 7
4
'=
Para este ejemplo n = 1. Sustituyendo los valores de los resultados de cada letra minscula
se tiene,
1
' = 552 + 83 + 45 + 80 60 72 54 687
4
' =
260 254
= 1.5
4
El siguiente paso es calcular las interacciones AB, AC, BC y ABC, cuyo procedimiento
consiste en asignar el signo correspondiente de la columna de la interaccin especfica a la
1
5 + + + 17
4
letra o letras minsculas que intercepta el signo. Para la interaccin AB su ecuacin es:
z =
+ + + 1 + + +
4
4
z =
Para este ejemplo n = 1. Sustituyendo los valores de los resultados de cada letra minscula
se tiene,
O tambin,
z =
1
580 45 + 68 54 83 + 52 72 + 607 = 1.5
41
z =
80 + 68 + 52 + 60 45 + 54 + 83 + 72
= 1.5
41
41
1
51 + + + 7
4
z' =
176
+ + + 1 + + +
4
4
z' =
Para este ejemplo n = 1. Sustituyendo los valores de los resultados de cada letra minscula
se tiene,
z' =
O tambin,
1
560 72 + 54 68 52 + 83 45 + 807 = 10
41
z' =
80 + 83 + 54 + 60 72 + 68 + 52 + 45
= 10
41
41
1
51 + + + 7
4
' =
+ + + 1 + + +
4
4
' =
Para este ejemplo n = 1. Sustituyendo los valores de los resultados de cada letra minscula
se tiene,
' =
O tambin,
1
560 + 72 54 68 52 83 + 45 + 807 = 0
41
' =
80 + 72 + 45 + 60 54 + 68 + 52 + 83
=0
41
41
1
5 + + + 17
4
para los dos niveles distintos de C, es decir, C+ y C-. en consecuencia su ecuacin es,
z' =
177
z' =
+ + + + 1 + + +
4
4
Para este ejemplo n = 1. Sustituyendo los valores de los resultados de cada letra minscula
se tiene,
z' =
O tambin,
1
580 45 83 + 52 68 + 54 + 72 607 = 0.5
41
z' =
72 + 54 + 52 + 80 60 + 68 + 45 + 83
= 0.5
41
41
Despus de haber realizado los clculos de los efectos principales de cada factor,
as como de cada una de las interacciones, el equipo de trabajo se dio cuenta que los efectos
principales de un factor son comparaciones entre los niveles de un factor promediados para
todos los niveles de otro factor (Kuehl, 2001). En este sentido, el factor A, que es la
temperatura, es el efecto dominante, lo cual significa que este factor tiene una importante
influencia sobre las caractersticas del tefln; le sigue la concentracin, factor B, y por el
ltimo el catalizador, el factor C. Sin embargo, se corrobora la sospecha que tena el equipo
de trabajo de la posible interaccin entre la temperatura y el catalizador, AC.
Para que estas interpretaciones de los efectos no quedaran como una lectura ligera,
el equipo de trabajo decidi realizar el anlisis de varianza (ANOVA) correspondiente,
cuyo resumen est contenido en la tabla 3.8. Pero antes, hizo unos clculos previos basados
en las siguientes frmulas:
Donde,
*R =
'
2\BZ
Contraste = son los valores de las letras de minsculas que estn entre corchetes,
178
'
2\
El contraste de A = 92
El contraste de B = -20
El contraste de C = 6
El contraste de AB = 6
El contraste de AC = 40
El contraste de BC = 0
El contraste de ABC = 2
92 8,464
= q =
= 1,058
2
8
20 400
=
=
= 50
2q
8
6 36
= q =
= 4.5
2
8
6 36
= q =
= 4.5
2
8
40 1,600
=
= 200
2q
8
0 0
= =0
2q
8
2 4
= = 0.5
2q
8
60 + 72 + 54 + + 80
C = 60 + 72 + 54 + 68 + 52 + 83 + 45 + 80
2221
179
514
C = 34,342 33,024.5
C = 1,317.5
= 1,317.5
Los valores de las sumas de cuadrado se colocan en la tabla 3.8 que contiene el ANOVA
Tabla 3.8 ANOVA para el experimento para el tefln del sartn
que fabrica la empresa Happy Kitchen
Fuente de variacin
Temperatura: A
Concentracin: B
Catalizador: C
AB
AC
BC
ABC
Error
Total
Suma de
cuadrados (SS)
1,058
50
4.5
4.5
200
0
0.5
016
1,317.5
Grados de
libertad
1
1
1
1
1
1
1
7
7
Media de
cuadrados
1,058
50
4.5
4.5
200
0
0.5
Fc
Con base en los elementos que se expusieron en el ejemplo 3.1, de la tabla 3.4 se
puede extraer cuatro importantes propiedades (Montgomery & Runger, 1996):
1. Cada columna tiene el mismo nmero de signos ms y menos.
2. La suma de los productos de los signos en cualquier par de columnas es cero,
esto es, las columnas de las tablas son ortogonales.
3. La multiplicacin de cualquier columna por I deja la columna sin cambio
alguno; esto es, I es un elemento identidad.
16
Dado que el error es igual a cero, el clculo de F resulta indefinido. Ms adelante se explica el
procedimiento para resolver esta indefinicin.
180
4.
Por otro lado, no obstante el diseo factorial completo permite investigar, en forma
simultnea, los efectos de numerosos factores, as como todas las combinaciones de niveles
de todos los factores, si se aaden ms factores al diseo el nmero de experimentos
requeridos no slo se eleva geomtricamente, sino que tambin se eleva su complejidad de
clculo, control y lectura. Por ejemplo, el diseo
22 = 4 experimentos
23 = 8 experimentos
24 = 16 experimentos
25 = 32 experimentos
26 = 64 experimentos
27 = 128 experimentos
28 = 256 experimentos
Si en el diseo, los factores se probaran a tres niveles, un diseo factorial completo
requerira,
El diseo 32 = 9 experimentos
El diseo 33 = 27 experimentos
El diseo 34 = 81 experimentos
Aunque los diseos factoriales completos cubren todas las condiciones posibles
que se tiene el inters de probar, pierden su eficiencia cuando el nmero de factores y
niveles llega a ser muy grande. Esta debilidad del diseo factorial completo es uno de los
principales objetivos que el diseo de experimentos con matrices ortogonales del mtodo
Taguchi trata de compensar.
181
especiales que se les llama matrices ortogonales (Huynh, 2010). Tales matrices no slo son
diferentes por la forma de como normalmente se muestran en la literatura estadstica, sino
que son de mucha utilidad en la ingeniera de calidad en general y en el diseo robusto, en
particular.
El mtodo Taguchi tiene un catlogo de 20 matrices especiales, de las cuales 18
son de uso comn y dos requieren de una explicacin especial. En cada matriz se hallan
debidamente distribuidas las distintas combinaciones de los niveles de los factores,
siguiendo el requisito bsico de la ortogonalidad. Las matrices ortogonales se pueden ver
como planes de experimentos con mltiples factores en las que las columnas (1, 2, 3,, m)
corresponden a los factores, las entradas en las columnas pertenecen a los niveles (0 para
el nivel bajo, 1 el nivel alto) de prueba de los factores y las filas conciernen a las corridas,
como se muestra en las tablas 3.9 y 3.10 y cuya notacin general es AON(sm).17
Tabla 3.9 Arreglo ortogonal AO4 (23)
Nmero de
filas
1
2
3
4
Nmero de columna
2
0
1
0
1
1
0
0
1
1
3
0
1
1
0
1
0
0
0
0
1
1
1
1
2
0
0
1
1
0
0
1
1
Nmero de columna
3
4
5
0
0
0
0
1
1
1
0
0
1
1
1
1
0
1
1
1
0
0
0
1
0
1
0
6
0
1
1
0
0
1
1
0
7
0
1
1
0
1
0
0
1
De acuerdo con el contenido que se despliega en las tablas 3.9 y 3.10, que
contienen los AO4(23) y AO8(27) respectivamente, stas se detallan como una matriz N x m,
17
182
183
(3.1)
Lo anterior significa que cuando dos vectores en el mismo plano, A y B, son ortogonales,
es obvio que la ecuacin (3.1) es vlida para el caso que se describe en la figura 3.6.
Visto de otra manera, dos vectores son ortogonales si la suma de los productos de
sus elementos correspondientes es 0 (ecuacin 3.1). Por ejemplo, considere los siguientes
vectores A y B:
Z = 2
= 4
Z
= 3
= = 1
z =
q = 5
q = 1
s = 0
s = 4
184
19
185
Nmero
de corrida
1
2
3
4
A
(1)*
0
0
1
1
Factor (Columna)
B
(2)
0
1
0
1
C
(3)
0
1
1
0
Tambin puede darse el caso que slo se tengan dos factores, entonces el arreglo
quedar de la siguiente manera:
Tabla 3.10b. Asignacin de 2 factores de dos niveles en las columnas de un AO L4
Nmero
de corrida
1
2
3
4
A
(1)
0
0
1
1
Factor (Columna)
B
(2)
0
1
0
1
C
(3)
0
0
0
0
Sin que haya relacin con la propiedad ortogonal, se puede efectuar un par de
observaciones generales mediante la lectura de la matriz a lo largo de las filas (ver tabla
3.12a y 3.12b). La primera observacin consiste en que la primera fila de todas las matrices
186
tiene todos los 0's. La segunda es que no hay una fila que tenga todos los 1's, 2s 3s.
Estas observaciones son vlidas independientemente de que la matriz est destinada a
factores con dos, tres o cuatro niveles.
Antes de seguir avanzando en al anlisis y uso del AO L4, conviene describir las
10 matrices ortogonales que se utilizan con mayor frecuencia en las situaciones
experimentales de la industria. La lista est compuesta de cinco matrices para factores de
dos niveles, tres para los factores de tres niveles, y dos para los factores de cuatro niveles,
como se muestra en la tabla 3.13.
Tabla 3.13. Arreglos ortogonales ms comnmente usados
para el diseo de experimentos
Los 5 arreglos de dos niveles, L4, L8, L12, L16 y L32 cada uno tienen menos
columnas que filas. As el, AO L4 tiene tres columnas, el AO L8 tiene siete
columnas, y as sucesivamente.
Las matrices de tres y cuatro niveles no siguen aquel tipo de norma. Quien se inicie
en esta tcnica habr de familiarizarse con el nmero de columnas, sea el caso del
AO L9 que tiene 4 columnas de tres niveles, el AO L18 tiene ocho columnas y el AO
L27 tiene13 columnas.
Los 2 arreglos de cuatro niveles (ver la tabla 3.13) son formas modificadas de las
correspondientes matrices de dos niveles. El AO L16 (45), tiene cinco columnas y se utiliza
para disear experimentos con 5 factores de cuatro niveles cada factor. La matriz L32 (21,
187
49), tiene 10 columnas en las que se acomodan 9 factores de cuatro niveles y 1 factor de dos
niveles.
Despus de la descripcin anterior, se concluye que la planificacin de los diseos
de experimentos requiere de un conocimiento completo de las matrices ortogonales, as
como del proceso de la manera de cmo se corren los experimentos. Ahora bien, para el uso
de las matrices ortogonales en el diseo de experimentos se siguen tres pasos como se ver
ms adelante. Por ejemplo, en un proceso de horneado de galleta de chocolate se
identificaron para su estudio tres factores de dos niveles, a saber: A: azcar (1/2 taza, de
taza), B: chips (chicos, grandes), y C: mantequilla (1 barra, 11/2 barra). Esto significa que
si se desea llevar a cabo un diseo de experimentos, por un lado, se tendr en cuenta el
tiempo de horneado y, por el otro, respetar las indicaciones de la receta para cada fase del
proceso.
188
Factor
B
(2)
0
1
0
1
A
(1)
0
0
1
1
C
(3)
0
1
1
0
En notacin crptica:
Experimento 1:
a1
b1
c1
Experimento 2:
a1
b2
c2
Experimento 3:
a2
b1
c2
Experimento 4:
a2
b2
c1
En lenguaje sencillo:
Experimento 1:
Experimento 2:
Experimento 3:
Experimento 4:
189
Ejemplo 3.2
Suponga que una pequea industria que fabrica piezas de metal desea disear un
muelle de manera y que el nmero mximo de comprensiones hasta la rotura sea el mayor
posible, para ello el equipo de diseo plane efectuar algunas combinaciones con tres
variables: longitud (factor 1), el grosor del alambre (factor 2) y el tipo de acero del alambre
(factor 3). Adems, determin que experimentaran con dos valores de longitud, 10 cm y 15
cm, con valores de grosor, dimetros 5mm y 7mm y con dos tipos de acero, que se
identifican como A y B. Este ejemplo rene los conceptos bsicos para aproximarse al DEE
y responder las siguientes preguntas:
1.
2.
3.
4.
5.
6.
7.
8.
9.
Abreviatura
L=A
G=B
T=C
1
10
5
A
2
15
7
B
190
10.
Cul es la matriz o arreglo ortogonal que satisface los datos de la tabla 3.15,
para desarrollar el DEE del diseo de un muelle?
Resp. El arreglo ortogonal que satisface los datos de la tabla 3.15 es el L4 (23), cuya
matriz ortogonal es:
Factor
B
(2)
0
2
0
1
A
(1)
0
0
1
1
C
(3)
0
1
1
0
Se sustituyen las letras maysculas por el nombre de los factores para que se tenga un
lenguaje sencillo (tabla 3.17).
Tabla 3.17 Arreglo ortogonal L4 (23) para el diseo del muelle
Nmero de
corrida
1
2
3
4
Factor
Grosor
(2)
0
2
0
1
Longitud
(1)
0
0
1
1
Tipo de acero
(3)
0
1
1
0
En notacin crptica:
Experimento 1:
a1
b1
c1
Experimento 2:
a1
b2
c2
Experimento 3:
a1
b2
c2
Experimento 4:
a2
b2
c1
En lenguaje sencillo:
Experimento 1:
Experimento 2:
Experimento 3:
Experimento 4:
191
3. Presin de la inyeccin
4. Fijar tiempo
5. Nivel de llenado
192
departamento de compras explic que los contratos que tienen firmado con los proveedores
se les indic que tiene prohibido hacer cambios en los niveles de estos dos factores en un
futuro inmediato.
Al seleccionar el arreglo L4 para el DEE, los tres factores incluidos en el estudio
tienen que tener dos niveles cada uno, ya que la matriz L4 tiene tres columnas de dos
niveles. Los dos niveles de cada factor fueron seleccionados en valores por debajo y por
arriba de los niveles de operacin actuales. Para el factor presin de la inyeccin, por
ejemplo, en la cota de la produccin actual el nivel es 300 lb/pulg2. Un operador de la
mquina de la produccin, quien forma parte del equipo de trabajo, expuso que de acuerdo
con su experiencia, se producen productos bastante buenos, cuando la presin de la
inyeccin se encuentra dentro del intervalo de 250 a 350 lb/pulg2. De esta manera se acord
que los niveles bajo (1) y alto (2) del factor presin de la inyeccin fueran 250 y 350
lb/pulg2, respectivamente. Los valores de los niveles de los otros dos factores se decidieron
de manera similar (tabla 3.18).
193
Tabla 3.18 Factores y niveles para el caso de la cubierta
del motor de la podadora
Nivel
Factor
0
1
2
A: Presin de la inyeccin (lb/pulg )
250
350
150
200
B: Temperatura del moldeo (F)
C: Fijar tiempo (segundos)
6
12
Las pruebas se deben llevar a cabo, en su mayor parte, de una manera que las
aplicaciones se simulen como si se estuviera en la vida real. Para aplicaciones de
optimizacin de procesos, las pruebas se deben llevar a cabo en una situacin que coincida
estrechamente con el entorno de produccin. Si el objetivo del proyecto es la optimizacin
del diseo del producto, entonces los experimentos se deben realizar en condiciones que
mejor simulan los usos del usuario. Pero esto no es lo nico para el DEE. El requisito
central del DEE consiste en que los experimentos se lleven a cabo de tal manera que se
logre reducir al mnimo la posibilidad de elevar el error experimental.
En general, en los estudios experimentales hay dos tipos de error experimental:
error entre experimentos y error dentro del experimento. El error entre experimentos es el
error que se asocia con los resultados de las diferentes configuraciones. El error dentro del
194
experimento es el error que se asocia con la repeticin de los experimentos (muestras) bajo
las mismas condiciones. La manera de mantener al mnimo a los dos tipos de errores es
efectuar los experimentos en orden aleatorio.
Naturalmente, hay muchas secuencias posibles para las 12 pruebas (S11, S12,..., S43)
de las muestras. Lo ms conveniente es seleccionar la muestra en orden aleatorio (es decir,
escribir los nombres de las muestras en 12 trozos de papel y elegir con los ojos vendados
una a la vez, sin repeticin). La realizacin de una prueba en orden aleatorio se denomina
rplica. La rplica es la forma ms aleatoria de realizar las pruebas de las condiciones
195
Las pruebas que siguen el mtodo de rplicas pueden plantear algunas dificultades
prcticas. Suponga que el orden de seleccin iniciara con la muestra S33 (primera muestra),
es parte de la corrida 3 (Tabla 3.20). Esto significa que la presin de la inyeccin (factor A
en el nivel 2) es 350 lb/pulg2, la temperatura del moldeo (factor B en el nivel 1) es 150F, y
la fijacin del tiempo (factor C en el nivel 2) es 12 segundos. Suponga que la siguiente
extraccin sea S21 (segunda muestra), corresponde a la condicin experimental 2, es el
siguiente orden. Esta condicin requiere que la presin de la inyeccin (factor A en el nivel
1) es 250 lb/pulg2, la temperatura del moldeo (factor B en el nivel 2) es 200F, y la fijacin
del tiempo (factor C en el nivel 2) es 12 segundos.
196
Tabla 3.21 Arreglo del DEE con los resultados del caso de estudio 3.3
Nmero de
Factor
corrida
Resultados (lb/in2)
A
B
C
1
0
0
0
30 WZ
2
0
2
1
25 W
3
1
0
1
34 Wq
4
1
1
0
27 Ws
factores.
Los resultados que se obtuvieron de los experimentos, que recin se han
finalizado, contienen informacin que bosqueja las principales razones y quizs otras ms,
del porqu del experimento. Pero los resultados (datos sin procesar) que se recogieron de
las muestras de ensayo, ahora se tienen que analizar para desarrollar la informacin clave
que tenga validez estadstica. Dentro del contexto de esta discusin, el trmino estadstica
simplemente significa que las conclusiones y observaciones realizadas a partir de los datos
se esperaran que fueran las ms idneas. Los resultados experimentales 30, 25, 34 y 27
(tabla 3.21) son los promedios de la medicin de la resistencia (lb/pulg2) de todas las
La notacin WZ , W y as sucesivamente, se usa para designar los resultados de
para obtener las deducciones donde se requieren clculos manuales. La informacin que se
obtiene de los anlisis de los resultados se puede agrupar en dos tipos. El primero (Tipo I)
se refiere a la informacin que se obtiene mediante sencillos clculos aritmticos. La
segunda categora (Tipo II) requiere de un poco ms de intuicin de los clculos
estadsticos.
Informacin de tipo I
Condicin ptima
Informacin de tipo II
197
Mtodo para el clculo de los efectos promedio de los niveles de los factores
El efecto medio de un factor en un nivel se calcula mediante el examen de la
matriz ortogonal, la asignacin del factor, y los resultados experimentales como se exponen
en la tabla 3.21. Para expresar el valor numrico del efecto promedio se utiliza una letra
mayscula con una barra superior. Por ejemplo, para calcular el efecto promedio del factor
A en el nivel 1, se identifican todos los resultados del nivel 1 del factor A y luego se
promedian. Los resultados de las corridas 1 y 2 son los que tienen el nivel 1 del factor A,
tales valores son los que se suman y se promedian. De esta manera se contina con los
clculos de los efectos promedio de los tres factores.
zZ =
z =
Z + 30 + 25
=
= 27.5
2
2
q + s 34 + 27
=
= 30.5
2
2
WZ =
Z + q 30 + 34
=
= 32
2
2
198
W =
'Z =
' =
+ s 25 + 27
=
= 26
2
2
Z + s 30 + 27
=
= 28.5
2
2
+ q 25 + 34
=
= 29.5
2
2
donde A1, B2, etc., son los niveles del factor y Y1, Y2, etc., son los resultados de las
diferentes condiciones experimentales.
199
del producto o proceso bajo estudio. Sin embargo, cuando no se tiene disponible o no se
conoce el desempeo actual, se utiliza como referencia para comparar y enunciar las
mejoras alcanzadas.
Z + + q + s
4
200
/W =
30 + 25 + 34 + 27
= 29 /F
4
z /W = 30.5 29 = 1.5
WZ /W = 32 29 = 3
aditivas slo cuando la influencia de todos los factores es lineal. Dado que ste no siempre
es el caso, se espera que el resultado calculado se encuentre muy cerca del desempeo real.
Para el problema que se est discutiendo el resultado esperado se calcula como,
201
Como regla general, ya sea como un valor entendido o parte del plan, la condicin
ptima no estar dentro del grupo de corridas que se hayan realizado. Por ello, es una buena
idea planificar algunas corridas adicionales alrededor de la estimacin de la condicin
ptima (Yopt.). Estas pruebas de confirmacin sirven para dos propsitos: 1) disear una
nueva condicin ptima que establece un nuevo desempeo, el cual se define como la
mejora alcanzada; 2) permiten al investigador determinar qu tan cerca de los resultados
observados se halla la estimacin.
Para el caso de estudio que se analiza, 34 lb/pulg2 es el resultado esperado que
habr de confirmarse mediante el anlisis de un nmero de muestras que se corren bajo las
202
Figura 3.9 Funcin de prdida de la caracterstica calidad mayor es mejor y estandarizacin del
proceso de moldeo
203
El diseo L8 (27)
Tal como ya se ha explicado ms arriba, el mtodo Taguchi utiliza los arreglos
ortogonales para evaluar los efectos de los factores en la media y en la variacin de la
respuesta. Un arreglo ortogonal da por sentado que el diseo es balanceado, as que los
niveles de los factores se ponderan equitativamente. Por eso, cada factor puede evaluarse
independientemente de todos los dems factores, de modo que el efecto de un factor no
afecta la estimacin de otro factor. Asimismo, los diseos de arreglo ortogonal se
concentran principalmente en los efectos principales. Esto puede reducir el tiempo y el
costo asociados con el experimento cuando se utilizan diseos factoriales fraccionados.20
Las matrices ortogonales estndar que permiten la evaluacin independiente de
varios factores a la vez se describen en la tabla 3.22.
Tabla 3.22 Matices ortogonales estndar para el diseo de sistemas robustos
Arreglo
ortogonal
Nmero de
filas
L4
4
L8
8
L9
9
L12
12
L16
16
L16
16
L18
18
L25
25
L27
27
L32
32
L32
32
L36
36
L36
36
L50
50
L54
54
L64
64
L64
64
L81
81
Fuente: MIT (1998)
20
Nmero mximo
de factores
3
7
4
11
15
5
8
6
13
31
10
23
16
12
26
63
21
40
204
Despus del AO L4 (23), que es una de las matrices ms simples del mtodo
Taguchi, le sigue el AO L8 (27). La letra mayscula L es de Layout (diseo), el subndice 8
significa 8 corridas, el 2 es el nmero niveles de cada factor y el exponente 7 es el nmero
de factores. Dicho de otra manera, este arreglo es una matriz en la que se representan siete
factores que se colocan como columnas y cada uno de ellos tiene dos niveles. De la misma
forma, representa 1/16 de las 128 combinaciones posibles (8 de 128) de un experimento
factorial completo (Ross, 1989). En este punto, no se debe sorprender que las ocho corridas
proporcionen tan solo 7 grados de libertad para todo el experimento, los cuales son
asignados en las siete columnas de dos niveles, donde cada columna tiene un grado de
libertad.
El AO permite que todos los grados de libertad del error se intercambien por los
grados de libertad de los factores y proporciona las combinaciones de cada prueba
especfica que se adapta a aquel enfoque. Cuando todas las columnas se les asignan un
factor ese diseo se le conoce como diseo saturado. Es fcil ver que todas las columnas
aportan cuatro pruebas con el nivel bajo del factor y cuatro con el nivel alto. Esta es una de
las caractersticas que distingue la ortogonalidad entre todas las columnas (factores). El
poder real de usar un AO es la capacidad para evaluar varios factores con un mnimo de
pruebas. Por tal virtud, el AO se le considera como un experimento eficiente ya que con
pocos ensayos se obtiene mucha informacin.
La tabla 3.23 muestra el AO L8 (27). El arreglo L8 (27) solo requiere 8 corridas, la
cual es una fraccin del diseo factorial completo. Este arreglo es ortogonal; los niveles de
los factores se ponderan de igual manera en todo el diseo. Las columnas de la tabla
representan los factores de control, las filas representan las corridas (combinacin de los
niveles de los factores) y cada celda representa el nivel del factor para esa corrida. En este
ejemplo, los niveles 1 y 2 ocurren 4 veces en cada factor dentro del arreglo. Si compara los
niveles del factor A con los niveles del factor B, se ver que B1 y B2 ocurren 2 veces cada
uno junto con A1 y 2 veces junto con A2. Cada par de factores est balanceado, lo que
permite evaluar los factores de manera independiente.
205
1
1
1
1
1
2
2
2
2
2
1
1
2
2
1
1
2
2
Nmero de columna
3
4
5
1
1
1
1
2
2
2
1
1
2
2
2
2
1
2
2
2
1
1
1
2
1
2
1
6
1
2
2
1
1
2
2
1
7
1
2
2
1
2
1
1
2
ii)
iii)
iv)
Es importante hacer notar que la asignacin de los factores en las siete columnas es
arbitraria. El siguiente ejemplo trata de un experimento que tiene cuatro factores principales
y una interaccin. Esto significa que se emplear un AO L8 del que se usarn cinco
columnas.
Ejemplo 3.4
Una empresa del ramo de plsticos y resinas est en proceso de disear un experimento de
moldeo de plstico cuya caracterstica de calidad que la har diferente a las de la
competencia, es la resistencia a la traccin que se mide en kgcm-2, por lo que el tipo de
caracterstica de calidad es mayor es mejor. Los tcnicos encargados de elaborar el moldeo
sealaron que los factores que se presume afectan a sta y que los han manejado a dos
niveles, son los siguientes:
A: temperatura:
B: presin
C: tiempo
D: aditivo
A1 = 2000C
B1 = 500 kgcm-2
C1 = 30 min
D1 = 3 %
A2 = 2200C
B2 = 700 kgcm-2
C2 = 40 min
D2 = 5 %
206
inters es A x B, la cual es la nica que se sospecha pueda suceder. En este sentido, dado
que hay cuatro factores principales y una interaccin, entonces slo se necesitan 5
columnas para asignar estas fuentes de variacin, por lo que el AO L8, que tiene 7
columnas, resulta adecuado para los propsitos del experimento. Dentro del marco de las
matrices ortogonales de Taguchi, fuente se refiere al factor principal o a la interaccin y
variacin significa suma de cuadrados.
La asignacin de los factores A, B, C, D en las columnas sigue, aunque de manera
acotada, la forma estndar, es decir, la letra a le corresponde la columna 1 en donde se
colocar el factor A; la letra b le corresponde la columna 2 en la que se asignar el factor B,
sigue ab que se coloca en la columna 3 donde se fijar la interaccin A x B; sigue la letra c
que le corresponder la columna 4 y donde se asignar la el factor C; le sigue ac y bc que se
asignan a las columnas 5 y 6, respectivamente y se les considera como error (e); por ltimo
abc la cual ocupa la columna 7, donde se colocar el factor D. En tanto que las filas
representan las ocho condiciones experimentales tal como se despliegan en la tabla 3.24.
Tabla 3.24 Asignacin de los factores e interacciones del AO L8 para el experimento
de la resistencia a la traccin
No. de
Nmero de columna
Condicin
Datos
experimento
experimental
resistencia a
la traccin
1
2
3
4
5 6
7
(kgcm-2)
1
1
1
1
1
1
1
A1B1C1D1
9 (Y1)
1
1
1
1
2
2
2
2
A1B1C2D2
12 (Y2)
2
1
2
2
1
1
2
2
A1B2C1D2
8 (Y3)
3
1
2
2
2
2
1
1
A1B2C2D1
15 (Y4)
4
2
1
2
1
2
1
2
A2B1C1D2
16 (Y5)
5
2
1
2
2
1
2
1
A2B1C2D1
20 (Y6)
6
2
2
1
1
2
2
1
A2B2C1D1
11 (Y7)
7
2
2
1
2
1
1
2
A2B2C2D2
13 (Y8)
8
Notacin
estndar
Asignacin
ab
ac
bc
abc
A
Temperatura
B
Presin
AXB
C
Tiempo
D
Aditivo
Total
104
=
9
207
En lenguaje sencillo:
Experimento 1:
Experimento 2:
Experimento 3:
Experimento 4:
Experimento 5:
Experimento 6:
Experimento 7:
Experimento 8:
Suponga que todos los experimentos del ejemplo 3.4 se llevaron a cabo en orden
aleatorio y los resultados de las muestras se midieron en trminos de resistencia en kgcm-2
como lo expresan los valores de la ltima columna de la tabla 3.24. Estos datos ahora sern
sometidos a distintos niveles de anlisis para desarrollar la informacin clave que tenga
validez estadstica. El anlisis que se llevar acabo ser del Tipo I, el cual consiste en
obtener:
Condicin ptima
Z + + q + s 9 + 12 + 8 + 15
=
= 11
4
4
zZ =
z =
WZ =
W =
+ + + 16 + 20 + 11 + 13
=
= 15
4
4
Z + + + 9 + 12 + 16 + 20
=
= 14.25
4
4
q + s + + 8 + 15 + 11 + 13
=
= 11.75
4
4
208
'Z =
' =
Z =
E
Z + q + + 9 + 8 + 16 + 11
=
= 11
4
4
+ s + + 12 + 15 + 20 + 13
=
= 15
4
4
Z + s + + 9 + 15 + 20 + 11
=
= 13.75
4
4
+ q + + 12 + 8 + 16 + 13
=
= 12.25
4
4
Efecto interaccin de los factores AxB
=
E
B1
B
B2
A1
Z + 9 + 12
=
= 10.5
2
2
q + s 8 + 15
=
= 11.5
2
2
A2
+ 16 + 20
=
= 18
2
2
+ 11 + 13
=
= 12
2
2
209
Figura 3.10 Grfico de los efectos promedio del factor y la variabilidad asociada
con la pendiente de los efectos principales
E
Z = 12.25 13.75 = 1.5
*R FF R E = E
Es muy importante hacer hincapi que, si bien resulta fcil calcular el efecto
principal del factor cuando ste tiene dos niveles, graficarlo es indispensable, tal como se
210
describe en la figura 3.10. De la misma manera, se sugiere tener muy en cuenta que siempre
se debe dibujar un grfico si el factor tiene tres o ms niveles. Los efectos principales de los
cuatro factores se muestran en los grficos de la figura 3.10. De stos se puede realizar las
siguientes observaciones:
real del producto o proceso bajo estudio. Sin embargo, cuando no se tiene disponible o no
se conoce el desempeo actual, se utiliza como referencia para comparar y enunciar las
mejoras alcanzadas.
G GF = /W =
/W =
Z + + q + s + + + +
8
9 + 12 + 8 + 15 + 16 + 20 + 11 + 13
= 13 iGB
8
211
/W = 13.75 13 = 0.75
Contribucin del factor D (Aditivo): E
Resultado esperado de la condicin ptima
El resultado esperado de la condicin experimental idnea es una estimacin de la
mejoras (contribucin) de todos los factores a la gran media de desempeo (/W. Las
condicin ptima (Yopt.). El desempeo esperado se calcula sumando cada una de las
contribuciones de todos los factores son aditivas slo cuando la influencia de todos los
factores es lineal. Dado que ste no siempre es el caso, se espera que el resultado calculado
se encuentre muy cerca del desempeo real. Para el problema que se est discutiendo el
Z /W
( = /W + z /W + WZ /W + ' /W + E
Resistencia a la traccin = 13 + (15 13) + (14.25 13) + (15 13) + (13.75 13)
Resistencia a la traccin = 19 kgcm-2
212
Como regla general, ya sea como un valor entendido o parte del plan, se debe tener
en menta que la condicin ptima no estar dentro del grupo de condiciones experimentales
que se hayan realizado. Por ello, es una buena idea planificar algunas corridas adicionales
alrededor de la estimacin de la condicin ptima (Yopt.). Estas pruebas de confirmacin
sirven para dos propsitos: 1) disea una nueva condicin ptima que establece un nuevo
desempeo, el cual se define como la mejora alcanzada; 2) permiten al investigador
determinar qu tan cerca de los resultados observados se halla la estimacin.
Para el caso de estudio que se analiza, 19 kgcm-2 es el resultado esperado que
habr de confirmarse mediante el anlisis de un nmero de muestras que se corren bajo las
condiciones experimentales idneas y cuya media cae suficientemente cerca de la
estimacin de la condicin ptima (Yopt.). Pero, qu tan cerca es lo suficientemente cerca?
Los lmites dentro de los que debe caer el resultado esperado se establecen mediante el
clculo del intervalo de confianza como se describe en la figura 3.11.
213
Resumen
Sin embargo, si habr observado no se hizo el anlisis del efecto interaccin de A x B. Esta
tarea se abordar despus de que se haya efectuado el anlisis de varianza (ANOVA)
correspondiente.
214
215
216
217
C = V W
VYZ
Donde,
SST = suma de cuadrados total
W = promedio de la muestra
C = V
VYZ
Donde,
T = suma total de los datos
N = nmero de datos
/
H
218
Siguiendo un enfoque similar, la variacin que genera el factor, sea el factor A, se obtiene
zZ
z
=
+
. '
HZ H
mediante una expresin que se le llama suma de cuadrados del factor como
Z
+
. '
HZ H
'Z
'
+
. '
HZ H
experimentos en los que el nivel 1 del factor A est presente, y A1 los resultados totales
(suma de yi) que incluyen el factor en el nivel 1 (A1). El mismo procedimiento es para A2 y
los niveles correspondientes de cada uno de los factores e interacciones que comprende el
experimento.
La suma de cuadrados de los totales y de los factores son los clculos bsicos
necesarios para el ANOVA. Adems, hay otros cinco valores que se derivan de las sumas
de cuadrados originales y que forman parte de la tabla ANOVA. Para el factor A, estas
cantidades se obtienen, como sigue:
3.
G F:
m =
6 )
4. Porcentaje de influencia (%):
5. Suma de cuadros del error: SSE = SST - SSA + SSB + SSAXB + SSC
donde Ve es la varianza del trmino error y se obtiene dividiendo la suma de cuadrados del
error con sus respectivos grados de libertad; mientras que GLA son los grados de libertad
del factor A.
219
Grados de libertad
Los grados de libertad (GL) es un nmero importante que se necesita para el
anlisis de resultados y para tener un buen conocimiento de los mismos. Los grados de
libertad es un trmino comn que se usa tanto en la ciencia, como en la ingeniera. En
algunas aplicaciones, tal como el anlisis de vibraciones, los grados de libertad tienen un
significado fsico. Cuando se trata de un anlisis estadstico de los datos experimentales, los
GL son un indicador de la cantidad de informacin contenida en un conjunto de datos. Por
ejemplo, si hay tres nmeros en un conjunto de datos, los GL = 3 1, lo cual indica la
cantidad de informacin adicional que se pueda obtener mediante las diferencias entre los
tres nmeros. Visto de otro modo, si hay tres personas, ser necesario hacer dos
comparaciones para determinar quin es el ms alto.
En el anlisis estadstico de los resultados experimentales, los GL se aplican para
caracterizar cuatro elementos, por separado. Slo se necesita entender las siguientes
definiciones:
Con base en la definiciones previas se sigue que los grados de libertad de un factor de dos
niveles es 1(= 2-1), para un factor de tres niveles es 2, para un factor de cuatro niveles es 3.
Aplicado a las columnas de una matriz, una columna de un AO L8 tiene 1 GL (= 2 - 1), lo
que significa que ese arreglo tendr 7 grados de libertad ya que tiene siete columnas con 1
GL cada una.
El grado de libertad de un experimento o el total de los grados de libertad de un
experimento se calculan tomando en consideracin el nmero de muestras analizadas en
cada condicin de prueba. En tal sentido, si en un AO L8 se ensaya con cinco muestras en
cada condicin experimental, entonces los GL para este experimento sern 39 (= 8 x 5 1).
Recuerde que por cada muestra que analice debe esperar un resultado (criterio nico o
mltiple criterio combinados en un solo nmero). Los GL juegan un papel muy importante
en el clculo de los intervalos de confianza y en las pruebas de significancia para obtener
220
los valores que conforman la tabla ANOVA. El siguiente ejemplo muestra los pasos y uso
de los GL, as como otras tcnicas ms sutiles que ayudan a definir la tabla ANOVA.
El diseo de experimento que se explic en el ejemplo 5 dio los siguientes
resultados que se despliegan en la tabla 3.25
Tabla 3.25 Asignacin de los factores e interacciones del AO L8 para el experimento de la resistencia a la
traccin
No. de
Nmero de columna
Condicin
Datos
experimento
experimental
resistencia a
la traccin
1
2
3
4
5 6
7
(kgcm-2)
1
1
1
1
1
1
1
A
B
C
D
9 (Y1)
1
1 1 1 1
1
1
1
2
2
2
2
A
B
C
D
12
(Y2)
2
1 1 2 2
1
2
2
1
1
2
2
A
B
C
D
8
(Y
3
1 2 1 2
3)
1
2
2
2
2
1
1
A
B
C
D
15
(Y
4
1 2 2 1
4)
2
1
2
1
2
1
2
A
B
C
D
16
(Y
5
2 1 1 2
5)
2
1
2
2
1
2
1
A
B
C
D
20
(Y
6
2 1 2 1
6)
2
2
1
1
2
2
1
A
B
C
D
11
(Y
7
2 2 1 1
7)
2
2
1
2
1
1
2
A
B
C
D
13
(Y
8
2 2 2 2
8)
Notacin
estndar
Asignacin
ab
ac
bc
abc
A
Temperatura
B
Presin
AXB
C
Tiempo
D
Aditivo
Total
104
=
9
Con los datos de la ltima columna de la tabla 3.6 se explicar el procedimiento para
calcular la influencia del factor, de la interaccin, el intervalo de confianza y el pooling.
A2 = y5 + y6 + y7 + y8
A1 = 9 + 12 + 8 + 15 = 44
A2 = 16 + 20 + 11 + 13 = 60
B1 = y1 + y2 + y5 + y6
B2 = y3 + y4 + y7 + y8
B1 = 9 + 12 + 16 + 20 = 57
B2 = 8 + 15 + 11 + 13 = 47
Efecto de la interaccin A x B
Tabla de doble entrada para la interaccin A x B
A
B1
B2
A1
y1 + y2 = 9 + 12 = 21
y1 + y4 = 8 + 15 = 23
A2
y5 + y6 = 16 + 20 = 36
y7 + y8 = 11 + 13 = 24
221
C1 = y1 + y3 + y5 + y7
C2 = y2 + y4 + y6 + y8
C1 = 9 + 8 + 16 + 11 = 44
C2 = 12 + 15 + 20 + 60 = 59
D1 = y1 + y4 + y6 + y7
D2 = y2 + y3 + y5 + y8
D1 = 9 + 15 + 20 + 11 = 55
D2 = 12 + 8 + 16 + 13 = 49
CM
N
Z{s A Z{s
= 1,352
C = V
VYZ
/
C = 9Z + 12 + 8q + 15s + 16 + 20 + 11 + 13 1,352 = 108
zZ
z
+
. '
HZ H
Z
+
. '
HZ H
44 60
+
1,352 = 32
4
4
57 47
=
+
1,352 = 12.5
4
4
z6V
/
=
AK
H
VYZ
222
21ZZ
23Z
36Z 24
104
A =
+
+
+
32 12.5 = 24.5
2
2
2
2
8
'Z
'
=
+
. '
HZ H
44 60
+
1,352 = 32
4
4
EZ
E
+
. '
HZ H
55 49
+
1,352 = 4.5
4
4
' G z =
' G =
32
' G z =
= 32
)
1
12.5
' G =
= 12.5
)
1
' G z 6 A =
A
24.5
' G z 6 A =
= 24.5
1
)A
32
' G ' =
= 32
)
1
4.5
' G E =
= 4.5
)
1
223
2.5
=
= 1.25
)
2
A =
q
Z.
Z.
Z.
= 25.6
= 10
A = Z. = 19.6
s.
= Z. = 25.6
q
= Z. = 3.6
s.
m =
6 )
m = 32 1.25 6 1 = 30.75
m =
6 )
A
=
A 6 )A
A
= 24.5 1.25 6 1 = 23.25
m =
6 )
m = 32 1.25 6 1 = 30.75
m =
6 )
224
m
Suma de cuadrados del error pura:
m = SST -
A =
6 100%
6 100%
6 100%
6 100%
6 100%
q{.
Z{
ZZ.
Z{
A =
=
6 100% =
6 100% = 28.47%
6 100% = 10.42%
q.
Z{
q{.
Z{
q.
Z{
.
Z{
6 100% = 21.53%
6 100% = 28.47%
6 100% = 3.01%
6 100% = 8.1%
Con base en los resultados obtenidos, la estructura de la tabla se describe en la tabla 3.26
225
Tabla 3.26 ANOVA para los datos de la resistencia a la traccin
Fuente
A
B
AxB
C
D
e
SST
SS
32
12.5
24.5
32
4.5
2.5
108
GL
1
1
1
1
1
2
7
V
32
12.5
24.5
32
4.5
1.25
Fcalc.
25.6
10
19.6
25.6
3.6
F (0.1, 1, 2)
8.53
8.53
8.53
8.53
8.53
%
28.47
10.42
21.53
28.47
3.01
8.1
100
SS
30.75
11.25
23.25
30.75
3.25
8.75
1
A
1
2
B
2
3
AxB
1
2
4
C
1
5
e
2
6
e
2
7
D
2
226
Tabla 3.28 Clculo de los componentes del ANOVA de los datos de la resistencia a la
traccin de un AO L8
No. de columna
Fuente
Nivel
Datos
1
A
1
9
12
8
15
44
2
B
2
16
20
11
13
60
3
AxB
1
9
12
16
20
57
2
8
15
11
13
47
1
9
12
11
13
45
4
C
2
8
15
16
20
59
1
9
8
16
11
44
5
e
2
12
15
20
13
60
1
9
8
20
13
50
6
e
2
12
15
16
11
54
1
9
15
16
13
53
7
D
2
12
8
20
11
51
1
9
15
20
11
55
2
12
8
16
14
49
104
16
104
-10
104
14
104
16
104
4
104
-2
104
-6
256
32
100
12.5
196
24.5
256
32
16
2
4
0.5
36
4.5
[(Suma de los datos del nivel 1) (Suma de los datos del nivel 2 )]2
8
La tabla 3.29 representa el ANOVA en la que se observan las diferencias e
influencias de los factores ms significativos.
Tabla 3.29 ANOVA para los datos del experimento de la resistencia a
la traccin en un AO L8
Fuente de
variacin
A
B
AxB
C
D
e (error)
Total
Suma de
cuadrados
32
12.5
24.5
32
4.5
2.5
108
GL
1
1
1
1
1
2
7
Cuadrado
medio
32
12.5
24.5
32
4.5
1.25
Fcalc.
25.6
10
19.6
25.6
3.6
F(, 1, 2)
F(0.1, 1, 2)
8.53
8.53
8.53
8.53
8.53
227
1. Si hay interacciones significativas, elabore una tabla de doble entrada para cada
interaccin significativa, y encuentre los niveles ptimos de los factores que se
asocian.
2. Si hay factores significativos que no se mezclan en la tabla de doble entrada (1),
construya una tabla de una sola entrada para los factores significativos y
encuentre el nivel ptimo.
3. Combinando los resultados de (1) y (2) encontrar los niveles ptimos de los
factores que estn implicados con las interacciones o en los factores
significativos. Si un factor tiene dos niveles para optimizar en (1), el nivel que
optimiza en la tabla de una sola entrada es el ptimo. Por ejemplo, si A x B y A
x C son significativos, A1 es el ptimo en la tabla de doble entrada de A x B y
A2 es el ptimo en la tabla de doble entrada A x C, entonces el nivel ptimo se
decide de la tabla de una sola entrada de A.
4.
B1
B2
A1
y1 + y2 = 9 + 12 = 21
y1 + y4 = 8 + 15 = 23
A2
y5 + y6 = 16 + 20 = 36
Y7 + y8 = 11 + 13 = 24
Los niveles ptimos de los factores A y B son A2B1, dado que esta combinacin da el valor
ms grande que es 36. Le sigue el nivel ptimo de C, valor que an no sido elegido, pero
que se puede seleccionar de la tabla 3.28. La suma de los niveles C1 y C2 son 44 y 60
respectivamente, por lo que C2 es el nivel ptimo. Por lo tanto, los niveles ptimos globales
de los factores significativos son A2B1C2.
228
(. =
104
36 104
60 104
+
+
8
2
8
4
8
(. =
104
36 104
60 104
55 104
+
+
+
8
2
8
4
8
4
8
Yopt = 13 + (18 13) + (15 13) + (13.75 13) = 13 + 5 + 2 + 0.75 = 20.75 kgcm-2
La estimacin 20.75 no es muy diferente del valor previamente calculado que es
igual 20, lo cual significa que el factor D no afecta de manera significativa la resistencia a
la traccin. Adems, no debe pasar desapercibido que ambas evaluaciones coinciden con el
resultado de la condicin experimental nmero 6. Asimismo, debe observarse que la
condicin ptima mejora su valor tomando en cuenta el efecto de la interaccin, ms que la
evaluacin por separado de los efectos de los factores que conforman la interaccin.
229
230
Fuente: Fraley, S., Oom, M., Terrien, B., & Zalwski, J. (2007).
231
punto se usa para indicar un efecto principal, un segmento de lnea significa una
interaccin entre dos efectos principales (puntos) que se vinculan (Park, 1996). El nmero
que se coloca en el punto o en la lnea indica la asignacin de columna. Un factor tambin
se puede situar en una lnea.
Taguchi dise un catlogo de 18 grficas lineales para matrices ortogonales
bsicas tales como L4, L8, L16, L32, L9, L27, etc., cada grfica del catlogo se utiliza para
colocar en el diseo lo que se supone sern los efectos principales. Con esta tcnica uno
tiene que decidir qu interacciones de dos factores sern evaluadas y qu interacciones de
dos de factores son insignificantes. La grfica lineal que toma en cuenta todos los efectos es
la que debe dibujarse. Esta grfica lineal se le llama "grfica lineal necesaria". La grfica
lineal necesario se compara con las grficas del catlogo, puede haber varias opciones
(Suzuki, et al, 2012). La grfica del catlogo que incluya el grfico lineal necesario es la
que se selecciona para desarrollar el experimento.
La figura 3.16 describe dos grficas lineales del AO L8. En la opcin 1 de la figura
3.16 la interaccin entre las columnas 1 y 2 va en la columna 3, la interaccin entre las
columna 1 y 4, se coloca en la columna 5 y la interaccin que se halla entre las columnas 2
y 4 va en la columna 6. Mientras que la columna 7 es una columna independiente que est
disponible para un efecto principal.
232
un diseo que se pueda utilizar para obtener productos o procesos que sean robustos a la
variacin.
233
Ejemplo 3.5
Sean los factores principales: A, B, C, D, E (dos niveles) y las interacciones: BxC y CxD.
Paso 1. Seleccionar el arreglo ortogonal.
a) Definir los grados de libertad
5 factores principales: (nmero de factores) (no. de niveles 1) = 5 x (2 1) = 5 GL
2 interacciones de dos factores de dos niveles:
AxB = (no. de niveles factor A 1) (no. de niveles B 1) = (2 1) (2 1) = 1 GL
CxD = (no. de niveles factor C 1) (no. de niveles D 1) = (2 1) (2 1) = 1 GL
Total de grados de libertad: 7 GL
b) El arreglo ortogonal es: L8(27)
Paso 2. Grfica lineal necesaria
234
Paso 4. Ajustar la grfica lineal necesaria a una de las grficas lineales estndar.
De acuerdo con los datos del ejercicio, todo hace suponer quien define la forma del grfico
necesario son las interacciones. En este sentido, la estructura del grafico necesario encaja,
por su forma, con la opcin 2 de la grfica estndar. El ajuste, que significa asignar los
factores e interacciones a sus correspondientes columnas, es
C
1
1
1
1
1
2
2
2
2
B
2
1
1
2
2
1
1
2
2
BxC
3
1
1
2
2
2
2
1
1
D
4
1
2
1
2
1
2
1
2
CxD
5
1
2
1
2
2
1
2
1
A
6
1
2
2
1
1
2
2
1
E
7
1
2
2
1
2
1
1
2
Ya que los factores principales y las interacciones se han asignado a las columnas
correspondientes, se tienen los elementos necesarios para definir las condiciones
experimentales y correr el experimento. Es importante mencionar que Taguchi no slo
235
elabor grficas lineales para experimentos ordinarios, sino que tambin propuso otras para
los diseos para parcelas dividas, para lo cual las columnas las clasific por grupos. Un
grupo corresponde a una parcela cuando se refiere a diseos de parcelas divididas. El
primer conjunto de columnas, que se denomina trama, se puede asignar al grupo 1, otro
grupo ser la sub-trama que se asigna al grupo 2, le sigue la sub-sub-trama que se define
como grupo 3 y, por ltimo est la sub-sub-sub-trama que se especifica como el grupo 4.
En algunos casos, los grupos se pueden combinar para formar un nuevo grupo.
Cuando el grupo 1 y el grupo 2 se combinan, las tramas enteras se pueden asignar al grupo
1 o al grupo 2, las sub-tramas se pueden situar en el grupo 3, y sub sub tramas se
pueden ser asignados al grupo 4. Para los diseos de parcelas divididas, las grficas lineales
consideran los niveles del grupo. En vez de los crculos habituales, Taguchi utiliza diversos
tipos de crculos para representar estos ltimos; asimismo, para las interacciones con dos
factores recurre a los segmentos de lneas slidas. El AO L16 (tabla 3.33) es el ejempl ms
comn para describir la clasificacin de los grupos, los smbolos y los grficos que facilitan
las asignacin de los efectos principales e interacciones.
Sin embargo, cuando hay varias interacciones que se deben asignar es ms
conveniente usar las grficas lineales que las marcas o componentes que siguen la notacin
de Yates, como se despliegan en la penltima fila de la tabla 3.33. Las seis grficas lineales
del L16 (figura 3.17) se muestran debajo de la tabla 3.33. Es muy importante sealar que
algunos autores que explican el uso de los grficos lineales de Taguchi no siguen los
smbolos que ste sugiere, tal es el caso de Park (1996) de quien se toman los grficos
citados.
236
Tabla 3.33 Arreglo ortogonal L16 de Taguchi
No. de
corrida
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
Componente
1
1
1
1
1
1
1
1
1
2
2
2
2
2
2
2
2
a
2
1
1
1
1
2
2
2
2
1
1
1
1
2
2
2
2
3
1
1
1
1
2
2
2
2
2
2
2
2
1
1
1
1
a
b
4
1
1
2
2
1
1
2
2
1
1
2
2
1
1
2
2
5
1
1
2
2
1
1
2
2
2
2
1
1
2
2
1
1
a
6
1
1
2
2
2
2
1
1
1
1
2
2
2
2
1
1
b
c
7
1
1
2
2
2
2
1
1
2
2
1
1
1
1
2
2
a
b
c
Columnas
8 9 10
1 1 1
2 2 2
1 1 1
2 2 2
1 1 2
2 2 1
1 1 2
2 2 1
1 2 1
2 1 2
1 2 1
2 1 2
1 2 2
2 1 1
1 2 2
2 1 1
a
b
d
Grupo
11
1
2
1
2
2
1
2
1
2
1
2
1
1
2
1
2
a
b
12
1
2
2
1
1
2
2
1
1
2
2
1
1
2
2
1
13
1
2
2
1
1
2
2
1
2
1
1
2
2
1
1
2
a
c
d
c
d
14
1
2
2
1
2
1
1
2
1
2
2
1
2
1
1
2
b
c
d
15
1
2
2
1
2
1
1
2
2
1
1
2
1
2
2
1
a
b
c
d
237
Grfico tipo 6: son importantes dos factores y hay algunas interacciones que se
asocian con estos factores.
En resumen, para hacer ms efectivo el uso de alguna de las seis grficas lineales del L16 se
deben seguir los siguientes cinco pasos que se explicaron ms arriba.
238
1
2
3
4
5
6
7
8
2
1
1
2
2
1
1
2
2
3
1
1
2
2
2
2
1
1
No. de columna
4
5
1
1
2
2
1
1
2
2
1
2
2
1
1
2
2
1
6
1
2
2
1
1
2
2
1
7
1
2
2
1
2
1
1
2
No. de columna
2
1
1
2
2
1
1
2
2
1
1
1
1
1
2
2
2
2
1
2
3
4
5
6
7
8
3
1
1
2
2
2
2
1
1
12
21
22
239
Tabla 3.35. Columnas 1, 2, y 3 de un AO L8
No.
de corrida
1
2
3
4
5
6
7
8
1
1
1
1
1
2
2
2
2
No. de columna
2
1
1
2
2
1
1
2
2
Factor de
4 niveles
1
1
2
2
3
3
4
4
3
1
1
2
2
2
2
1
1
1
1
2
1
No. de columnas
3
1
4
1
5
1
De la misma manera, con las columnas restantes se pueden obtener otras columnas de
factores con cuatro niveles. Es muy importante que tenga en cuenta que en un AO L8 no
puede incluir dos factores de cuatro niveles sin que cause cierto grado de confusin en los
efectos de los factores. Tambin recuerde que en el grfico lineal del AO L8 tiene lneas de
interaccin que articulan puntos en comn. As, pues, mientras que la seleccin de tres
columnas mutuamente interactivas genera un factor de cuatro niveles, otro conjunto de tres
240
241
PREGUNTAS Y PROBLEMAS
PREGUNTAS
Indicaciones: subraye la respuesta correcta
1. Prueba o serie de pruebas en las que se hacen cambios deliberados en las variables de
entrada de un proceso o sistema para observar o identificar las razones de los cambios que
pudiera observarse en la salida.
A. Arreglo ortogonal
B. Ortogonalidad
C. Experimento
D. Mezcla
2. Fase que consiste en la necesidad de seleccionar los miembros del equipo de trabajo que
realizar el trabajo de experimentacin.
A. Fase I
B. Fase II
C. Fase III
D. Ninguna de las anteriores
3. Es un tema de la agenda que se redacta en la primera reunin de trabajo del equipo de
experimentacin.
A. Estudiar el mercado
B. Informar sobre el mtodo Taguchi
C. Identificar la competencia
D. Definir proveedores
4. Fase del proceso de experimentacin en la que se verifica si la mejora es alcanzable o
para decidir si la condicin ptima es mejor que el desempeo actual.
A. Fase I
B. Fase II
C. Fase IV
D. Fase V
5. Tipo de factor en el que los niveles del factor son tcnicamente controlables y cada nivel
tiene algn significado tcnico.
A. Factor aleatorio
B. Factor fijo
C. Factor mixto
D. Factor tcnico
6. Tipos de factores que influencian el valor promedio, pero no la variabilidad de una
respuesta.
A. Factores de control
B. Factores indicativos
C. Factores de seal
D. Factor de bloque
7. Tipos de factores que tienen una influencia sobre una variable de respuesta pero no
pueden ser controlados con las aplicaciones actuales.
A. Factores ruido
B. Factores de control
C. Factores indicativos
D. Factores de seal
8. La estrategia para el diseo consiste en utilizar el conocimiento previo de los operarios
ms experimentados sobre el proceso en cuestin. A partir de este conocimiento se
modifican las variables involucradas y se conducen las pruebas bajo condiciones de las que
se esperan los mejores resultados.
A. Diseo de un factor a la vez
B. Diseo ortogonal
C. Diseo del mejor acierto
D. Diseo estadstico
242
243
PROBLEMAS
3.1 Disear un experimento para estudiar cuatro factores A, B , C y D y tres interacciones
AxC , CXD y AxD. Seleccione la matriz ortogonal e identifique las columnas donde
asignar las tres interacciones. SUGERENCIA. Apoyarse en las grficas lineales
3.2 Suponga los los siguientes experimentos:
a) Factores con dos niveles:
Interacciones:
b) Factores con dos niveles:
Interacciones:
c) Factores con dos niveles:
Interacciones:
A, B, C, D, E, F, G, H, I, J
AB, AC, BC, BG, GH
A, B, C, D, E, F, G, H, I
AB, AC, AD, AE, EF, EG
A, B, C, D, E, F, G, H
AB, AC, AE, BC, GH
3.3 Determine el nmero de experimentos que ser necesario efectuar para estudiar las
situaciones siguientes: a) 8 factores de 2 niveles; b) 10 factores de 2 niveles; c) 15 factores
de 2 niveles; d) 3 factores de 3 niveles; e) 1 factor de 2 niveles y 5 factores de 3 niveles; f)
4 factores de 4 niveles; g) 1 factor de 2 niveles y 9 factores de 4 niveles; h) 1 factor de 4
niveles y 4 factores de 2 niveles.
244
3.4 Un experimento con tres factores de 2 niveles gener los siguientes resultados:
No de
Columnas
experimento
A
B
C
Resultados
1
1
1
1
25
2
1
2
2
20
3
2
1
2
29
4
2
2
1
22
i) Calcule efectos promedio de los tres factores.
ii) Elabore los grficos de los efectos promedio
iii) Calcule el efecto principal de cada factor
iv) Obtenga la gran media de desempeo
v) Calcule la contribucin del factor
vi) Obtenga el resultado esperado de la condicin ptima
vii) Redacte sus conclusiones
3.5 En un experimento que trata sobre los cojinetes de pistn se eligi el AO L8, el cual se
organiz de la manera como se muestra en la tabla siguiente:
No. de la columna
1
2
3
4
5
6
7
Factores
Velocidad
Viscosidad del aceite
Interaccin 1 x 2
Apertura
Rectitud del pin
No se usa
No se usa
Nivel 1
2100 RPM
A baja TP
N/A
Baja
Perfecta
M/U
M/U
Nivel 2
250 RPM
A alta TP
N/A
Alta
Curvo
Factores
Velocidad
Viscosidad del aceite
Interaccin 1 x 2
Apertura
Rectitud del pin
Nivel 1
34.39
35.50
33.60
35.62
35.31
Nivel 2
35.63
34.52
36.42
34.40
34.70
245
A: Temperatura
B. Presin
C: Cantidad de inyeccin:
D: Tasa de deposicin
Nivel 1
100C
2 psi
4%
Nivel 2 (actual)
150C
5 psi
6%
Nivel 3
200C
8 psi
8%
0.1 mg/s
0.2 mg/s
0.3 mg/s
Temperatura
(C)
100
100
100
150
150
150
200
200
200
Presin
(psi)
2
5
8
2
5
8
2
5
8
Cantidad
inyeccin (%)
4
6
8
6
8
4
8
4
6
Tasa
deposicin
0.1
0.2
0.3
0.3
0.1
0.2
0.2
0.3
0.1
Ensayo 1
87.3
74.8
56.5
79.8
77.3
89
64.8
99
75.7
Ensayo 2
82.3
70.7
54.9
78.2
76.5
87.3
62.3
93.2
74
Ensayo 3
70.7
63.2
45.7
62.3
54.9
83.2
55.7
87.3
63.5
Media
3.8 Describa el procedimiento que usted seguira para disear un experimento donde se
estudiarn un factor de 3 niveles y cuatro factores de 2 niveles.
246
Referencias
Bolboac, S. D. & Jntschi, L. (2007). Design of Experiments: Useful Orthogonal Arrays
for Number of Experiments from 4 to 16. Entropy, 9, 198-232.
Byrne D. M. & Taguchi, S. (1987). The Taguchi approach to parameter design, Quality
Progress, vol. 20, December, pp. 19-26.
Danaciog lu, N. & Zehra Muluky, F. (2005). Taguchi techniques for 2k fractional factorial
experiments. Hacettepe Journal of Mathematics and Statistics, Volume 34, 83-93.
Disponible en: http://www.hjms.hacettepe.edu.tr/uploads/7c02c597-b703-4c6aa799-c5eefb78accc.pdf Consultado el 19 de enero de 2016.
Escalante Vzquez, E. J. (2014). Diseo y anlisis de experimentos. Mxico: LIMUSA
Ferr, J., & Rius, F. X. (2002). Introduccin al diseo estadstico de experimentos.
Disponible en: http://www.quimica.urv.es/quimio/general/dis.pdf Consultado el 19
de octubre de 2015
Fisher, R.A. (1926). The arrangement of field experiments. Journal of the Ministry of
Agriculture of Great Britain, 33, 503513.
Fisher, R.A. (1934). Statistical Methods for researcher Workers. Edinburgh: Oliver and
Boyd.
Fisher, R.A. (1937). The Design of experiments. 2. ed. Edinburgh: Oliver and Boyd
Fraley, S., Oom, M., Terrien, B., & Zalwski, J. (2007). Design of experiments via taguchi
methods:
orthogonal
arrays.
Disponible
en:
https://controls.engin.umich.edu/wiki/index.php/Design_of_experiments_via_tagu
chi_methods:_orthogonal_arrays Consultado el 20 de enero de 2016.
Huynh, T. V. (2010). Orthogonal Array Experiment in Systems Engineering and
Architecting.
Disponible
en:
http://onlinelibrary.wiley.com/doi/10.1002/sys.20172/epdf Consultado el 7 de
noviembre de 2015.
Jones, Bradley (Febraury 20, 2012). What price orthogonality? Disponible en:
http://blogs.sas.com/content/jmp/2012/02/20/what-price-orthogonality/ Consultado
el 18 de enero de 2016
Kacker, R. N., Lagergren, E. S., & Filliben, J. J. (1991). Taguchs Orthogonal Arrays Are
Classical Designs of Experiments. Journal of Research of the National Institute of
Standards and Technology, Volumen 96, Nmero 5, September-October, pp. 577591.
Kuehl, R. O. (2001). Diseo de experimentos. Principios estadsticos de diseo y anlisis
de investigacin. 2 ed. Mxico, D. F.: Thomson Learning.
MIT
(1998)
Constructing
Orthogonal
Arrays.
Disponible
en:
http://ocw.mit.edu/courses/aeronautics-and-astronautics/16-881-robust-systemdesign-summer-1998/lecture-notes/l8_orth_arrays.pdf Consultado el 10 de enero
de 2016
Montgomery D. C. (2004). Diseo y anlisis de experimentos. 2 ed. Mxico: LIMUSAWiley.
Montgomery, D. C & Runger, G. C. (1996). Probabilidad y estadstica aplicadas a la
ingeniera. Mxico: McGraw-Hill
Park, Sung H. (1996). Robust design and analysis for quality engineering. London:
Chapman & Hall, pp. 42-66.
247
Phadke, M.S. (1989). Quality engineering using robust design. Englewood Cliffs, NJ,
Prentice Hall.
Ross, P. (1989). Taguchi Techniques for Quality Engineering. Singapore: McGraw-Hill.
Roy, R. K. (2001). Design of Experiments Using the Taguchi Approach: 16 Steps to
Product and Process Improvement. Hoboken, NJ: John Wiley & Sons.
Ruiz-Falc Rojas, A. (Mayo 2009). Diseo de experimentos (Parte I). Mdulo 16. Apuntes
de clase. Universidad Pontificia Comillas, Madrid. Disponible en:
http://web.cortland.edu/matresearch/DOE-I.pdf Consultado el 23 de octubre de
2015.
Saderra i Jorba, L. (1993). El secreto de la calidad japonesa. El diseo de experimentos
clsicos, Taguchi y Shainin. Barcelona: Marcacombo.
Stuart peace, G. (1993). Taguchi methods. A hand-on approach. Reading, Ma.: AddisonWesley.
Suzuki, T., Kawamura, H., Yasui, S. & Ojima, Y. (2012). Proposal of Advanced Taguchis
Linear Graphs for Split-Plot Experiments, en Lenz, Hans- Joachim, Wilrich,
Peter-Theodor & Schmid, Wolfgang (edis.). (2012. Frontiers in Statistical Quality
Control 10. Berlin: Springer-Verlag, 339-349.
Taguchi, G. (1990). Introduction to quality engineering. Designing quality into products
and processes. Hong Kong: Nordica International Limited.
Taguchi, G. (1993). Taguchi Methods. Design of Experiments. Quality Engneering Series,
Volume 4. USA: American Supplier Institute.
Zhang, Z. (1998). New product development using experimental design. Disponible en:
http://www.rug.nl/research/portal/files/3192818/98a04.pdf Consultado el 22 de
octubre de 2015.
248
Para lograr la calidad es mejor reducir al mnimo la desviacin con respecto al valor
objetivo, entonces el producto diseado ser insensible a los factores ambientales no
controlables.
249
respecto al valor objetivo y que conlleva a la prdida se definen como ruido, factores de
ruido o simplemente fuentes de variacin (Arvidsson & Gremyr, 2009). Muchos autores
dividen loas factores de ruido como un medio para clarificar las clases de ruido que inducen
la prdida. Taguchi y Wu (1979) y Taguchi (1986) definen tres tipos de ruido:
1. Ruido externo, son las variables del medio ambiente o las condiciones de uso que
perturban las funciones del producto. La temperatura, la humedad, el polvo y las
diferencias humanas individuales son ejemplos de ruido externo.
250
Produccin
Relaciones con
el consumidor
Externo
0
X
X
X
X
X
X
X
Tipo de ruido
Interno
De unidad a unidad
X
X
X
X
que la media de la respuesta se mantiene sobre el valor objetivo (Logothetis, 1987). Cuando
251
los factores se establecen en sus niveles "ptimos", entonces el producto se puede hacer
robusto frente a los cambios en las condiciones de operacin y ambientales. Por lo tanto, la
calidad de los productos no slo es ms alta, sino tambin es ms estable.
Adems, puesto que la tcnica se aplica en forma sistemtica en la etapa pre produccin, esto permite, en gran medida, reducir la cantidad de tiempo requerido para
realizar las pruebas necesarias para determinar los mtodos de fabricacin ms rentables,
con el consiguiente ahorro en costos y productos desechados. Visto de otra forma, el
enfoque va dirigido hacia el anlisis y diseo de las pruebas para descubrir las debilidades
potenciales del producto, de modo que las mejoras podran hacerse desde el principio del
ciclo de desarrollo. En suma, la mejor oportunidad para eliminar la variacin es durante el
diseo de un producto y su proceso de fabricacin.
En consecuencia, la regla de Taguchi para la manufactura es una estrategia de
ingeniera de calidad que se puede utilizar en ambos contextos (diseo de un producto y su
proceso de fabricacin). El proceso tiene tres etapas: I. Diseo del sistema; II. Diseo de
parmetros y; III. Diseo de tolerancias (Karna & Sahia, 2012). Etapas que se explicarn
ms adelante, pero que de alguna suerte se perfila una idea en el sentido de que tales etapas
de desarrollo de productos especifican las contramedidas que se pudieran incluir en el
producto contra las diversas fuentes de variacin como se describe en la tabla 4.2.
Tabla 4.2 Fuentes de variacin
Fuentes de variacin
Variables
Deterioro del
ambientales
producto
Diseo del producto
0
0
Diseo del proceso
X
X
Manufactura
X
X
0: contramedidas posibles; X: contramedidas imposibles
Etapas de desarrollo
Variaciones de
manufactura
0
0
0
252
deterioro del producto slo son posibles en la fase de diseo. Por lo tanto, la fase de diseo
del producto es la ms importante.
Una empresa decide sobre un conjunto de funciones objetivos de un producto,
prepara los planos y las especificaciones necesarias y comienza a manufacturar el artculo.
Algunas de las unidades manufacturadas pueden tener las funciones objetivo, mientras que
otras, no. Esto se debe al ruido de unidad a unidad. El producto puede romperse despus
de un uso prolongado, o que sus funciones sean daadas y afectadas por el deterioro, es
decir por el ruido interno. El producto puede funcionar bien bajo condiciones normales,
pero no cuando se presentan altas temperaturas o humedad, o, por ejemplo, cuando el
voltaje de energa baja, de manera inesperada, en un 20% de lo usual; estos son problemas
que se definen como ruido externo.
Buena calidad funcional significa una variacin funcional pequea bajo cualquiera
de los tipos de ruido arriba mencionados. Es decir, las funciones de un producto se
desempearn bien bajo un amplio rango de condiciones y podra durar de acuerdo a la
vida til con la que fue diseado (Taguchi, 1986). Lo ideal en la calidad funcional es que
las funciones permanezcan normales a pesar de las fluctuaciones de la temperatura,
humedad, variaciones de voltaje, y otros factores externos; aun cuando los componentes se
degraden o se desgasten por el uso prolongado. La calidad se puede medir, con respecto a
una funcin objetivo, como el grado de variacin del valor objetivo funcional, del valor
nominal o ideal determinado en las especificaciones.
El ruido interno es una variacin en las constantes internas de un producto en s
mismo, lo cual causa variacin en sus funciones objetivos. Esta variacin puede ocurrir
fuera del tiempo (degradacin) o del espacio (de unidad a unidad). Si un producto mantiene
su desempeo inicial indefinidamente significa que tiene un alto grado de estabilidad. Si
todas las unidades dan exactamente el mismo desempeo, el productor gana buena
reputacin, fiabilidad y uniformidad. En suma, de las medidas ms importantes para
prevenir la variacin es el diseo. Los pasos para realizar estas medidas son tres:
1.
Diseo del sistema (diseo primario): diseo funcional enfocado sobre una
tecnologa pertinente.
253
2.
3.
254
255
parmetros. Para tal efecto, se deben tomar en cuenta, a la par de los factores ambientales,
los parmetros del sistema. Todos los factores, tanto los de control como los no
controlables, se asignan a una matriz interna y otra externa, respectivamente, con los
niveles que reflejen la variabilidad con respecto a sus valores medios, con el propsito de
medir la magnitud de su impacto en las caractersticas de salida. Los factores de ruido de
mayor influencia se les asignan tolerancias ms angostas.
La metodologa del diseo de tolerancias es diferente a la del diseo de
parmetros. Se trata de controlar los factores de error mantenindolos dentro de las
tolerancias ms reducidas, que de no ser as, los costos sern ms elevados. Es por esto que
en la etapa de diseo de parmetros se deben hacer todos los esfuerzos posibles para
incorporar medidas de diseo de calidad. Solo cuando el diseo de parmetros arroja
resultados no suficientes, es cuando se emplean tolerancias angostas, como el arma de
ltimo recurso. Sin embargo, su aplicacin no debe hacerse sin antes haber efectuado una
cuidadosa evaluacin del nivel de prdida como efecto de la variabilidad. Es decir, los
clculos de costos determinan las tolerancias.
256
Errores humanos
Estas fuentes de variabilidad son con las que trata el control de calidad en lnea
durante la produccin normal; es decir, el control de calidad en lnea en tiempo real. Hay
tres formas de control calidad en lnea:
2. Prediccin y correccin, tambin conocido como control. Este mtodo se lleva a cabo a
intervalos regulares con el fin de controlar una caracterstica cuantitativa. Este valor
obtenido se usa para predecir el valor medio de la caracterstica del producto (valor
objetivo), por el cual se decide si la produccin contina sin ajuste. Si el valor predicho
difiere del valor meta, entonces se debe modificar el nivel de un factor seal correctivo para
reducir la diferencia. Este mtodo tambin se le llama realimentacin (feedback control) o
feed forward control. Ello depende mucho del diseo racional del sistema.
257
Este mtodo de control calidad trata solamente con el producto; mientras que los mtodos
(1) y (2) se dirigen principalmente hacia el proceso.
En el manejo de un sistema de control automtico o robotizado es necesario revisar
los sensores, esto es, el sistema de medicin. En el mtodo de medicin y accin (3)
descrito arriba, los productos se miden y se clasifican en grupos que pasan o no pasan y la
accin correctiva se dirige hacia el producto. Si el producto fuera un instrumento, este sera
revisado bajo el criterio de inspeccin pasa/no-pasa y no como un instrumento de
calibracin del proceso. El propsito de la calibracin es corregir le desviacin del
parmetro del instrumento mientras ste est en uso. El mtodo de control correspondiente
es el mtodo de prediccin-correccin.
Si el instrumento, gradual o repentinamente, comienza a presentar una severa
desviacin, se debe reparar o reemplazar de manera inmediata. Esto es equivalente al
mtodo de control de calidad de diagnstico y ajuste. La prctica general es reparar o
reemplazar el instrumento si su error en el momento del diagnstico sobrepasa la tolerancia
de la caracterstica del producto. Si hubiera un procedimiento (llamado diagnstico de
control de calidad en lnea) para decidir cuando la calibracin no es suficiente y que el
instrumento debe ser ajustado (trmino general reparar o reemplazar), entonces el factor
importante no es el sistema de calibracin, sino el diseo del diagnstico y el sistema de
ajuste.
En esta etapa slo se trata con las acciones que se llevan a cabo sobre las bases
regulares de la produccin en sitio (in situ). No con las medidas bsicas en las que los
profesionales de la metodologa de las tablas de control aplican, lo cual consiste en
encontrar las causas de la variabilidad y removerlas permanentemente. Taguchi cree que
disear un sistema de control de calidad en lnea de forma correcta asegura que la regin
que se encuentra fuera de los grficos de control nunca se alcance.
258
escariado. Se perforan 10 agujeros a la vez y todos tienen que estar buenos. Si un agujero se
excediera de 10 micras o ms en cualquier lugar del bloque de cilindros, ste ser
clasificado como defectuoso, y un bloque de cilindros defectuoso genera una prdida A de
800 dlares. El costo B para determinar si los agujeros estn correctos es de 40 dlares; en
la actualidad, cada 30 bloques se hace un diagnstico. Se usa el smbolo n para el intervalo
del diagnstico, en este caso, n = 30. En el semestre inmediato pasado, se fabricaron
alrededor de 18,000 unidades, durante ese periodo se diagnosticaron siete fallas. La media
8 =
18,000
= 2,571
7
Cuando se produce un cilindro con una perforacin curvada o con algn otro tipo
de falla, el proceso se detiene, la broca se reemplaza; luego del reemplazo se perfora un
bloque y se revisa para comprobar si est correcto. Si es as, se reanuda la produccin. El
costo total, el costo de la mano de obra y otros costos asociados con el paro del proceso y la
sustitucin de la broca se denominan costo del ajuste. En este ejemplo, el costo de ajuste C
es de 1,652 dlares.
Hay tres elementos sustantivos en un sistema de ajuste de proceso en lnea: el
los parmetros A, B, C, 8 , y l, donde l es el intervalo de tiempo (tiempo de demora) que se
) =
+ 1 z ' z
+
+ +
2
8 8 8
Con base en los datos del ejemplo, n = 30, A = 800, B = 40, C = 1,652, $
= 2,571 y l = 1,
por lo tanto,
259
) =
40 30 + 1 800
1,652 1 6 800
+
+
+
30
2
2,571 2,571
2,571
L = 1.33 + 4.82 + 0.6426 + 0.3112
= 7.10 dlares
El valor obtenido L = 7.10 dlares es el costo del control de calidad por unidad.
Ahora bien, si la produccin anual es de 36 mil unidades, entonces el costo es
Mtodo I
El intervalo ptimo de diagnstico n se determina mediante la siguiente frmula
=
28 +
'
z 8
260
1,652, $
= 2,571 y l = 1 se sustituyen los datos en la frmula se tiene entonces que el nuevo
Siguiendo con los datos del ejemplo que trata del bloque de cilindros, A = 800, B = 40, C =
intervalo es,
=
22,571 + 140
16
1,652
800 WWWWWWW
2,571
+ 1 z ' z
+
+ +
2
8 8 8
) =
) =
40 + 1 800
1,652 1 6 800
+
+
+
2
2,571 2,571
2,571
L = 1.33 + 2.64 + 0.6426 + 0.3112
= 6.09 dlares
Este nuevo valor es el costo por unidad, que si compara con el anterior, se tiene un
ahorro igual a 7.10 6.09 = 1.01 dlar, el cual representa un ahorro anual de 36,360
dlares. Sin embargo, cuando el valor de n se altera en un 25%, el valor de L,
prcticamente, permanece sin cambios, por ejemplo, si n = 20, L ser
) =
40 % + 1 800
1,652 1 6 800
+
+
+
= 6.22
%
2
2,571 2,571
2,571
La diferencia entre este ltimo valor (6.22 dlares) y el anterior (6.09 dlares)
261
Mtodo II
Hay dos tipos de mantenimiento preventivo: inspeccin regular y reemplazo
peridico. En ste ltimo, si se estima que un componente del equipo puede ser causa de
una falla se reemplaza a intervalos peridicos sin necesidad de hacer un diagnstico. Por
ejemplo, si la vida media de una herramienta es de 3,000 unidades, la herramienta se debe
reemplazar despus de que haya mecanizado 2,000 unidades, sin que haya la obligacin de
comprobar si la citada parte an es til.
En la inspeccin regular el producto se revisa a intervalos regulares de n
unidades. Incluso si est dentro de sus lmites de especificacin, pero si hubiera peligro de
que en la prxima inspeccin estuviera fuera de aquellos lmites, la herramienta se sustituye
en ese punto. El siguiente ejemplo se refiere al reemplazo peridico. No se debe perder de
vista que la mayora de las fallas en el proceso de fresado que se ha descrito anteriormente
se derivan de un problema de herramientas.
Ejemplo 4.2
Suponga que peridicamente el taladro se sustituye cada = 1,500 unidades,
mucho antes del intervalo medio entre fallos que es 8 = 2,571 unidades. Sea el costo por
reemplazo C = 1,487 dlares, ligeramente menor que el costo de ajuste C. Asuma que la
tasa de falla antes de las 1,500 unidades es de 0.02, la cual incluye fallas por causas
cilindros. Calcular la media $
del intervalo entre fallas, el intervalo ptimo de diagnstico y
distintas al taladro en s, como la flexin de la broca al realizar los agujeros en el bloque de
Clculo de la media 8 del intervalo de fallas,
el costo del control de calidad L (prdida)
8 =
1,500
= 75,000
0.02
=
28 +
'
z 8
262
=
275,000 + 140
= 87 100
1,652
800 WWWWWWWWW
75,000
'm
+ 1 z ' z
+ +
+ +
m
8
2
8 8 8
) =
) =
1,487
40 100 + 1 800
1,652 1 6 800
+
+
+
+
1,500
100
2
75,000 75,000 75,000
L = 0.99 + 0.9717
= 1.962 dlares
Si se compara el valor de L = 6.22 dlares con este ltimo valor, no hay duda de
que se ha logrado una importante mejora de 6.22 1.962 = 4.258 dlares por unidad, frente
al caso que no aplica el mantenimiento preventivo. Por lo tanto, el ahorro anual ser de
36,000 unidades x 4.258 dlares = 153,288 dlares. Si en cada uno de los 28 pasos que
comprende la manufactura del bloque de cilindros se hiciera esta mejora, al ao se ahorrara
una cantidad igual a 28 x 153,228 = 4 292 064 dlares!
Si esta mejora del control de calidad se razona en trminos de la reduccin de la
tasa de fracaso sin aumentar el costo, es equivalente a aumentar el intervalo medio entre
fallas por un factor de 6.3 (
X
X
Z{{
Z
preventivo es tan valioso como una solucin tecnolgica especfica del proceso que corta la
tasa de fracaso en un factor de 6. 3.
263
donde
i =
264
U U{
1
(
=
U U{
1
>1
1 { =
{
(
0 { =
$ =
=T
28{
6
z6E{
Z
s
3' E{
E= 6
6
z 8{
265
Si la solucin ptima para n es muy diferente con respecto al valor actual, establezca un
valor provisional entre los dos y calcule de nuevo 0.
'
z E{
" + 1
E{
){ =
+ + +
+
{ 8{ 3
2
8{
' z E
"+1
E
) = + + +
+
8
3
2
L M
M
Ejemplo 4.3
{ =
cuatro veces al da con un tiempo muerto de 5 y se ajusta al valor objetivo si observa que
est fuera del lmite de control de 2 m. El ajuste se hace al medioda por una sola vez. El
volumen de produccin es de 8,000 unidades diarias en jornadas de ocho horas por cinco
das a la semana. La prdida A por unidad defectuosa es de 60, el costo de medicin B es
de 160, el costo de ajuste C es de 40, en la actualidad el ajuste se realiza cada dos
mediciones. Encontrar el intervalo ptimo de medicin y calcular el ahorro con respecto a
las prcticas actuales. Asuma que la desviacin media elevada al cuadrado es proporcional
al volumen de produccin.
266
Respuesta
$ =
$ =
8,000
= 4,000
2
=T
28{
6
z6E{
2 6 4,000 6 160
=T
6 15 1,000
60 6 2
Z
s
3' E{
E= 6
6
z 8{
Z
s
3 6 40
2
E=
6
6 15 = 0.8 1.0
60
4,000
E
8 = 8{
E{
1
8 = 4,000 = 1,000
2
+ L + M q + <
" Z
+ = L
M
160
40
60 2
%, + 1
2
){ =
+
+
+
+ 5
= 0.71
%, 4,000 15 3
2
4,000
267
)=
)=
' z E
"+1
E
+ + +
+
3
2
8
160
40
60 1.0
, + 1
1.0
+
+
+
+ 5
= 0.42
, 1,000 15
2
3
1,000
Medicin y accin
En esta etapa la accin se dirige hacia el producto, en tanto que el diagnstico y
ajuste, la prediccin y la correccin se enfocan al proceso. El valor de la caracterstica del
producto se mide y se compara con la especificacin sobre el criterio pasa/no pasa. La
unidades que no pasan se retrabajan o se desechan. El siguiente ejemplo ilustra este mtodo
de clculo.
Ejemplo 4.4
En un cierto modo de conduccin, el lmite de especificacin de componentes txicos en la
emisin de gases de un automvil es de 2.4 gr. El costo de la inspeccin utilizando una
caracterstica sustituta es de 800. Los automviles que no pasan la inspeccin se
retrabajan antes de embarcarse, el costo, incluyendo una nueva inspeccin, es de 12,000.
Se revisaron las emisiones de 15 automviles y los resultados que se obtuvieron son:
1.6, 1.2, 1.5, 2.1, 2.8, 1.7, 2.0, 1.8, 1.4, 1.0, 1.5, 2.5, 2.2, 1.4, 1.8
Con base en los datos de las emisiones se calcularn las prdidas y las ganancias
que resultan de haber efectuado 0% 100% inspeccin. (Si el clculo se realiza en la
fbrica, se deben de inspeccionar al menos 50 automviles). La prdida por unidad cuando
no hay (0 %) de inspeccin est dada por la frmula
268
){ =
Por lo tanto,
=
1
1.6 + 1.2 + + 1.8 = 3.34
15
){ =
12,000
3.34 = 6,958
2.4
) = 800 + 12,000 6
2
12,000 1
+
1.6 + 1.2 + + 1.8
15
2.4
13
= 8,174
Aunque slo dos de las quince unidades fueron defectuosas, la inspeccin del 100% resulta
poco rentable. Este tipo de contradiccin se debe a que el retrabajo, en general, no garantiza
una buena unidad. Este es otro motivo por el cual el control de calidad se debe enfocar
hacia el proceso, aplicando las tcnicas de diagnstico y el ajuste o los mtodos de
prediccin y correccin.
En resumen, el modelo control de calidad en lnea de Taguchi para las
caractersticas variables con sistema de control feedback, el cual se ajusta a un intervalo
para ms de una unidad de produccin considera los costos y las prdidas como los criterios
269
para la evaluacin de los costos de la calidad del sistema de produccin (Aravindan, et al.,
1995). Tales conceptos son:
ii.
iii.
270
contra el ruido interno y externo. Esto es el por qu cuando se combinan ambos ruidos, los
problemas de calidad se les denomina problemas de diseo de calidad. Es muy importante
recordar que un buen diseo de producto puede resolver no slo los problemas de diseo de
calidad, sino tambin los problemas de calidad de la produccin.
Control
de
calidad fuera de
lnea
I+D
Ingeniera de
produccin
Produccin
Control
de
calidad en lnea
Relaciones
con
el
consumidor
Externo
O
X
X
X
X
X
X
Tipo de ruido
Interno
De unidad a
unidad
271
la variacin y hacer el producto robusto contra los factores de ruido (Ross, 1989). Es decir,
el diseo de parmetros es una estrategia para someter los efectos no deseados de los
factores de ruido.
Es muy difcil o muy oneroso controlar o eliminar las causas de variacin que
resultan de los factores de ruido. Esto obliga a buscar un enfoque diferente si desea reducir
la variacin que afecta la calidad del producto. Este enfoque es el diseo de parmetros de
Taguchi que consiste en mejorar la calidad del producto sin controlar o eliminar las causas
de variacin, y para hacer el producto robusto frente a los factores de ruido. El diseo de
parmetros en general tiene las siguientes caractersticas:
1. El diseo de parmetros clasifica los factores que afectan las caractersticas de
calidad en dos grupos: factores de control y factores de ruido (no controlables). Para una
mejor comprensin la figura 4.1 describe la relacin de las caractersticas de los factores.
En este diagrama, la palabra sistema se refiere a un proceso, una lnea de manufactura, un
entorno de I + D o una situacin experimental particular.
272
Tabla 4.4 Estructura bsica del diseo de parmetros
Tipo de
arreglo
Nmero de
experimento
1
2
3
4
5
6
7
8
0
0
1
1
0
0
1
1
0
0
1
1
1
1
0
0
0
1
0
1
0
1
0
1
0
1
0
1
1
0
1
0
0
1
1
0
0
1
1
0
0
1
1
0
1
0
0
1
1
0
0
0
y11
y21
y31
y81
Razn S/R
Asignacin
del factor
de ruido
0
1
1
y12
y22
y32
4
1
0
1
y13
y23
y33
1
1
0
y14
y24
y34
U
V
W
S/R1
S/R2
S/R3
y82
y83
y84
S/R8
El diseo de una estructura de este tipo a menudo se le llama diseo directo del
producto, ya que por una lado coloca dos AOs separados y por el otro combina las dos
matrices y de cuyas combinaciones se obtienen las observaciones yij (datos brutos) que son
los insumos necesarios para calcular las S/Ri. Note adems que hay 8 x 4 = 32
observaciones para este diseo.
La estrategia de diseo de parmetros separa los factores de control (A, B, C, D, F)
de los factores de ruido (U, V, W) utilizando un matriz interna y otra externa,
respectivamente. Observe que los factores de ruido tales como la temperatura ambiente,
operadores y las condiciones de uso se asignan a la matriz externa para encontrar los
niveles de los factores de control que no tengan mucha variacin en los resultados a pesar
de estar presente los factores de ruido. En este arreglo experimental hay 32 condiciones de
prueba separadas. Por ejemplo, la condicin y22 est definida por las combinaciones
A0B0C0D1 y U0V1W1.
Si fuera muy oneroso correr la pruebas, entonces en vez de utilizar una matriz
externa exhaustiva, se elige aquel factor de ruido (uno solo) que se supone tiene mayor
impacto. Aun si fuera difcil seleccionar un solo factor fuerte de ruido, entonces se pueden
combinar los factores de ruido a dos niveles seleccionando las mejores y peores
condiciones de estos factores. Se recomienda estar preparados que algunas veces, no resulta
fcil configurar condiciones experimentales para los factores de ruido. Si as ocurriera se
273
debe permitir que las condiciones de los factores de ruido varen en la medida que se
cambian de forma natural las situaciones prcticas, a la par que se efectan rigurosas
observaciones tantas veces como sean necesarias, de tales cambios.
3. Para las observaciones repetidas, yi1, yi2, yi3, , yin, en cada fila i (las i-simas
condiciones experimentales de los factores de control) se calcula la relacin seal ruido
(S/R). La relacin de S/R es una medida que consolida varias repeticiones en un valor. Este
valor tiene la virtud de reflejar al mismo tiempo la respuesta promedio y la cantidad de
variacin de ese momento. La manera de calcular la relacin S/R es como sigue (en este
caso n es el nmero de observaciones en cada fila).
1
/V = 10 UV
X
YZ
1
1
/V = 10
UV
X
YZ
/V = 10
1 `
0V V d
V
l = 10 1 `
0V d = 10 UWV
V
V
V
o aproximadamente
donde
1 XYZ`UV UWV d
V =
= G G R
1
274
0V =
1
UV = UWV = G G R
X
YZ
UWV =
UV
tamao de la V que por la magnitud de UW. Con el fin de examinar cul es el factor que ms
influye en el cambio de la respuesta media UW, es necesario obtener la sensibilidad, que para
0V = 10 log
0V
= 10 log 5UWV 7
= 20 log :UW
275
ii)
iii)
ii)
iii)
La figura 4.2 explica de manera grfica los tres tipos de factores que se
clasificaron en el inciso (c).
276
Ejemplo 4.5
Un grupo de ingenieros llev a cabo un experimento con el propsito de encontrar una
combinacin idnea de un factor de control y otro de ruido que modificara el encogimiento
de una espuma. Los datos simplificados son:
277
y = encogimiento de la espuma
Factor de control:
Factor de ruido:
A1
A2
A3
A4
A5
Promedio
0.20
0.20
0.15
0.10
0.15
Prefere
ncias*
3
3
2
1
2
MSD
0.04
0.047
0.024
0.01
0.034
Prdida
promedio
7.78
9.14
4.67
1.94
6.61
dB
(S/R)
13.98
13.28
16.20
20.00
14.69
*1 es preferible a 2 y 2 es preferible a 3.
Respuesta,
i) Calcular el promedio para cada mtodo y, desde un enfoque de ingeniera identifique la
= 0.20
Promedio: UW =
Promedio: UWs =
Promedio: UWq =
Promedio: UW =
= 0.15
= 0.20
= 0.10
= 0.15
278
La media UWs es preferible a las medias UWq e UW y stas son preferibles a las medias UWZ e UW .
iii) Determine k
i =
z{
70
= 0.6 = 194.4
U{
iv) Defina la funcin de prdida y calcule la prdida por pieza para cada mtodo;
A3
A4
A5
Datos
0.20, 0.20, 0.20
Funcin de prdida
L = 194.4 (y2)
L = 194.4 (0.20)2
L = 194.4 (0.20)2
L = 194.4 (0.20)2
L = 194.4 (0.10)2
L = 194.4 (0.20)2
L = 194.4 (0.30)2
L = 194.4 (0.20)2
L = 194.4 (0.10)2
L = 194.4 (0.15)2
L = 194.4 (0.10)2
L = 194.4 (0.10)2
L = 194.4 (0.10)2
L = 194.4 (0.10)2
L = 194.4 (0.30)2
L = 194.4 (0.05)2
Prdida
(dlares)
7.77
7.77
7.77
1.94
7.77
17.5
7.77
1.94
4.37
1.94
1.94
1.94
1.94
17.5
0.49
Prdida
Promedio
7.77
9.07
4.69
1.94
6.64
279
= T
Se sustituyen los valores, entonces
z
U
z{ {
25
= T 0.60 0.36
70
Mtodo
A1
Datos
0.20, 0.20, 0.20
A2
MSD2 =
A3
MSD3 =
A4
MSD4 =
A5
MSD5 =
MSD1 =
= 0.04
= 0.047
= 0.024
= 0.01
= 0.034
L = 194.4 (MSDi)
L = 194.4 (0.04)
Prdida media
(dlares)
7.78
L = 194.4 (0.047)
9.14
L = 194.4 (0.024)
4.67
L = 194.4 (0.01)
1.94
L = 194.4 (0.034)
6.61
Datos
A1
A2
A3
A4
A5
/V = 10 UV
X
YZ
MSD1 =
= 0.04;
/Z = 10 (0.04) =
q
(-10) (-1.3979) = 13.98
{.{M {.{M {.{M
MSD2 =
= 0.047;
/ = 10 (0.047)
q
= (-10) (-1.3279) = 13.28
{.Z{M {.{M {.q{M
dB
(S/R)
13.98
MSD3 =
= 0.024;
/q = 10 (0.024)
q
= (-10) (-1.6197) = 16.2
13.28
MSD5 =
= 0.034;
/ = 10 (0.034)
q
= (-10) (-1.4685) = 14.69
20.0
MSD4 =
q
(-10) (-2) = 20.0
= 0.01;
/s = 10 (0.01) =
16.20
14.69
280
Ejemplo 4.6
1 q
2
Sean los siguientes datos que tratan sobre el diseo de parmetros para un proceso
de moldeo por inyeccin.
Factores de control
A: Tiempo de ciclo: 2 niveles
Factores de ruido
H: % de repulverizacin: 2 niveles
Respuesta: % de encogimiento
De acuerdo con el nmero de factores tanto para los factores de control como los ruido,
para los primeros se usar un AO L8 (arreglo interno) y para los segundos se emplear un
AO L4 (arreglo externo) como se muestra en la tabla 4.7.
281
Tabla 4.7 AO L8 y AO L4 para el moldeo por inyeccin
Arreglo externo (L4)
No.
exp
1
2
3
4
5
6
7
8
A
1
B
2
1
1
1
1
2
2
2
2
1
1
2
2
1
1
2
2
1
1
2
2
2
2
1
1
1
2
1
2
1
2
1
2
1
2
1
2
2
1
2
1
1
2
2
1
1
2
2
1
G
7
1
1
1
1
2
1
2
2
3
2
1
2
4
2
2
1
1
2
2
1
2
1
1
2
2.2
0.3
0.5
2.0
3.0
2.1
4.0
2.0
2.1
2.5
3.1
1.9
3.1
4.2
1.9
1.9
2.3
2.7
0.4
1.8
3.0
1.0
4.6
1.9
2.3
0.3
2.8
2.0
3.0
3.1
2.2
1.8
Razn S/R
Asignacin del
factor de ruido
H
I
J
dB (S/R)
- 6.95
- 5.35
- 6.5
- 5.7
- 9.62
- 9.12
- 10.57
- 5.58
Responda: i) calcule las relaciones S/R para cada corrida; ii) elabore un tabla de repuesta, y
dibuje los grficos factoriales, y; iii) Determine la mejor contribucin de los factores.
Respuesta,
i) Clculos de las relaciones S/R para cada corrida.
1
/V = 10 UV
X
YZ
/Z = 10
= 10 log4.9575 = 6.95
4
/ = 10
/q = 10
/s = 10
/ = 10
282
/ = 10
/ = 10
/ = 10
Para elaborar la tabla de respuesta se requiere obtener primero el promedio de cada nivel de
cada factor.
zZ =
z =
W =
WZ =
'Z =
Z =
E
' =
283
=
E
*WZ =
*W =
W =
WZ =
Z =
=
A
-6.12
-8.72
2.6
B
-7.76
-7.09
-0.67
C
-7.11
-7.74
0.63
Factores
D
-8.41
-6.44
-1.97
E
-7.04
-7.81
0.77
F
-6.96
-7.88
0.92
G
-8.08
-6.76
-1.32
De acuerdo con los resultados de la tabla de respuesta los factores A, D y G generan los
efectos fuertes.
284
Grficas lineales
iii) La mejor contribucin de los factores es (ver los puntos obscuros): A1B2C1D2E1F1G2.
Pareto-ANOVA
En la industria de regiones poco desarrolladas, para muchos investigadores e
ingenieros, el ANOVA y las pruebas F no les resulta fcil utilizarlas. El Pareto-ANOVA es
un mtodo rpido y fcil para analizar resultados. Este mtodo permite evaluar, mediante
un anlisis Pareto, los factores e interacciones que sean ms significativos. Asimismo,
permite obtener el nivel ptimo de los niveles de los factores. En este sentido y de acuerdo
con los datos que se refieren al encogimiento de la espuma, el Pareto-ANOVA
correspondiente se calcula de la siguiente manera:
285
Pareto-ANOVA de los datos de encogimiento de la espuma
El diagrama de Pareto denota la zona sombreada que corresponde a los factores que se
considera son importantes fuentes de variacin. Observe que los factores significativos A,
D, G y F se ordenan de izquierda a derecha en el diagrama de Pareto los cuales contribuyen
en el encogimiento de la esponja aproximadamente con el 90%. Con estas referencias, se
disea el ANOVA correspondiente, no sin antes calcular la suma de cuadrados de cada
factor y considerar que los factores menos significativos se definirn como error. Para esta
caso particular los factores que se asumieran como error son los valores de los factores B, C
y E.
ANOVA para el encogimiento de la espuma
Fuente de
variacin
A
D
F
G
e = B+C+E
SST
Suma de cuadrados
13.49
7.78
1.70
3.5
1.16 + 0.775+ 1.19 = 3.13
29.6
Grados de
libertad
1
1
1
1
3
7
CM
X
Cuadrados
medios
13.49
7.78
1.70
3.5
1.04
B.qM
Fcalc.
12.97
7.48
1.63
3.365
= 440.89
286
SST = (-6.95)2 + (-5.35)2 + (-6.5)2 + (-5.7)2 + (-9.62)2 + (-9.12)2 + (-10.57)2 + (-5.58)2 FC =
= 470.23 440.89
29.34
=
=
= 13.49
8
8
Z `28.35 31.4d
=
=
= 1.16
8
8
=
=
= 0.775
8
8
=
=
= 7.78
8
8
=
=
= 1.19
8
8
Z `31.54 27.85d
=
=
= 1.7
8
8
Z `27.05 32.34d
=
=
= 3.49
8
8
Conclusin
287
288
PREGUNTAS Y PROBLEMAS
PREGUNTAS
Indicaciones: subraye la respuesta correcta
289
9. Es un medio para reducir costos y mejorar la calidad. Para ello se usan los mtodos de
diseo de experimentos o los arreglos ortogonales de Taguchi.
A. Diseo del sistema
B. Diseo de parmetros
C. Diseo de tolerancias
D. Funcin de prdida
10. Este mtodo se lleva a cabo a intervalos regulares con el fin de controlar una
caracterstica cuantitativa.
A. Prediccin y correccin
B. Diagnstico proceso y ajuste
C. Medicin y accin
D. Contramedidas posible
11. Es un elemento de tres elementos sustantivos del sistema de ajuste del proceso en lnea,
A. Mtodo de control
B. Mtodo de anlisis
C. Mtodo de inspeccin
D. Mtodo de diagnstico
12. En la etapa de medicin y accin, la accin se dirige hacia el
A. Proceso
B. Sistema
C. Producto
D. Proceso y el producto
13. La suma del costo de diagnstico, costos de ajuste y la prdida debido a la desviacin
constituye el
A. Modelo de control de fallas
B. modelo de control de calidad en lnea
C. Modelo de diagnstico
D. Modelo de prediccin
14. Cuando se combinan los efectos de los factores de control con los efectos de los
factores de ruido, los problemas de calidad se les denomina
A. Problemas de diseo de calidad
B. Problemas de decisin
C. Problemas del proceso
D. Problemas de ajuste
15. La investigacin y desarrollo (I + D) es la clave tanto para calidad del diseo, como
para
A. La calidad de las materias primas
B. La calidad en la investigacin
C. La calidad para el desarrollo
D. La calidad de la produccin
16. Es la variable de diseo o el factor de control que afecta las caractersticas funcionales
del producto.
A. El promedio
B. El parmetro
C. Variable dependiente
D. Variable de respuesta
17. Es el diseo de una estructura que se compone de un arreglo interno (AO interno) y otro
externo (AO externo) y de cuyas combinaciones se obtienen las observaciones yij se le
llama
A. Diseo directo del producto
B. Diseo factorial
C. Diseo interno
D. Diseo externo
290
PROBLEMAS
1.21 Una compaa de azulejos de regular tamao compr en Alemania Federal
(actualmente ya no existe esa denominacin) un nuevo horno en forma de tnel, cuyo costo
fue de 2 millones de dlares. El horno meda 80 m de largo; dentro de l un carro cargado
de azulejos se deslizaba lentamente sobre rieles, mientras los quemadores horneaban el
producto. Resulto un problema: los azulejos tenan variacin en sus dimensiones. Ms del
50 % de los azulejos de la fila exterior estaba fuera de especificacin, mientras que los de
las filas interiores apenas cumplan con la medida.
La compaa hizo experimentos para investigar los efectos de algunos factores que
en el proceso de coccin de los azulejos pudieran afectar su dimensin. Se seleccionaron
estos factores teniendo en cuenta que los experimentos fueran eficientes. Los factores se
designaron como A, B, C, D, etc. Los niveles de los factores se etiquetaron como A1
para el primer nivel de A; B1 para el primer nivel de B, etc. Como se puede observar en la
siguiente lista de factores.
Factores de control y sus niveles
Factores
Smbolo
Niveles
1
21
A
B
C
D
E
F
G
5% (nueva)
Grueso (actual)
43% (nuevo)
Combinacin actual
1,300 kg (nueva)
0% (nueva)
0% (nueva)
2
1% (actual)
Fino (nuevo)
53% (actual)
Nueva combinacin
1,200 (actual)
4% (actual)
5% (actual)
Este es el ejemplo clsico que usa G. Taguchi en su libro Introduction to Quality Engineering. Designing
quality into Products and Processess para explicar la estructura y uso del arreglo ortogonal. Pp. 81-83.
291
Columna-Factor
3
4
5
1
1
1
1
2
2
2
2
1
1
2
2
1
1
2
2
1
1
2
2
2
2
1
1
1
2
2
1
1
2
2
1
1
2
2
1
2
1
1
2
1
2
1
2
1
2
1
2
1
2
1
2
2
1
2
1
% de piezas
defectuosas
47
41
20
28
52
100
80
100
Responda,
i) Cul es la caracterstica de calidad?; ii) Cmo se llama la variable de respuesta?; iii)
Cuntos factores tiene el experimento? iv) Qu arreglo ortogonal utiliz? Y por qu?; v)
Estime los efectos factoriales; vi) Determine las condiciones ptimas
2. Cada 200 batches se diagnostica un proceso de moldeo por inyeccin, el cual produce 12
unidades por batch. La prdida A por una unidad defectuosa es de 2 dlares, el costo B del
diagnstico es de 40 dlares por tiro, de cada 200 tiros la tasa de falla es de 1 por 1, y en la
mayora de los casos se produce 1 unidad defectuosa. Cuando se encuentra una unidad
defectuosa, el costo de ajuste C es de 800 dlares, con un tiempo de retraso de 1 a 4 tiros.
Resuelva: i) Usando la unidad individual (1 de las 12) como unidad de produccin,
encuentre el intervalo de diagnstico ptimo y calcule el ahorro comparado con la situacin
actual; ii) El reemplazo de los moldes se efecta cada 800 tiros lo cual reduce la tasa de
fallas en un 20%. Cul es la ganancia de este reemplazo regular? Asuma que el costo C
del reemplazo regular es igual a C.
3. La tolerancia del espesor de un recubrimiento emulsivo es 4.0 m y la variacin de una
unidad (1 pois) en la viscosidad de la emulsin causa una variacin de 0.8 m en el grosor
del recubrimiento. Cuando el grosor est fuera de la tolerancia la prdida A es de 80 dlares
por metro cuadrado. En la actualidad, la viscosidad se revisa cada dos horas a un costo B de
40 dlares con un tiempo muerto de 0 (cero). La viscosidad se vigila mediante el control de
la cantidad de solvente. El costo del ajuste C es de 120 dlares. En la actualidad el lmite de
control es de 1.0 y se hace necesaria una accin de control en una (1) de cada tres (3)
mediciones. Con base en estos datos disee una medicin ptima y un sistema de
correccin. El volumen de produccin es de 50,000 m2 por hora.
4. Cada vuelo se revisa el componente de una avin (n = 6 horas) con un costo C de
revisin de 200 dlares. El componente se reemplaza una vez de cada 100 revisiones antes
de encontrar un problema. El costo C* de reemplazo es de 6,000 dlares. Si el componente
no funcionara correctamente, al mismo tiempo se produjera otro problema principal que
causara un accidente, el costo estimado sera de 1 milln 500 mil dlares. Tales averas
ocurren alrededor de tres veces al ao. Se registran aproximadamente 5,000 horas de vuelo
al ao con una duracin media de 6 horas por cada vuelo. Encuentre el intervalo ptimo de
292
revisin y calcule la mejora con respecto a la prctica actual. La funcin de prdida L por
hora est dada por
' + 1 1
'
)= + +
8
2
8
8{
293
Referencias
Roy, R.K., (1990). A Primer on The Taguchi Method. Dearborn, Michigan: Society of
Manufacturing Engineers.
Ghani, J. A., Jamaluddin, H. Rahman, M. N.A & Deros B. M (2013). Philosophy of
Taguchi Approach and Method in Design of Experiment. Asian Journal of Scietific
Research, 6 (1): 27-37. DOI: 10.3923/ajsr.2013.27.37. Disponible en:
http://scialert.net/qredirect.php?doi=ajsr.2013.27.37&linkid=pdf Consultado el 28
de enero de 2016.
Fryman, M. A. (2002). Quality and Process Improvement. Albany, N. Y.: Delmar,
Thomson Learning.
Onwubolu, G. C., (1997). On and off line quality control for product design and
manufacturing processes. The South African Journal of Industrial Engineering,
vol. 8, 2, pp. 61-71. Department of Industrial Engineering, National University of
Science
and
Technology,
Bulawayo,
Zimbabwe.
Disponible
en:
http://sajie.journals.ac.za/pub/issue/view/37 Consultado el 27 de enero de 2016.
Aravindan, P., Devadasan, S.R., Dharmendra, B.V., & Selladurai, V. (1995). Continuous
quality improvement through Taguchis online quality control methods.
International Journal of Operations & Production Management, Vol. 15, No. 7,
pp. 60-77.
Arvidsson, M., & Gremyr, I. (2009). Principles of Robust Design Methodology, in
Bergman, B., de Mar J., Lorn, S., & Svensson, T. (Eds.) (2009). Robust Design
Methodology for Reliability. Exploring the Effect of Variation and Uncertainty.
Wiltshire, United Kingdom: John Wiley & Sons, pp. 29-45.
Taguchi, G. & Wu, Y. (1979). Introduction to Off-Line Quality Control. Nagoya, Japan:
Central Japan Quality Control Association.
Taguchi, G. (1986). Introduction to Quality Engineering. Designing Quality into Products and
Processes. Tokyo: Asian Productivity Organization, Tokyo.
Taguchi, G., Elsayed, E. A., Hsiang, T. C. (1989). Quality engineering in production
systems. New York: McGraw-Hill.
Eriksson, L., Johansson, E., Kettaneh-Wold, N., Wikstrm, C., & Wold, S. (2008). Design
of experiments. Principles and Applications. 3. ed., Sweden:Umetrics Academy.
Logothetis, N. (1987). Off-line quality control and ill-designed data. Quality and Reliability
Engineering International, Vol. 3, pp. 227-238.
Karna, S. K. & Sahia, R. (2012). An Overview on Taguchi Method. International Journal
of Engineering and Mathematical Sciences, Jan.- June 2012, Volume 1, Issue 1,
pp.1-7.
Buyske, S. & Trout, R. (2015). Lecture 10. Robust design and Taguchi Methods:
Disponible
en:
http://www.stat.rutgers.edu/home/buyske/591/lect10.pdf
Consultado el 30 de enero de 2016.
294
factores de control para hacer frente al ruido (Bryne & Taguchi, 1986; Phadke, 1989;
295
factores de control, como los factores de ruido. Estos enfoques son una gua mnima para
los ingenieros de proceso, quienes enfrentan, con frecuencia, la situacin en la que no
pueden identificar los factores de ruido durante un proceso de fabricacin.
De acuerdo con lo anterior, resulta necesario entonces distinguir entre los tipos de
factores de diseo y factores de desarrollo. Taguchi (1993) separa los factores en dos
grupos principales: factores de control y factores de ruido. Los factores de control son los
296
que el fabricante establece y no pueden ser modificados por el consumidor. Por ejemplo, un
fabricante de motores puede establecer el material para los pistones, la tensin en los
anillos del pistn, el dimetro del orificio, etc., que no pueden ser fcilmente modificados
por el comprador. Los factores de ruido son aquellos sobre los que el fabricante no tiene
control directo, sino que varan en el entorno del usuario y el uso (Ross, 1989). En general,
los factores de ruido son los que el fabricante desea no tener que controlar en todo y para
todo.
Los factores de ruido se pueden clasificar en tres categoras: i) ruido externo; ii)
ruido interno y; iii) ruido entre productos
Los ruidos externos son los factores ambientales tales como la temperatura
ambiente, la humedad o las personas. Incluso los diferentes lotes de materiales para un
proceso de produccin pueden ser vistos como ruido externo. Ruidos internos estn en
funcin del tiempo, tal como el deterioro, desgaste, disminucin del color, encogimiento, y
la resequedad. Los ruidos externos producen variaciones desde fuera del producto; los
ruidos internos producen variaciones desde del interior o dentro del producto y el ruido
entre productos se manifiesta en la variacin de parte a parte. Esto significa que el
producto, de manera simultnea, puede tener sensibilidad a las tres categoras de ruido.
Ver: Statistica Help, Taguchi Methods: Robust Design Experiments - Signal-to-Noise (S/N) Ratios Disponible en:
http://documentation.statsoft.com/STATISTICAHelp.aspx?path=Experimental/Doe/Overview/TaguchiMethodsSig
naltoNoiseSNRatios Consultado el 11 de febrero de 2016
297
298
Menor es
mejor
Minimizar la respuesta
Nominal es
mejor
Mayor es
mejor
Caractersticas de los
datos
No negativos con valor
objetivo igual a cero
Positivos, cero o
negativos
Maximizar la respuesta
Positivos
S / Ri = 10 log 1n yij2
j =1
/V = 10
1 `
0V V d
V
1
1
/V = 10
UV
X
YZ
Fuente: tomado, traducido y adaptado de What is the signal-to-noise ratio in a Taguchi design? Disponible
en: http://support.minitab.com/en-us/minitab/17/topic-library/modeling-statistics/doe/taguchi-designs/what-isthe-signal-to-noise-ratio/ Consultado el 12 de febrero de 2016.
299
de calcular la relacin S/R es como sigue (en este caso n es el nmero de observaciones en
cada fila).
i)
1
/V = 10 UV
X
YZ
ii)
1
1
/V = 10
UV
X
YZ
iii)
/V = +10
` BK d
XBZ
1 `
0V V d
V
UWV
1 `
0V d
l
V = 10 V = 10 V
o aproximadamente
donde
XYZ`UV UWV d
V =
= G G R
1
0V
1
= UV = UWV = G G R
X
YZ
300
UWV =
UV
media, pero no lo son para las caractersticas menor es mejor y mayor es mejor.
tamao de V que por la magnitud de UW. Con el fin de examinar cul es el factor que ms
influye en el cambio de la respuesta media UW, es necesario obtener la sensibilidad, que para
XV = 10 log
0V
301
Tabla 5.2 AO L8 para factores de control y ruido para la medicin de CO en nuevos autos
No. de
experimento
1
2
3
4
5
6
7
8
A
1
1
1
1
1
2
2
2
2
dB
(S/R)
-2.125
-5.017
-2.08
-5.566
-4.057
-3.305
-4.364
-4.582
Responda: i) Encontrar las relaciones S/R para la cantidad de CO, cuya caracterstica es
menor es mejor; ii) Elabore la tabla de respuesta y dibuje los grficos factoriales; iii)
Respuesta
i) El tipo de caracterstica de calidad es: menor es mejor
ii) Clculos de las relaciones S/R para la caracterstica menor es mejor.
1
/V = 10 UV
X
YZ
/Z = 10
= 10 log1.6312 = 2.125
3
/ = 10
/q = 10
/s = 10
/ = 10
302
/ = 10
/ = 10
/ = 10
Para elaborar la tabla de respuesta se requiere obtener primero el promedio de cada nivel de
cada factor.
zZ =
z =
WZ =
'Z =
Z =
E
W =
' =
303
=
E
WZ =
Z =
W =
= 3.84
4
=
=
A
- 3.903
- 4.077
- 0.174
B
- 3.626
- 4.145
- 0.519
C
- 4.022
- 3.752
0.27
Factores
D
F
- 3.15
- 3.023
- 4.63
- 4.764
- 1.48
- 1.741
G
- 4.08
- 3.69
0.39
H
- 3.84
- 3.93
- 0.09
De acuerdo con los resultados de la tabla de respuesta los factores F, D y B generan los
efectos fuertes.
304
iv) El grafico 1 describe los niveles de los factores que generan la mejor contribucin (ver
1
8 min
60C
C1
Ninguno
Niveles
2
10
70C
C2
Solvente
3
12
80C
C3
Agua caliente
Con base en el nmero de niveles que tiene cada factor de control, asimismo por
el nmero limitado de experimentos que se desarrollarn se emplear un L9. Para los
factores de ruido se eligieron dos condiciones para los entornos del usuario, los cuales son:
N1: condiciones normales de uso
N2: malas condiciones de uso
305
A
1
1
1
1
2
2
2
3
3
3
Factores de control
B
C
2
3
1
1
2
2
3
3
1
2
2
3
3
1
1
3
2
1
3
2
D
4
1
2
3
3
1
2
2
3
1
Datos (fuerza de
adherencia kg cm-2)
Factor de ruido
N1
N2
6
5
10
8
12
10
8
6
11
7
13
9
23
18
24
23
20
16
S/R,
dB
14.68
18.86
20.70
16.57
18.44
20.41
26.02
27.44
24.94
De acuerdo con el problema descrito, responda: i) Describa los componentes del problema;
ii) Qu caracterstica se est estudiando?; iii) Calcule la respuesta promedio para cada
Respuesta,
i)
iii)
306
No. de
exp.
1
2
3
4
5
6
7
8
9
Factores de control
A B C
D
1
2
3
4
1
1
1
1
1
2
2
2
1
3
3
3
2
1
2
3
2
2
3
1
2
3
1
2
3
1
3
2
3
2
1
3
3
3
2
1
Datos (fuerza de
adherencia kg cm-2)
Factor de ruido
N1
N2
6
5
10
8
12
10
8
6
11
7
13
9
23
18
24
23
20
16
Prom
edio
5.5
9
11
7
9
11
20.5
23.5
18
Prefere
ncias
de ing.
7
5
4
6
5
4
2
1
3
MSD
0.034
0.013
0.0085
0.022
0.0143
0.0091
0.0025
0.0018
0.0032
Prdida
por
pieza
S/R,
dB
31.96
122.2
79.9
206.8
134.4
85.5
23.5
16.9
30.0
14.68
18.86
20.70
16.57
18.44
20.41
26.02
27.44
24.94
UZZ + UZ 6 + 5
=
= 5.5
2
UZ + U 10 + 8
G 6F. 2 = UW =
=
=9
2
UqZ + Uq 12 + 10
G 6F. 3 = UWq =
=
= 11
2
UsZ + Us 8 + 6
G 6F. 4 = UWs =
=
=7
2
UZ + U 11 + 7
G 6F. 5 = UW =
=
=9
2
UZ + U 13 + 9
G 6F. 6 = UW =
=
= 11
2
UZ + U 23 + 18
G 6F. 7 = UW =
=
= 20.5
2
UZ + U 24 + 23
G 6F. 8 = UW =
=
= 23.5
2
UZ + U 20 + 16
G 6F. 9 = UW =
=
= 18
2
G 6F. 1 = UWZ =
iv)
= 9,400 M
Z
M
K
307
Clculo de la MSDi
1
1
k
EV =
UV
X
k
EZ = <
Z
k
Eq = <
Z
ZM
k
E = <
Z
ZZM
k
E = <
Z
qM
MM
+
+
+
= = 0.034
Z
Z{MM
Z
MM
YZ
= = 0.0085
= = 0.0143
ZMM
= = 0.0025
k
E = <{M + ZM = = 0.0032
Z
k
E = <
Z
k
Es = <
Z
Z{M
Z
M
k
E = <
Z
ZqM
k
E = <
Z
sM
MM
MM
= = 0.013
= = 0.022
+ M = = 0.0091
+
qMM
= = 0.0018
1
1
= 10
/V = 10 k
EV
V
UV
X
YZ
/ = 10 0.0025 = 26.02
/ = 10 0.0018 = 27.44
/ = 10 0.0143 = 18.44
/ = 10 0.0032 = 24.94
/ = 10 0.0091 = 20.41
zZ = 18.08
308
z = 18.47
zq = 26.13
WZ = 19.09
W = 21.58
Wq = 22.02
'Z = 20.84
' = 20.12
'q = 21.72
Z = 19.35
E
= 21.76
E
q = 21.57
E
/W
Est.( A3B3D2) = /W + zq /W + Wq /W + E
= 28.11 dB
Z.{
309
Conclusiones
La relacin S/R tiene la caracterstica de tomar en cuenta tanto el promedio como
la variacin. De acuerdo con los resultados del ejemplo 5.3, se observa que la relacin S/R,
en tanto medida del desempeo, denota que,
i)
ii)
iii)
Por cada 3 dB que S/R aumente la prdida L por pieza se reduce a la mitad.
De esto ltimo se deduce que un aumento de x dB en la relacin S/R,
Z
<= .
2 niveles
2 niveles
2 niveles
Factores de ruido
H: Cantidad de aceite
2 niveles
2 niveles
2 niveles
Variable de respuesta:
Valor objetivo:
310
Con base en el nmero de factores de diseo se eligi el AO L4, en el mismo sentido fue
para los factores de ruido; es decir, el AO es un L4. Ambos factores se asignaron en la tabla
5.4 de la siguiente manera:
Tabla 5.4 AO L4 y AO L4 para el estampado de metal
No. de
exp.
1
2
3
4
UW
Ve
37
36.75
44.75
45.25
0.666
10.92
0.92
24.92
Arreglo externo L4
1
2
3
4
Arreglo
interno L4
A
1
B
2
C
3
1
1
1
1
2
2
2
1
2
2
2
1
1
1
2
2
1
2
1
2
1
2
2
1
37
35
45
41
38
39
44
52
36
40
44
46
37
33
46
42
Relacin S/R
Asignacin del factor
de ruido
J
I
H
dB (S/R)
33.10
20.92
33.38
19.14
Calcular UW, Ve, la relacin S/R de cada corrida, elaborar la tabla de respuesta S/R,
identificar los factores que afectan la variacin e identificar los factores que se usaran para
ajustar la media.
i)
Clculo de UW
UWV =
UWZ =
UW =
UWq =
UWs =
ii)
UV
= G G G R
37 + 38 + 36 + 37
= 37
4
35 + 39 + 40 + 33
= 37
4
45 + 44 + 44 + 46
= 44.75
4
41 + +52 + 46 + 42
= 45.25
4
Clculo de Ve
=
UV UW
1
311
Z =
= 0.666
=
iii)
l = 10 UWV
V
V
iv)
zZ =
z =
33.10 + 20.92
= 27.01
2
33.38 + 19.14
= 26.26
2
312
WZ =
33.10 + 33.38
= 33.24
2
'Z =
33.10 + 19.14
= 26.12
2
W =
' =
20.92 + 19.14
= 20.03
2
20.92 + 33.38
= 27.15
2
A
27.01
26.26
A2 - A1 = - 0.75
Factores
B
33.24
20.03
B2 B1 = - 13.21
C
26.12
27.15
C2 - C1 = 1.03
Grficas lineales
Grfico 5.3. Las relaciones S/R del estampado de metal
v) El grafico 3 describe los niveles de los factores que generan la mejor contribucin (ver
los puntos obscuros). La mejor combinacin es: A1B1C2.
vi) Identificar los factores que afectan la variacin.
313
De acuerdo con las diferencias entre la suma de los niveles de cada factor contenidas en la
tercera fila de la tabla de respuesta se observa que el factor B tiene un efecto fuerte sobre la
variacin.
zZ =
37 + 36.75
= 36.88
2
WZ =
37 + 44.75
= 40.88
2
'Z =
37 + 45.25
= 41.12
2
z =
44.75 + 45.25
= 45.00
2
W =
36.75 + 45.25
= 41.00
2
' =
36.75 + 44.75
= 40.75
2
A
36.88
45.00
A2 A1 = 8.12
Factores
B
40.88
41.00
B2 B1 = 0.12
C
41.12
40.75
C2 C1 = - 0.37
De acuerdo con las diferencias entre la suma de los niveles de cada factor
contenidas en la tercera fila de la tabla de respuesta de la media se observa que el factor A
cuyo valor ptimo A* ocurre en el intercepto del segmento z zZ y la lnea horizontal
tiene un efecto fuerte sobre la media. Como consecuencia el factor A es el factor de ajuste y
como se muestra en el grfico 4. Sin embargo, antes de llevar a cabo el citado ajuste, los
314
niveles de cada factor que generan la condicin ptima para la media se obtienen del
grfico 5.4.
Los niveles que se eligen son aquellos que estn ms prximos al valor objetivo.
En este sentido, la condicin ptima es: A1B1C2. Es muy importante observar que no hay
una distancia significativa entre el promedio del nivel 1 del factor C con el promedio del
nivel 2 de este mismo factor, por lo que la decisin de cambiar de un nivel al otro estar
definida por los costos econmicos que implica el citado cambio. Lo comn es escoger el
ms barato.
` BK d
XBZ
315
X
C = UV
VYZ
0 = 437 = 5,476
5,478 5,476
l
= 10 log 0.6666 = 1.76
ZZ = 10
41
0 = 436.75 = 5,402.25
5,435 5,402.25
l
=
10
0q = 444.75 = 8,010.25
8,013 8,010.25
l
= 10 log 0.9166 = 0.37
Zq = 10
41
0s = 445.25 = 8,190.25
8,265 8,190.25
l
=
10
por la variacin, mientras que el segundo es influenciado tanto por la media como por la
variacin (tabla 5.5).
316
Tabla 5.5 Comparacin de los modelos de las relaciones
l
No. de
exp.
1
2
3
4
Arreglo externo L4 y
Datos
1
2
3
4
1
1
2
2
1
2
1
2
1
2
2
1
37
35
45
41
38
39
44
52
36
40
44
46
37
33
46
42
UW
37
36.75
44.75
45.25
Ve
0.666
10.92
0.92
24.92
ZV
y
l
V
S/R1i
Nominal
es mejor
S/R2i
Nominal
es mejor
1.76
- 10.38
0.37
- 13.96
33.10
20.92
33.38
19.14
317
Esta clasificacin resulta til para identificar la relacin que surge entre el
ANOVA y la relacin S/R esta relacin consiste en que los niveles de la factores de la clase
I y II que son seleccionados sirven para reducir la varianza; mientras que los niveles
elegidos de los factores de la clase III son tiles para ajustar la media al valor objetivo; en
tanto que los niveles de los factores de la clase IV se pueden establecer en su valor
econmico ms bajo, dado que no afectan la variable de respuesta.
Dado que la variacin es una parte importante de la discusin en relacin con la
calidad, el ANOVA es un mtodo estadstico que se usa para interpretar los datos
experimentales y hacer las decisiones necesarias (Ross, 1989). El ANOVA no es un mtodo
complicado, por el contrario alrededor de ste se despliega una especial belleza matemtica.
El ANOVA es una herramienta estadstica de decisin para detectar alguna diferencia en
los promedios de desempeo de los grupos de tems evaluados. La decisin, ms que usar
un juicio de valor, toma en cuenta la variacin.
Como ya se expuso en el captulo 3-5, el ANOVA es una herramienta para la toma
de decisiones objetiva que se basa en las tcnicas estadsticas para detectar cualquier
diferencia en el desempeo promedio de los grupos de elementos examinados. El ANOVA
ayuda en las pruebas de significancia de todos los factores principales y sus interacciones
mediante la comparacin del cuadrado medio contra una estimacin de los errores
experimentales en los niveles de confianza especficos (Kowalczyk, 2014). El ANOVA es
una tcnica que ayuda a dar seguridad los criterios para determinar qu variables tienen
mayor influencia en la respuesta y.
El proceso de comparacin, de acuerdo con el nmero de factores que se necesitan
comparar, se puede realizar desde tres formas (figura 5.1):
318
ii)
iii)
C = UV
VYZ
/
donde T es la suma total de todos los datos, por lo que /W es la media UW.
0 = /W =
zV
/
=
V
VYZ
319
\ X
= `UV z d
YZ V YZ
SS
SSm
Grados de libertad
1
SSA
kA - 1
SSe
T - m - A
0l
li 1
l
C 0
De acuerdo con el contenido del cuadro resumen del ANOVA se observa que, adems de
que se estima la varianza del error, tambin se obtiene la varianza debido al factor A.
distante de cero y cmo los factores seleccionados pudieran reducir el promedio a cero. La
situacin en la que se excluye la media para los clculos del ANOVA, la variacin total se
puede descomponer en
320
i.
ii.
C = UV
VYZ
C =
y se define como variacin total.
UV
VYZ
/
zV
/
=
V
VYZ
donde nAi es el nmero de datos que contiene cada nivel. Observe que A mayscula
representa el concepto factor, que puede ser B, C, D, etc.
La variacin debida al error se obtiene con
\ X
= `UV z d
YZ V YZ
n = 1 + A + e
n - 1 = 1 - 1 + A + e
n - 1 = A + e
T = n 1
321
T = A + e
A = kA 1
SS
SSA
Grados de libertad
kA - 1
SSe
T - m - A
SST
li 1
l
C 0
322
La variacin total es
C = UV
VYZ
/
zV
/
=
V
VYZ
zZ
z
z\
/
+
+ +
Z
\
zZ
z /
+
Z
~% ~ %
##~ =
"
\
V
/
=
V
VYZ
Z
\
/
+
+ +
Z
\
Z
/
+
Z
## =
% %
"
323
A =
VYZ
z V
/
AV
A2B1 = (A x B)2
A1B2 = (A x B)3
A2B2 = (A x B)4
A =
Z
q s
Frmula especfica
Las sumatorias de los datos de la prueba se hicieron en dos direcciones principales
para evaluar los efectos de los factores A y B, en direccin vertical es para obtener el efecto
del factor A, y en direccin horizontal para obtener el efecto del factor B. En un
experimento de dos factores con dos niveles cada factor existe otra posible suma, esto es,
en diagonal, que evala el efecto interaccin. A1B1 + A2B2 = (A x B)1, la cual representa
una suma diagonal y A1B2 + A2B1 = (A x B)2 que tambin representa otra suma diagonal.
Dado que se lleva cabo una sola comparacin con los dos grupos se puede emplear una
frmula especfica
z z Z
=
324
Observe que este mtodo slo incluye el efecto interaccin, no hay necesidad de
restar los efectos de los factores, ni de las interacciones de orden inferior. La manera ms
fcil de calcular la variacin de error, en este caso y tambin en otro ANOVA ms
complejo, es utilizar la tcnica del perezoso. Cualquiera que sea la variacin habr un
remanente y como consecuencia habr errores, donde
SST = SSA + SSB + SSAxB + SSe
Entonces,
SSe = SST - SSA - SSB - SSAxB
n - 1 = A + e
Grados de libertad del factor A
A = kA 1
Grados de libertad del factor B
B = kB 1
Grados de la interaccin AxB
AxB = (A) (B)
Grados de libertad
e = T - A - B - AxB
Los resultados de los clculos para la suma de cuadrados de los factores, interacciones, el
error y F (Fcalc.) se concentran en la tabla 5.9.
Tabla 5.9 Cuadro resumen del ANOVA de dos factores (ANOVA, Two-way
Fuente de variacin
A
SS
SSA
Grados de libertad
SSB
AxB
SSAxB
AxB
SSe
SST
F (1,2)
A
l
A
325
Nivel 1
Lmite inferior de especificacin
Lmite inferior de especificacin
Lmite inferior de especificacin
Encendido
Encendido
I
Nivel 2
Lmite superior de especificacin
Lmite superior de especificacin
Lmite superior de especificacin
Apagado
Apagado
II
Fue de inters la interaccin cobre y magnesio, as como dos reas crticas (posicin) sobre
la colada. Los niveles para los factores metlicos fueron los lmites de especificacin para
326
1
1
1
1
1
2
2
2
2
2
1
1
2
2
1
1
2
2
AxB C D
No. de columna
3
4
5
1
1
1
1
2
2
2
1
1
2
2
2
2
1
2
2
2
1
1
1
2
1
2
1
6
1
2
2
1
1
2
2
1
7
1
2
2
1
2
1
1
2
71
72
55
76
78
63
74
75
75
71
68
74
76
66
74
73
Observe que slo se midi la dureza de tres pistones en dos posiciones diferentes;
se fundieron varias piezas en condiciones reales para permitir que el proceso se estabilizara
durante las condiciones designadas de operacin. Los resultados se pueden condensar en un
solo resultado para cada condicin experimental como se muestra en la tabla 5.12.
Tabla 5.12 Resultados experimentales condensados
Tabla secundaria
Totales de posicin
No. prueba
I
II
1
214
224
2
216
211
3
165
203
4
224
220
5
233
232
6
197
208
7
216
216
8
218
220
Totales
1,683
1,734
Tabla primaria
Total de la
No. prueba
prueba
1
438
2
427
3
368
4
444
5
465
6
405
7
432
8
438
Total
3,417
327
razn se deben calcular tres SST de los datos obtenidos, as como la suma de cuadrados de
cada factor, tanto de ruido como de control y la varianza del error.
SST primaria (
C )
Los clculos de la variacin debida a los factores de control (columnas del arreglo interno)
se obtienen de la tabla primaria.
UZ
/
C = K
ZK
VYZ
= 994.15
6
6
6
6
6
6
6
6
48
cp = nmero de datos puntuales en la tabla primaria
z zZ
=
1,740 1,677
=
= 82.69
48
Z
1,682 1,735
= 58.52
48
A =
z z Z
328
1,682 1,735
=
= 58.52
48
## =
% %
"
1,714 1,703
= 2.52
48
## =
% %
"
1,768 1,649
=
= 295.02
48
## =
% %
"
## =
% %
"
1,632 1,875
= 487.69
48
1,698 1,719
= 9.19
48
329
CM
UK
/
=
K
VYZ
CM
= 994.15
3
3
3
3
3
48
H
1,734 1,683
= 54.19
48
PII = 224 + 211 + 203 + 220 + 232 + 208 + 216 + 220 = 1,734
ADVVX =
5z
z
Z 7
PI
214 + 216 + 165 + 224 = 819
233 + 197 + 216 + 218 = 864
PII
224 + 211 + 203 + 220 = 858
232 + 208 + 216 + 220 = 876
A =
1,722 1,695
= 15.18
48
864 + 858 = 1,722
330
Otra manera de calcular el efecto interaccin del factor A (factor de control) con el factor
posicin (factor de ruido)
ADVVX =
V YZ
ADVVX
UV
/
V
214 + 216 + 165 + 224 + 233 + 197 + 216 + 218 + 224 + 211 + 203 + 220 + 232 + 208 + 216 + 220
82.69
12
3,417
54.19
48
=
ADVVX
A =
5
Z 7
H
A =
1,698 1,719
= 9.19
48
823 + 875 = 1,698
5'
'
Z 7
=
H
C
C1
C2
PI
214 + 165 + 233 + 216 = 828
216 + 224 + 197 + 218 = 855
PII
224 + 203 + 232 + 216 = 875
211 + 220 + 208 + 220 = 859
331
1,730 1,687
=
= 38.52
48
855 + 875 = 1,730
5E
E
Z 7
=
H
D
D1
D2
PI
214 + 165 + 197 + 218 = 794
216 + 224 + 233 + 216 = 889
PII
224 + 203 + 208 + 220 = 855
211 + 220 + 232 + 216 = 879
A =
1,744 1,673
= 105.02
48
889 + 855 = 1,744
A =
5*
*
Z 7
H
E
E1
E2
PI
214 + 224 + 233 + 218 = 889
216 + 165 + 197 + 216 = 794
PII
224 + 220 + 232 + 220 = 896
211 + 203 + 208 + 216 = 838
A =
AA =
1,690 1,727
= 58.52
48
794 + 896 = 1,690
5z
z
Z 7
H
332
Tabla 5.19 Combinaciones de los niveles de los factores de las interacciones A x B x P
P
E
AxB1
AxB2
PI
214 + 216 + 216 + 218 = 864
165 + 224 + 233 + 197 = 819
PII
224 + 211 + 216 + 220 = 871
203 + 220 + 232 + 208 = 863
AA
1,690 1,727
=
= 58.52
48
819 + 871 = 1,690
5
Z 7
=
=
M
e
e1
e2
PI
214 + 224 + 197 + 216 = 851
216 + 165 + 233 + 218 = 832
PII
224 + 220 + 208 + 216 = 868
211 + 203 + 232 + 220 = 866
1,700 1,717
=
= 6.02
48
832 + 868 = 1,700
C = `UqK d
VYZ
/
H
3,417
= 1,361.31
48
q =
CM
q = 1,361.31 1,279.31 = 82
333
Fuente
A
B
AxB
C
D
E
e1
SST1
P
AxP
BxP
CxP
DxP
ExP
AxBxP
e2
SST2
e3
SST3
1
1
1
1
1
1
1
7
1
1
1
1
1
1
1
1
15
32
47
SS
82.69
58.52
58.52
2.52
295.02
487.69
9.19
994.15
54.19
15.18
9.19
38.52
105.02
28.52
58.52
6.02
1,297.31
82.00
1,361.31
V
82.69
58.52
58.52
2.52
295.02
487.69
9.19
54.19
15.18
9.19
38.52
105.02
28.52
58.52
6.02
2.56
Del ANOVA total para el anlisis de los datos que se obtuvieron del experimento
de la fundicin a presin, los factores de control ms significativos que se destacan son: A
(% de cobre), D (enfriamiento por agua), E (enfriamiento por aire) y la interaccin D x P
(enfriamiento por agua y posicin). Esta distincin facilita agrupar aquellos otros factores e
interacciones que se asumen como no significativos para definir el error agrupado (ep) y
elaborar una nueva tabla ANOVA (tabla 5.22), mediante el cual no slo se facilite el
clculo de F, sino sobre todo identificar el factor, o factores o interacciones que ms
contribuyen en la variacin de y. En trminos de las interacciones calculadas, la ms
significativa, de las seis, es D x P (enfriamiento por agua y la posicin).
Tabla 5.22 ANOVA agrupada del experimento de fundido a presin
Fuente
A
D
E
DxP
ep
SST3
SS
82.69
295.02
487.69
105.02
390.89
1,361.31
1
1
1
1
43
47
V
82.69
295.02
487.69
105.02
9.09
487.69
F
9.10
32.46
53.65
11.55
F0.10 (1,43)
2.84
2.84
2.84
2.84
334
D
1
P
I
II
II
Z
Z
Z
= 71.25
= .
= 73.25
Observe que de acuerdo con la caracterstica mayor es mejor, a pesar del factor de
ruido P, el promedio ms alto y consistente de la dureza se halla en el nivel 2 del factor
enfriamiento por agua (D2), esto significa que el nivel 2 del factor D es el parmetro de
diseo con respecto a la dureza de la aleacin. Con base en esta especificacin se pueden
calcular los promedios de los niveles de los factores A, D y E, para obtener la ecuacin que
sirva para calcular la media estimada Est.
A1 = 438 + 427 + 368 + 444 = 1,677 ,
A2 = 465 + 405 + 432 + 438 = 1,740 ,
D1 = 438 + 368 + 405 + 438 = 1,649,
D2 = 427 + 444 + 465 + 432 = 1,768,
E1 = 438 + 444 + 465 + 438 = 1,785,
E2 = 427 + 368 + 405 + 432 = 1,632,
Z,
zZ =
= 69.88
s
Z,s{
z = s = 72.5
Z = Z,s = 68.71
E
s
= Z, = 73.67
E
s
Z,
*WZ = s = 74.38
Z,q
*W =
= 68.00
s
335
,' = T
donde
Z,
=
Ve = 9.09
s
s
= 12
Sustituyendo en la frmula
,' = T
2.83 9.09
= 1.46
12
,' = TZ,
1 1
+
donde r = 30 (esto es porque cada una de las 15 partes se medir en dos posiciones),
sustituyendo
1
1
,' = T2.83 9.09 + = 1.73
12 30
336
significa que el experimento de confirmacin debe tener xito. Asimismo, si las piezas
producidas mantienen ese valor promedio y esa variacin, entonces el experimento habr
proporcionado una mejora sustancial.
Dado que el ANOVA de datos agrupados ha facilitado definir los factores que son
significativos para la dureza, y stos a su vez sirven para formular la ecuacin aditiva para
estimar la media (Est), que a su vez se sustenta en la condicin experimental idnea
(A2D2E1), son todos ellos los elementos necesarios para trascender hacia la obtencin de los
valores de la S/R (tabla 5.24) que devienen como insumos necesarios para realizar un
nuevo ANOVA que ayuda a confirmar la pertinencia de los factores seleccionados y su
influencia en la variable de respuesta y, en esta caso la dureza de la aleacin.
Tabla 5.24 Transformacin de los datos de la dureza en S/R
No.
prueba
1
2
3
4
5
6
7
8
A
1
1
1
1
1
2
2
2
2
B
2
1
1
2
2
1
1
2
2
AxB C D
No. de columna
3
4
5
1
1
1
1
2
2
2
1
1
2
2
2
2
1
2
2
2
1
1
1
2
1
2
1
E
6
1
2
2
1
1
2
2
1
e
7
1
2
2
1
2
1
1
2
71
72
55
76
78
63
74
75
S/R,
dB
75
71
68
74
76
66
74
73
37.26
37.04
35.61
37.38
37.78
36.56
37.14
37.26
1
1
/V = 10
UV
X
YZ
1 1
1
1
1
1
1
1 1
1
1
1
1
1
1 1
1
1
1
1
1
/ = 10 + + + + + = 100.0001665 = 37.78
6 78
78
77
78
78
76
337
1 1
1
1
1
1
1
/ = 10 + + + + + = 100.00022096 = 36.56
6 63
69
65
69
73
66
1 1
1
1
1
1
1
/ = 10 + + + + + = 100.00019319 = 37.14
6 74
70
72
72
70
74
1 1
1
1
1
1
1
/ = 10 + + + + + = 100.0001878 = 37.26
6 75
72
71
73
74
73
La variacin total es
C = UV
VYZ
/
C =
A +
~% ~ %
"
A1 = 37.26 + 37.04 + 35.61 + 37.38 = 147.29,
zZ = 36.8225
##~ =
z = 37.185
148.74 147.29
=
= 0.26
8
% %
"
B1 = 37.26 + 37.04 + 37.78 + 36.56 = 148.64,
WZ = 37.16
## =
W = 36.8475
148.64 147.39
=
= 0.19
8
z z Z
=
338
A1
37.26 + 37.04 = 74.3
35.61 + 37.38 = 72.99
A =
A1B1 + A2B2 = 74.3 + 74.4,
A1B2 + A2B1 = 72.99 + 74.34,
A2
37.78 + 36.56 = 74.34
37.14 + 37.26 = 74.4
147.33 148.7
= 0.23
8
WWWWWWW Z =37.175
z 6
WWWWWWW =36.8325
z 6
% %
"
C1 = 37.26 + 35.61 + 37.78 + 37.14 = 147.79,
'Z = 36.9475
## =
' = 37.06
148.24 147.79
= 0.02
8
% %
"
Z = 36.6725
D1 = 37.26 + 35.61 + 36.56 + 37.26 = 146.69,
E
## =
E = 37.335
149.34 146.69
=
= 0.88
8
% %
## =
"
E1 = 37.26 + 37.38 + 37.78 + 37.26 = 149.68,
*WZ = 37.42
*W = 36.5875
146.35 149.68
= 1.39
8
## =
% %
"
Z = 37.085
339
E = 36.9225
147.69 148.34
=
= 0.05
8
C =
A +
A
B
C
D
E
AxB
e
Total
0.26
0.19
0.02
0.88
1.39
0.23
0.05
3.02
1
1
1
1
1
1
1
7
0.26
0.19
0.02
0.88
1.39
0.23
0.05
El ANOVA de la relacin S/R (tabla 5.26) destaca los factores D y E como los
factores ms significativos. Esta identificacin permite agrupar aquellos que se definen como
no significativos, lo cual da pie para definir un nuevo ANOVA agrupado en el que la suma de
cuadrados del error concentra los valores de aquellos factores clasificados como no
significativos (tabla 5.27)
Tabla 5.27 ANOVA agrupada de la relacin S/R
Fuente
D
E
e
Total
SS
0.88
1.39
0.75
3.02
1
1
5
7
V
0.88
1.39
0.15
F
5.87
9.27
F0.10, (1,5)
4.06
4.06
Z = 36.6725
E
% = .
340
= . %
*W = 36.5875
(Est.) es
+ *WZ /W
8M = E
,' = T
donde
Z,
= Z
Ve = 0.15
= q = 2.67
Sustituyendo en la frmula
,' = T
4.06 0.15
= 0.48
2.67
341
,' = TZ,
donde r = 5, sustituyendo
1 1
+
1
1
+ = 0.59
2.67 5
En este caso, nada obliga a modificar cuando los mismos niveles de dos factores
significativos proporcionan un promedio ms alto y una variabilidad reducida. En algunas
situaciones, los niveles de los factores que mejoran el promedio y la uniformidad pueden
entrar en conflictos, por lo que es necesario encontrar una solucin viable. En un contexto
de respuestas mltiples, tambin se puede necesitar de una solucin inteligente cuando el
mismo nivel de un factor puede generar una respuesta de mejora y otra de deterioro.
342
PREGUNTAS Y PROBLEMAS
PREGUNTAS
Indicaciones: subraye la respuesta correcta
1. Indica el grado de desempeo predecible de un proceso o de un producto en presencia de factores
de ruido.
A. Factor seal
C. Relacin S/R
B. Factor indicativo
D. Relacin factorial
4. Define directamente la respuesta como funcin del control, ruido y efectos del factor
5. Son aquellos factores sobre los que el fabricante no tiene control directo, sino que varan
en el entorno del usuario y el uso.
A. Factores de control
B. Factores seal
C. Factores de ruido
D. Factores indicativos
6. El esfuerzo para mejorar la calidad se puede puntualizar como como un intento para
maximizar ____________ de un producto especfico
A. la respuesta
B. la relacin S/R
C. la varianza
D. la media
7. Clase de factores que afectan tanto la media como la varianza
A. Clase I
B. Clase II
C. Clase A
D. Clase B
8. Tcnica que ayuda a dar seguridad los criterios para determinar qu variables tienen
mayor influencia en la respuesta y.
A. Relacin S/R
B. Pareto
C. Pareto-ANOVA
D. ANOVA
9. En el marco de una situacin experimental, el anlisis de varianza de dos factores trata de
dos
A. Factores no controlados
B. Factores controlados
C. Factores de seal
D. Factores indicativos
343
10. La estructura del arreglo interno/externo en la que se combinan los factores de control y
las factores ruido, se asume como
A. Un ANOVA
B. Un DEE
C. Un experimento factorial completo
D. Un experimento predeterminado
PROBLEMAS
1. Se tiene un proceso que consiste en un moldeo por inyeccin donde intervienen los
siguientes factores:
Factores de control
A: Tiempo del ciclo
2 niveles
B: Temperatura del molde
2 niveles
C: Grosor de la cavidad
2 niveles
D: Presin de sostenimiento
2 niveles
E: Velocidad de la hlice
2 niveles
F: Tiempo de sostenimiento
2 niveles
G: Tamao de la entrada
2 niveles
Factores de ruido
H: % de repulverizacin
2 niveles
I: Contenido de humedad
2 niveles
J: Temperatura del ambiente
2 niveles
Respuesta:
% de encogimiento
Los datos que se obtuvieron despus de que se corrieron los experimentos estn contenidos
en la siguiente tabla:
No.
prueba
1
2
3
4
5
6
7
8
S/R,
, dB
Responda: i) Qu tipo de caracterstica es?; ii) Calcule la relacin S/R de cada corrida y complete
la columna (, dB); iii) Complete la tabla de respuesta, calcule la diferencia de los niveles,
identifique los efectos fuertes y elabore los grficos factoriales; iv) Determine la mejor combinacin
de niveles; v) Elabore la ecuacin aditiva (Opt.) para la prediccin de la respuesta de los niveles
ptimos.
344
Tabla de respuesta S/R
Factores
Niveles
1
2
Diferencia
Efectos fuertes
A
- 6.12
- 8.72
- 2.6
B
-7.76
-7.09
0.67
2. Se tiene un proceso para fabricar aluminio revestido con plstico donde intervienen los
siguientes factores:
Factores de control
Nivel 1
Nivel 2
A: Peso molecular
Bajo
Alto
B: Tipo de aluminio
I
II
C: Material de limpieza
Actual
Nuevo
D: Porcentaje de catalizador
Bajo
Alto
E: Presin de molido
Baja
Alta
F: Tiempo de reposo
Bajo
Alto
G: Temperatura de reposo
Baja
Alta
H: Tiempo luego del reposo
Bajo
Alto
I: Temperatura luego del reposo
Baja
Alta
Factores de ruido
M: Tipo de superficie
Rugosa
Lisa
N: Proveedor del plstico
I
II
O: Temperatura del metal
Baja
Alta
Respuesta: oposicin al desgarre del plstico
Los datos que se obtuvieron despus de que se corrieron los experimentos estn contenidos
en la siguiente tabla:
No.
prueba
1
2
3
4
5
6
7
8
9
10
11
12
e
11
1
2
2
2
1
1
1
2
1
2
21
S/R,
, dB
Responda: i) Qu tipo de caracterstica es?; ii) Calcule la relacin S/R de cada corrida y complete
la columna (, dB); iii) Complete la tabla de respuesta, calcule la diferencia de los niveles,
identifique los efectos fuertes y elabore los grficos factoriales; iv) Determine la mejor combinacin
de niveles; v) Elabore la ecuacin aditiva (Opt.) para la prediccin de la respuesta de los niveles
ptimos.
345
Tabla de respuesta S/R
Factores
Niveles
1
2
Diferencia
Efectos fuertes
C
32.4
32.4
F
31.4
33.4
I
32.2
32.6
3. Se tiene un proceso para que fabricar alambre cobre estaado donde intervienen los
siguientes factores:
Factores de diseo
Nivel 1
Nivel 2
Nivel 3
A: Configuracin de la tobera
Actual
Nuevo
B: Temperatura de secado
Baja
Media
Alta
C: Velocidad de la lnea
Baja
Media
Alta
D: Flujo
Bajo
Medio
Alto
E: Temperatura del metal
Baja
Media
Alta
F: Temperatura de enfriamiento
Baja
Media
Alta
G: Tipo de alambre
I
II
III
I: Tensin de la lnea
Baja
Media
Alta
Factores de ruido
M: Enrollado
2 niveles
N: Posicin dentro de la rosca
2 niveles
Respuesta: espesor del estaado
Especificaciones:
10.00 1.5 (codificado como 0.0001 pulgadas)
Los datos que se obtuvieron despus de que se corrieron los experimentos estn contenidos
en la siguiente tabla:
No. de
corrida
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
A
1
1
1
1
1
1
1
1
1
2
2
2
2
2
2
2
2
2
Factores de diseo
B C D E F G
1 1 1 1 1 1
1 2 2 2 2 2
1 3 3 3 3 3
2 1 1 2 2 3
2 2 2 3 3 1
2 3 3 1 1 2
3 1 2 1 3 2
3 2 3 2 1 3
3 3 1 3 2 1
1 1 3 3 2 2
1 2 1 1 3 3
1 3 2 2 1 1
2 1 2 3 1 3
2 2 3 1 2 1
2 3 1 2 3 2
3 1 3 2 3 1
3 2 1 3 1 2
3 3 2 1 2 3
H
2
3
3
1
2
3
1
2
1
2
3
2
3
1
2
3
1
Factores de ruido
M1
M2
N1
N2
N1
N2
6.0
8.0
7.6
9.8
2.0
3.0
5.0
5.0
9.8 10.6 10.6 11.0
12.4 11.6 10.4 13.6
6.0 10.0 9.8 12.4
2.0
5.0
5.8
7.2
11.6 8.4
8.2 10.0
5.6
5.8
6.4
6.0
22.0 14.8 18.8 23.0
15.2 17.6 13.2 20.6
10.4 7.4 10.8 11.8
11.0 15.8 12.4 19.6
1.0
7.0
3.2
8.4
10.4 19.2 15.8 18.2
10.0 14.0 11.2 13.0
3.0
4.0
3.6
4.2
10.2 12.4 11.8 14.0
15.4 16.6 13.2 14.8
UW
S/R,
dB
346
Responda: i) Qu caracterstica de calidad es?; ii) Identifique los factores de ajuste, los
factores que afectan la variacin y elabore los grficos correspondientes; iii) Determine los
mejores niveles para los factores.
4. En el proceso de perforacin de un producto, el sesgo en la perforacin es un dolor de
cabeza para los ingenieros. Para abordar esta anomala, los ingenieros consideraron un DEE
que estuvo compuesto de ocho factores de control y dos factores de ruido, los cuales se
asignaron a L18, como se describe,
Factores de control
A: Equipo de corte I
2 niveles
B: Equipo de corte II
3 niveles
C: Equipo de corte III
3 niveles
D: Velocidad de transporte
3 niveles
F: RPM
3 niveles
G: Cantidad de corte I
3 niveles
H: Cantidad de corte II
3 niveles
I: Cantidad del flujo de aceite
para el corte
3 niveles
Factores de ruido
U: tipo de arandela
2 niveles
V: Nmero de mquina
2 niveles
La distancia de perforacin objetivo es de 10 mm. Por lo tanto, la caracterstica de calidad
de inters es nominal es mejor. Los datos del experimento se concentran en la siguiente
tabla:
No. de
corrida
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
A
1
1
1
1
1
1
1
1
1
2
2
2
2
2
2
2
2
2
Factores de diseo
B C D E F G
1 1 1 1 1 1
1 2 2 2 2 2
1 3 3 3 3 3
2 1 1 2 2 3
2 2 2 3 3 1
2 3 3 1 1 2
3 1 2 1 3 2
3 2 3 2 1 3
3 3 1 3 2 1
1 1 3 3 2 2
1 2 1 1 3 3
1 3 2 2 1 1
2 1 2 3 1 3
2 2 3 1 2 1
2 3 1 2 3 2
3 1 3 2 3 1
3 2 1 3 1 2
3 3 2 1 2 3
H
2
3
3
1
2
3
1
2
1
2
3
2
3
1
2
3
1
Factores de ruido
U1
U2
V1
V2
V1
V2
8
7
16
15
10
11
16
10
11
6
11
13
3
12
7
11
5
2
13
6
8
15
10
15
8
3
3
2
9
15
14
8
8
3
6
7
12
15
14
15
14
20
15
8
16
12
16
15
16
14
17
19
12
10
17
10
15
7
4
12
7
6
8
6
6
13
14
14
17
16
14
11
Ti
UWV
Vi
Sni
S/R,
dB
= 10 K , y la sensibilidad
XV = 10 sK para cada corrida.
W M
K
CM
ii) Llevar cabo un Pareto ANOVA y el ANOVA para las relaciones S/R.
347
348
Referencias
Byrne, D., M. & Taguchi, S. (1986). The Taguchi Approach to Parameter Design, ASQC
Quality Congress Transactions, Vol. 40, No. 0, Anaheim, CA. May, pp. 168-177.
Phadke, M.S. (1989). Quality engineering using robust design. Englewood Cliffs, N.J.:
Prentice Hall
Taguchi, G. (1990). Introduction to Quality Engineering. Designing Quality into Products
and Processes. 7. reimp. Tokyo: Asian Productivity Organization.
Taguchi, G. (1993). Taguchi Methods. Designo of Experiments. Vol. 4. USA: ASI Press.
Joseph,V. R. & Wu, C. F. J. (2002). Performance Measures in Dynamic Parameter Design.
Journal of Japanese Quality Engineering Society 10, pp. 82-86. Disponible en:
http://www2.isye.gatech.edu/~jeffwu/publications/108.pdf Consultado el 10 de
febrero de 2016.
Holmes, D. S. & Mergen, A. E. (sfe). Signal to noise ratio. What is the right size. Disponible
en:
http://www.qualitymag.com/ext/resources/files/white_papers/SignaltoNoiseRatioWhat
istheRightSize-StochosInc.pdf Consultado el 10 de febrero de 2016.
Wu, Y. & Wu, A. (1997). Diseo robusto utilizando los Mtodos Taguchi. Madrid: Daz de
Santos.
Bae, S. J. & Tsui, K. L. (2006). Analysis of Dynamic Robust Design Experiment with
Explicit & Hidden Noise Variables. Quality Technology & Quantitative
Management
Vol.
3,
No.
1,
pp.
55-75.
Disponible
en:
http://web.it.nctu.edu.tw/qtqm/qtqmpapers/2006V3N1/2006V3N1_F4.pdf
Consultado el 10 de febrero de 2016.
Joseph, V. R. (2015). Taguchi's Approach to Robust Parameter Design: A New Perspective.
Disponible
en:
http://pwp.gatech.edu/roshan-vengazhiyil/wpcontent/uploads/sites/197/2015/09/Taguchi.pdf Consultado el 11 de febrero de
2016.
Ross, P. (1989). Taguchi Techniques for Quality Engineering. Singapore: McGraw-Hill.
Hunter, J. S. (1987). Signal to noise Ratio Debated. Quality Progress, May, pp. 7-9.
Statistica Help (sfe).Taguchi Methods: Robust Design Experiments - Signal-to-Noise (S/N)
Ratios.
Disponible
en:
http://documentation.statsoft.com/STATISTICAHelp.aspx?path=Experiment
al/Doe/Overview/TaguchiMethodsSignaltoNoiseSNRatios Consultado el 11 de
febrero de 2016
Kowalczyk, M. (2014). Application of Taguchi and ANOVA Methods in selection of
process parameters for surface roughnes in precision turning of titanium. Advances
in manufacturing science and technology. Vol. 38, No. 2, pp. 21- 35. DOI:
10.2478/amst-2014-0008.