1

CAPTULO 1. INTRODUCCIN A LA INGENIERA DE CALIDAD

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.

1.1 Qu es la ingeniera de calidad?

Antes de pensar la definicin ingeniera de calidad, de cuyo sentido estricto se
le conoce como diseo de parmetros de Taguchi o tambin algunos lo sintetizan como
Mtodos Taguchi, se intuye de que hay una relacin implcita de la actividad ingenieril y
el diseo de objetos que requiere clculos, pero sobre todo, que tiende a tomar en cuenta la
personalizacin del objeto y las escalas de la vida social. Por ello, para llegar a aquella
definicin, no es ocioso tener una idea bsica de lo que es la ingeniera, el ingeniero y la
calidad, porque hasta ahora no he conocido a alguien que no le interesara a alguna de estas
tres categoras.

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

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 (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

(2010). Asume un pensamiento crtico de la tcnica y de la funcionalidad del objeto. De

ste, habr que decir, nadie se preocupa por descubrir la compleja convergencia de mtodos
1

Engineering is Not science. Disponible en:

http://www.bu.edu/eng/about-us/dean/bio/essays/not_science.shtml Consultado el 10 de octubre de 2015

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

de fallas en campo, insatisfaccin y reclamos de los clientes y as sucesivamente. Este

enfoque expresa que el significado de la calidad est orientado hacia los costos.
W. E. Deming no define calidad, es importante sealarlo, en una sola frase. l cree
que la calidad de un producto o servicio slo lo puede definir el consumidor. Sin embargo,
de su libro Out of the Crisis (1986), se infiere que la calidad tiene que ver ms sobre las
personas que sobre el producto y es cauteloso cuando dice: La dificultad para definir
calidad es traducir en caractersticas medibles las necesidades futuras de los usuarios, por
lo que un producto puede ser diseado y proporcionar la satisfaccin esperada a un precio
que pagar el usuario. De esta prudente premisa se desprende que la calidad se compone
de dos dimensiones: a) un producto se ajusta a un conjunto de normas y; b) el producto
satisface los deseos y necesidades del consumidor.
La primera dimensin (inciso a) refleja la necesidad de la aplicacin de mtodos
cuantitativos basados en la teora estadstica mediante los cuales el producto tendr (i) un
grado predecible de uniformidad que resulta de la reduccin de la variabilidad, (ii) el costo
ms bajo y, (iii) la idoneidad para el mercado (Surez, 1992). Esto significa que, toda vez
de que se han definido las normas y diseado los estndares (parmetros), el siguiente paso
es asegurar que los proveedores se ajusten a tales normas y certificar que los componentes,
las materias primas y los productos que de ellos se derivan cumplan con los valores
objetivos. En esta etapa es donde adquieren especial relevancia los sistemas de
aseguramiento de la calidad que han sido desarrollados por la International Organization of
Standarization (ISO) en sus versiones ISO 9000, ISO 9001, o ISO 9002.
Estos sistemas son modelos que contienen un mtodo, definiciones e instrucciones
especficas que guan el aseguramiento de la calidad en el diseo y desarrollo de la
produccin, la instalacin y el servicio de los productos (posventa). No obstante, sin
menoscabo de la importancia de aquellos documentos, y por as convenir este texto, la
definicin de calidad se retoma de la norma ISO 8402 (1986) en la que se define como el
"conjunto de propiedades y caractersticas de un producto o servicio que le confieren su
aptitud para satisfacer unas necesidades expresas o implcitas." Concepto que mediante las
palabras conjunto de propiedades y caractersticas de un producto se aproxima a la
definicin que sobre la calidad expres G. Taguchi en el mismo ao (1986) que se acredit
la ISO 8402.

La calidad se hace patente dice G. Taguchi (1986) cuando un artculo desempea

sus funciones previstas sin variabilidad, y causa pequeas prdidas debido a los efectos
secundarios dainos, incluyendo el costo de su uso. Asimismo, explica que la calidad es
la prdida mnima generada por el producto a la sociedad desde el momento en que el bien
es embarcado. Como el lector ya se habr dado cuenta, el mtodo de Taguchi se enfoca, en
primer lugar, a la sociedad en general y al consumidor en particular; segundo, vigila el
desempeo o vida til del producto y; tercero, la prdida se calcula en unidades monetarias
(prdida econmica), siendo el dlar la moneda de uso corriente.

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,

predecir los problemas que podra

ocurrir en el mercado y orientar la investigacin y el diseo del producto, antes de entrar a

las etapas del proceso de produccin.

La ingeniera de calidad proporciona una nueva y eficiente tecnologa de diseo de

calidad para mejorar la productividad (Taguchi, 1993). Dado que la ingeniera de calidad
supone un mtodo y aplica contrastes de hiptesis se le define como una ciencia
interdisciplinaria que se ocupa no slo de la produccin de productos satisfactorios para los
clientes, sino tambin de la reduccin de la prdida total (costo de manufactura ms prdida
de calidad). La ingeniera de calidad implica el diseo de ingeniera, las operaciones de
procesos, los servicios post-venta, economa y estadstica (Park & Antony, 2008). Esta
suma de saberes y destrezas configuran una sinergia que eleva la ingeniera de calidad hacia
una forma especial de ingeniera del conocimiento.
Esto significa que la ingeniera de calidad se enfoca, primero, hacia la
funcionalidad de un sistema (funciones genricas), despus hace una evaluacin de sus
componentes de acuerdo con tres categoras de funciones factores seal, factores de
control y factores de error con vistas a lograr la optimizacin del sistema (Takeshita &
Hosokawa, 2007). Con base en estos dos niveles, la ingeniera de calidad tiene como
objetivo, por un lado, evaluar de los puntos buenos y malos de las diversas tecnologas que
participan en el proceso y, por el otro, agilizar el desarrollo del proceso de comercializacin
del producto. La herramienta que se usa para alcanzar aquella meta es el diseo estadstico
de experimentos (DEE) a travs del cual se disean productos ms robustos a los factores
de ruido.

1.2 Ingeniera de calidad y diseo de experimentos

Siguiendo las definiciones previas de ingeniera de calidad se deja entrever la
necesidad de aplicar el conocimiento cientfico, ms que el sentido comn, para lograr un
producto seguro. De acuerdo con el argumento de T. S. Kuhn (1971) en el que seala que
la evolucin de la teora cientfica no proviene de la mera acumulacin de hechos, sino de
un grupo de circunstancias y posibilidades intelectuales sujetas al cambio, esto hace
suponer que la ingeniera de calidad (IC) pareciera seguir le evolucin natural del DEE, la
aparicin de nuevas reas y proceso industriales, las necesidades de la sociedad, el
descubrimiento de nuevos materiales, el desarrollo de software estadstico y el progreso
tecnolgico.

Los fundamentos de la ciencia del diseo estadstico experimental fueron

desarrollados por Ronald A. Fisher y Frank Yates (1935) durante la primera mitad del siglo
XX (Speed, 1990) a los que se asoci una tcnica de anlisis de datos que se le conoce
como anlisis de varianza (ANOVA) (Phadke, 1989)). Estas tcnicas estadsticas son los
pilares sobre los que se sostiene y evoluciona la ingeniera de calidad, cuyos enfoques
metodolgicos fueron desarrollados, dcadas despus, por G. Taguchi (Taguchi, 1986;
Taguchi & Konishi, 1987) inspirado en los principios de los DEE, especialmente en los
diseos ortogonales y cuadrados latinos que ya se haban planteado durante los aos 20 a
los aos 40 del siglo XX.
La relacin que existe entre la ingeniera de calidad y los diseos de experimentos
consiste en que la primera tiene su origen en los segundos. El momento de transicin se dio
cuando hubo la necesidad de conciliar la ingeniera y la calidad. Durante este perodo, el
DEE se circunscribi slo para las aplicaciones en ingeniera de calidad, la cual se asume
como una metodologa para resolver problemas de productos y procesos industriales. En
esta etapa el uso y prctica de la experimentacin no slo signific una prioridad, sino que
tambin se plantearon los siguientes propsitos:

reducir el tiempo para disear/desarrollar nuevos productos y procesos

mejorar el rendimiento de los procesos existentes

mejorar la fiabilidad y el desempeo de los productos

mejorar la robustez del producto y de los procesos

llevar a cabo la evaluacin de los materiales, de las alternativas de

diseo, de los ajustes de las tolerancias del sistema y los componentes,
etc.2

La dcada de los aos 60 se define como el momento, al menos para Japn, en el

que comienza el mejoramiento de la calidad. La industria automotriz japonesa adopt los
procedimientos de control estadstico de calidad, al mismo tiempo que llevaba a cabo
experimentos para elevar el desempeo de los componentes. Es decir, fue el comienzo de
la era del control estadstico de la calidad y el diseo de experimentos. En esta etapa G.
Taguchi descubri y public muchas de las tcnicas que ms tarde fueron tradas a
2

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

Ver curso citado

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

Las funciones probadas de un producto es un acervo de tcnicas especficas

documentadas que se pueden aprovechar para generar otros productos que tengan como
sustento aquellas funciones. Esto es lo que se define como desarrollo de tecnologa robusta,
la que se explica, en las voces de G. Taguchi y su colegas (2005), como un enfoque
revolucionario para el diseo de productos. La idea es desarrollar una familia de bienes de
manera que los esfuerzos de desarrollo no tengan que ser repetidos para los futuros
productos de la misma familia. La clave de este amplio proceso es la funcin genrica que
es la misma para todos y cada uno de los bienes.
Si una empresa ha identificado la funcin genrica de la gama de productos que
elabora, entonces tiene la oportunidad de maximizar su robustez de manera que, ante la
posibilidad de crear un producto nuevo, lo que le queda por hacer es ajustar la salida. Dicho
de otra manera, la optimizacin de una funcin genrica se puede iniciar en el laboratorio
de investigacin antes de pasar a la planificacin de productos. Dado que no existen
productos reales, una funcin genrica se puede estudiar usando piezas de ensayo que son
ms fciles de preparar y menos onerosas (Taguchi, et al, 2005). Durante la preparacin y
conduccin de los experimentos no slo se deben tomar en cuenta las condiciones de ruido,
sino que tambin las conclusiones que se obtengan de aquellas pruebas que sean
reproducibles aguas abajo. Se entiende como aguas abajo la produccin en gran escala.
Para comprobar la reproducibilidad y robustez se utilizan la relacin de S/R (S/N por sus
siglas en ingls) y el arreglo ortogonal (AO).
En resumen el desarrollo de la tecnologa robusta es una estrategia ideal de
optimizacin de la ingeniera utilizada para el desarrollo de nuevas tecnologas en las reas
de diseo de productos y del proceso. (Taguchi, Chowdhury, & Taguchi, 2000). Y una de
sus mayores ventajas es que reduce de manera significativa el tiempo del ciclo de desarrollo
del producto. Condicin que, para la empresa, significa minimizar costos y presentar su
nuevo producto en el mercado, antes que sus competidores. Visto de otra manera, la
tecnologa robusta es la base para el diseo robusto que se define como una "metodologa
de ingeniera para mejorar la productividad durante la investigacin y desarrollo, de tal
manera que se puedan producir de forma rpida y a bajo costo productos de alta calidad
(Phadke, 1989).

11

La metodologa del diseo robusto es un mtodo de control de calidad fuera de

lnea que se aplica en la etapa del diseo del producto y del proceso para mejorar la
manufactura y la fiabilidad del producto. Sobre todo, que ste sea insensible a las
cambiantes condiciones del ambiente y las variaciones de los componentes. La suma de
estos controles es un diseo robusto, un diseo que tiene sensibilidad mnima a las
variaciones de los factores no controlables.

1.4 Qu es la seal-ruido, (S/R)?

La seal ruido (S/R) es una escala de medicin que se ha utilizado en la industria
de la comunicacin por algo ms de un siglo. 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. En este caso, la magnitud de la voz
es la seal de entrada, y la voz recibida es la salida (Taguchi, et al, 2005). En ingeniera de
calidad se calcula como un ndice para medir la robustez de la calidad. Este ndice muestra
la magnitud de la interaccin entre un factor de control y los factores de ruido (Taguchi,
1993).
La relacin S/R es una de las principales aportaciones de G. Taguchi para el
anlisis de datos que tienen que ver con el diseo y mejoramiento de la calidad de los
productos y desempeo de los procesos. La relacin S/R es una terminologa que se utiliza
en ingeniera de comunicaciones para describir la relacin entre la seal y el ruido de un
circuito. En ingeniera de calidad se utiliza para medir la calidad en trminos del recproco
de la variabilidad por unidad.(Taguchi, 1993). Esta relacin se mide en decibeles (dB).
Conceptualmente, se explica como la relacin de seal a ruido en trminos de potencia.
Otra forma de verla es que representa la relacin entre la sensibilidad y la variabilidad
(Taguchi, et al, 2005).
Esta relacin se muestra como


/
=



   

=
=


  


12

la cual, Taguchi, et al (2005), la explican como la proporcin de la sensibilidad a la

variabilidad elevada al cuadrado. Por lo tanto, concluyen su inversa es la varianza por
unidad de entrada. Significa, entonces, que cuanto mayor sea la relacin de S/R, mejores
sern los niveles de calidad. Este modelo, en la funcin de prdida, ayuda explicar por qu
la prdida es proporcional a la varianza.
La relacin S/R, como ya se explic muy brevemente ms arriba, fue desarrollada
por G. Taguchi y se interpreta como una medida de desempeo para elegir los mejores
niveles de control para hacer frente al ruido (Phadke, 1989; Bryne & Taguchi, 1987). La
relacin S/R es una herramienta clave para el anlisis de los resultados del diseo de
experimentos ejecutado con base en los arreglos ortogonales que contienen los factores de
control y factores de ruido seleccionados. Esto es, las relaciones S/R se utilizan como
ndices para comparar las diferencias que se denotan tambin como relaciones S/R que
surgen entre los niveles del factor de control.
Los factores de ruido se entienden como las fuentes indeseables e incontrolables
que pueden causar desviacin de los valores de las caractersticas funcionales del producto
con respecto al valor objetivo. De acuerdo con el contexto en que se manifiesten y cmo se
aborden, estos factores se clasifican en tres tipos de ruido: ruido externo, ruido interno y
ruido de unidad a unidad. En resumen, la relacin S/R combina tanto la varianza del
desempeo predecible y la varianza del desempeo impredecible en una sola medida
(Kapur & Chen, 1988), dentro de la cual se concentra los efectos combinados de aquellos
factores.

1.5 Dnde se pueden usar las relaciones S/R?

Para tener una idea del contexto en donde es posible aplicar las relaciones S/R es
pertinente asumir que para estas acciones se requiere tener un sistema de medicin. Este
sistema comprende un grupo de instrumentos o calibres, estndares, operaciones, mtodos,
dispositivos, software estadstico, operarios, personal administrativo, medio ambiente y
supuestos que se requieren para valorar una determinada caracterstica y acotar su valor
objetivo. Es decir, es una sucesin de mediciones que puede ser vista como un proceso de
manufactura que produce nmeros (datos) para medir el palpitar de las etapas de la
produccin.

13

Hasta este momento poco se ha mencionado la palabra optimizacin. Sin embargo,

la ingeniera de calidad o el mtodo Taguchi trata los problemas de optimizacin de la
calidad, mediante las relaciones S/R en dos modos: i) modo no dinmico (esttico) y; ii)
modo dinmico. Estas dos categoras ayudan a identificar los contextos en los que se
pueden usar las relaciones S/R. En uno y otro caso, teniendo como referencia un sistema
de medicin (figura 1.1), lo que se estudia es la relacin de entrada-salida. El valor
verdadero del objeto es la entrada, y el resultado de la medicin es la salida. En un
buen sistema de medicin, el resultado de sta debe ser proporcional al valor verdadero; as,
la relacin de entrada/salida debe ser lineal. (Taguchi, et al, 2005). En tal sentido, la
intensidad de la pendiente de la lnea recta tiene una especial lectura porque se relaciona
con la magnitud de la variabilidad.

Fig. 1.1 Localizacin y variacin del proceso

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

El sesgo es la diferencia entre el promedio de mediciones observadas y el valor objetivo (target).

14

caracterstica de solo un objeto (Taguchi, et al, 2005) Estas mismas limitaciones se

identificaron, tiempo despus, en la industria automotriz.

Fig. 1.2 Sesgo y variacin

El sistema de medicin que se aplicaba en la industria automotriz estuvo enfocado

a tres aspectos: repetitividad, reproductibilidad y estabilidad. La primera es la variacin
que se origina cuando la misma persona mide repetidamente la misma muestra; la segunda
es la variacin que se genera cuando diferentes personas miden la misma muestra y la
tercera es la variacin que se produce cuando la misma persona mide la misma muestra
repetidamente en diferente tiempo. Estos tres tipos de variacin, dice Taguchi, et al (2005),
pertenecen a una sola categora: el ruido. Es decir, es la variacin causada por el ruido.
Esto significa que todo esfuerzo para localizar las causas de la variacin para mejorar la
calidad en un sistema de medida, mediante la repetitividad, reproductibilidad y estabilidad,
aunque tenga sus mritos, no es un esfuerzo integral.
No obstante las acciones repetitividad, reproductibilidad y estabilidad, cada una
en sus respectivas dimensiones, identifique, elimine o reduzca las causas de la variacin,
tales operaciones seguirn siendo parciales en el sentido que lo que se controle en una, en
otra no podr serlo. Esta actividad, en ingeniera de calidad, se le considera como diseo de
tolerancias puesto que trata con ruido (Wu & Wu, 1997), para lo cual se debe seguir una
secuencia. Asimismo, un buen sistema de medicin debe ser tambin sensible a diferentes
entradas (ya que se miden diferentes objetos); por lo tanto, la pendiente que muestra la
relacin de la entrada/salida debe ser empinada y, por supuesto, la variacin debe ser
pequea (Taguchi, et al., 2005).
Por ende, cuando se utiliza la relacin S/R para evaluar un sistema de medicin se
combinan, en un solo ndice, tres elementos: sensibilidad, la pendiente (linealidad), y la

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:
 !" #/ =

$%
&%

La caracterstica de esta razn se basa en que, si el diseo de un producto tiene un valor

objetivo fijo, no hay necesidad de ajustarlo cada vez que el operario tenga una
corazonada.
No hay que perder de vista que el diseo del producto (o proceso) se compone de
varios factores de control, los cuales determinan directamente el objetivo o valor deseado
de la salida. Por lo tanto, la optimizacin consiste en seleccionar los mejores niveles de los
factores de control para que la salida coincida con el valor del objetivo. Tal problema se le
identifica como "problema esttico"6 Esta razonamiento se representa en el diagrama P
(Fig. 1.3), donde P significa proceso o producto

Ver el artculo Introduction to Taguchi Method Disponible en:

https://www.ee.iitb.ac.in/~apte/CV_PRA_TAGUCHI_INTRO.htm Consultado el 23 de agosto de 2015

16

Fig. 1.3 Diagrama P para problemas estticos

Fuente: tomado y traducido de Introduction to Taguchi Method
https://www.ee.iitb.ac.in/~apte/CV_PRA_TAGUCHI_INTRO.htm

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

dinmico".7 Esta condicin se describe en el diagrama P (Fig. 1.4), mediante el cual se

seala que el principal objetivo de los experimentos llevados a cabo por el mtodo Taguchi
es conseguir una mejor linealidad en la relacin entrada/salida (relacin S/R). Es decir, se
trata de reducir al mnimo las variaciones en la salida, incluso aunque el ruido est presente
en el proceso.

Fig. 1.4 Diagrama P para problemas dinmicos

Fuente: tomado y traducido de Introduction to Taguchi Method
https://www.ee.iitb.ac.in/~apte/CV_PRA_TAGUCHI_INTRO.htm

Los dos diagramas P anteriores contienen tres tipos principales de factores:

factores de seal (M), factores de control (Z) y factores de ruido (X). Aunados a ellos,
subyacen los factores de escala (R) y los factores de nivel (D), que son factores de control
para casos especiales (Fig. 1.5). Todos ellos en mayor o menor medida contribuyen a
desviar la respuesta del valor objetivo que se intenta alcanzar (Belavendram, 2012).

Fig. 1.5 Diagrama P y los factores control y ruido

Ver el artculo Introduction to Taguchi Method loc. cit.

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.

1.6 Conceptos de relaciones S/R

Los conceptos se elaboran a partir de las experiencias y evidencias empricas, las
cuales se someten a tcnicas estadsticas de contraste y cuyos resultados se regresan para

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

Fig. 1.6 Sistema de medida S/R pasiva

Fuente: Tomado de Wu & Wu, 1997, p. 17

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

Fig. 1.7 Sistema de medida S/R activa

Fuente: Tomado de Wu & Wu, 1997, p. 17

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.

1.7 Beneficios del uso de las relaciones S/R

El andamiaje conceptual de la ingeniera da calidad destaca que uno de sus objetivos
principales es minimizar la variabilidad de las caractersticas funcionales del producto o del
proceso con respecto al valor objetivo. La relacin S/R es un ndice que mide el impacto de
los factores de ruido sobre el desempeo del producto o del proceso, de manera tal que se
convierte en una guia para tomar las contramedidas hacia cada una de las causas que
generan la variacin. Con base en la naturaleza prctica que subyace en las relaciones S/R y
su enfoque directo para resolver los problemas son razones para elegir su uso. De ser as, se
podran alcanzar 7 beneficios:
1. Apoyo para la evaluacin econmica de la variacin.
La relacin S/R es inversamente proporcional a la funcin de prdida. Dicho de otra
manera, la funcin de prdida es proporcional a la varianza.
2. Simplificacin del clculo de las interacciones.
Cuando existe una interaccin significativa entre un factor de control y un factor de
ruido, significa que los diferentes niveles de un factor de control se comportan de
manera diferente bajo los factores de ruido. Esto expresa que hay una posibilidad de
mejorar la robustez. Tal mtodo de estudio se le llama diseo directo del producto.
Mediante el uso de la relacin S/R, estos clculos ya no son necesarios. En su lugar,

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.

3. Logro del diseo robusto eficiente

El uso de la relacin S/R permite al ingeniero maximizar la robustez tan solo con
seleccionar los niveles de los factores de control que le dan la relacin S/R ms
grande, y donde muchos factores de ruido, usualmente, se componen en uno solo. El
xito de esta accin es la robustez. El paso siguiente es ajustar la media al valor
objetivo mediante el ajuste de nivel del factor de control; es decir, del factor que
tiene un efecto mximo sobre la sensibilidad y un efecto mnimo sobre la robustez.
De esta manera la eficacia de la investigacin se puede mejorar por un factor de 10,
100 o 1000.
4. Ajuste eficiente o calibracin
La linealidad, uno de los tres elementos claves en la relacin S/R, es muy
importante para simplificar el ajuste del diseo o del producto y para la calibracin
de los sistemas de medicin. Dado que la relacin entre el valor de una relacin de
S/R y la linealidad es tan simple y clara, entonces el ajuste de la salida de los
sistemas de control y de calibracin de los sistemas de medicin es ms fcil que
cuando se utilizan los mtodos tradicionales. Cuando la relacin de entrada/salida
no es lineal, la desviacin desde la linealidad se evala como el error, despus de la
descomposicin de la variacin. Por lo tanto, la relacin S/R decrece. Lo contrario
es cierto, esto es, si mejora la linealidad, entonces la relacin S/R crece.
5. Evaluacin eficiente de los sistemas de medicin
En un sistema de medicin, hay dos tipos de calibracin: calibracin punto-cero y
calibracin de la pendiente. La calibracin punto-cero se utiliza para calibrar la
salida a cero cuando la entrada es igual a cero (cuando nada se mide). Calibracin
de la pendiente se utiliza para calibrar la entrada/salida (pendiente) a 1. Dado que la
pendiente de la entrada/salida se convierte en 1, el inverso de la relacin S/R es
igual a la varianza del sistema de medicin. Dicha estimacin se puede realizar sin
llevar a cabo la calibracin fsica. Esto mejora, en gran medida, la eficiencia en la
optimizacin del sistema de medicin.

22

6. Reduccin del tiempo del ciclo de desarrollo del producto y el proceso

Una relacin S/R se define y se calcula sobre la base de la funcin ideal de un
producto o proceso. Cuando la relacin de entrada/salida de la funcin ideal se
relaciona con la energa, los efectos del factor de control son acumulativos (aditivo).
Varios estudios de casos han demostrado que el uso de las relaciones S/R con base
en la funcin ideal y que se relacionan con la entrada/salida de la transformacin de
la energa permite evitar la interaccin entre los factores de control. Esto significa
que las conclusiones obtenidas en un estudio de laboratorio a pequea escala se
pueden reproducir aguas abajo en un proceso de fabricacin a gran escala y en el
mercado. Es por ello que el uso de la relacin S/R dinmica puede reducir el tiempo
del ciclo de desarrollo del producto/proceso.
7. Investigacin eficiente para un grupo de productos: desarrollo de tecnologa
robusta
Tradicionalmente, cada vez que se planifica un nuevo producto se debe realizar la
investigacin correspondiente. Pero para un grupo que tiene la misma funcin
dentro de un cierto rango de salida, sera un desperdicio (tiempo y dinero) llevar a
cabo investigaciones muy especficas para cada producto. En cambio, si se pudiera
establecer una relacin S/R apropiada basada en la funcin ideal de un grupo de
productos y maximizarla, el diseo de un producto especfico, con un determinado
valor objetivo de salida, se obtendra con ms facilidad, mediante el ajuste de la
seal de entrada. Este enfoque, que se le conoce como desarrollo de tecnologa
robusta, es un soporte estratgico para la ingeniera de calidad.

1.8 Evaluacin de la capacidad del proceso

La relacin S/R es un ndice que mide la proporcin de la media a la variacin. La
capacidad del proceso es un ndice que predice la capacidad del proceso. La relacin S/R es
inversamente proporcional a la funcin de prdida. Dicho de otra manera, la funcin de
prdida es proporcional a la varianza. La capacidad del proceso tiene una significativa
relacin con la tasa de rechazos y prdidas. El punto de convergencia de uno y otro ndice
son la tasa de rechazos y los defectos de los productos; es decir, aquellos que se distancian
o desvan del valor objetivo. Y como sugieren Hsiang & Taguchi (1985) cualquier

23

desviacin de la caracterstica de calidad de los objetivos da lugar a una prdida monetaria

tanto para el cliente, como para la sociedad.
La medicin de una caracterstica de calidad cuanto ms lejos se encuentre del
valor objetivo, cuanto mayor es la prdida monetaria. A partir de esta consideracin, hay
una aceptacin general de revisar los ndices de capacidad de procesos que si bien tienen
como objetivo cuantificar la capacidad de un proceso para lograr una determinada
caracterstica de calidad (X) y que cumpla con algunas especificaciones, esta condicin es
perceptible solo si el proceso est en control estadstico (Maiti, Saha & Nanda, 2010).
Esto resulta razonable, toda vez de que no haya cambios irregulares tanto en el mismo
proceso, como en el nivel de calidad. Dicho de otra manera, la capacidad del proceso de
medicin est determinada por la variacin total causada por razones aleatorias que
influyen en el proceso.
De acuerdo con la filosofa y el enfoque del control de calidad, los ndices de
capacidad de cualquier proceso se pueden dividir en ndices de capacidad de primera
generacin e ndices de segunda generacin (Kurokov, 2001). Los diseos de los ndices
de capacidad de procesos de la primera generacin (Cp, Cpk) se basan en la filosofa clsica
del control estadstico de procesos. De acuerdo con esta filosofa todos los resultados de la
medicin que se encuentren dentro del intervalo de tolerancia requerido estn destinados a
ser buenos. Las mediciones que estn fuera de aquel intervalo se les considerarn malas.
La relacin entre la variabilidad del proceso y las tolerancias se puede formalizar a
travs de la desviacin estndar,, del proceso (Oakland, 2003). Con el propsito de
manufacturar dentro de la especificacin, la distancia entre el lmite superior de
especificacin (LSE) o tolerancia superior (+T) y el lmite inferior de especificacin (LIE)
o tolerancia inferior (-T), i.e (LSE - LIE) o 2T debe ser igual o mayor que la amplitud de la
base de la campana del proceso, i.e. 6. Como se muestra en la figura 1.8.

24

Figura 1.8. Capacidad del proceso

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

Figura 1.9. Tres niveles de precisin del proceso

i)

Precisin relativa alta: la banda de la tolerancia es mucho ms grande que 6

(2T > 6) (Fig. 9a).

ii)

Precisin relativa media: la banda de la tolerancia es justo mayor que 6 (2T >
6) (Fig. 9b).

iii)

Precisin relativa baja: la banda de la tolerancia es menor que 6 (2T < 6)

(Fig. 9c).
El ndice de capacidad de proceso de segunda generacin Cpm, tambin llamado

ndice Taguchi, se est imponiendo como un nuevo enfoque para el mejoramiento de la

calidad. Esta gua seala que no es suficiente conocer que las mediciones sean buenas, es
decir, que se hallen dentro del intervalo de tolerancia, sino lo ms importante es tener
conocimiento de qu tan buenas son. El ndice de capacidad de proceso Cpm o ndice
Taguchi se define como la capacidad para agruparse alrededor del valor objetivo o valor
nominal, el cual es la medida que satisface el valor exacto deseado para la caracterstica de
calidad (envar & Tozan, 2010). Esto es, el ndice Taguchi explica la variabilidad de la

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

donde es la raz cuadrada de la desviacin elevada al cuadrado esperada con respecto al

objetivo T. El valor objetivo T, el cual es la medicin que satisface el valor deseado exacto
para la caracterstica de calidad, se conoce para que sea el punto medio del intervalo de
1
/ = ),* + )
*
2

especificacin. El objetivo T se evala de la siguiente manera:

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 /=


Cpm se aproxima asintticamente a cero cuando - T . Al mismo tiempo, es muy

importante subrayar que cuando Cpm > 1 indica que potencialmente no se producirn
unidades defectuosas. Adems, por su propio origen este ndice se enfoca hacia el valor
objetivo y no hacia los lmites de especificacin.
Cuando los parmetros son desconocidos, esto es, cuando la media del proceso y
la desviacin estndar se desconocen, la primera se puede reemplazar por la media de la

muestra 6 y la desviacin estndar s para estimar la media del proceso y la desviacin

27

estndar , respectivamente. La frmula para estimar el ndice de capacidad del proceso

Cpm es, entonces

Donde,  =

'?
(0 =

A BC
D

?(
'

1 +  

Aunque algunos estudiosos de la calidad sealan que un ndice de capacidad de

proceso es ms fiable y adecuado si se enfoca en los porcentajes de rechazo o de prdidas
reales (Abdolshah, et al. 2010). La tarea tpica consiste en observar que la tolerancia natural
del proceso, que es 6, se encuentre dentro de los lmites de especificacin (Kane, 1986),
como se muestra en la siguiente figura 1.10.

Fig. 1.10 Relacin de los parmetros Cp

Fuente: tomado y adaptado de Kane V. E 1987, p. 42

La evaluacin consiste en definir y relacionar la dispersin permisible del proceso

(parte de la tolerancia) con la dispersin real del proceso (tolerancia natural) como se
describe en la figura 6, donde LSE = lmite superior de especificacin, LIE = lmite inferior
de especificacin y TN = tolerancia natural. El ndice de potencial del proceso es
'( =

EF FG  F

EF   F
'( =

)
* ),*
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).

Fig. 1.11 ndices Cp para la variacin de la amplitud de la distribucin del proceso

Fuente: tomado y adaptado de Kane V. E 1987, p. 43

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.

Fig. 1.12 Funcin de prdida y los valores de ndice Cp

Fuente: Tomada y adaptada de Saderra, 1993, p. 36

El ndice de capacidad de proceso igual a 1 (Cp = 1) es un parte de aguas. Valores

por debajo de 1 el proceso no es capaz y, como consecuencia, la prdida de calidad ser
elevada; asimismo la funcin de prdida. Valores por arriba de 1 la prdida de calidad es
decreciente. El mismo sentido tiene la funcin de prdida. Por lo tanto, estudiar la funcin
de prdida es evaluar la capacidad del proceso (Cp), tambin. Esto es, una funcin de
prdida elevada, significa un proceso no capaz; una funcin de perdida mnima, expresa un
proceso capaz. Tarea que se ver en el prximo captulo.

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?_______________
_________________________________________________________________________
_________________________________________________________________________
_________________________________________________________________________

4. aquellas caractersticas que proporcionan la satisfaccin del cliente y que se ajustan a

sus necesidades. Es la definicin de calidad dada por:
A) W. E. Deming
B) K. Ishikawa
C). G. Taguchi
D). Juran & Godfrey

31

5. La calidad de es la prdida mnima generada por el producto a la sociedad desde el

momento en que el producto es embarcado.
A) W. E. Deming
B) K. Ishikawa
C). G. Taguchi
D). Juran & Godfrey
6. La ingeniera de calidad se define como
A) un mtodo estadstico para predecir y prevenir soluciones 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.
B)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.
C) una ciencia para analizar y discutir las soluciones 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.
D) Ninguna de las anteriores
7. La ingeniera de calidad implica el diseo de ingeniera, las operaciones de procesos, los
servicios post-venta, economa y estadstica.
A) Cierto
B) Falso
C) Relativamente cierto
D) Relativamente falso
8. La ingeniera de calidad se diferencia de los diseos de experimentos clsicos por la
forma novedosa de presentar y operar el
A) DEE
B) diseo de arreglo cruzado
C) ANOVA
D) Ninguno
10. Es una de las principales tcnicas que diferencia la ingeniera de calidad y los DoE.
A) ANOVA B) matrices ortogonales
C) la varianza
D) oriental/occidental
11. Es la extensin de nuestra capacidad humana para satisfacer nuestras necesidades o
deseos.
A) calidad
B) educacin
C) sociedad
D) tecnologa
12. Es una estrategia ideal de optimizacin de la ingeniera utilizada para el desarrollo de
nuevas tecnologas en las reas de diseo de productos y del proceso.
A) tecnologa robusta
B) estadstica
C) ingeniera
D) optimizacin

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

16. Es el modelo mediante el cual se representa la relacin S/R

A)

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

23. Es el punto de convergencia entre la relacin S/R y la Cp.

A) La tolerancia natural
B) El sesgo
C) La tasa de rechazos y los defectos de los productos
D) El control estadstico del proceso
24. La relacin entre la variabilidad del proceso y las tolerancias se puede formalizar a
travs de
A) La media del proceso
B) La desviacin estndar del proceso.
C) La distancia entre el LSE y el LIE
D) Ninguno
25. La banda de la tolerancia es mucho ms grande que 6 (2T > 6). Se refiere a
A) La distribucin normal y las tolerancias
B) La distribucin normal y las desviaciones
C) La campana del proceso y la especificacin del producto
D) La precisin relativa alta.
26. Es la capacidad para agruparse alrededor del valor objetivo o valor nominal, el cual es
la medida que satisface el valor exacto deseado para la caracterstica de calidad.
B) Cpk
C) Cpm
D) Ninguno
A) Cp
27. Son definidos como una combinacin de materiales, mtodos, equipos y personas que
se dedican a producir productos medibles.
A) Procesos
B) ndices de capacidad de procesos
C) ndices de complejidad
D) Optimizacin
28. Porcentaje que abarca la distribucin, dentro del intervalo de tolerancia LSE - LIE,
cuando el denominador es 10 y el ndice Cp = 1.66.
A) 50%
B) 60%
C) 70%
D) 100%
29. La funcin de prdida se relaciona con los valores del ndice Cp segn sean las
magnitudes de las desviaciones.
A) Cierto
B) Relativamente cierto
C) Relativamente falso
D) Falso
30. Un proceso no capaz, significa una funcin de prdida
A) No sensible
B) Equilibrada
C) Elevada

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

CAPTULO II. ANLISIS DE LA INFORMACIN Y DEL ESFUERZO DE

MEJORA DE LA CALIDAD
Introduccin
Antes de abordar los retos que implica la calidad del diseo, que no es lo mismo de la
calidad de conformidad, es necesario conocer cmo analizar la informacin de la calidad,
de la cual se desprende la toma de decisiones para el mejoramiento de la misma. Como ya
se explic en el captulo anterior, la informacin es un recurso que otorga significado o
sentido a la realidad, ya que mediante cdigos y conjuntos de datos, da origen a los
modelos de pensamiento humano. En el caso de la ingeniera de calidad, la realidad se
compone del estado de los procesos, el desempeo de los productos que son afectados,
ambos, por la variacin. De sta se han elaborado modelos con el afn de no slo
controlarla, sino sobre todo, reducirla. Uno de los modelos ms usuales es el ndice de la
capacidad de procesos (Cp).
2.1 Tres indicadores
La capacidad del proceso, como ya se analiz en el ltimo inciso del captulo
anterior, mide la variacin total en la salida del proceso, cuyos resultados los confronta con
las especificaciones predeterminadas de calidad. Es decir, los datos que arroja la salida del
proceso informan si ste es capaz de cumplir con las especificaciones (Park, 1996). Para
llevar a cabo la evaluacin de la capacidad del proceso se tienen tres indicadores: la
fraccin defectuosa, el ndice de la capacidad del proceso y la funcin de prdida. Estos
tres indicadores, siguiendo la teora de la informacin, no slo son un sistema de
comunicacin sino que tambin pueden trasmitir informacin, al mismo tiempo que ayudan
separar las seales de ruido.

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

defectuosa, lo cual se interpreta como la mejor calidad obtenible y, como consecuencia, se

asume que el proceso es capaz (Hansen & Ghare, 1990). En este sentido, lo que se busca es
no slo calcular p, sino sobre todo, controlar su magnitud.
La manera de calcular p sigue la siguiente relacin
'F  F =

HG    R 

HG    F  F

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.

ndice de capacidad de proceso

En el captulo anterior se explic que los ndices de capacidad de procesos se
clasifican en ndices de primera y segunda generacin. Para efectos de abordar el tema
central que es, sobre todo, la funcin de prdida, slo se hace una breve descripcin de los
ndices Cp y Cpk. La eleccin entre Cp y Cpk depende de si el proceso est centrado (es decir,
si la media se encuentra en el punto medio de la especificacin) o si la especificacin es
bilateral (dos colas) o unilateral (de una sola cola, con slo un mximo o mnimo).
El ndice de Cp se debe utilizar slo si el proceso est centrado y la especificacin es
bilateral, como se muestra en la figura 2.1. El ndice de Cp se define como
'( =

)
* ),*
/  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

Sin embargo, si se usa un grfico de control 6
, en el cual hay k subgrupos de tamao n,

se puede estimar mediante
donde
W =

[K
X

 =

W


, y
V es el rango de cada subgrupo y d2 es un valor constante que depende

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)

Fuente: Park, 1996, p. 13

Fuente: Park, 1996, p. 13

40

Observe que cuando el Cp = 1.33 la distribucin de 6 del proceso abarca hasta el

75 % del rea de la tolerancia. Por lo tanto, si el proceso cambiara ligeramente, existe una
alta probabilidad de que no va a producir productos fuera de especificaciones. Si el proceso
no est centrado, como se muestra en la figura 2.3,

Fuente: Park, 1996, p. 14

se debe utilizar el Cpk que se define por

'(\ = min`'(a , '(c d

Donde

'(a =

)
* 8
3

'(f =

8 ),*
3

Si el proceso est centrado, entonces '(a = '(c y '( = '(\ . De lo contrario,

'( > '(\ . Este ltimo tambin se puede definir como

Donde k es el nivel de sesgo,

'(\ = 1 h'(

i =

|k 8|
)
* ),*l
2

41

En el cual es la media del proceso y M es el punto medio de la especificacin. El Cpk

tambin se puede utilizar en las especificaciones de un solo lado. Si la especificacin es un
mximo, se debe usar Cpk = Cpu. Si la especificacin es un mnimo, usar Cpk = Cpl.
Otra forma de evaluar el Cp para producir dentro de especificaciones, dice
Escalante (2006) es comparar el ancho de la especificacin con el ancho del proceso. La
figura 2.4 muestra la representacin grfica de los lmites de especificacin de un proceso
por medio de una distribucin simtrica.

Figura 2.4. Ancho de la especificacin y ancho del proceso

Fuente: Escalante (2006)

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.

2.2 La funcin de prdida

El ciclo de vida de un producto se divide en dos partes principales: antes de la
venta y despus de la venta al consumidor. Todos los gastos incurridos antes de la venta del
producto se aaden al costo unitario de manufactura (cum), mientras que todos los costos
efectuados despus de la venta se agrupan como prdida de calidad (Phadke, 1989).
Taguchi (1986) define a esta ltima como la prdida que un producto causa a la sociedad
despus de que ha sido embarcado. Si la calidad se le explica de esta manera, entonces

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

batera de 9 voltios, la medida de la calidad ha de tener la caracterstica de calidad nominal

es mejor. Algunas mediciones de calidad i.e. el escape de radiacin del horno
microondas empeoran en la medida que aumenta la fuga. La medida de esta propiedad se
ha de realizar bajo la caracterstica de calidad menor es mejor. Para otras medidas, como
aquellas que su valor se hace ms grande por ejemplo, la fuerza de adherencia de un
adhesivo la calidad se juzga si aumenta la adherencia. Estas medidas descritas poseen la
caracterstica de calidad mayor es mejor. La funcin de prdida se define de acuerdo con la
caracterstica de calidad que se quiera medir.

Caracterstica de calidad nominal es mejor

La prdida de calidad puede evaluarse aproximadamente mediante la funcin de
prdida de Taguchi, la cual une la prdida financiera con la funcin de especificacin (la
primera es el lenguaje del financiero y la segunda es el lenguaje del ingeniero) a travs de

43

una relacin cuadrtica que se obtiene de la manera como se muestra ms adelante. Si la

caracterstica de calidad es Y, en tanto que el valor objetivo finito es , entonces la prdida
L(y) se puede justificar como una aproximacin a la funcin de prdida verdadera usando
las series de Taylor alrededor de .
La ecuacin de la serie de Taylor viene de una funcin f para la cual existe la
derivada de orden n en algn nmero c. De manera tal que el polinomio
X 6 = R +

R m 
R mm 
R X 
6  +
6  + +
6 X
1!
2!
!

de grado n en x se conoce como el polinomio de Taylor de grado n, de f en c (Johnson, et al,

1984), que por sus propias caractersticas o ventajas sostiene el argumento de la funcin de
prdida.
Esta aproximacin tiene tres ventajas importantes:
1. La derivacin e integracin de una de estas series se puede realizar trmino a
trmino, que resultan operaciones triviales;
2. Se puede utilizar para calcular valores aproximados de funciones y;
3. Es posible calcular la optimalidad de la aproximacin (Series de Taylor,
https://es.wikipedia.org/wiki/Serie_de_Taylor)
Con base en estas ventajas se tiene que L(y) denota una funcin que representa el valor
monetario de la prdida incurrida por una unidad cuya caracterstica de calidad es Y = y. Es
decir, L(y) representa la funcin de prdida de esta caracterstica de la calidad y se supone
que esta funcin es continua y diferenciable en todas partes.
Para determinar aquella funcin se acude a las ventajas descritas de la serie de
Taylor que se expande a partir del valor objetivo hasta su trmino de cuarto grado.
Sustituyendo y en x y en c en la funcin polinmica se tiene
)U ) +

)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!
%!

Dado que L (L = loss = prdida) es mnima en y = m; L(m) = 0. Debido a que

L(m) siempre es una constante se le ignora, ya que la funcin que desempea consiste en
elevar o disminuir de manera uniforme el valor de L(y) en todos los valores de y. El trmino
(y - m)2 es el trmino dominante en la ecuacin (los trminos de orden superior se relegan).
Por lo tanto, la prdida se puede aproximar eligiendo el tercer trmino en (2.5),
) G
U G 2.6
)=
2!
L = k (y m)2

(2.7)

45

donde L es la prdida en dlares8 cuando la caracterstica de calidad es igual a y, y es el

valor de la caracterstica de calidad (esto es, longitud, ancho, concentracin, acabado de la
superficie, pulimento, etc.), m el valor objetivo de y, y k es una constante que se definir
ms adelante.
Las siguientes figuras 2.5a y 2.5b muestran la evolucin del principio de la
decisin para calificar si un producto tiene o no el nivel de calidad esperado.

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

La figura 2.5b esboza la funcin de prdida cuadrtica, donde la prdida se reduce

lentamente cuando la caracterstica de calidad y se acerca a m, pero en la medida que se va
alejando de m, la prdida aumenta de manera ms rpida. Lo primero es la propiedad
deseable para una funcin de prdida de calidad.
Como tambin se ilustra en la figura 2.6, la representacin cuadrtica de la funcin
de prdida L(y) es mnima cuando y = m y se incrementa en la medida de que y se desva de
m, y esta desviacin tiene una expresin monetaria (Taguchi, et al, 2005). Por eso se dice
en el eje y est el lenguaje del financiero y en el eje x el lenguaje del ingeniero.

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{
{

Por lo que la forma final de la funcin de prdida es

u = } x w% =

~
%

x w %

El coeficiente de prdida de calidad k se determina con base en la informacin disponible

sobre las prdidas, en trminos monetarios, causadas por la cada del producto fuera de los
lmites de tolerancia del consumidor. Mientras que A0, como ya se mencion ms arriba,

48

comprende el costo de reparacin o sustitucin del producto ms el costo de transporte del

producto por parte del cliente al centro de reparacin y viceversa, etc. Adems, este valor
de k, que es constante para una caracterstica de calidad dada, as como el valor objetivo, m,
definen ntegramente la curva de la funcin de prdida de calidad como se ilustra en la
figura 2.7.

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
) =

iUZ G + iU G + + iUX G



) = i

UZ G + U G + + UX G


1
k
E = UV G

X

VYZ

1
= UV UW + UW G

X

VYZ

UZ UW + U UW + + UX UW

=
+ UW G

=   + UW G

donde 2 es la variabilidad alrededor de la media e UW es la desviacin de la media con

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

UW G : ajustar la media al valor objetivo (target)

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

de calidad UW y el objetivo de calidad m. En resumen, la funcin prdida de calidad se

caracteriza por proporcionar un significado econmico-cuantitativo a la evaluacin de la

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 =

se sustituyen los valores, i =

Z{{
M

= 25

Funcin de prdida nominal es mejor:

vi) La funcin de prdida es:

u = } x w% =

z0
20

U G 2

Funcin de prdida especfica:

L = 25 (y- 8kg/cm2)2

vii) si y = 10kg/cm2, se sustituye en la funcin de prdida especfica

L = 25 (10kg/cm2 - 8kg/cm2)2
= 25 (2kg/cm2)2
= 100 dlares
viii) Conclusiones
Mientras que la caracterstica y = presin kg/cm2 se encuentre dentro del intervalo
8kg/cm2 2kg/cm2 la empresa no debe gastar 100 dlares por retrabajo. Dicho de otra
manera, la prdida sin retrabajo debe ser menor de 100 dlares.
Ejemplo 2.2 Tipo de caracterstica calidad nominal es mejor para n piezas10
Considere un circuito convertidor AC/CD con una entrada de 110 voltios en corriente
alterna y que deber producir 115 voltios en corriente directa, como el que se emplea de
manera tpica en un televisor de color, de esos que haban antes del apagn analgico. El
voltaje de salida es la caracterstica de inters y el valor objetivo que se desea son 115
10

Este ejemplo fue tomado del manual Diseo de parmetros de Taguchi,

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

Las distribuciones de la figura 2.8 sugieren que la funcin de prdida es un medio

cuantitativo para evaluar la calidad. Se sugiere examinar nuevamente el ejemplo de las
cuatro fbricas cuyos resultados tienen diferente distribucin. Los datos de cada una de las
plantas se muestran en la tabla 2.1. Estos datos representan muestras compuestas donde n =
13 piezas. En la prctica se usan muestras compuestas, al menos, de 50 piezas para estimar
dichas prdidas. Por otro lado, si alguien selecciona la fbrica 4, es muy probable que esta
persona cree en la funcin de prdida porque los datos estn dentro de las especificaciones,
pero esto no es la historia completa.

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

vi) i = M se sustituyen los valores, i = qM = 1.11

x!
"

vii) Calcular
=
x

Z{

54
ZZZZqZZqZZ
WWWWWWWWWWWW
Z =
= 115 voltios
Zq

WWWWWWWWWWWW = ZZqZZsZZsZZq = 114.69 voltios


Zq
WWWWWWWWWWWWq =


113 + 113 + 112 + + 114

= 113.08 
13

WWWWWWWWWWWWs = ZZsZZZZZZ = 115 voltios


&% =

Zq

x! x
%
"


.Z
=

.
=

.q
=

.s
=

MSD =

112 115 + 113 115 + + 118 115

= 3.17
13

113 14.69 + 114 114.69 + + 113 114.69

= 1.065
13
113 113.08 + 113 113.08 + + 114 113.08
= 0.91
13
114 115 + 115 115 + + 115 115
= 0.67
13

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

LFab.2 = 1.11 (MSDFab.2)

LFab.2 = 1.11 (1.1611) = 1.29 dlares

LFab.3 = 1.11 (MSDFab..3)

LFab.3 = 1.11 (4.60) = 5.11 dlares
LFab.4 = 1.11 (MSDFab.4)
LFab.4 = 1.11 (0.67) = 0.74 dlares
viii) De acuerdo con los resultados obtenidos y sin entrar en un proceso de anlisis ms

detallado, la mejor opcin sigue siendo la fbrica 4.

ix) Conclusiones

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

la ms pequea. De esta manera, el promedio UW = 115  de la fbrica 4 es igual al

parmetro m = 115 voltios, la varianza 2 = 0.67, es la ms pequea, la MSD = 0.67

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

que se capaz de alcanzar las especificaciones como los de la fbrica 4?

Actualmente la fbrica 2 tiene una produccin de 100,000 piezas al mes. Si se
compara la funcin de prdida promedio de la fbrica 2 con la funcin de prdida promedio
de la fbrica 4, esto es L2- L4 = $(1.29 0.74) = 0.55 dlares. Diferencia que si se
multiplica por las 100 mil piezas, es decir (0.55 dlares)(100,000 piezas) = 55,000 dlares
por mes, cantidad que representa el ahorro por lograr un proceso tan capaz como el de la
fbrica 4. De no hacer la inversin de 20 mil dlares, la prdida mensual de la fbrica 2
sera de 55 mil dlares. Al ao esa prdida ascendera 660 mil dlares. Adems, este
representara satisfaccin del cliente, reduccin de los costos de garanta, ganar el mercado,
etc.
En resumen, eeconmicamente la funcin de prdida justifica un enfoque diferente
del control de calidad. Un aspecto importante de la calidad del producto y el proceso es la
amplitud relativa de la distribucin y los lmites de especificacin del producto. Si la
distribucin es ms angosta que los lmites de especificacin, entonces es posible hacer

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.

Caracterstica de calidad menor es mejor

Para obtener el valor de la prdida de la caracterstica de calidad menor es mejor, se tiene
como fundamento la funcin

de la cual, se supone que m = 0

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

prdida de la caracterstica de calidad menor es mejor, es

)=

z0 2
U
U20

Donde A0 es la prdida del consumidor e y0 es la tolerancia del consumidor. Observe,

adems, que la funcin de prdida de la caracterstica de calidad de tipo menor es mejor es
de un solo lado, viene de derecha a izquierda hasta el cero (0), toda vez que la caracterstica
de calidad que se est evaluando no puede tomar valores negativos. Dicho de otra manera,
el valor objetivo es cero (0). La versin de la funcin cuadrtica que constituye la
caracterstica de calidad menor es mejor se representa en la figura 2.9.

58

Ante la inminente necesidad de calcular la prdida que generan muchas piezas

defectuosas; es decir, la necesidad de obtener la prdida promedio de ese conjunto de
piezas con potenciales fallas funcionales, la funcin de prdida de la caracterstica calidad
menor es mejor para muchas piezas es

L = k (MSD)
donde k
E = XVYZ

KM
X

=   + UW 

Ejemplo 2.3 Tipo de caracterstica de calidad menor es mejor.

La exposicin a los compuestos orgnicos voltiles (COV), especialmente disolventes y
formaldehdo, as como a las emisiones de amoniaco, radn, compuestos metlicos y polvo,
incluidas fibras, implica posibles problemas de calidad del aire. Estudios realizados en
distintas unidades cerradas demuestran que ms del 80% de los COV que se encuentran
habitualmente en el aire interior son irritantes de las membranas mucosas y ojos y que
aproximadamente el 25% son sospechosos o comprobados cancergenos humanos.
Uno de los COV ms significativo es el formaldehdo (AIDIMA, 2009). Con base
en estos diagnsticos, en un proceso de fabricacin de paneles para muebles una
caracterstica no deseada es la emisin de formaldehdo en el producto final. Se desea que
esta emisin sea lo mnima posible. Actualmente se estima en 0.45 ppm (partes por milln),
cantidad que es una amenaza para la salud de los ojos. El costo para el control de las
emisiones es de $400.00 (California Environmental Protection Agency, sfe). Resuelva lo
siguiente:

59

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 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

(parte por milln).

iii) 0 = y0 = 0.45 ppm
iv) A0 = $400.00
v) Colocar los valores identificados en la figura que representa la funcin de prdida menor
es mejor

vi) i =

se sustituyen los valores y se tiene i = {.sM = 1,975.31

s{{

vii) la funcin de prdida especfica de la caracterstica de calidad menor es mejor es:

u=

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.

Una empresa repartidora de mensajera rpida tiene la poltica de no permitir un retraso de

ms de 2 horas de la hora prometida, lo cual es inaceptable, de forma tal que si no se
cumple con la hora de entrega, se compensara al cliente con $10 de reembolso.11 Resuelva:
i) Qu tipo de caracterstica de calidad es?; ii) Cul es la caracterstica de 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: tiempo de entrega y la unidad de medida la hora.
iii) 0 = y0 = 2 horas
iv) A0 = $10.00
v) Figura que representa la funcin de prdida de la caracterstica de calidad menor es
mejor.

vi) i =

se sustituyen los valores y se tiene i = M = 2.5

Z{

vii) la funcin de prdida especfica de la caracterstica de calidad menor es mejor es:

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.

Ejemplo 2.5 Tipo de caracterstica de calidad menor es mejor para n piezas.

Con el propsito de reducir el tiempo de llegada de las imgenes de un proyecto de
construccin que se est realizando en una regin aislada del estado de Chiapas se procedi
a analizar dos tipos de marcas de telfonos celulares. Por experiencia, el tiempo de espera
es de 1.5 segundos desde que se toma la foto, se enva y se recibe. Cuando se pasa ese
tiempo el costo por esperar es de 80 dlares. Los datos obtenidos en segundos se hallan en
la tabla 2.2.
Tabla 2.2 Tiempo de recepcin de imgenes en segundos de dos marcas de telfonos celulares.
Marca celular
Ssmg

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

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

telfono celular; x) Redacte sus conclusiones.

Respuesta
i) Tamao de n para ambas marcas de celulares: n = 10

62

ii) La caracterstica de calidad que se est midiendo es: menor es mejor.

iii) La caracterstica de calidad: tiempo de recepcin los imgenes.
iv) La unidad de medida es: segundos.
v) El valor actual de la caracterstica de calidad es: y0 = 1.5 segundos
vi) Costo de sobrepasar el tiempo de 1.5 segundos: A0 = 80 dlares

vii) i =

sustituyendo los valores se tiene, i =

{ cD

viii) Calcular
UW =

K
X

, se sustituyen los valores

U
WWWWWWW
0D =
WWWWW
U
( =

Z.M

.

= 35.55

1.28 + 1.24 + 1.33 + + 1.33

= 1.267
10

1.08 + 1.12 + 1.07 + + 0.03

= 1.06
10

UV 8
 =



Sustituyendo los valores


0D
=

(
=

1.28 1.267 + 1.24 1.267 + + 1.33 1.267

= 0.004
10

1.08 1.06 + 1.12 1.06 + + 1.03 1.06

= 0.0009
10
X

k
E =
VYZ

UV


Sustituyendo los valores

k
E0D =

1.28 + 1.24 + 1.33 + + 1.33

= 1.609
10

k
E =   + UW  se sustituyen los valores
MSDSmsg = 0.004 + (1.267)2 = 1.609

63

k
E( =

1.08 + 1.12 + 1.07 + + 1.03

= 1.124
10

MSDIph = 2 + y 2 , se sustituyen los valores

MSDIph = 0.0009 + 1.124 = 1.1249

ix) Funcin de prdida especfica para cada marca de celular

L = k (MSD)
Sustituyendo los valores para cada marca de celular se tiene su respectiva funcin de prdida
LSmsg = 35.55 (MSDSmsg)
= 35.55 (1.609) = 57.2 dlares
LIph = 35.55 (MSDIph)
= 35.55 (1.124) = 39.6 dlares

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.

Caracterstica de calidad mayor es mejor

La caracterstica de calidad de tipo mayor es mejor debe ser no negativa, y su valor
ms deseable es el infinito. Sin embargo, habr que tener cuidado para algunos casos, como
por ejemplo, el mximo no negativo de eficiencia de calor, rendimiento o la tasa de
productos no defectuosos es estrictamente 1 (100 %); estas caractersticas de calidad, por lo
tanto, no son del tipo mayor es mejor. Por otro lado, la tasa de amplificacin, poder, fuerza

64

y la cantidad de rendimiento son caractersticas de tipo mayor es mejor porque no tienen

valores objetivo y sus valores ms grandes son los deseables (Taguchi et al, 2005). Con
base en este razonamiento se distinguen dos caractersticas que pudieran resultar confusas
en el momento de seleccionarlas.
En primer lugar, la caractersticas que tienen un objetivo mximo posible de 100%
no son caractersticas del tipo mayor es mejor. En segundo lugar, las caractersticas que
tienen el infinito como el valor objetivo y que en realidad no tienen un valor objetivo
especfico se les define como de tipo mayor es mejor. Es decir, la metodologa para evaluar
la caracterstica de calidad del tipo mayor es mejor requiere del infinito como valor objetivo
(Sharma, et al, 2007). Estas sutiles diferencias previenen, para tener en cuenta, de que hay
algunas caractersticas de calidad que no pertenecen a la categora del tipo mayor es mejor.
Algunas caractersticas si pertenecen a aquella cualidad. Por ejemplo la fuerza de
adherencia de los adhesivos no toma valores negativos. El cero es el peor valor para ellos;
en cambio, en la medida que adquiere ms fuerza, el desempeo se convierte
progresivamente mejor; es decir, la prdida de calidad se hace cada vez ms pequea. El
valor ideal es el infinito y en ese momento la prdida es cero. Tales caractersticas de
calidad se les conocen como de tipo mayor es mejor (Phadke, 1989). Para este tipo de
caracterstica de calidad mayor es mejor los valores que puede asumir la caracterstica
diseada van de izquierda a derecha, como se muestra en la figura 2.10, que representa la
funcin de prdida,

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

Asimismo, para determinar la constante k, se define el limite funcional 0 y la

correspondiente prdida A0, las cuales se sustituyen A0 en L y 0 en y, esto es
)=i

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.

vii) La funcin de prdida de calidad de la resistencia de la soldadura es: ) = i M ,

entonces, u =  x%

viii) Curva de la funcin de prdida de calidad de la resistencia de la soldadura

ix) Prdida si la resistencia de la soldadura es de 1.5lbs/pulg.2: ) = 800 Z.M =

355.55 

x) Curva de la funcin de prdida de calidad con la caracterstica mayor es mejor, cuando

se reduce el valor original y0 = 2lbs/pulg.2 a y = 1.5lbs/pulg.2

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.

Ejemplo 2.6. Tipo de caracterstica de calidad mayor es mejor para n piezas.

Una firma de automviles con muy buena aceptacin en el mercado ha empezado a
acumular inconformidades de sus clientes que adquirieron un automvil en los ltimos seis
meses. Han notado que las escobillas del limpiaparabrisas se deshacen cada vez que lo
hacen funcionar. El gerente de la firma, un tipo sensible, bien educado en ingeniera
industrial, lo primero que se le vino a la mente, fue convocar a sus tcnicos para averiguar
sobre la mezcla de ingredientes que se emplean para elaborar la goma con la que se hacen
las escobillas de limpiaparabrisas en sus versiones A y B.
Uno de los operarios (tambin ingeniero industrial) explic que cuando las
escobillas resisten menos de 5,000 horas en la cmara de ozono, la mitad de los usuarios se
quejan, por lo que hay que cambiarlas. Ese cambio tiene un costo para el fabricante de 20
dlares. Afortunadamente aquel operario ha elaborado un registro de aquellas
inconformidades y ha anotado el nmero de horas

de vida til de la escobillas en

limpiaparabrisas desde que sali el automvil de la planta (Tabla 2.3).

UW
7.92

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

Tabla 2.3 Nmero de horas de vida til de la escobilla de un limpiaparabrisas

Versin
A
B

Duracin (miles de horas)

8, 7, 8, 10, 6, 8, 9, 8, 8, 7, 7, 9
10, 6, 10, 12, 7, 13, 14, 8, 11, 10,
9, 11

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

vii) i = z{ { , se sustituyen los valores, k = (20)(5,000)2 = 500 000 000

viii) Calcular,

UW =

U
WWW
=

, se sustituyen los valores

8 + 7 + 8 + + 9
= 7.92  G  
12

10 + 6 + 10 + + 11
= 10.083  G  
12
UV 8

 =

U
WWW
=

Sustituyendo los valores



8 7.92 + 7 7.92 + + 9 7.92

=
= 1.173
10

 =

10 10.083 + 6 10.083 + + 11 10.083

= 5.54
10

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

ix). Funcin de prdida de calidad para cada versin.

L = k(MSD), sustituyendo los valores se tiene,

LA = k(MSDA) = 500x106x0.01683610B = 8.415 dlares
LB = k(MSDB) = 500x106x 0.01172610B= 5.86 dlares

x). Redacte sus conclusiones

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

media UW = 7,920  y una prdida LA = 8.415 dlares y 2 = 1.173. Si la decisin la

tomara en trminos de los promedios es obvio que elegira la escobilla versin B. En el

mismo sentido sera su decisin si lo hiciera en trminos de la prdida L, es decir, elegira
la escobilla versin B. Sin embargo, hay algo que lo detiene: el tamao de la varianza de
cada versin. La varianza de la escobilla versin B es 4.72 veces ms grande que la
varianza de la escobilla versin A. As, pues, su decisin tendr que tomarla a partir de
ambos valores, de lo cual depende no slo el prestigio de la firma, sino tambin la marca
del automvil.

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

Para una pieza

z{
) = i U G
i = 
{
) = i U 
)=i

1
U

i=

z{
U{

i = z{ U{

Fuente: Tomado y adaptado de Taguchi, et al, pp. 189-191

1
k
E = UV G

X

Para muchas piezas

L = k(MSD)

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

Asimismo, el resumen de grficos, con sus respectivas funciones de prdida, gua

y contribuye a elegir la funcin ms idnea para evaluar la caracterstica de calidad sujeta a
observacin.

1. Caracterstica nominal es mejor

71

2. Caracterstica menor es mejor

3. Caracterstica mayor es mejor

2.3 Razn seal/ruido (S/R)

Con base en su formacin en el campo de la ingeniera textil, su destacado inters

por la estadstica y luego por su experiencia desarrollada sobre diseos industriales en la
compaa japonesa Electrical Communication Laboratory, G. Taguchi, en 1950, introdujo
una medida de calidad que se llama relacin seal/ruido (S/R). Esta medida, que luego fue
utilizada por los ingenieros en comunicacin para encontrar la fuerza de una seal elctrica,
no slo pas a ser parte fundamental de los diseos estadsticos de experimentos, sino
tambin se convirti en un mtodo para evaluar y clasificar las caractersticas de la calidad
para productos de uso cotidiano.
El mtodo de la relacin S/R enfatiza que para mejorar la calidad se debe
minimizar la desviacin con respecto al valor meta; es decir, reducir la variabilidad y

72

mejorar la medicin. La relacin S/R desarrollada por G. Taguchi es una medida de

desempeo para elegir los mejores niveles de control para hacer frente al ruido (Bryne &
Taguchi, 1987). De esta manera, la relacin S/R proporciona una medida del impacto de los
factores de ruido en el desempeo del producto. 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.
El diseo robusto se logra mediante la aplicacin de un proceso de toma de
decisiones que se compone de tres pasos:
1. Definir el objetivo;
2. Definir las opciones factibles; y
3. Seleccionar la opcin factible que mejor cumpla con el objetivo.
El mejor criterio para medir el diseo robusto es la relacin seal/ruido (S/R). La robustez
mxima significa la mnima prdida de calidad y la mxima satisfaccin del cliente.
La relacin S/R reconoce y mide la desviacin con respecto al valor nominal y tal
informacin se integra en una mtrica (Taguchi et al., 2000). Es muy importante definir la
medicin de la prdida de calidad y luego incorporarla en el diseo. Existen varios tipos de
caractersticas de desempeo (nominal es mejor, menor es mejor y mayor es mejor), por lo
que es importante distinguir entre stas a la hora de evaluar la calidad. Por lo tanto, para
cada caracterstica determinada se necesita una relacin S/R especfica, tambin.
El valor nominal es el mejor valor de la caracterstica de desempeo para un
parmetro dado. Es recomendable, en la medida de lo posible, usar la caracterstica de tipo
nominal es mejor, porque facilita llevar cabo la optimizacin en dos pasos. La relacin S/R
mide la desviacin con respecto al valor nominal, lo cual permite realizar un ajuste
posterior. Una relacin S/R alta significa una desviacin estndar baja (Sharma, et al,
2007). En tal sentido, obtener una ecuacin particular significa disponer de un instrumento
para medir la robustez de un sistema. En sntesis, para lograr un diseo robusto se necesita
tener la relacin S/R ms alta.
Los factores de control que pueden contribuir a la reduccin de la variacin y
mejora de la calidad se pueden identificar por la magnitud de la variacin presente y por el
cambio de la media de respuesta cuando hay datos repetitivos. La relacin S/R transforma
varias repeticiones en un valor que refleja la cantidad de variacin presente y la media de

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.

Caractersticas de calidad de tipo nominal es mejor

Para lograr el objetivo previsto en los equipos de comunicacin, previo debe entrar
una seal al sistema y, como consecuencia habr una salida, como se muestra en la figura
2.11. Sin embargo, por lo general, en ese recorrido el ruido interfiere con el sistema por lo
que el objetivo previsto no se logra a plenitud. La relacin entre la potencia de la seal y la
potencia del ruido se llama relacin seal/ruido, cuya ecuacin es


/
=

   
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

y S  en denominador, respectivamente. Ahora bien, si hay una muestra aleatoria de tamao

n que sigue una distribucin de probabilidad cuya media es y la varianza 2, se puede

encontrar

S  =  =
 =

XVYZUV UW
1

74

$
% = #w 
"

Mientras que

Donde

0 =

 UV 


Dado que E(Sm) = 2 + n2, entonces Sm = S  + $

% . Consecuentemente, si tanto 8  , como

V se sustituyen en la relacin S/R


/
=
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,

Adems, si n es suficientemente grande, V/n deviene insignificante, y la relacin

de S/R se puede expresar como
UW 

/
= 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

experto en control estadstico de calidad, es una medida de dispersin de la calidad.

Tambin, no pierda de vista que estas razones y las subsiguientes (menor es mejor, mayor
es mejor) estn expresadas en una escala de decibeles y por ello utilizan logaritmos base 10.
Salvo cuestiones ingenieriles no hay otra razn de peso para no haber elegido logaritmos
naturales o de cualquier otra base (Cruz Trejos, et al., 2012).

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

11 10 + 10 10 + + 9 10

=
= 0.8
61

 UV 


iii) Calcular Sm

0 =

0 (a Z

11 + 10 + 9 + 11 + 10 + 9
=
= 600
6

#w 

/
= 10 log "

iv) Calcular S/R

77

/
a Z

 . 
= 10 log
= 10log 124.83
0.8

/
a Z = 10 log124.83 = 102.0963 = 20.96

UW 

/
= 10 log 


/
a Z

WWWWWW
10
= 10
= 10125 = 102.0969 = 20.96
0.8

UW
10

/
a Z = 20 log = 20 log

= 2011.1803 = 201.048

0.894427
= 20.96

Sugerencia: Comprobar las siguientes pruebas.

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

12 10 + 10 10 + + 8 10

= 3.2
61

78

 UV 

0 =


iii) Calcular Sm

0 (a  =

12 + 10 + 8 + 12 + 10 + 8
= 600
6

#w 
"

/
= 10 log

iv) Calcular S/R

/
a 

 . %
= 10 log
= 10log 31.083
3.2

/
a  = 10 log31.083 = 101.4925 = 14.93

#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

12 10 + 11 10 + + 8 10

=2
61

 UV 

0 =


iii) Calcular Sm

79

0 (a q =

12 + 11 + 10 + 10 + 9 + 8
= 600
6

#w 
"

/
= 10 log

iv) Calcular S/R

/
a q

 %
= 10 log
= 10log 49.833
2

/
a q = 10 log49.833 = 101.6975 = 16.98

#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

21 20 + 20 20 + + 19 20

= 0.8
61

 UV 


iii) Calcular Sm

0 =

0 (a s =

21 + 20 + 19 + 21 + 20 + 19
= 2,400
6

iv) Calcular S/R

80

#w 
"

/
= 10 log

/
a s

%,  . 
= 10 log
= 10log 499.83
0.8

/
a s = 10 log499.83 = 102.6988 = 26.99

iv) Conclusiones

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.

S/R para la caracterstica de calidad de tipo menor es mejor

Para la caracterstica de calidad de tipo menor es mejor el valor objetivo es el cero (0). Para
el desarrollo de esta tcnica no es posible usar la relacin S/R
8
   
= 


/
=
  

ya que el valor estimado de pudiera ser negativo, y esto dificulta llevar a cabo la
transformacin logartmica. Para evitar esta anomala matemtica se recurre a la ecuacin
de prdida esperada
L = kE(y2)

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

y que tambin se mide en decibeles (dB).

Ejemplo 2.8. Relacin S/R para el tipo de caracterstica menor es mejor.

Un mdico experto en ciruga de retina se le ha dado la responsabilidad de elegir uno entre
dos equipos modernos para hacer esas delicadas cirugas. Dado que la retina es una
membrana muy sensible a la temperatura, el equipo quirrgico debe ser lo menos sensible a
la variacin de la carga de voltaje. Para hacer la eleccin, el mdico experto dispone de
datos de dos proveedores distintos (tabla 2.5).
X

Tabla 2.5 Mediciones de variacin de la carga de voltaje

Proveedor

Datos (yi)
(milivoltios)

9.84, 9.93, 10.06, 9.91,

10.00, 10.12

9.53, 9.53, 9.52, 9.41,

9.40, 9.45

UV
VYZ

9.842 + 9.932 + 10.062 +

9.912 + 10.02 + 10.122 =
597.24
9.532 + 9.532 + 9.522 + 9.412
+ 9.402 + 9.452 = 457.45

/
= 10 log UV

X

VYZ

S/R = -10 log (99.54)

= (-10)(1.997) = -19.97dB
S/R = -10log(76.24)
= (-10)(1.88) = -18.82dB

Responda,
i) Qu tipo de caracterstica calidad se evala?; ii) De qu tamao es n?; iii) Calcule la

relacin S/R de cada proveedor; iv) Redacte sus conclusiones.

Respuesta,
i) El tipo de caracterstica de calidad es: menor es mejor (continua)

82

ii) El tamao de n es: 6

iii) Clculo de la relacin S/R de cada proveedor
X

/
= 10 log UV


/
.Z

/
.Z

VYZ

1
= 10 log UV

VYZ

9.84 + 9.93 + 10.06 + 9.91 + 10 + 10.12

= 10 log

#/. =  .  = .  = .

/
. = 10 log

9.53 + 9.53 + 9.52 + 9.41 + 9.4 + 9.45

#/.% =  . % = . %% = . %

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.

S/R para la caracterstica de calidad de tipo mayor es mejor

De la misma manera en cmo se procedi para calcular la caracterstica de calidad

de tipo menor es mejor, tambin se hace para estimar la prdida esperada ) = i* M) de la
Z

caracterstica de calidad de tipo mayor es mejor. Para ello, se tiene


1
1
k
E = 0

UV
X

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

Ejemplo 2.9. Relacin S/R para el tipo de caracterstica mayor es mejor.

El diseo actual de una batera triple A tiene una vida til de 20, 21 y 22 horas. Un experto
en DEE dise una batera que tiene un vida til de 17, 21 y 25 horas. Responda: i) Qu
tipo de caractertica de calidad se est evaluando? ii) Cul es el mejor diseo? iii) De
cunto es la diferencia? iv) Cul es el prximo paso?
Respuesta,
i) La caracterstica de calidad que se est evaluando es: mayor es mejor (continua).
ii) Clculo de la relacin S/R de la batera de diseo actual y la batera obtenida por DEE.

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

/
VD ac = 10 log0.0022778 = 102.642 = 26.42 

/

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

/
VD ac = 10 log0.0022778 = 102.612 = 26.12 

84

iii) Diferencia entre en el tipo de batera actual y la del DEE

= 26.42dB 26.12dB = 0.3dB. Esta diferencia es favor del diseo actual.
iv) De acuerdo con los valores de ambas relaciones S/R se recomienda reunir ms datos

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 


Fuente: Tomado y traducido de Park, 1996, p. 23. iZ =


M , i = z { {

1
10  UV

X

VYX
X

1
1
10  

UV
VYX

2.4 Tolerancia e intervalo

Tolerancia
Las tolerancias se definen como el lmite dentro del cual se puede llevar a cabo
alguna accin econmicamente significativa (Creveling, 1997). Esta definicin permite
formular las siguientes preguntas: Qu tan lejos del valor objetivo puede funcionar un
producto antes de que presenta una falla funcional y que el consumidor incurra en una
prdida monetaria intolerable? Qu tan lejos del valor objetivo puede estar la caracterstica
de un componente antes de manufacturarlo y rechazar la unidad en beneficio del mejor
inters financiero del consumidor? Es importante hacer notar que en ingeniera de calidad,
la tolerancia no se refiere a la desviacin entre productos. La tolerancia se define como una
desviacin respecto al valor objetivo (Taguchi, et al., 2005) como se describe en la figura

2.12.

85

Se habla de tolerancias en las especificaciones cuando se acepta que un producto es

conforme si sus variables controladas estn dentro de las tolerancias previstas; si tales
variables se encuentran por fuera de aqullas (las tolerancias), entonces ser necesario
devolver o retrabajar el producto (Vinasco Isaza, sfe). Esto significa que el rango de diseo
es la condicin aceptable de la tolerancia para un requisito funcional.

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.

Fuente: tomado, traducido y adaptado de Suh (2003), p. 15

La funcin de densidad de probabilidad del sistema influye sobre la amplitud

(intervalo) del mismo (lmites inferior y superior), de all la recomendacin de no confundir

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

Figura 2.14 intervalo Z/2

Cuando y son desconocidos, entonces se debe calcular una estimacin de los

mismos. Ms concretamente, a partir de una muestra de tamao n, se calculan X y S2. La
aproximacin obtenida de los lmites de tolerancia sera X Z/2S que habra que corregir
para asegurar que se est considerando el 100(1 - ) % de los valores de la caracterstica
estudiada
Taguchi (1990), para explicar la diferencia entre tolerancia e intervalo, analiza los
resultados de una encuesta donde los consumidores japoneses expresan su inconformidad
por no encontrar la talla de su ropa (50 % de inconformes) y de calzado (70 % de
inconformes) para usar ambas prendas de manera inmediata. Con base en estos datos se da
a la tarea de examinar el problema la talla estndar de la ropa. Para ello ha identificado que
en el mercado, las camisas de vestir de los hombres abarcan un mximo de 100 tallas
diferentes. Una talla se define por dos mediciones: la medida del cuello y la medida de la
manga.
Las tallas del cuello se suministran en intervalos de 1 cm y las longitudes de las
mangas en intervalos de 2 cm (ver figuras 2.15 y 2.16).

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.

Determinar el intervalo de la talla del cuello de la camisa

89

Para determinar la talla de una camisa se deben realizar muchas mediciones:

cuello, longitud de la manga, ancho de los hombros, longitud de la manga medida desde el
hombro, circunferencia del pecho, cintura y caderas, altura, faja superior mxima del brazo,
talla de la mueca y otras. Para cada una de estas mediciones, mediante una muestra
aleatoria de la poblacin de consumidores, se puede obtener una distribucin (ver figura
2.17a). Lo ideal sera que la dispersin de estas distribuciones fuera pequea, pero en
realidad resulta grande, por tal razn se tienen que hacer muchas tallas diferentes para
satisfacer las necesidades de los consumidores.
Sea m el tamao exacto para una cierta medida. La pregunta es: a qu desviacin
con respecto a la talla m el consumidor se rehusar comprar la camisa? Esta desviacin es
la tolerancia del consumidor. Para la talla del cuello, una persona no comprar una camisa
que es 1 cm ms pequea que su medida exacta, sin importar qu tanto le guste el color y
el estilo; 1 es, entonces, su tolerancia inferior. Tampoco la adquirir si es 2 cm ms
grande que su tamao exacto porque le quedar demasiado holgada, por lo tanto 2 es su
tolerancia superior (ver figura 2.17b).

Si distintas personas tienen distintas tolerancias con respecto a la misma medida,

entonces la tolerancia se establece en aquel punto donde el 50% de los consumidores no
comprarn esa prenda. Este punto se llama LD50, el cual se utiliza en pruebas de toxicidad o
pruebas de letalidad. LD50 es aquella dosis de sustancias qumicas en la que la relacin
vida/muerte es de 50:50. Con base en este criterio, la tolerancia del consumidor se expresa
como un par ordenado: (1, 2), donde 1 y 2 representan los valores mnimos y mximos

90

que puede asumir la desviacin de la caracterstica de calidad y prevista con respecto al

valor objetivo (ver figura 2.18).

Siguiendo con el ejemplo del cuello de la camisa, la caracterstica de calidad y es

la talla del cuello que se expresa en cm.
Esto es, si
y = talla del cuello de la camisa medida en cm
m = talla exacta del cuello del consumidor interesado en la camisa
L(y) = prdida que se deriva de la diferencia entre y y m.

La prdida se puede calcular mediante la ecuacin de la funcin de prdida que se

obtuvo previamente a travs de las derivadas de la serie de Taylor, a saber,
L(y) = k (y m)2
Como ya se explic en el inciso 2.2 la funcin de prdida contiene el coeficiente
desconocido k. Para encontrarlo se necesita informacin acerca de las prdidas D1 y D2 que
se generaron porque se excedieron las tolerancias 1 y 2 como se describe en la figura
2.19. Si se sobrepasa una u otra tolerancia el consumidor debe llevar su camisa a un sastre
por lo que sus prdidas incluyen el trabajo adicional, la demora, el costo de llevar y traer la
camisa, as como otros costos sociales.

91

De acuerdo con lo anterior, asuma que D1 = D2 = 4,000. Si todas las camisas se

desvan 1 y 2 de la talla exacta m, la camisa se debe hacer a la medida, a pesar de la
prdida de 4,000. En consecuencia,
Cuando y < m, iZ =

s,{{{

Cuando y > m, i =

s,{{{
MM

Ahora suponga que 1 = 0.5 cm y 2 = 1.0 cm. Entonces,

iZ =

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 

El valor de m se puede determinar suponiendo: si las tallas de los cuellos estn

previstos a intervalos de 1 cm, entonces una persona que tiene un cuello de 40.3 cm tiene
dos opciones: elegir la camisa de talla 40 o decidirse por la de talla 41 cm. Para definir su
decisin, debe responder la siguiente pregunta: Qu opcin le implicara la prdida ms
16,000U Gm 
4,000U Gm 

grande? La respuesta se obtiene mediante la funcin de prdida especfica anterior

)U =

en la que se sustituye y1 = 0.3 cm e y2 = 0.7 cm respectivamente

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.

2.5 Lmites funcionales y tolerancias

Para evaluar la calidad de un producto a la salida de la fbrica se debe considerar

separadamente la calidad de diseo, la cual est relaciona con los defectos o vicios propios
del producto, de la calidad de fabricacin que se le vincula con las no conformidades
debidas a los procesos. De una u otra manera se identifica el defecto que se entiende como
la incapacidad que tiene el producto para cumplir con los requerimientos de uso. Esto
ocurre si los requerimientos establecidos para el diseo difieren de los requerimientos de
uso. De all la necesidad de evaluar la calidad de conformidad que indica qu tan bien
cumple el producto con las especificaciones y tolerancias establecidas por el diseo
(Villamil G. & Garca H., 2003). De esto ltimo se refiere la necesidad de tener claro qu
son los lmites funcionales y cmo se relacionan con las tolerancias.

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.

donde y es la variable de las caractersticas de calidad que pueden ser: la dimensin

permisible o la tolerancia dimensional, la tolerancia de la forma micro-geomtrica, la
posicin, la orientacin, la superficie, etc.; m, que se le considera como el valor objetivo, es
el valor nominal de la magnitud de y; y - m es la desviacin de la caracterstica de calidad
con respecto a su valor nominal; k es la constante de proporcionalidad cuyo valor depende
de la repercusin econmica del criterio de calidad, la cual se puede evaluar mediante la
relacin,

94

i =

z{
{

Mientras que 0 es el lmite funcional y se le llama tolerancia del consumidor, A0 es la

prdida causada al consumidor por haber excedido la tolerancia funcional.
La prdida A0 que se le causa al consumidor se entiende como los costos de
reparacin o reemplazo cuando la tolerancia funcional se ha excedido (Cristian & Popescu,
2012). Estos costos, en los que involuntariamente incurre el consumidor, son, por ejemplo
en los automviles, el alto costo del consumo de combustible y lubricantes en el recorrido
de largas distancias; costos asociados con el tiempo que permanece inactiva la unidad por
reparacin y operaciones de montaje; gastos financieros que se tienen que desembolsar por
la inactividad, a saber: pago de taxis, cuota de estacionamientos, etc.
Tolerancia
De acuerdo con la presentacin de la figura 2.20, 0 representa la mitad de la
tolerancia funcional (lmite funcional), 20 indica, como consecuencia, las especificaciones
tcnicas, o en el contexto del concepto de la funcin de prdida de Taguchi, 0 representa
la desviacin de la caracterstica de calidad que est siendo sometida a evaluacin con
respecto a su valor objetivo.
En la figura 2.21, se considera la caracterstica de calidad y (y1 e y2) como la
tolerancia lmite,

95

que con base en la funcin de prdida de Taguchi, tambin se le llama lmite de

funcionalidad, se deduce que:
Para el caso (1) en la figura 2.21:
0(-) = y1 m

Para el caso (2) en la misma figura

0(+) = y2 m

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

Tal como se despliega en la figura 2.21, en la funcin

A = k (y m)2
Se sustituye

Entonces,

i =

z{
{

Por lo que se concluye que,

A = M (y m)2

L(y) = k (y m)2
ux = ~ = } x w% =

~ %

%

A es el costo promedio (o gastos) que desembolsa el fabricante cuando la produccin

sobrepasa la desviacin . A0 es el costo promedio que se le carga al consumidor cuando el
producto se sale de la desviacin funcional 0; por ltimo, m es el valor objetivo.
Los valores de los costos A0 y A se determinan con base en el anlisis estadstico
de los datos que se obtienen del proceso de la produccin y el uso cotidiano del producto.
La desviacin funcional 0 se determina en la etapa de la concepcin del diseo
(investigacin de diseo), ya sea a travs del clculo o mediante pruebas experimentales, de
manera tal que se aseguren las condiciones operativas (funcionales) desde un punto de vista
tcnico y econmico. En resumen, la tolerancia o la desviacin de la produccin se
determina de

~=

~ %

%

 =

z
z{
{

97

z
z{
z
~
=T
= T ;{ = T 
z{
z{
z{
~
{

En el caso de que las desviaciones sean simtricas al valor nominal (figura

2.20), 0 y representan del lmite funcional y la tolerancia de produccin
respectivamente. (Cristian & Popescu, 2012). Por lo tanto, la cuestin es por qu producir
piezas con una calidad superior a la requerida por los lmites funcionales? La respuesta es
que esto lleva no slo a satisfacer y dar mayor seguridad al consumidor, sino que adems
obliga a una mejora constante de los procesos y se obtiene, al mismo tiempo, una reduccin
significativa en los costos.
Los mismos conceptos descritos ms arriba, es decir, los lmites funcionales y las
tolerancias, Taguchi (1990) los explica mediante un ejemplo en el que se refiere al
problema de ajustar un panel de vidrio dentro del marco de una ventana ya sea de un
edificio o de un automvil. En ambos, el panel de vidrio y el marco tienen dimensiones y
tolerancias especficas. Se asumir que las especificaciones para el marco son nominales
para lo cual habr que encontrar las tolerancias del panel de vidrio. Aunque las dimensiones
de cada marco son diferentes, para el caso, slo se necesita considerar el valor nominal
bajo la condicin LD50 para la dimensiones del citado marco.
Suponga que las dimensiones del panel de vidrio son propensas a variar. Si son
demasiado grandes, el vidrio no se ajustar a la ventana, si son muy pequeas se caer. Sea
m1 la dimensin que hace que se caiga y m2 la dimensin grande. Hay dimensiones
semejantes a stas con direcciones de largo como de altura, pero en este caso slo ser con
direccin de ancho. Sea m la media de m1 y m2 y 0 la media de la diferencia entre m1 y
m2 .

w=
 =

w + w% 
%

w w% 
%

98

Por lo tanto, el rango de la tolerancia del consumidor (lmite funcional) para el

ancho del panel de vidrio es
m 0
Sin embargo, la tolerancia de especificacin para el panel de vidrio no ser 0.
Aunque, 0 es la tolerancia para el usuario del cristal, no es la tolerancia que se debe
observar para el fabricante (), quien lo corta, o el minorista que lo vende. Esto es, porque
la prdida ocurre cuando el panel se vende y luego se lleva al sitio de su instalacin y se
descubre que no se ajusta a la ventana, como consecuencia habr la necesidad de cortarlo
otra vez, o venderlo segn las diferentes medidas del vidrio. Esta prdida incluye el costo
del transporte de la pieza desde la tienda del minorista al sitio de la ventana y su regreso.
Sea A0 la prdida promedio a la que se incurre si el panel resulta ser demasiado
ancho o demasiado estrecho y obligue volver a cortar. La prdida A0 sucede cuando
y - m es 0, por lo que el coeficiente k (recuerde la ecuacin de la funcin de prdida) se

puede estimar de la manera siguiente

i =

z{
{

La tolerancia del panel de vidrio se puede establecer si se conociera la prdida A

que resulta en el lugar donde se corta el vidrio porque no se ajusta a la tolerancia. La
funcin de prdida es

) =

z{

 U G
{

Sustituyendo A en el lado izquierdo de la funcin y resolviendo para = y - mse tiene

z =
De tal funcin resulta la frmula

z{ 

{

z
= T {
z{

99

que se le denomina tolerancia de manufactura.

Ejemplo 2.10 Clculo la tolerancia de manufactura

Sea A0 igual a 1,500 que es la prdida cuando el panel de vidrio resulta ser del tamao
equivocado en el lugar de la instalacin, la mitad de la tolerancia 0 sea de 3 mm y la
prdida A del fabricante es igual a 300. La tolerancia del panel de vidrio se obtiene
mediante la frmula

z
= T {
z{

Se sustituyen los valores: A0 = 1,500; A = 300 y 0 = 3mm

= T

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

basan, sobre todo, en la capacidad del proceso de fabricacin, no en los requisitos de la

forma y funcin las partes que sern acopladas (Drake, Jr., 1999). As que cuando se
inspeccionan las piezas o componentes fabricados y si cumplen con los requisitos de las
tolerancias inscritas en las plantillas, entonces se califican como buenos.

100

Sin embargo, la historia no siempre tiene un final feliz. Aquellos productos,

componentes o piezas pueden no acoplar correctamente. Esta condicin se debe a que el
proceso de inspeccin slo es capaz de verificar las especificaciones de la tolerancia para el
proceso de fabricacin en vez de ser rigurosos sobre el ajuste y funcionalidad de las piezas
o componentes diseados que van a ser ensamblados. Este mtodo, comnmente, se utiliza
en aquellas organizaciones donde el proceso de fabricacin "dicta" los requisitos de diseo
de ingeniera. Contra estas prcticas, la ingeniera de calidad enfoca el potencial de cada
una de las tcnicas de los tipos de tolerancias, las cuales se sustentan en la funcin de
prdida de calidad.
Dentro del marco de la ingeniera de calidad, el estudio de los tipos de tolerancias
se puede desarrollar en dos niveles. Tolerancias de nivel I se refiere al clculo de las
tolerancias, de acuerdo con los tres tipos de caractersticas de calidad: nominal es mejor,
menor es mejor y mayor es mejor, entendidas desde la perspectiva del consumidor y del

fabricante, as como su funcin de prdida correspondiente, en los que media un concepto

llamado factor de seguridad (), que utiliza Taguchi (1989) para facilitar el clculo de
aqullas. Tolerancias de nivel II es la evaluacin de la calidad segn los tres tipos de
caractersticas de calidad: nominal es mejor, menor es mejor y mayor es mejor, en su
respectiva funcin de prdida que se relaciona con la varianza (v2) y, sobre todo, con el tipo
de tolerancia: bilateral, unilateral y bilateral asimtrica.

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

Dado que el lmite de tolerancia del fabricante es la especificacin de manufactura,

entonces el lmite de tolerancia del consumidor es la frontera a partir de la cual la
caracterstica funcional del producto no es aceptable.
Considere en los lmites de tolerancia las siguientes prdidas:
A = prdida cuando el valor de la caracterstica de calidad se halla en los lmites
de tolerancia del productor;
A0 = prdida cuando el valor de la caracterstica de calidad se halla en los lmites
de tolerancia del consumidor.
Con respecto al diseo seguro de los fabricantes, la funcin de prdida se puede aprovechar
con bastante eficacia. La funcin de prdida para la caracterstica y, nominal es mejor, se
puede expresar como

) =

z{

 U G
{
z{
U G
{

Asumiendo que A es la prdida en los lmites de tolerancia del fabricante, entonces

z =

z =

z{
G G
{

102

z =
Por lo tanto,
= T
Donde

= T

z{ 

{

z
{
{ =

z{

z{
z

  G    F  G R

= T
  R    F  G  FR

El cual se le llama factor de seguridad o coeficiente de seguridad.

Ejemplo 2.11 Clculo de la tolerancia del fabricante usando el coeficiente de seguridad

Suponga que los lmites de tolerancia del consumidor para la salida de voltaje de un
circuito elctrico de un aparato de televisin son 120 24 V, y la prdida cuando est fuera
de estos lmites es de A0 = $ 45 (costo de reposicin ms el costo de los inconvenientes
provocados al consumidor). Si el circuito tiene el atributo de no aceptable en la fbrica, se
puede ajustar y cambiar la resistencia a un costo A = $ 5. Responda:
i) Qu tipo de caracterstica de calidad es?; ii) Dibuje la figura de la funcin de prdida

correspondiente y coloque en la figura los valores actuales; iii) Obtenga el coeficiente de

seguridad; iv) Calcule la tolerancia del fabricante; v) Formule sus conclusiones
Respuesta
i) El tipo de caracterstica de calidad es: nominal es mejor
ii) Figura de la funcin de prdida de calidad mayor es mejor y las tolerancias del

consumidor y del fabricante

103

iii) El coeficiente de seguridad se obtiene de

z{
z

= T

Se sustituyen los valores de A0 = $ 45, y A = $ 5

45
=3
5

= T

iv) La tolerancia del fabricante se obtiene mediante

Se sustituyen los valores de 0 = 24, y = 3

24
=8
3

v) Coloque la tolerancia del fabricante en la funcin de prdida (ver inciso ii)

vi) Conclusiones

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.

Tolerancia para la caracterstica menor es mejor

Para obtener los nuevos lmites de especificacin o la nueva tolerancia del fabricantes bajo
la caracterstica menor es mejor, se puede utilizar la misma frmula que se emplea para la
caracterstica nominal es mejor, asumiendo que m = 0. Es decir,

104

= T
Donde

= T

z
{
{ =
z{

z{
z

Tolerancia para la caracterstica mayor es mejor

1
) = i 
U

Para la caracterstica mayor es mejor, cuya funcin de prdida es

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

Ejemplo 2.12. Clculo de la tolerancia para la caracterstica de calidad mayor es mejor.

La resistencia de un tubo se clasifica como una caracterstica de tipo mayor es mejor. Si la
resistencia es menor que 5,000kgcm-2, entonces todo valor que se encuentre por debajo del
lmite genera una prdida A0 = $150 por metro de tubo. Si ste se desecha en la fbrica
debido a que la fuerza cae en la categora de no conformidad, la prdida es de $ 20 por
metro. Responda:

105

i) Qu tipo de caracterstica de calidad es?; ii) Dibuje la figura de la funcin de prdida

correspondiente y coloque en la figura los valores actuales; iii) Obtenga el coeficiente de

seguridad; iv) Calcule la tolerancia del fabricante; v) Coloque la tolerancia del fabricante la
figura de la funcin de prdida; vi) Formule sus conclusiones
Respuesta
i) El tipo de caracterstica de calidad es: mayor es mejor
ii) Figura de la funcin de prdida de calidad mayor es mejor

iii) El coeficiente de seguridad es

z{
z

= T
Sustituyendo A0 = $150 y A = $20, entonces

= ; { = 2.74
Z{

iv) La especificacin de la fbrica para la resistencia del tubo es

= 0
= (2.74) (5,000) = 13,700 kgcm-2
v) Ver figura del inciso ii
vi) Conclusiones

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,

JIS B 0401 (autor annimo, sfe).12 La Real

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.

El National Institute of Standards and Technology del U.S Department of

Commerce en el Handbook 44 (2011) Specifications, Tolerances, and Other Technical
Requirements for Weighing and Measuring Devices explica que las tolerancias son los
requisitos de desempeo. Ellas precisan el verdadero valor de salida o desempeo y el
lmite permitido del margen de error. Es decir, en virtud de que las tolerancias son

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

Ver Tolerancia y normas de ingeniera. Disponible en:

http://www.cobanengineering.com/Tolerancias/Tolerancias_Definicioness.asp
septiembre de 2015

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

La tolerancia es 1.12 cm. En tanto la tolerancia con variacin positiva ser,

La tolerancia es 1.13 cm.

1.125{.{{
{.{{

La tolerancia bilateral asimtrica es la variacin permitida en la cual los valores

de los lmites no tienen la misma distancia con respecto al valor objetivo. Por ejemplo,
1.125{.{{
B{.{{
Hacer cualquier objeto en su tamao exacto es imposible, por lo tanto, resulta
necesario definir una tolerancia o una variacin permisible en cada dimensin especfica de
cada parte del diseo. En este sentido, una tolerancia se define como un valor aceptable de
la variacin dimensional de un objeto o componente que an le permitir funcionar
correctamente. En ingeniera de calidad las tolerancias que se analizan son las tolerancias

dimensionales que se definen como un valor numrico que se expresa en unidades de

medida apropiadas y se utilizan para definir el tamao, ubicacin, orientacin, forma u
otras caractersticas geomtricas de una parte del objeto o del objeto mismo.
En el entorno empresarial actual la calidad del producto es un aspecto crucial, en
el que una parte de ste es la funcin de costos total (Pan & Pan, 2009). Dada esta
circunstancia histrica se reafirma la vigencia e importancia del mtodo Taguchi. Este
mtodo clasifica las caractersticas de calidad en tres tipos: "nominal es mejor", menor es
mejor" y mayor es mejor". Estos tres criterios, dependiendo del caso, juzgan si un
producto se determina como no conforme, toda vez que la caracterstica de calidad no
cumple con los lmites de las especificaciones de ingeniera definidos por el productor. En
este sentido, los costos dependen de cmo se definan y controlen las tolerancias.
Con base en lo anterior las tolerancias se clasifican de acuerdo con los tres tipos de
caractersticas de calidad: tolerancia para la caracterstica de calidad de tipo nominal es
mejor, tolerancia para la caracterstica de calidad de tipo menor es mejor y tolerancia
para la caracterstica de calidad de tipo mayor es mejor. Con estas tcnicas cabe esperar
que se descubra una relacin entre la prdida de calidad ptima y las variaciones de las

109

tolerancias (Vasseur, Kurfess, & Cagan, 1997). La seal de esta relacin consiste en que la
prdida de calidad decrece si las tolerancias crecen.

Tipo de tolerancia Nominal es mejor (Tipo N)

Cuando se elige como objetivo el valor nominal u otras caractersticas, la
tolerancia es del tipo nominal es mejor, la cual se utiliza en la fabricacin de muchos
productos, piezas, elementos y componentes. Asimismo, son ejemplos de aquellas
caractersticas las dimensiones, despejes, viscosidad, entre otras. Tambin sea el caso del
tamao bsico de la rosca de un tornillo o el dimetro de un engrane que se sujetan a
valores nominales y que pudieran sufrir variaciones no deseables. En todas estas tipologas
aplican las tolerancias bilaterales. Este trmino, como ya se defini en las lneas previas,
significa que la tolerancia, en relacin con una dimensin bsica, se da en dos direcciones:
menos y ms. En esta caso, la evaluacin de la calidad con tolerancias bilaterales, stas
pudieran asumir valore iguales o desiguales con respecto al valor nominal (valor objetivo).
Tolerancia nominal cuando las tolerancias ms-menos son cantidades iguales

Como ya se mencion ms arriba, el sistema de tolerancias bilateral permite una

variacin por ambas direcciones con respecto al valor objetivo. Si se desea especificar un
variacin igual para ambos lados, el smbolo que combina ms-menos es (),14 el cual se
utiliza con un valor nico como se describe en la figura 2.24

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.

Ejemplo 2.13. Clculo de la tolerancia de tipo nominal es mejor (tolerancias

bidimensionales simtricas)
Un fabricante de cojinetes de bola que se utilizan en las turbinas de gas requiere que las
tolerancias del dimetro y de dureza de cada bola sean como sigue:
Tolerancia del dimetro: m1 0.6 m
Tolerancia de dureza: m2 2.0 (Dureza de Brinell)
donde m1 y m2 son los valores objetivos tanto del dimetro, como de la dureza
respectivamente. La cuota de produccin es de 80,000 bolas por da a un costo de 30 por
bola. Las bolas con defectos se desechan porque no se pueden retrabajar. De una muestra
de tamao n = 20 bolas se obtuvieron las desviaciones con respecto al valor objetivo, tanto
del dimetro como de la dureza, como se muestran con los siguientes datos:
Desviaciones con respecto al valor objetivo del dimetro:
0.3

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

Desviaciones con respecto al valor objetivo de la dureza:

-0.1

-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

) =

donde A = costo de un producto defectuoso

z 



111

2 = lmite de tolerancia
v2 = desviacin media elevada al cuadrado de los valores producidos (ys) con

La v2 usualmente se estima con base en los datos disponibles y se refiere como S  y se

respecto al valor objetivo (m).

1
S  = 5UZ G + U G + + UX G 7


obtiene de la manera siguiente:

donde n es el nmero de mediciones disponibles e yi el valor de la medicin i.

Para determinar el nivel de calidad tanto para el dimetro como para la dureza de las bolas
se usan

) =

z 



1
S  = 5UZ G + U G + + UX G 7


As como

Clculo del nivel de calidad del dimetro

En realidad, este nivel de calidad (expresado en dlares) es la prdida atribuible a la
desviacin de la caracterstica particular de que se trate (en este caso es el dimetro del
cojinete de bola) a partir de un valor especfico.
A = 30

= 0.6

S  = { 50.3 + 0.0 + 0.1 + 0.2 7 = 0.075

Z

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
) =

De la misma manera, mediante la funcin de prdida, se puede obtener el nivel de calidad

de la dureza de las bolas, a saber:
A = 30

= 2.0

S  = { 50.1 + 1.6 + 0.4 + 1.3 7 = 0.704

Z

) =

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.

Tipo de tolerancia menor es mejor (Tipo S)

El tipo de tolerancia menor es mejor, es una tolerancia unilateral, implica una caracterstica
no negativa cuyo valor ideal es el cero (0). Algunos ejemplos de estas caractersticas son la
impureza, desgaste, encogimiento, deterioro, niveles de ruido, entre otras. Bajo la tolerancia
de tipo menor es mejor el valor de la caracterstica es y 0, el valor objetivo m = 0 y el
lmite superior de tolerancia . El nivel de calidad (funcin de prdida) se estima como

z 


donde A es la prdida por exceder el lmite superior de tolerancia.
) =

Ejemplo 2.14. Clculo de la tolerancia de tipo menor es mejor (tolerancias

unidimensionales)
Un fabricante de bloques de calibracin requiere que lo aplanado de la superficie de cada
bloque est dentro de 12 m. Obviamente, cuanto menor sea la desviacin del aplanado,
mejor ser el bloque. La prdida causada por estar fuera de la tolerancia es igual a $80.
Sean M1 y M2, dos mquinas herramientas que se utilizan para fabricar los blocks.
Mediante la medicin diaria del aplanado de dos bloques, uno de cada mquina, durante
dos semanas sucesivas, se obtuvieron datos que se despliegan ms abajo. Compare los
niveles de calidad de las dos mquinas herramientas.

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,

Se sustituyen los valores

) =

)Z =

80
23.4 = $13.00
12

El nivel de calidad de la mquina M2 es

Donde,

S =

z 
S
 Z

) =

z 
S
 

1
 
U  + U + Uq + + U{
20 Z
1
5 + 4 + 0 + + 1 
20

Sustituyendo los datos de los blocks de la mquina M2 en

SZ =

= 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

Tipo de tolerancia mayor es mejor (Tipo L)

Hay casos como la resistencia de los materiales o la eficiencia del consumo de combustible
amerita evaluarlas con la tcnica de la caracterstica de calidad mayor es mejor. En estos
casos, no hay valores objetivos determinados, por lo que el valor ms grande de la
caracterstica de inters es el ms deseable. Bajo este tipo de tolerancias, el valor de la
caracterstica es y 0, el lmite inferior de tolerancias es , y el valor objetivo (el ideal) m
= + . A es la prdida que se genera cuando el valor de la caracterstica cae por debajo del
lmite inferior de tolerancia (i.e y < ).
El nivel de calidad de este tipo de caracterstica se obtiene transformando el tipo L
de tolerancia, al tipo S, como sigue:
Sea

1
U

La caracterstica z 0 tiene una tolerancia de tipo S con un valor objetivo m = 0 y el lmite

superior de especificacin .La funcin de prdida de la caracterstica z es

)  =

1 
< =

La ecuacin L(z) puesta en los trminos de la caracterstica deseada, y, y sustituyendo la

ecuacin z en L(z), se tiene

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.

Ejemplo 2.15 Clculo de la tolerancia de tipo mayor es mejor (tolerancias

unidimensionales)
La fuerza de un adhesivo, generalmente, se determina por los kilogramos de fuerza (kgf)
necesarios para separar objetos adheridos por el adhesivo. Se comparan dos tipos de
pegamentos, S1 y S2, los cuales tienen un costo de $50 y $60 por unidad de peso,
respectivamente. Los kilogramos de fuerza para el desprendimiento se halla en el lmite
inferior de especificacin = 5 kgf. Las unidades que se encuentren por debajo de este
lmite se descartan, lo que resulta en una prdida de $70 por unidad. La tasa de produccin
anual es de 120,000 unidades. Se probaron 16 items de cada tipo de adhesivos de las que se
obtuvieron los siguientes datos de los kgf.

Tipo de adhesivo
S1

S2

Fuerza de desprendimiento (kgf)

10.2

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

Comparar los niveles de calidad de los adhesivos S1 y S2.

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

Se sustituyen los valores,

1 1
1
1
1
S  =  +  +  + + 
 UZ
UX
U
Uq

SZ =

1
1
1
1
1

+

+

+

16 10.2 5.8 4.9

16.5
= 0.0228

Entonces

Se sustituyen los valores

)Z = z SZ

)Z = 705 0.0228
= $39.90

De la misma manera, el nivel de calidad del adhesivo S2 es:

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!

La funcin de prdida se puede usar para evaluar la calidad de la produccin durante

diferentes intervalos de tiempo, tambin. Esta evaluacin puede sugerir recomendaciones
para el mejoramiento de la calidad o cambios en el proceso de produccin.

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



se muestra en la figura 2.25 se expresa como

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.

Fig. 2.25 Prdida por la desviacin del valor objetivo

118

Cuando se toman n observaciones, la prdida esperada L se obtiene como

donde m U G es la suma de las desviaciones elevadas al cuadrado para yi menores

que m, mientras que mm U G es la suma de las desviaciones elevadas al cuadrado

para yi mayores que m.

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


El nivel de calidad de la produccin para el mes 1 se obtiene mediante

A1 = A2, = $200

1 = -2

2 = 7

1 200

2 + 2 + 2 + 1 + 1 + 3 + 2

23 2

Sustituyendo los valores en la ecuacin, la prdida L1, se tiene

)Z =

+ 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

1 + 1 + 2 + 2 + 2 + 1

23 2

La prdida durante el mes 2, L2 es,

) =

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

2.7 Diseo de tolerancias

Los diseadores a menudo creen que su trabajo consiste en disear un producto en el que
destacan el desempeo, la apariencia, y tal vez la fiabilidad, y que el trabajo del ingeniero
de produccin y de manufactura es producir lo que se ha diseado. Esto se debe a que los
ingenieros de diseo esperan que los ingenieros de produccin den por buenas sus
tolerancias, por lo que no toman en cuenta de manera seria la factibilidad del diseo y los
costos de produccin (Taguchi, et al, 1989). Incluso hay una resistencia natural para
cambiar un diseo que ya fue ensayado por el bien de una reduccin en el costo de
produccin.
El diseo de tolerancia es un 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 (Cao, Yang, Wu & Wu, 2004). Esto
ltimo implica, por lo tanto, determinar los valores ptimos de las tolerancias y los
parmetros de los productos, lo cual es un tema especial que aborda el control de calidad
fuera de lnea (off-line quality control). Al mismo tiempo, el objetivo del diseo de

tolerancia es establecer regiones de aceptacin para los parmetros del diseo.

La tolerancia, por lo general, se da en la forma de un lmite superior e inferior. La
tolerancia se necesita porque las variaciones excesivas en el parmetro de diseo, que

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

la tolerancia conlleva a lograr costos de fabricacin ms baratos; en cambio, expandirlas,

implica lo contrario, en lo que se refiere a los costos totales.
Con base en la anterior, se observa que el diseo de tolerancias y las tolerancias
del parmetro son tareas importantes de los ingenieros de diseo. De all la necesidad de
examinar el efecto del diseo de la tolerancia en la evaluacin de la calidad de un producto
y de contar con mtodos econmicos para el diseo de la tolerancia del producto y de las
propias tolerancias. No est por dems, tener presente que las caractersticas de un
producto, usualmente, se definen por los valores nominales y los lmites funcionales. El
lmite funcional de la caracterstica de un producto se determina ya sea por el conocimiento
de la ingeniera del producto o a travs de la experimentacin (Taguchi, et al, 1989). Queda
claro que las tolerancias de las caractersticas de un producto afectan significativamente la
prdida de la calidad total, las cuales se minimizan cuando se robustecen las tolerancias
ptimas.
Hay tres fuentes de variacin de las caractersticas de un producto de sus valores
nominales. Estas fuentes son: i) los factores ambientales; ii) los factores de deterioro y, iii)
las fallas en los procesos de manufactura. Los dos primeros son las fuentes de variacin con
las que tendr que luchar el diseador del producto. De hecho, una funcin importante de
este diseador es, mediante el enfoque de diseo de parmetros, encontrar las
contramedidas para todas esas fuentes de variacin. Despus de que se concluye la etapa de
diseo de parmetros, le sigue la etapa del diseo de tolerancia que consiste en un anlisis
para decidir entre el costo de ajustar la tolerancia y la calidad del producto.
Por otro lado, los ingenieros de produccin y de manufactura se enfocan sobre las
fallas del proceso de manufactura que causan la variacin. Con base en el papel que juega
el ingeniero de diseo y el rol que desempean los ingenieros de produccin y de
manufactura se ofrece un enfoque que ayuda a determinar las tolerancias ptimas para los
tres casos conocidos de las caractersticas de calidad: 1) nominal es mejor (tipo N); 2)
menor es mejor (tipo S); 3) mayor es mejor (tipo L).

121

1) Diseo de tolerancia para nominal es mejor (tipo N).

El tipo de tolerancia nominal es mejor se emplea para muchos productos, partes y
componentes en los que el valor nominal es ms recomendable como es la caso de las
dimensiones, despejes (espacio libre) viscosidad, entre otros. Bajo este tipo de tolerancias,
el diseador del producto y el fabricante deben de aspirar a dos aspectos cruciales: a la
medicin nominal de las caractersticas del producto y reducir la variacin al mnimo. El
ejemplo siguiente ilustra el enfoque del diseo de tolerancia, siguiendo la funcin de
prdida, para las caractersticas de un producto.

Ejemplo 2.17. Clculo de la funcin de prdida y las tolerancias

Suponga un producto cuya principal dimensin se denota por y. Una desviacin de 500 m
con respecto a su valor objetivo de la dimensin principal provoca una falla en el producto,
la que a su vez deviene en una prdida A0 de $300; mientras que para el fabricante su
prdida A = $8.0. La temperatura ambiente x y el uso del producto afectan la dimensin.
Asuma que la desviacin estndar de la temperatura es 50F y la vida til T del diseo es de
10 aos. Suponga que la dimensin y en el ao t est dada por
y = y0 + b(x x0) +t
donde y0 = dimensin inicial
b = coeficiente de expansin trmica

= tasa de desgaste por unidad de tiempo

La dimensin inicial y0 es la dimensin nominal (dimensin seleccionada) a temperatura
normal x0. La desviacin media elevada al cuadrado v2 de la dimensin y es
v2 = E [y0 + b(x x0) + t - m]2

2 = 02 + b 2 x2 +

T2
x 2
3

Determinar la prdida de calidad al final de la vida til del producto.

Solucin
La prdida de calidad L se obtiene de la siguiente manera:
L=

A0 2

20

Sustituyendo la v2 en la funcin de prdida, se obtiene

122

L=

A0
20

T2
0 + b 2 x2 +
x 2
3

Sustituir los valores A0 = $300, 0 = 500 m, temperatura ambiente = 50F y tiempo

T = 10 aos en la nueva funcin de prdida

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

Clculo de i = M = {{M = 0. 0012

q{{

Z  G kZ = 5 25 + 33.33328 = 26,758.072

Clculo de la v para cada material

  G k = 4 25 + 33.33320 = 13,733.2

q  G kq = 2 25 + 33.33312 = 4, 899.952

s  G ks = 1 25 + 33.3335 = 858.325

Clculo de la funcin de prdida de cada material

L=

A0 2

20

Funcin de prdida del material M1: )Z = M Z = {{M 26,758.072 = $ 32.11

q{{

Funcin de prdida del material M2: ) = M  = {{M 13,733.2  = $ 16.48

q{{

123

Funcin de prdida del material M3: )q = M q = {{M 4, 899.952  = $ 5.88

Funcin de prdida del material M3: )s =

q{{

s =

q{{

{{M

 858.325  = $ 1.03

Tabla 2.1Parmetros del diseo de tolerancia

Categora
del material

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

De acuerdo con los resultados de la ltima columna de la tabla 2.1 el material de

grado ptimo es M3, dado que tiene el costo total ms bajo que es igual a $13.88. Aunque la
categora M1 tiene un menor precio, la prdida es muy alta, lo cual es una seal de la baja
calidad, caracterstica con la que se identificaban los productos hechos en Japn durante la
dcada de los aos 50 y 60. Por otra parte, si el diseador eligiera la categora M4 (la
categora con el precio ms alto) la prdida de calidad decrece significativamente. Sin
embargo, el precio es demasiado alto, lo que da como resultado un valor ms elevado del
costo total que el producto elaborado con el material de la categora M3. As pues, elegir la
categora M1 o M4 tendr un efecto negativo en la cuota de mercado del producto.
Usualmente el precio y la prdida de calidad deben ser aproximadamente iguales,
pero con un factor de diferencia de dos o tres veces es an aceptable. Se debe poner
especial atencin si el factor de diferencia es mayor de tres, no slo ya no es tolerable, sino
que es una clara seal de un diseo de tolerancia pobre. Como se mostr en la Tabla 2.1 la
categora ptima para el diseo de tolerancia, en este caso, es la categora M3. El siguiente
paso consiste en determinar las tolerancias para el valor inicial de la dimensin principal. El
ejemplo que sigue muestra la manera de evaluar estas tolerancias.

124

Ejemplo 2.19. Determinar la tolerancia de la dimensin principal

Determinar la tolerancia de la dimensin principal y para el producto que se estudi
en el ejemplo 2.18.
Solucin
La tolerancia se obtiene mediante la siguiente ecuacin
=
Donde =

0 (lmite funcional )
( factor de seguridad )

A0
A

A0 = prdida para el consumidor por fallas en el producto.

A = prdida del fabricante cuando el producto no es conforme con los lmites de
especificacin.
Los parmetros del producto arriba mencionado son:
0 = 500 m
A0 = $300
A=$8
El factor de seguridad es

A0
=
A

300
= 6.1237
8

= 6.124
mientras que,

Se sustituyen los valores 0 = 500 m y = 6.124

500
6.124

= 82 m

125

Conclusiones

La tolerancia = 82 m ayudar al fabricante a no tener una prdida mayor de $8.00;

asimismo, podra esperarse que el consumidor tampoco se vera expuesto a una prdida de
$300.00

2) Diseo de tolerancia para la caracterstica menor es mejor (tipo S).

Hoy en da, cualquier productor o fabricante es poco probable que produzcan sus productos
sin ningn proceso de montaje. El caso ms habitual es que un productor tendr varios
componentes fabricados por l mismo o por otros proveedores para luego ensamblarlos. Sin
embargo, los requisitos para esta ltima tarea no siempre terminan con xito. Esto se debe a
que las precisiones no van en la misma direccin como lo entiende el ingeniero de diseo y
como lo lleva a la prctica el ingeniero de manufactura. Esta contradiccin contribuye para
que el fabricante prefiera tolerancias menos estrictas con las que pueda hacer piezas con
mayor facilidad y menor costo (Crostack, Refflinghaus & Liangsiri, 2010). Esta decisin
conlleva, por un lado, a un aumento de los desechos (chatarra) y, por el otro, a tener
problemas de ensamble.
De acuerdo con lo anterior, un ejemplo tpico de una caracterstica de calidad
menor es mejor es la dinmica residual del desequilibrio de un motor. Otros tipos son el

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:

Ejemplo 2.19. Diseo de tolerancia para el tipo de caracterstica menor es mejor

Dentro de sus planes de expansin, un ingeniero de produccin ha considerado
adquirir una nueva mquina M1 para reemplazar otra existente M2. La velocidad del
proceso de M1 es dos veces ms que la M2, con lo cual se reduce el costo de manufactura a
$1.20 por unidad de produccin. La tolerancia de la redondez de la unidad producida por la
maquina M1 es de 20 m (o menos). Los productos defectuosos se desechan con una
prdida de $6.00 por unidad defectuosa. Con base en una muestra n1 = n2 = 20 unidades
producidas por cada mquina bajo las mismas condiciones y la redondez medida en m,
cuyas mediciones se hallan en la Tabla 2.5, compare los niveles de calidad de las dos
mquinas.

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{ 

{

= 0, la prdida de calidad para M1 y M2 se calculan de la siguiente manera:

) =

1
 = UZ + U + Uq + + UX 


Varianza de la mquina M1:

12 =

1 2
(3 + 52 + 02 + + 102)
20

z 

{

= 72.35

Prdida que genera la mquina M1

) =
) =

z 

{

Sustituimos los valores A0 = $6.00, 0 = 20 m

)Z =

6.00
72.35
20

= $ 1.09

Varianza de la mquina M2

22 =

1 2
(7 + 142 + 152 + + 142)
20
= 95.10

Prdida que genera la mquina M2

) =

z 

{

Sustituimos los valores A0 = $6.00, 0 = 20 m

127

) =

6.00
95.10
20

= $1.43

Conclusiones

Comparando L1 y L2, la prdida de calidad de M2 excede a la de M1 por $0.34. El costo de

fabricacin por unidad producida de M1 es de $1.20, el cual es menor que el costo de
manufactura de M2. Ahora bien, si la prdida L2 de la M2 se le agrega el costo de
fabricacin de M1, esto es, $1.43 + $1.2 = $2.63. Este valor se le resta la prdida L1 de la
M1, es decir, $2.63 - $1.09, el resultado neto es una mejora de $1.54 por unidad de
produccin cuando M1 reemplaza a M2. Si la produccin anual es de 200,000 unidades, la
ganancia anual llega a ser de $308,000. Cuando M1 reemplaza a M2 se debe determinar un

nuevo lmite de tolerancia para la redondez de los productos. El lmite de tolerancia

superior de los productos producidos por la mquina actual (M2) se relacionan con el
factor de seguridad 0.

{ = T

z{

6.00

La nueva mquina M1 debe tener el siguiente factor de seguridad:

z{
4.80

= T

NOTA: el valor 4.80 es la diferencia A0 A, es decir, $6.0 $1.2

El nuevo lmite de tolerancia para la redondez es
Nuevo lmite de tolerancia = lmite de tolerancia actual x
Nuevo lmite de tolerancia = 0 x
Se sustituyen los valores, entonces

= 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

Ejemplo 2.20. Diseo de tolerancia para el tipo de caracterstica menor es mejor

El espesor nominal de la capa de plstico que cubre un cable elctrico es una variable
importante en la determinacin de las caractersticas de desgaste del alambre. A menor
desgaste del plstico, mejor estar el cable. El desgaste de la cubierta de plstico genera
una prdida de $20.00 cuando el espesor es 1 (milsimas de pulgada) de su valor

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

Se introducir un nuevo proceso de revestimiento que reducir la prdida en un 50 por

ciento. Las siguientes mediciones son las desviaciones que se tomaron a lo largo de un

alambre que fue recubierto por el nuevo proceso:

1.0, 1.0, 0.3, 0.5, 0.9, 1.0, 1.1, 0.8, 0.75, 0.9
Determine, i) la tolerancia del espesor del revestimiento y, ii) la prdida por cada unidad
producida tanto por el actual y el nuevo proceso.

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

Desviacin media elevada al cuadrado del proceso actual,

Z =

= 1.45

1 
1 + 1 + 0.3 + 0.5 + 0.9 + 1 + 1.1 + 0.8 + 0.75 + 0.9 
10

Desviacin media elevada al cuadrado del proceso nuevo,

 =

= 0.74

i) La tolerancia del espesor del nuevo proceso es

 = T
Donde,

z
.
zZ Z

1 = lmite de tolerancia del proceso actual

A1 = prdida debida al desgaste de la cubierta de un cable producido por el proceso
actual
2 = lmite de tolerancia del proceso nuevo
A2 = prdida debida al desgaste de la cubierta de un cable producido por el proceso
0nuevo.
As, A2 = (A1) (50%) = ($20) (0.5) = $10.00

130

 = ; . 1
Z{
{

= 0.71

La prdida del proceso actual es

Sustituir los valores, entonces

)Z =
)Z =

zZ 

Z Z

20
1.45
1

= $29.00
La prdida del proceso nuevo es

Sustituir los valores, entonces

) =
) =

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.

3) Diseo de tolerancia para la caracterstica mayor es mejor (tipo L).

El diseo de tolerancia mayor es mejor se puede aplicar a caractersticas tales como la
resistencia de los materiales y la eficiencia de combustible. En estos casos cuanto mayor
sea el valor de la caracterstica, mejor lo ser. El diseo de tolerancia para las
caractersticas mayor es mejor se explica mediante el siguiente ejemplo:

131

Ejemplo 2.21. Diseo de tolerancia para el tipo de caracterstica mayor es mejor

Considere dos tipos de cables, T1 y T2. El precio y la resistencia para cada tipo son
proporcionales al rea de cruce seccional del cable. Los precios son P1 = $1,750/mm2 y P2
= $2,250/mm2 y las resistencias son S1 = 220 kgf/mm2 y S2 = 265 kgf/mm2 para los tipos T1
y T2, respectivamente. $58 millones es la prdida que sobreviene por caer debajo de los
20,000 kgf que es el lmite de tolerancia ms bajo para la rotura del cable. Disee la
tolerancia del desempeo y determine los lmites de tolerancia para mejorar el cable.

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,

58 000 00020,000

2206

en la ecuacin inmediata anterior, se tiene

'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

Sustituyendo los datos

M
D

258 000 00020,000 q

6Z =

1,750220

rea de cruce seccional del cable = 818 mm2

El costo total del cable tipo T1 es
$1,750 x 818 mm2 = $1.43 millones

Costo total del cable tipo T2. El costo total C2 del cable tipo T2 se obtiene de la suma del
z{ {
' =  6 +


 6

precio y la prdida de calidad.

58 000 00020,000

' = 2,2506 +

2,2506
'
2z{ {
=   q = 0
6

 6

El costo total se minimiza derivando la ecuacin con respecto a x y luego igualar a cero (0),

El rea de cruce seccional de cable tipo T2 es

258 000 00020,000 q

6 =

2,250265

rea de cruce seccional del cable = 665 mm2

El costo total del cable tipo T2 es
$2,250 x 665 = $1.50 millones
Conclusiones

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

= 127 400 iR = 127.4  G  R

4) Asignacin de tolerancia para mltiples componentes
En los incisos anteriores se presentaron los mtodos de diseo de tolerancia para tres tipos
de caractersticas de calidad. Estos mtodos, de acuerdo con las caractersticas del
producto, hicieron nfasis en la determinacin de la tolerancia para que se minimizara el
costo total (precio y prdida de calidad). Este apartado tiene por objeto establecer la
asignacin de la tolerancia ptima para todos los componentes que constituyen el producto
final. En otras palabras, cuando un producto est compuesto por k componentes, las
caractersticas del producto son afectadas por las tolerancias de estos componentes, por lo
que se necesita el diseo de la tolerancia para cada uno de stos, de manera que la
caracterstica de salida del producto se ajuste al lmite funcional.
Suponga que x es la caracterstica de un componente que perturba la salida y (la
caracterstica deseada del producto), la cual tiene un lmite funcional 0. Asuma que y es
linealmente afectada por x y que es la constante de la lnea; esto es,
y = m0 + (x m)

donde m0 es el valor nominal de y (valor objetivo) y m es el valor nominal de x. Sea A0 la

prdida cuando el valor de la caracterstica y de salida no es conforme con los lmites
funcionales, m0 0. La funcin de prdida es

) =

z{
U G{ 
{

134

Sustituyendo y = m0 + (x m) en la funcin de prdida L,

) =
) =

) =

z{
5U G{ 7

{

z{
5G{ + 6 G G{ 7
{
z{
5G{ + 6 G G{ 7
{
) =

z{
56 G 7
{

Si se reemplaza L por A, la cual es el precio del componente con la caracterstica x (o la

z{
56 G 7

{

prdida cuando x se desva de sus lmites funcionales),

z =

z
= 56 G 7
z{
{

Despejando la ecuacin para x, se obtiene,

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

Suponga un producto que tiene k componentes, los que a su vez tienen

caractersticas xi con valores nominales mi y precios Ai (i = 1, 2,., k). Adems, la
constante lineal para el componente i, que afecta la caracterstica del producto, es i (i = 1,
2,., k). Las tolerancias 1, 2,,k para cada componente, se dan de la siguiente manera:

Z = T

zZ {

z{ Z

 = T

z {

z{ 

.
.
.

\ = T

z\ {

z{ \

Tenga en cuenta que ii es la contribucin al desplazamiento de y producida por la

caracterstica xi, cuando xi = mi + i. De este modo el cuadrado del rango de la salida y
originada por la variacin de las caractersticas de los componentes x1, x2,,xk es

 = Z Z  +    + + \ \ 



Por lo tanto,

zZ
z
z\
= T . { + T { + + T {
z{
z{
z{
=

zZ + z + + z\ 
{
z{
= T

Considere los tres casos siguientes:

\VYZ zV
{
z{

136

(a) Si

}!Y ~! << ~ ""  << 

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

suma del precio total de todos los componentes, entonces

{ = 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

}!Y ~! >> ~ ""  >> 

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.

(c) Si }!Y ~! ~ ""  

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{ 

Ejemplo 2.22. Diseo de tolerancia para el tipo mltiples componentes.

Un producto est constituido de tres componentes: C1, C2, y C3. Los valores nominales de
sus caractersticas son m1, m2 y m3 y sus precios son p1 = $20, p2 = $60 y p3 = $130,
respectivamente. Cada caracterstica del componente tiene un efecto aproximadamente
lineal en torno a los valores nominales m1, m2, y m3, de las caractersticas de un producto,
con una constante lineal 2, 3, y 1,5 para C1, C2, y C3, equitativamente. Cuando las
caractersticas del producto no son conformes a la especificacin, la prdida de calidad es
de $500, mientras que la tolerancia funcional de la caracterstica del producto es 3 (i.e., 0).
Suponga que las prdidas causadas por las fallas de los componentes son iguales a los
precios de stos, responda: cul es la tolerancia para cada componente?

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)

Para el componente C1:

y = m0 + 1 (x1 m1)

Para el componente C2:

y = m0 + 2 (x2 m2)

Para el componente C3:

y = m0 + 3 (x3 m3)

La prdida total de calidad para el producto es

z{
) =  V 6V G
{
q

VYZ

La ecuacin de la prdida total se resuelve para obtener

138

zV {
6V = GV T  = 1, 2, 3
z{ V

Visto de otra manera,

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

De acuerdo con estas tolerancias, la tolerancia para la caracterstica del producto, , se

obtiene de

 =

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

efecto no lineal sobre la caracterstica de y (lmites funcionales m0 0). En este caso, se

recomienda el mtodo grfico, como se muestra en la figura 2.20, para describir el efecto.

Con el propsito de determinar los lmites de tolerancia para la caracterstica x,

primero se obtienen los lmites funcionales m - 1 y m + 2, que son las proyecciones de m0
- 0 y m0 + 0, respectivamente. Sean A1 y A2 las prdidas cuando las caractersticas de los
componentes no satisfacen los lmites inferior y superior. Entonces,

Z = T
y

zZ
{
z{

 = T

z
{
z{

Para simplificar la tolerancia, se elige el lmite de tolerancia menor como el lmite

de tolerancia para ambos lados de m. Esto es,
= min (1, 2)
es el lmite tolerancia para la caracterstica x.

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.

2. Se debe utilizar slo si el proceso est centrado y la especificacin es bilateral.

A. ndice capacidad de proceso
B. Fraccin defectuosa
C. Intervalo de confianza
D. Tolerancias tcnicas de especificacin.
3. La distribucin de 6 del proceso abarca hasta el 75 % del rea de la tolerancia cuando,
A. El ndice de Cp = 0.67
B. El ndice de Cp = 1.00
C. El ndice de Cp = 1.33
D. El ndice de Cp = 1.53
4. El ciclo de vida de un producto se divide en dos partes principales:
A. Antes del diseo y despus del diseo
B. Antes de la necesidad y despus de la necesidad
C. Antes de fabricarlo y despus de fabricarlo
D. Antes de la venta y despus de la venta al consumidor
5. La prdida que un producto causa a la sociedad despus de que ha sido embarcado.
A. Prdida del mercado
B. Prdida de calidad
C. Prdida de confianza
D. Prdida del productor
6. Es la evaluacin cuantitativa de la prdida causada por la variacin funcional de un
producto.
A. Funcin de prdida de calidad
B. Variacin econmica
C. Variacin del proceso
D. Variacin tcnica
7. Criterios que se consideran estndar y son de aplicacin general para medir la calidad
del producto o del proceso en ingeniera de calidad:
A. Nominal es mejor
B. Menor es mejor
C. Mayor es mejor
D. Todas las anteriores
8. Describe que cualquier valor que tenga el producto en el intervalo m 0 es igual de
bueno para satisfacer las necesidades del consumidor.
A. Funcin de prdida de calidad
B. Funcin pasa-no pasa
C. La serie de Taylor
D. Funcin cuadrtica
9. 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
A. su funcionalidad
B. su costo
C. su valor objetivo
D. su durabilidad

141

10. m 0, si se le analiza desde el punto de vista del consumidor, representa la desviacin

dentro de la cual puede ocurrir
A. la falla funcional de un producto o componente
B. la aceptacin del producto
C. el gasto financiero
D. la falla del operario
11. Las siguientes funciones son correctas, excepto
B. A0 = k (0)2
A. A0 = k (m + 0 m)2

z
C. i = M
D. ) = 0 U G2

12. Comprende el costo de reparacin o sustitucin del producto ms el costo de transporte

del producto por parte del cliente al centro de reparacin y viceversa.
A. A
B. A0
C. A2
D. Ninguna
13. Es la funcin de prdida de calidad que ayuda a evaluar las calidades de todas las piezas
de todos los productos; es decir, calcula la prdida para ms de una pieza para el tipo de
caracterstica de calidad nominal es mejor.
z
A. ) = 0 U G2
B. ) = i k
E
C. L =

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

B. una desviacin estndar baja

D. una funcin de prdida creciente

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

2.2 Para un proceso electrnico de manufactura el flujo de energa tiene sus

especificaciones de 10010 miliamperios. La media del proceso y la desviacin estndar
son 107.0 y 1.5, respectivamente. Calcule: i) el ndice de capacidad del proceso; ii) el Cpk

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

tcnicas. La tabla 2.3 contiene las mediciones de una muestra n1 = n2 = n3 = n4 = 10 que se

extrajo de un contenedor que traa cada fabricante.
UW

MSD

L (Dlares)

UW

MSD

UW

MSD

UW

MSD

Tabla 2.3. Grosor de un tornillo producido por cuatro fabricantes diferentes

Proveedor
1

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.

2.6 Un cliente hizo un pedido de componentes de carpintera el 1 de enero de 2015 a una

empresa que se localiza en un estado del sureste de Mxico. Diez das despus, la orden fue
recibida por el departamento de manufactura. Quince das ms tarde, la demanda fue
transmitida al rea de produccin. Esta rea le calendarizaron 20 das para fabricar el
pedido. Luego de que se complet la solicitud, diez das ms tarde se enviaron los
componentes. El cliente, quien es una empresa de muebles finos que se halla en un estado
fronterizo con los Estados Unidos, hizo el pedido basado en el siguiente lema de la empresa
proveedora. Hacemos llegar sus pedidos a cualquier lugar de la repblica en un plazo no
mayor de diez das. De lo contrario, por cada da que sobrepase de la fecha lmite le
compensamos con 100 dlares diarios. Responda: i) Cul fue el tiempo de respuesta total
del cliente? ii) Qu tipo de caracterstica de calidad est evaluando? iii) Cul es la
caracterstica de calidad y cul es la unidad de medida? iv) Identifique 0; v) Identifique A0;
vi) Coloque los valores que identific en los anteriores acpites en la grfica que representa
la funcin de prdida menor es mejor; vii) Calcule k; viii) Formule la funcin de prdida
especfica de la caracterstica de calidad menor es mejor; ix) Redacte sus conclusiones.
2.7. Una empresa industrial que se halla en el Parque Industrial El Diez, valle de
Culiacn, es especialista en tornos y estructuras metlicas. Durante los ltimos cinco aos

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

Tabla 2.5 Km/litro de dos modelos de automviles

Modelo
Km/litro
A
5.8, 6.34, 5.02, 6.6, 5.28
B
5.55, 6.6, 7.13, 6.08, 5.55

UW 

MSD

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 modelo de automvil; x) De acuerdo con los resultados de la
funcin de prdida Qu modelo se espera que tenga mayor demanda? Explique.
2.10 Un equipo de ingenieros est investigando sobre el espesor idneo de una lmina de

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)

Responda: i) Qu tipo de caracterstica calidad se evala?; ii) De qu tamao es n?

iii) Calcule la relacin S/R de cada prueba; iv) Redacte sus conclusiones

148

2.12. La eficiencia de una fotocopiadora se mide en calidad de imagen. El mejor indicador

de la calidad es la percepcin que tiene el cliente de la nitidez de la fotocopia. Esto es, el
nivel ms alto posible de la calidad de imagen. Sin lugar a dudas este es el principal factor
que se toma en consideracin para comprar la mquina de reproduccin de copias. Un
equipo tcnico llev a cabo un experimento considerando cuatro factores de dos niveles
cada uno. Los datos de la tabla 2.8 son promedios de percepcin de los clientes acerca de la
calidad de la fotocopia segn la condicin experimental realizada.
Tabla 2.8 Percepcin de los clientes de la calidad de imagen de una fotocopia
Prueba
1
2
3
4
5
6
7
8

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)

Responda: Responda: i) Qu tipo de caracterstica calidad se evala?; ii) De qu tamao

es n? iii) Calcule la relacin S/R de cada prueba; iv) Redacte sus conclusiones.

2.13 Considere la produccin de un cilindro hidrulico que es uno de los elementos de

automocin de una compaa constructora. El dimetro nominal del cilindro es: 20 0.015
mm. El costo final de fabricacin para este parmetro es de 1.5 dlares para un volumen de
produccin de un milln de cilindros/ao. El productor ha reunido su equipo tcnico para
explicarles la necesidad de bajar ese costo a 0.90 dlar. Responda: i) Qu tipo de
caracterstica de calidad est evaluando?, ii) Dibuje la curva de la funcin de prdida de
calidad correspondiente y establezca la tolerancia del consumidor; iii) Calcule la tolerancia
del productor; iii) Compruebe si se cumple la condicin: < 0.
2.14. En el corte de metal, la eleccin del mtodo de enfriamiento influye en el mecanismo
de deformacin, la que a su vez se relaciona con la precisin dimensional y la superficie de
acabado de las piezas. Se tiene conocimiento que el mecanismo de deformacin de las
aleaciones de titanio bajo condiciones de mecanizado es muy diferente al de los materiales
industriales comnmente usados. Por lo tanto, el efecto de los mtodos de enfriamiento en
la precisin de la circularidad y acabado superficial en el mecanizado de titanio es de
particular inters. Sin embargo, el enfriamiento criognico ofrece menos errores de
dimetro cuando se combina con una mayor velocidad de corte y velocidad de avance
medio. Cuando la tasa de error en la circularidad es de 25%, se tiene una prdida de 40
dlares, la compaa que manufactura este tipo de materiales y acabados ha decidido bajar
este costo a 5 dlares. Responda: i) Qu tipo de caracterstica de calidad est evaluando?;
ii) Dibuje la curva de la funcin de prdida de calidad correspondiente y establezca la
tolerancia de actual; iii) Calcule la nueva tolerancia usando el factor de seguridad ; iv)
Redacte sus conclusiones.
2.15. Una empresa con mucha tradicin en la fabricacin de piezas de mrmol y de otros
tipos de roca ha diseado con los residuos de esos materiales un mosaico especial para

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

(2009). Eco-Informe. Ecodiseony. Sector mueble. Disponible en:

http://www.eco-diseo.net/script/photo/1325584332aidima-formaldehido.pdf
Consultado el 12 de septiembre de 2015.
ASME (1995). ASME Y14 SERIES. Drafting Manual Series. Volume 1. Global
Engineering
documents.
Disponible
en:
http://gram.eng.uci.edu/faculty/green/public/courses/189a/lecture_slides/standards/
ASME_Dimensioning%20and%20Tolerancing_Standards%20Excerpt.pdf
Consultado el 26 de septiembre de 2015
ASME (2009). Dimensioning and Tolerancing. Engineering Drawing and Related
Documentation Practices. An International Standard. New York: ASME
International.
Autor annimo (sfe). Tolerancia y normas de ingeniera. Disponible en:
http://www.cobanengineering.com/Tolerancias/Tolerancias_Definicioness.asp
Consultado el 26 de septiembre de 2015
Byrne, D.M. & Taguchi, S. (1987). "The Taguchi Approach to Parameter Design", Quality
Progress 2,No. 12, Diciembre, 1987, pp. 19-26.
California Environmental Protection Agency (sfe). Medicin de Control de Txicos en el
Aire (Airborne Toxic Control Measure, ATCM) para reducir las emisiones de
formaldehdo de los productos de madera compuesta. Air Resources Boards
Public
Information
Office.
Disponible
en:
http://www.arb.ca.gov/toxics/compwood/spanishfs.pdf Consultado el 12 de
septiembre de 2015.
Cao Yan-long, Yang Jiang-xin, Wu Zhao-tong, Wu Li-qun (2004). A robust tolerance
design method based on process capability. Journal of Zhejiang University
Science. January 2004, Volume 5, Issue 1, pp 81-85. DOI: 10.1007/BF02839317
Creveling, C. M. (1997). Tolerance desing. A handbook for developing optimal
specifications. Reading, Ma.: Addison-Wesley, p. 207.

Cristian, A., & Popescu, N. (2012). The application of Taguchis

quality loss concept to dimensional precision and ISO fits.
Bulletin of the Transilvania University of Braov. Series I: Engineering Sciences.
Vol.
5
(54)
No.
2,
2012,
pp.
25-32.
Disponible
en:
http://webbut.unitbv.ro/BU2012/Series%20I/BULETIN%20I/Cristian_A.pdf
Consultado el 23 de septiembre de 2015
Crostack, H. -A., Refflinghaus, R., & Liangsiri, J. (2010). Defining Tolerances in
Assembly Process with the Aid of Simulation. Editors: Svetan Ratchev. Precision
Assembly Technologies and Systems, Springer, vol. 315, pp.33-40, IFIP Advances
in
Information
and
Communication
Technology.
Disponible
en:
https://hal.inria.fr/hal-01055665/document Consultado el 9 de octubre de 2015.
Cruz Trejos, E. A., Medida Varela, P. D. & Silva Daz, C. (2012). Una revisin crtica de
la razn seal ruido usada por Taguchi. Scientia et Technica. Ao XVII, No 50,
Abril de 2012. Universidad Tecnolgica de Pereira
Drake, Jr., P. J. (1999). Dimensioning and tolerancing handbook. New York: MacGrw-Hill.

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

el 4 de septiembre de 2015. Tambin est disponible en:

http://www2.isye.gatech.edu/~roshan/publications/qlf.pdf Consultado el 4 de
septiembre de 2015.
Scholz, F. (1995). Tolerance Stack Analysis Methods. A critical Review. Research and
Technology. Boeing Information & Support Services. Disponible en:
http://www.stat.washington.edu/fritz/DATAFILES/Rtolerancing/TOLSTACK.pdf
Consultado el 26 de septiembre de 2015
Sharma, N. K., Cudney, E. A., Ragsdell, K. M. & Paryani, K. (2007). Quality Loss
Function. A Common Methodology for Three Cases. Journal of Industrial and
Systems Engineering, Vol. 1, No. 3, Fall 2007, pp 218-234.
Sharma, N.K.,& Cudney E.A. (2011). Signal-to-Noise ratio and design complexity based
on Unified Loss Function LTB case with Finite Target. International Journal of
Engineering, Science and Technology. Vol. 3, No. 7, 2011, pp. 15-24
Suh, N. P. (2003). A theory of complexity and applications. Cambridge, Ma.:
Massachusetts Institute of Technology.
Suh, N.P. (1999). A Theory of Complexity, Periodicity and Design Axioms, Research in
Engineering Design, Vol. 11, pp. 116-131.
Thompson, J. R. & Koronacki, J. (2002). Statistical process control: the Deming paradigm
and beyond. New York: Chapman & Hall/CRC.
Taguchi G., Chowdhury S., & Taguchi S. (2000), Robust engineering. New York:
McGrawHill.
Taguchi, G. (1986): Introduction to Quality Engineering. Tokio: Asian Productivity
Organization).
Taguchi, G., Elsayed, E. A., & Hsiang, T. C. (1989). Quality engineering in production
systems. New York: McGraw-Hill
Taguchi, Genichi. (1990). Introduction to quality engineering. Designing quality into
products and processes. Hong Kong: Nordica International limited, pp. 13-16.
Trcolea, C., & Stere Paris, A. (2011). Loss function used in the quality theory. U.P.B. Sci.
Bull. Series A, Vol. 73, Iss. 1, pp. 45-55. Disponible en:
http://www.scientificbulletin.pub.ro/rev_docs_arhiva/full54861.pdf Consultado el
8 de septiembre de 2015. (Universitatea Politehnica din Bucaresti, Science
Bulletin Series A)
Vacarescu, C. F. & Vacarescu, V. (2010). The Taguchis Quality Loss Function in
Development and Design for Bulk Goods in the Autmotive Field. Annals of
DAAAM for 2010 & & Proceedings of the 21st International DAAAM
Symposium, 20-23 October 2010, Vienna, Austria.
Vasseur, H., Kurfess, T.R, & Cagan, J. (1997). Use of a Quality Loss Function to Select
Statistical Tolerances. ASME. Journal of Manufacturing Science and Engineering,
vol.119 (3), pp. 410-416. doi:10.1115/1.2831121.
Villamil Garca, E. & Garca Hernndez, M. J. (2003). Introduccin al proyecto de
ingeniera.
Universidad
de
Buenos
Aires.
Disponible
en:
http://materias.fi.uba.ar/6612/archives/Libro_materia.pdf Consultado el 23 de
septiembre de 2015
Vinasco Isaza, L. E. (sfe). Control estadstico de procesos. Centro de Ingeniera de calidad
de
Cali,
Colombia.
Disponible
en:

153

http://www.cicalidad.com/articulos/Control_Estadistico_de_Procesos%20%20SPC.pdf Consultado el 17 de septiembre de 2015

Wu, Y & Wu, A. (1996). Diseo robusto utilizando los mtodos Taguchi. Madrid: Daz de
Santos.
Yang, K., Xie, W, & He, Y. (1994). Parameters and tolerance design in the engineering
modelling stage. International Journal of Production Research, vol. 32, No. 12,
pp:2803-2816. DOI: 10.1080/00207549408957101

154

CAPTULO III. EXPERIMENTOS CON ARREGLOS ORTOGONALES

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

El DEE con arreglos ortogonales es el proceso de planificacin de experimentos

mediante los cuales se puedan obtener datos con la mnima cantidad de experimentos y, de
cuyos valores obtenidos, con los mtodos estadsticos adecuados, se someten a minucioso
anlisis para adquirir la informacin tcnica necesaria. Se debe asumir, que si se desea
extraer conclusiones significativas a partir de los datos no hay excusa para evadir el
enfoque estadstico para el diseo de experimentos. Esta condicin conlleva a tener en
cuenta dos aspectos que conciernen al diseo experimental: 1) el diseo de experimentos
per se, y; 2) el anlisis estadstico de los datos acopiados. Ambos estn estrechamente

relacionados ya que el mtodo de anlisis estadstico depende del diseo seleccionado.

3.1 Planeacin y conduccin de experimentos

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

Fase I. Planificacin del experimento.

La formacin del equipo de trabajo para la experimentacin se debe llevar a cabo tan
pronto como sea posible. La seleccin de los miembros del equipo incluir a toda aquella
persona que de una u otra manera tiene algo que aportar a los problemas iniciales de la fase
de planificacin. La importancia de la formacin de un equipo de experimentacin efectivo
es un ingrediente esencial para la realizacin de un experimento exitoso. Si la planificacin
es la piedra angular para llevar a cabo con xito un experimento, entonces el equipo de
experimentacin se debe organizar desde inicio del proyecto y debe responder a las
siguientes preguntas: Qu es lo que se est tratando de lograr? Se est buscando resolver
un problema importante de calidad? Acaso han sido llamados para ayudar con la creacin
de una nueva lnea de produccin y para contribuir en apresurar la curva de aprendizaje?
Esta es la sesin crtica para la planificacin del experimento, aunque al principio
es dirigida por una persona que no est involucrada en el proyecto, debe incluir, por
necesidad, a los altos directivos por el rol que ellos juegan en lo toma de decisiones para el
accesos a los datos y materiales que se necesitarn para correr los experimentos. Este
equipo pudiera estar formado por un miembro del personal de marketing, el ingeniero de
procesos, el ingeniero de produccin, el supervisor de manufactura, el ingeniero de calidad,
el experto en diseo estadstico, el ingeniero de diseo, el operador, entro otros.

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:

Agenda de la primera reunin de trabajo del equipo de experimentacin

I. Metas del proyecto
II. Alcance del proyecto
III. Comentario de la direccin
IV. Eleccin del lder del equipo
V. Informacin general del mtodo Taguchi
VI. Determinar objetivos
VII. Equipo de investigacin/Requisitos para la recopilacin de datos
VIII. Resumen

Fase II. Diseo del experimento.

Las sesiones de planeacin concluyen con toda la informacin necesaria de acuerdo
con la estrategia del experimento. Con base en los factores y niveles identificados se
prepara el nmero de experimentos y la manera en que se llevarn a cabo.

Fase III. Conduccin del experimento.

Toda vez que los experimentos fueron diseados, estos se realizan siguiendo
exactamente la combinacin prescrita, as como en el orden requerido.

Fase IV. Analizar el experimento.

En esta etapa se colectan los resultados de los experimentos para ser analizados. Los
procedimientos de anlisis se estandarizan para determinar la informacin bajo estudio. El
primer objetivo del anlisis es obtener informacin acerca de las nuevas condiciones del
diseo y obtener una estimacin de la mejora esperada.

159

Fase V. Confirmar el experimento.

Para verificar si la mejora es realmente alcanzable o para decidir si la condicin
ptima es mejor que el desempeo actual, se deben realizar un nmero necesario de
muestras para someterlas a rigurosas pruebas de acuerdo con las nuevas especificaciones
del diseo.
Otro procedimiento para abordar la planificacin del diseo estadstico del
experimento se describe en la figura 3.2.

1. Planteamiento del problema experimental. Es necesario desarrollar un planteamiento

claro del problema y sus objetivos. Un planteamiento claro contribuye a una mejor
comprensin del fenmeno bajo estudio y conlleva a encontrar la mejor solucin final del
problema.

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.

5. Seleccionar el diseo de experimento. Este paso es el punto ms importante para el

procedimiento del diseo estadstico de experimento. El experimentador debe decidir un
diseo de experimento apropiado, tomando en cuenta los factores, niveles, todas las
posibles combinaciones, el costo del experimento y la disponibilidad de tiempo. Ahora
bien, si se tienen muchos factores se recomienda utilizar un diseo factorial fraccionado
que son, de suyo, las matrices ortogonales. El experimentador debe tambin decidir un
nmero apropiado de rplicas en cada condicin experimental (corrida) para garantizar la
precisin estadstica deseada, en tanto que el orden en que se llevarn a cabo los
experimentos, es decir cada corrida, debe ser en orden aleatorio. Al mismo tiempo, se debe
proponer un modelo matemtico con el propsito de realizar el anlisis estadstico
adecuado de los datos obtenidos.

6. Realizacin del experimento. Este es el proceso actual de colectar datos. El

experimentador debe poner atencin el avance actual del experimento para asegurar que se
est procediendo de acuerdo con el plan. Adems, prestar especial atencin el entorno en el
que se est realizando el experimento, el cual debe permanecer sin cambio alguno, tanto
como sea posible.

7. Anlisis de datos. Se deben emplear mtodos estadsticos como el anlisis de varianza y

la estimacin estadstica para el anlisis de los datos que se obtienen del experimento. Lo
deseable es obtener toda la informacin posible a partir del anlisis de datos para el
problema experimental planteado.

8. Anlisis de resultados y conclusiones. Despus de que el conjunto de datos han sido

analizados, el experimentador habr de realizar inferencias fsicas de estos resultados
estadsticos y evaluar sus implicaciones prcticas para el problema planteado. Luego se
deben hacer conclusiones.

9. Confirmacin de la prueba. Antes de presentar los resultados y llevar cabo un curso de

accin, el experimentador necesita confirmar la prueba para evaluar las conclusiones del
experimento.

161

10. Recomendaciones y seguimiento. El experimentador presenta los resultados a los altos

directivos y al equipo staff y se lleva a cabo las acciones necesarias. Con el fin de cuidar las
mejoras sugeridas por el experimento, es necesario tener una accin cuidadosa de
seguimiento, tales como la estandarizacin de las condiciones de operacin, uso de hojas de
verificacin, as como los grficos de control para evaluar las contradicciones continuas del
experimento.

11. Planeacin de los subsecuentes experimentos. A menudo se recomienda efectuar otra

serie de experimentos para resolver los problemas que no se han resuelto plenamente. Por
lo general, la experimentacin es un proceso iterativo; un experimento tan solo es la
solucin parcial del problema, por lo que se sugiere mantener al da una agenda para
subsecuentes experimentos en los que se espera tratar preguntas crticas.

Clasificacin de los tipos de datos

El experto en diseo estadstico de experimento y su equipo staff, toda vez de que
hayan definido el problema y la variable de respuesta objetivo, tambin deben especificar
qu tipo de factores y qu tipos de datos arrojar el experimento. Los datos experimentales
se dividen, usualmente, en dos tipos: discretos (atributos) y continuos (variables). Taguchi
(1987) adems divide cada uno de estos en tres categoras (ver Tabla 3.1). En ella se
distinguen tres clases de datos discretos: discretos simples, discretos marginales fijos y
multidiscretos. Asimismo, hay tres clases de datos continuos: continuos simples, continuos
multifraccionales y continuos multivariables. Esta clasificacin es importante tenerla en
cuenta para decidir, por un lado, el nmero de rplicas que son necesarias para los
experimentos y, por el otro, para determinar un mtodo apropiado para el anlisis de datos
(Park, 1996).

162

Tabla 3.1 Clasificacin de los tipos de datos

Tipo
Discreto
(Atributo)

Continuos
(Variables)

Clase
Discreto simple

Ejemplo
Datos contables, tales como nmero de
defectos y nmero de agujeros

Distribucin de probabilidad
Poisson

Discretos
marginales fijos

Datos sobre el nmero de individuos que se

hallan fuera de un nmero n de individuos
clasificados dentro de varias categoras
por ejemplo, cuando uno clasifica la
apariencia de n objetos como excelente,
bueno, regular o malo.

Multinomial (binomial si hay

dos categoras)

Multidiscretos

El nmero de defectos es el valor discreto

simple. Sin embargo, lo que cuenta son los
defectos grandes, medios y pequeos; estos
nmeros son los datos multidiscretos. Esto
se refiere al caso donde hay diferentes tipos
y se enumera el nmero de unidades por
tipo

Poisson en cado tipo

Continuos simples

Los valores ordinarios continuos tales como

peso, dureza y fuerza de tensin.

Normal

Continuos
multifraccionales

Estos valores se presentan donde los datos

de las categoras individuales no son los
nmeros de las unidades individuales, sino
valores
marginales
discretos
fijos
expresados en porcentajes. Por ejemplo,
excelente 25.7%, bueno 20.9%, regular
39.2% y malo 14.2%. El total debe ser
100%.

Aproximadamente normal en
cada categora, si n es grande.

Continuos
multivariables

El peso total de manzanas en un rbol es un

valor continuo simple. Sin embargo, cuando
las manzanas que an estn en el rbol se
clasifican, por ejemplo, como de primera
categora, 15.5 kg; segunda categora, 20.9
kg; y tercera categora, 5.5 kg. Estos son
datos multivariables.

Normal multivariada (Normal

en cada categora)

Fuente: Park, Sung H. (1996). Robust design and analysis for quality engineering.
London: Chapman & Hall, p. 45

Clasificacin de los factores

Los factores que se abordan en los diseos estadsticos de experimentos se pueden
dividir en dos tipos: fijos y aleatorios. Fijos significa que los niveles del factor son
tcnicamente controlables y cada nivel tiene algn significado tcnico. Adems, los niveles
de un factor fijo se pueden reproducir y repetir si se necesita realizar otros experimentos.
Sin embargo, aleatorio significa que los niveles de los factores no son tcnicamente

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

variabilidad de una respuesta. Tambin se les llama factores de control-objetivo.

De la misma manera hay tres clases de factor aleatorio:
1. Factores de block (grupo): estos son factores que tienen niveles para los cuales no
hay significancia tcnica. Son factores de block las diferencias de localizacin
geogrfica, diferencias que son en funcin del da, diferencias de lotes y diferencias
entre operadores.
2. Factores suplementarios: Estos son factores que incluyen experimentos
suplementarios o valores medidos, los cuales son resultado del antecedente del
estado de las condiciones experimentales. Estos factores se usan como variables
independientes en el anlisis de covarianza.
3. Factores de ruido (error): estos son factores que tienen una influencia sobre una
variable de respuesta pero no pueden ser controlados con las aplicaciones actuales.
Hay tres clases de este tipo de factores: ruido interno, ruido externo y ruido entre
productos.

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

Diseo del proceso

del Temperatura ambiente
Humedad
Estaciones del ao
Variacin del material entrante
Operadores
Cambio de voltaje
Variacin de lote a lote

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

Fuente: Byrne & Taguchi (1987)

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

La metodologa del diseo de experimentos estudia cmo variar las condiciones

habituales de realizacin de un proceso emprico o producto para aumentar la probabilidad
de detectar cambios significativos en la respuesta; de esta forma se obtiene un mayor
conocimiento del comportamiento del proceso de inters o desempeo del producto. Para
que la metodologa de diseo de experimentos sea eficaz es fundamental que el
experimento est bien diseado. Con base en esto ltimo, el objetivo del diseo de
experimentos es estudiar si cuando se utiliza un determinado tratamiento se produce una
mejora tanto en el proceso, como en el producto. Para ello se debe experimentar aplicando
el tratamiento y no aplicndolo.
En suma, un experimento se disea y se corre por alguna de las siguientes
necesidades:
Determinar las principales causas de variacin en la respuesta.
Encontrar las condiciones experimentales con las que se consigue un valor
extremo en la variable de inters o respuesta.
Comparar las respuestas en diferentes niveles de observacin de los factores de
control.
Optimizar respuestas. Qu valores de los factores proporcionan las respuestas
de mayor calidad?
Determinar la robustez del sistema. Cmo afectan a la respuesta variaciones no
controladas en el valor de los factores?
Obtener un modelo estadstico-matemtico que permita hacer predicciones de
respuestas futuras.
Visto con una mirada ms amplia, el DEE se aplica a sistemas como el que describe la
figura 3.3, en los cuales se observan una o ms variables experimentales dependientes o
respuestas (y) cuyo valor depende de los valores de una o ms variables independientes (x)

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).

i) Diseo mejor acierto

La estrategia de mejor acierto 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

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.

ii) Mtodo de variar un factor a la vez

El mtodo tradicional de experimentacin, el que quizs surge de forma ms
intuitiva que por conocimiento tcnico, consiste en variar un factor cada vez. A partir de
unas condiciones iniciales, se llevan a cabo experimentos durante los cuales todos los
factores se mantienen constantes excepto el que se est estudiando. De este modo, la
variacin de la respuesta se puede atribuir a la variacin del factor y, por tanto, revela el
efecto de ese factor. El procedimiento se repite para los otros factores (Ferr & Rius, 2002).
El razonamiento que soporta esta forma de actuar es que si se variaran dos o ms factores
entre dos experimentos consecutivos, no sera posible conocer si el cambio en la respuesta
ha sido debido al cambio de un factor, al de otro, o al de todos a la vez.
La figura 3.4 ilustra el estudio del efecto de dos factores (A, B) sobre el
rendimiento de una reaccin qumica. El mtodo variar un factor a la vez aplicado al factor
A consiste en realizar un experimento a unos valores determinados de B pero a dos valores
distintos de A. La variacin en la respuesta indica el efecto de A sobre la respuesta. El
procedimiento se repite para el factor B. Para reducir la incertidumbre de los efectos
observados se pueden repetir los experimentos.

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.

A primera vista, el mtodo de un factor a la vez parece ser ms eficiente que el

diseo factorial completo. Sin embargo, aquel mtodo tiene, al menos, cuatro
inconvenientes importantes: 1) pierde informacin con mltiples factores; 2) es menos
objetivo con un nmero grande factores; 3) no garantiza que los resultados se puedan
reproducir en situaciones reales de manufactura, y; 4) no informa sobre cmo un factor
interacta con los otros factores o cmo estas interacciones afectan a la respuesta.
En cambio, si se hubiera efectuado un experimento factorial como dice
Montgomery (2004) se habra registrado una combinacin adicional de los tratamientos
A2B2. Con esta ltima no slo se tienen la cuatro observaciones A1B1, A2B1, A1B2 y A2B2,
sino que tambin es posible calcular dos estimaciones del efecto del factor A, a saber: A2B1

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.

iii) Mtodo diseo factorial completo

Los DEE ms sencillos (y desde luego los ms utilizados frecuentemente) son los
diseos factoriales completos a dos niveles. Se les llama a dos niveles porque cada
factor puede tomar dos valores, y se llaman completos porque se investigan todas las
posibles combinaciones de los niveles de los factores en cada ensayo completo. Por lo
tanto, si el diseo tiene k factores, entonces para cubrir todas las condiciones
experimentales se requieren 2k ensayos. Cada nivel se codifica como -1 representa el
nivel bajo y +1 el nivel alto, o tambin con los signos - para el nivel bajo, y + para el
nivel alto. Otra manera habitual de codificarlos es 0 y 1 para los niveles bajo y alto
respectivamente.
Uno de los aspectos ms difciles es la fijacin de los niveles de los factores
cuantitativos. Para ello es conveniente tener un buen conocimiento del objeto de la
experimentacin y, sobre todo, de la variable de respuesta, as como de su unidad de
medida. En general, se recomienda que un primer ensayo deba realizarse con los niveles
suficientemente separados como para que se pueda valorar el efecto del factor, pero no
demasiado, de modo que haya una falta de continuidad en el fenmeno. El siguiente
ejemplo describe la forma de cmo se realiza un DEE factorial completo a dos niveles.

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 del proceso, medida en C.

Concentracin del producto base (en %).

Tipo de catalizador utilizado, existen dos tipos: A y B.
Los niveles en los que pueden operar los factores seleccionados son:

Temperatura: entre 150 C y 190 C.

Concentracin del producto base: entre 15% y 45%.
Actualmente el proceso est operando bajo las siguientes condiciones:

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.

Con base en aquella explicacin general el equipo de trabajo estaba preparado

para disear una tabla inicial sobre la que desplegaran todas las combinaciones de
tratamientos. Pero antes recibi una informacin estratgica adicional: si una letra
(minscula) est presente, entonces el factor correspondiente se corre con el nivel alto en
dicha combinacin de tratamiento; si est ausente, el factor se corre con su nivel bajo. Por
ejemplo, la combinacin de tratamiento a indica que el factor A est en el nivel alto, y los
factores B y C en el nivel bajo. La combinacin de tratamiento donde los tres factores
tienen el nivel bajo est representada por (1). Esta notacin se emplea en todas las series de
diseos 2k.
La tabla 3.4 es la tabla general que el equipo de trabajo prepar para tener una
nocin clara de cmo se despliegan las distintas combinaciones tratamientos de un diseo
factorial completo 23.
Tabla 3.4. Signos algebraicos para el clculo de los efectos en el diseo factorial completo 23 del
proceso de fabricacin de sartenes de la empresa HAPPY KITCHEN.
Combinacin de
tratamientos (serie de
letras minsculas)
(1)
a
b
ab
c
ac
bc
abc

Total
I
+
+
+
+
+
+
+
+

Efecto factorial
A
+
+
+
+

B
+
+
+
+

AB
+
+
+
+

C
+
+
+
+

AC
+
+
+
+

BC
+
+
+
+

ABC
+
+
+
+

El equipo de trabajo defini tres factores principales A, B, y C; tres interacciones

de dos factores: AB, AC y BC; y una interaccin de tres factores: ABC. De estas
interacciones, el equipo de trabajo supone que la interaccin de la temperatura con el
catalizador, es decir, AC, es significativa. Sin embargo, por la propia naturaleza del mtodo
habr de calcular todas las interacciones descritas. Ahora bien, en ausencia de stas, las

172

condiciones experimentales de los factores principales se expresan como se muestra en la

tabla 3.5.
Tabla 3.5. Signos algebraicos para el clculo de los efectos en el diseo factorial completo 23 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
+
+
+
+

Esta manera de desarrollar los ensayos en las matrices se denomina forma

estndar y es muy til para la operacionalizacin del diseo. Al poner un poquito de

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

El equipo de trabajo corri cada uno de los experimentos siguiendo las

indicaciones previstas y obtuvo los siguientes resultados (tabla 3.7):
Tabla 3.7 Matriz de resultados del proceso de fabricacin de
sartenes de la empresa Happy Kitchen, con el diseo factorial completo 23
Combinacin de
tratamientos (serie de
letras minsculas)
(1)
a
b
ab
c
ac
bc
abc

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

promediados para todos los niveles de otro factor.

3. Efectos de interaccin: son las diferencias entre efectos simples

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

La ecuacin puede reescribirse como

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

La ecuacin puede reescribirse como

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

La ecuacin puede reescribirse como

'=

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

La ecuacin AB, se puede escribir como sigue:

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

Para la interaccin AC su ecuacin es:

z' =

176

 +  +  + 1  +  +  + 

4
4

La ecuacin AB, se puede escribir como sigue:

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

Para la interaccin BC su ecuacin es:

' =

 +  +  + 1  +  +  + 

4
4

La ecuacin AB, se puede escribir como sigue:

' =

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

La interaccin ABC se define como la diferencia promedio entre la interaccin AB

1
5   +   +  +  17
4

para los dos niveles distintos de C, es decir, C+ y C-. en consecuencia su ecuacin es,

z' =

La ecuacin AB, se puede escribir como sigue:

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,

tanto en los factores principales como en la interacciones.

n = nmero de rplicas
2 = nmero de niveles
k = el nmero de factores

Mientras que la suma de cuadrados (Sum of Square, SS) es,

178

De acuerdo con los resultados anteriores,

'
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

En este ejemplo n = 1, entonces,

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 = 3,600 + 5,184 + 2,916 + + 6,400

8

C = 34,342 33,024.5

C = 1,317.5

= 1,317.5 1,058 50 4.5 4.5 200 0 0.5

= 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.

El producto de los signos de cualquier par de columnas da como resultado una

columna de la tabla con los signos especficos del producto, por ejemplo,
A x B = AB, AB x ABC = A2B2C = C, etc.

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

El diseo 35 = 243 experimentos

El diseo 36 = 729 experimentos

El diseo 37 = 2,187 experimentos

El diseo 38 = 5, 561 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.

iv) diseo de experimentos con matrices ortogonales (mtodo Taguchi)

Una matriz experimental consiste en un conjunto de experimentos en los que la
configuracin de los diversos parmetros de un producto o proceso de inters se cambian de
un experimento a otro y, de los cuales, los datos obtenidos se analizan para determinar los
efectos de los parmetros en la respuesta del producto o proceso (Phadke, 1989). Esto es,
un experimento con arreglo ortogonal es una matriz experimental que usa matrices

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

Tabla 3.10 Arreglo ortogonal AO8(27)

Nmero de
filas
1
2
3
4
5
6
7
8

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

N= nmero de filas, m = nmero de columnas y s = nmero de elementos.

182

donde N es el nmero de filas, 2 es el nmero de niveles y m el nmero de columnas, las

cuales tienen la propiedad de que en cada par de stas, cada uno de los posibles pares
ordenados de elementos aparece el mismo nmero de veces (Hacker, et al, 1991). Observe
que en cada par de columnas de la tabla 3.9 cada uno de los 4 pares ordenados (0,0), (0,1),
(1,0), y (1,1) aparece exactamente una vez. Del mismo modo, en cada par de columnas de
la tabla 3.10 contiene cada uno de los cuatro pares (0,0), (0,1), (1,0), y (1,1) exactamente
dos veces.
Taguchi se refiere al arreglo ortogonal AON(sm) con la notacin LN(sm), donde L es
la letra mayscula de la palabra en ingls Layout que significa diseo, aunque algunos
expertos en DEE explican que L es una notacin que significa cuadrado latino, N es el
nmero de corridas, s es el smbolo para denotar los elementos del arreglo ortogonal, o
mejor dicho los niveles del factor. Cuando el factor est a dos niveles el nmero 1 es para
el nivel bajo y el nmero 2 para el nivel alto. Por ltimo, m es el nmero de columnas. Si
el factor estuviera a tres niveles, entonces el nmero 1 es para el nivel bajo, el nmero
2 para el nivel medio, y el nmero 3 para el nivel alto.

3.3 Definicin de ortogonalidad

En matemticas, el trmino ortogonalidad, del griego ortos recto y gonos
ngulo es una generalizacin de la nocin geomtrica de perpendicularidad. En el
espacio eucldeo convencional el trmino ortogonal y el trmino perpendicular son
sinnimos. Un espacio eucldeo es un espacio vectorial completo dotado de un producto
interno.18 Esto es, dos vectores en el mismo plano son ortogonales, significa que los dos
vectores, literalmente, forman un ngulo recto. En otras palabras, la proyeccin de B a A es
cero y viceversa. Esto significa que los dos son independientes entre s, por lo que es
imposible expresar A con respecto B o viceversa (Taguchi, 1993). De la misma manera,
este concepto se puede extender a un plano de tercer orden o ms.
En un espacio de n orden, el ngulo recto es invisible. Los vectores A y B
A: (a1, a2,, an), B: (b1, b2, , bn)
en un espacio de ensimo orden, A y B son ortogonales cuando
18

Ortogonalidad (matemticas). Disponible en:

https://es.wikipedia.org/wiki/Ortogonalidad_%28matem%C3%A1ticas%29 Consultado el 9 de noviembre de
2015

183

a1b1 + a2b2 + + anbn = 0

(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

Al multiplicar los elementos correspondientes de los vectores se obtiene el siguiente

resultado:

AB = a1b1 + a2b2 + a3b3 + a4b4

Se sustituyen los valores,

AB = 2(4) + 3(1) + 5(1) + 0(4) = 8 + 3 + 5 + 0 = 0

Esto indica que los dos vectores son ortogonales. El concepto de ortogonalidad es
importante en el diseo de experimentos, porque dice algo acerca de la independencia. Por
lo general, el anlisis experimental de un diseo ortogonal es sencillo, porque se puede
estimar cada efecto principal e interaccin de forma independiente. Si el diseo no es

184

ortogonal, bien sea porque as se plane o debido a la prdida accidental de datos, la

interpretacin podra no ser tan sencilla.
La importancia de lo descrito ms arriba se expresa con el siguiente ejemplo.
Considere slo los factores principales (A, B, y C) de un diseo factorial completo 23 con
ocho corridas (tabla 3.11).
Tabla 3.11. Los factores principales de
un diseo factorial 23
A
B
C
1
-1
-1
1
-1
1
-1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
Para mostrar que cada columna (vector) es ortogonal con respecto a las otras
columnas, multiplique AB, AC y BC, luego sume cada producto.

AB = 1(1) +1(1) 1(1) 1(1) 1(1) 1(1) + 1(1) + 1(1) = 4 + 4 = 0

AC = 1(1) +1(1) 1(1) 1(1) 1(1) 1(1) + 1(1) + 1(1) = 4 + 4 = 0

BC = 1(1) 1(1) 1(1) + 1(1) + 1(1) 1(1) + 1(1) + 1(1) = 4 + 4 = 0

As que, en cierto sentido, el factor A se estima de forma independiente de B y C y

viceversa. Las estimaciones de los efectos y los coeficientes permanecern invariables
cuando se eliminen las interacciones del modelo. El resto de la salida cambiar en la
medida que se ajuste el error experimental (MSE) segn corresponda con ms grados de
libertad. En conclusin, un experimento diseado es ortogonal si los efectos de cualquier
factor se equilibran (suman cero) con los efectos de los otros factores.19 La ortogonalidad

19

Ver: Diseos ortogonales. Disponible en: http://support.minitab.com/es-mx/minitab/17/topiclibrary/modeling-statistics/doe/basics/orthogonal-designs/ Consultado el 9 de noviembre de 2015

185

garantiza que el efecto de un factor o interaccin pueda estimarse de manera

independiente del efecto de cualquier otro factor o interaccin presente en el modelo.
3.4 Los diseos L4 (23) y L8 (27)
El diseo L4 (23)

Se entiende que las matrices ortogonales que comprende el mtodo Taguchi se

crearon para ayudar a alcanzar buenos diseos experimentales. Como ya se mencion ms
arriba, con este propsito se dispone de un nmero no despreciable de este tipo de matrices.
Cada matriz se puede utilizar para adaptarse a una serie de situaciones experimentales. La
matriz ms pequea es el AO L4 que se utiliza para disear experimentos en los que se
desea estudiar dos o tres factores de dos niveles cada uno, como se muestra en las tablas
3.12a y 3.12b.
Tabla 3.12a. Asignacin de 3 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
1
1
0

* El nmero entre parntesis representa la columna.

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.

Primer paso: seleccionar un arreglo ortogonal.

El arreglo que responde a los datos proporcionados es el arreglo L4, es el AO ms pequeo.
En este caso hay tres factores de dos niveles. No hay ninguna frmula matemtica para
elegir el AO. Se tiene que saber qu buscar y luego hacerlo de manera intuitiva. Ms tarde,
cuando el diseo de experimentos sea ms complejo, habr algunas reglas para la
seleccionarlo. Por ahora, la mejor manera de decidir qu AO ser el ms adecuado para
acomodar 3 factores de dos niveles es preguntando: Cul matriz, de la serie descrita en la
tabla 3.13, tiene tres o ms columnas de dos niveles?
La decisin recae sobre el AO L4. Este arreglo es el ms pequeo entre varias
matrices que cumplen con el requisito. Por lo tanto se elige L4. Observe que al seleccionar
el arreglo L4 el nmero mximo de condiciones experimentales ya est definido. El
subndice 4, no slo representa el nmero de filas (nmero asociado con la designacin del
arreglo, L), sino es el nmero de experimentos que habr de llevarse a cabo. Esta
caracterstica es vlida para todos los tipos de matrices ortogonales. Lo ms importante, no
se necesita memorizar el arreglo, slo se requiere de hacerse de un conjunto de tablas y
asignar los factores en las columnas como desee hacerlo.

188

Segundo paso: asignar factores a las columnas.

Los tres factores A, B, y C se asignan a las tres columnas del arreglo como se
muestra en la tabla 3.14. En este punto no se necesita poner especial cuidado para su
asignacin. En cualquier columna se puede fijar cualquiera de los tres factores.
Tabla 3.14 Asignacin de tres factores de dos niveles en un AO L4 (23)
Nmero de
corrida
1
2
3
4

Factor
B
(2)
0
1
0
1

A
(1)
0
0
1
1

C
(3)
0
1
1
0

Tercer paso: describir el experimento.

Una vez que los factores se asignan a las columnas, los experimentos individuales se
describen fcilmente. Los experimentos individuales se representan mediante las filas, los
cuales primero se leen en notacin crptica, seguido de una descripcin de los cuatro
experimentos en lenguaje sencillo y claro.

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:

taza de azcar, chips pequeos, 1 barra de mantequilla

Experimento 2:

taza de azcar, chips grandes, 1 barra de mantequilla

Experimento 3:

taza de azcar, chips pequeos, 1 barra de mantequilla

Experimento 4:

taza de azcar, chips grandes, 1 barra de mantequilla

De acuerdo con la experiencia de quienes practican el diseo de experimentos con

arreglos ortogonales del mtodo Taguchi, sealan que la tarea ms difcil es la seleccin del
AO que se ha de usar para el diseo de experimento. Dicho de otra manera, el primer paso
es el ms difcil.

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.

Cmo se llama la variable de respuesta (Y)?

Resp. Nmero mximo de comprensiones

2.

Qu caracterstica de calidad se analizar en este problema?

Resp. La caracterstica de calidad mayor es mejor

3.

Cuntos factores tiene este experimento?

Resp. 3 factores de 2 niveles cada uno

4.

Puede aplicarse el criterio de un AO?

Resp. S Por qu? Porque hay una definicin clara de los factores y sus
niveles

5.

Qu representacin simblica le corresponde este AO?

Resp. L4(23) o L-4(23)

6.

Cmo se llama el factor 1?

Resp. Longitud

7.

Cmo se llama el factor 2?

Resp. Grosor del alambre

8.

Cmo se llama el factor 3?

Resp. Tipo acero

9.

De acuerdo con los datos previos, complete la tabla 3.15

Tabla 3.15 Factores, abreviaturas y niveles para el diseo de un muelle
Niveles
Factor
Longitud (cm)
Grosor (mm)
Tipo de acero

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:

Tabla 3.16 Arreglo ortogonal L4 (23) para el diseo del muelle

Nmero de
corrida
1
2
3
4

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:

10 cm, 5 mm, Acero tipo A

Experimento 2:

10 cm, 7mm, Acero tipo B

Experimento 3:

15 cm, 5mm, Acero tipo B

Experimento 4:

15 cm, 7 mm, Acero tipo A

191

Ejemplo 3.3 Un caso de estudio

Caso de estudio 1: estudio de la resistencia de una pieza
El fabricante de una popular marca de cortadora de csped ha desarrollado un nuevo diseo
para la cubierta de plstico del motor. Debido a la preocupacin por la durabilidad y el
evidente debilitamiento de la cubierta por la vibracin, se solicit al proveedor
incrementara la resistencia de la caracterstica especfica de la pieza, sin que descuidara el
cumplimiento de los dems requisitos de geometra. El departamento de calidad del
fabricante tambin seal que la resistencia de la pieza es la causa principal de la falla de
campo, por lo que se le pidi al proveedor que establezca una estrategia de mejora continua
de largo plazo para el diseo de productos y de esta manera reducir las variaciones de las
piezas durante los prximos aos.
Inspirado por la importancia que los consumidores manifiestan por la mejora de la
resistencia de la pieza, el proveedor respondi rpidamente mediante la realizacin de un
proyecto para optimizar el proceso de moldeo de la cubierta del motor usando un DEE.
Para tal efecto, se procedi a organizar un equipo de trabajo que se integr con el personal
de diseo, produccin, ventas y relaciones con los consumidores, al mismo tiempo que se
eligi el lder del proyecto. El lder sigui y aplic las siguientes cinco fases:

Fase I. Planeacin del DEE

Propsito: ponerse de acuerdo sobre los objetivos e identificar los factores y niveles,
En la mente de todos se tena claro que la resistencia de la pieza era el principal
objetivo. Para ello se acord medir la firmeza de la pieza en trminos de fuerza en libras
necesarias para una deflexin de 1/8 de pulgada sobre una zona predefinida de la cubierta.
Todos estuvieron de acuerdo en que una carga transversal ms alta es un indicador de un
aumento general de la resistencia de la pieza. Luego se llev a cabo una lluvia de ideas para
identificar los posibles factores que determinan la firmeza, de lo que result una lista de
siete factores:
1. Tipo de resina

2. Temperatura del moldeo

3. Presin de la inyeccin

4. Fijar tiempo

5. Nivel de llenado

6. Limpieza del tinte (no controlable)

7. Hora del da (no controlable).

192

Dentro de este grupo de factores, la limpieza del tinte y la hora del da se

reconocieron como factores no controlables. La limpieza frecuente del colorante es una
actividad que consume mucho tiempo. Para satisfacer el alto volumen de demanda, se
consider necesario operar la lnea de produccin durante 24 horas al da. Por ltimo, el
proceso tiene que ser insensible a la influencia de los cambios ambientales durante el da.
Pero por ahora, se consider que lo ms conveniente era ejecutar el conjunto ms simple de
experimentos y establecer el DEE que optimice el proceso. Se acord, adems, que el
experimento sera conducido bajo un entorno de produccin real, y que slo podra ser
detenido durante el medioda. En ese lapso se correran no ms de cinco experimento.
Para poner un lmite en el nmero de experimentos se eligi para el diseo la
matriz ortogonal L4. Esto signific que el estudio se hara con slo tres factores, los cuales
deberan estar en dos niveles. Despus de una breve discusin sobre qu factores eran los
que mayor influencia ejercen sobre la resistencia se opt por la presin de la inyeccin, la
temperatura de moldeo y la fijacin del tiempo. Se tiene conocimiento que los factores
nivel de llenado y tipo de resina influyen en la resistencia, por lo que un participante del

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

Fase II. Diseo del experimento

Propsito: determinar el nmero de experimentos que se van a correr.

El diseo de experimentos constituye la seleccin de la matriz o AO, asignar los

factores a las columnas, y describir las combinaciones experimentales. El arreglo
seleccionado es un L4 que tiene tres columnas. Los tres factores de dos niveles ahora se
pueden asignar a la matriz de tres columnas de dos niveles como se muestra en la tabla
3.19, la cual permite hacer la descripcin de las condiciones experimentales.
Tabla 3.19 Diseo de experimento con tres factores de dos niveles
Factor
Nmero de
A
B
C
corrida
(1)
(2)
(3)
1
0
0
0
2
0
1
1
3
1
0
1
4
1
1
0

Fase III. Conducir los experimentos

Propsito: determinar la secuencia de las corridas de los experimentos.

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.

Nmero de muestras para probar en cada condicin experimental

El nmero mnimo de muestras inexcusable para estudiar en cada condicin
experimental es uno (1). Cuando mayor es el nmero de muestras, mejor ser la calidad de
la informacin que se obtiene. Si se espera que haya variacin de muestra a muestra,
entonces es necesario obtener mltiples muestras. En un diseo avanzado de experimento el
nmero de muestras por condicin experimental es dictado por el propio diseo. Para
aquellos diseos simples, como el de este ejemplo, el nmero de muestras se decide
arbitrariamente teniendo en cuenta el costo y la variabilidad esperada de los resultados. Las
corridas experimentales de ms bajo costo, pero con ms variabilidad, requieren de un
mayor nmero de muestras.
Para entender el orden de cmo llevar a cabo los experimentos, suponga que en el
experimento L4 estn disponibles tres muestras para la prueba en cada una de las
condiciones experimentales. Esto significa que hay 12 (= 4 x 3) muestras para el proyecto
(ver tabla 3.20). Aqu surgen dos preguntas bsicas: Cmo se debe realizar la prueba?
Cul se debe ejecutar primero y cul en segundo?
Tabla 3.20 Experimentos planeados L4 con tres muestras en cada condicin
Nmero de
Factor
corrida
Muestras de prueba
A
B
C
1
0
0
0
S11
S12
S13
2
0
1
1
S21
S22
S23
3
1
0
1
S31
S32
S33
4
1
1
0
S41
S42
S43

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

experimentales. El orden en el cual se corre un ensayo se determina por seleccin aleatoria

del espcimen de prueba de entre el total de muestras.

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.

Para configurar correctamente la condicin de la prueba, por ejemplo de la

muestra S33, para elevar la temperatura de moldeo del compuesto puede tomar algn
tiempo. Esto, sin duda, requerir tener a la mano de un poco de tiempo extra. Por otro lado,
quin puede saber de antemano que el tercer experimento podra, incluso, seleccionarse al
azar de una de las muestras restantes de la condicin experimental 3? Si as fuera el caso,
ahora la configuracin consistira en bajar la temperatura. Se debe estar consciente que
seguir en sentido estricto el mtodo de rplicas puede llegar a ser bastante lento.
Si se consume mucho tiempo o resulta difcil llevar a cabo un cambio rpido de
nivel del factor, entonces se recomienda utilizar la tcnica de repeticin. Esta tcnica
consiste en que la condicin experimental se selecciona al azar y todas las muestras que se
encuentran bajo la misma condicin se estudian unas tras otra. En orden de preferencias,
primero pensar en la tcnica de rplicas, si esto no fuera posible, entonces aplique la
tcnica de repeticin, advirtiendo que esta decisin se debe a que no se tiene capacidad para
seguir cualquier orden que implica la rplica. Por tal razn, lo mejor que se puede hacer es
probar las muestras en la medida que estn disponibles. Es as como se puede completar el
experimento planeado, es decir, sean rplicas o repeticiones, una u otras son buenas, pero
algo hay que hacer y tener.
Todos los experimentos del caso de estudio 3.3 se llevaron a cabo en orden
aleatorio y los resultados de las muestras se midieron en trminos de fuerza en libras
necesarias para una deflexin de 1/8 de pulgada sobre una zona predefinida de la cubierta.
El promedio de las tres muestras de cada condicin experimental que se analizaron se
registr en la ltima columna a la derecha del AO, como se muestra en la Tabla 3.21.

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 

Fase IV. Anlisis de los resultados

Propsito: determinar la mejor condicin experimental del diseo y la influencia de los

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

muestras que se analizaron de las cuatro condiciones de experimentales.

las condiciones experimentales que se indican por su correspondiente subndice y es til

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

Promedio de los efectos de los factores (efecto principal)

Condicin ptima

Desempeo estimado de la condicin ptima

Informacin de tipo II

Influencia relativa de los factores

197

Intervalo de confianza del desempeo ptimo

Prueba de significancia de la influencia del factor.

De acuerdo con lo anterior, es recomendable abocarse, en un primer momento, en

el conocimiento de la operacin de los datos ms simples. El anlisis del experimento para

el caso de estudio que trata de la resistencia de la cubierta del motor de la podadora se
enfoca sobre la informacin de tipo I. Anlisis que no pierde de vista el tipo de la
caracterstica de calidad deseada (nominal es mejor, menor es mejor, mayor es mejor). La
informacin de tipo II se explicar ms adelante. Para este caso, el ms comn es el anlisis
estndar cuando slo hay una columna de resultados. Esto es, porque slo hay una muestra
por cada condicin experimental o porque se ha utilizado, para fines de anlisis, los
promedios de las muestras de cada condicin y que se concentran en la columna de
resultados. Aunque la caracterstica de calidad deseada es mayor es mejor.

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.

Grficos de los efectos promedio

El grfico de los efectos promedio se obtiene mediante la representacin del efecto
promedio de los niveles del factor (valor numrico de los resultados a lo largo del eje y)
contra el nivel correspondiente del factor que se coloca a lo largo del eje x. Este grfico se
utiliza sobre todo para elegir un nivel (entre todos los niveles del factor de prueba) que
revele el mejor desempeo. Para quien hace el experimento, el grfico hace evidente dos
aspectos adicionales de informacin sobre el factor. Primero, describe la naturaleza de la
tendencia de la influencia del factor en la medida que cambia desde el nivel 1 al nivel 2. En
segundo lugar, en proporcin a la pendiente o la diferencia entre los puntos extremos,
demuestra la variacin de los resultados debido al cambio en los niveles de factor, lo que
indica la sensibilidad del desempeo del factor (resultados) (Figura 3.7).

Figura 3.7 Grfico de los efectos promedio del factor y la variabilidad

asociada con la pendiente de los efectos principales

199

Efecto principal, efecto factorial o efecto columna

Estos trminos son sinnimos que se usan para hacer referencia a la tendencia de
cambio del efecto promedio de los factores. Generalmente el efecto principal se expresa por
la diferencia en los efectos promedio de los dos niveles (para un factor de dos niveles) o
mediante el graficado del efecto medio. Esto se puede expresar en trminos numricos,
mediante un clculo sencillo restando del efecto del segundo nivel el efecto del primer

*R FF  R z = z zZ = 30.5 27.5 = 3

nivel, como se enuncia en la siguiente ecuacin:

*R FF  R = W WZ = 26 32 = 6

*R FF  R ' = ' 'Z = 29.5 28.5 = 1

Es muy importante hacer hincapi que, si bien resulta fcil calcular el efecto
principal del factor cuando ste tiene dos niveles, graficarlo es indispensable. De la misma
manera, tenga muy en cuenta que siempre debe dibujar un grfico si el factor tiene tres o
ms niveles. Los efectos principales de los tres factores se muestran en el grfico de la
figura 3.7. De este grfico se puede realizar las siguientes observaciones:

El nivel 2 del factor presin de la inyeccin produce un resultado ms alto

(caracterstica de calidad mayor es mejor).

El nivel 1 del factor temperatura del moldeo es mejor.

El nivel 2 del factor fijar tiempo ocasiona un resultado ms alto

La gran media de desempeo

El promedio de los resultados de todas las corridas se le llama la gran media de
desempeo. Este es un nmero terico y puede representar o no el desempeo medio 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.

EGF    G = /W =

Z +  + q + s
4

200

/W =

30 + 25 + 34 + 27
= 29 /F
4

Contribucin del factor

La contribucin del factor es la cantidad de mejora que se obtiene del conjunto de
factores agrupados en los niveles deseados. Esta mejora es una medida relativa con respecto
al desempeo de la gran media. En este caso es la gran media es igual a 29 lb/pulg2. Por
ejemplo, la contribucin del factor A (presin de la inyeccin) se calcula restando la gran
media (29) del efecto promedio del factor A en el nivel 2 (30.5). Tales formas de clculo de
la contribucin de los factores se describen en las siguientes ecuaciones:

z /W = 30.5 29 = 1.5

Contribucin del factor A (Presin de la inyeccin):

WZ /W = 32 29 = 3

Contribucin del factor B (Temperatura del moldeo):

' /W = 29.5 29 = 0.5

Contribucin del factor C (Fijar tiempo):

Resultado esperado de la condicin ptima

El resultado esperado de la condicin experimental idnea es una estimacin de la
condicin ptima (Yopt.). Es la estimacin ms simple y ms comnmente utilizada, el
factores a la gran media de desempeo (/W. Las contribuciones de todos los factores son
desempeo esperado se calcula sumando todas las mejoras (contribucin) de todos los

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,

( = /W + z /W + WZ /W + ' /W

201

= 29 + (30.5 29) + (32 29) + (29.5 29)

= 34 lb/pulg2

Tal como se muestra en la ecuacin, la contribucin de cada uno de los factores se

suma para formar la contribucin total. La gran media se incrementa (para la caracterstica
de calidad mayor es mejor) cuando se agrega la contribucin total, lo cual produce el
resultado esperado en la condicin ptima (29 + 5 = 34). El resultado esperado (34)
significa que cuando el proceso de moldeo se ajusta en la condicin descrita por la
condicin experimental idnea (350lb/pulg2, 150F y 9 segundos), el resultado promedio
estar muy prximo de 34.
Note que la condicin ptima (niveles de los factores 2, 1, 2) es la tercera
condicin experimental (corrida 3). Es importante sealar que cunto ms grande sea el
experimento (mayor nmero de corridas) la probabilidad de que una de esas corridas
contenga la condicin experimental idnea disminuye. Por ejemplo, para un AO L4, en
trminos de un diseo factorial completo se haran 8 experimentos, pero slo se hacen
cuatro de los ocho posibles ensayos, en consecuencia hay una probabilidad de 50 % de que
la condicin ptima sea una de las condiciones ya examinadas. En cambio para el AO L8, la
probabilidad de que contenga la condicin experimental idnea es menor que el 7 % (8 de
128).

Fase V. Confirmar los resultados previstos

Propsito: verificar que se puedan obtener los resultados previstos

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

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 3.8.

Figura 3.8 Lmites de la confirmacin de los resultado esperados

Con base en los criterios de la funcin de prdida y de los tipos de caractersticas

de calidad que sta sustenta, la caracterstica de calidad de la cubierta del motor de la
podadora es del tipo mayor es mejor y su variable de respuesta es la resistencia de la
cubierta medida en lb/pulg2, ambos valores se representan en la figura 3.9.

Figura 3.9 Funcin de prdida de la caracterstica calidad mayor es mejor y estandarizacin del
proceso de moldeo

Resumen del caso de estudio

La condicin experimental idnea (corrida 3) permiti identificar las tendencias de

la influencia de la presin de inyeccin, temperatura del moldeo, y el tiempo
establecido de cuyos niveles sirven para determinar la condicin ms deseable, es

decir, la condicin ptima.

La condicin ptima se determina en los niveles 350 lb/pulg2, 150F y 9 segundos.

Cuando el proceso de moldeo se ajusta en la condicin experimental idnea, se

espera que el desempeo mejore en un 17 % (29 a 34). Esto es, la resistencia de la

203

cubierta se incrementa de 29 lb/pulg2 a 34 lb/pulg2. Al mismo tiempo, podra

esperarse que la prdida se reduzca, al menos, en un 17%, tambin.

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

Nmero mximo de columnas en estos

niveles
2
3
4
5
3
7
4
11
15
5
1
7
6
1
12
31
1
9
11
12
3
13
1
11
1
25
63
21
40
-

Ver: Diseos de Taguchi en: http://support.minitab.com/es-mx/minitab/17/topic-library/modelingstatistics/doe/taguchi-designs/taguchi-designs/ Consultado el 9 de enero de 2016

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

Tabla 3.23 AO L8 (27)

No. de
ensayo
1
2
3
4
5
6
7
8

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

El uso del AO L8 para disear un experimento se puede aplicar de cuatro maneras:

i)

4 factores de dos niveles

ii)

5 factores de dos niveles

iii)

6 factores de dos niveles

iv)

7 factores de dos niveles.

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 %

De acuerdo con esta lista se identifican cuatro factores principales: A, B, C y D; seis

posibles interacciones de dos factores que pueden resultar: A x B, A x C, A x D, B x C, B x
D, C x D; cuatro interacciones de tres factores: A x B x C, A x B x D, A x C x D, B x C x
D y un interaccin de cuatro factores: A x B x C x D. Sin embargo, la interaccin de mayor

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

Para hacer ms fcil la comprensin del experimento para un mayor nmero de

tcnicos el lenguaje crptico de la tabla 3.24 se traduce a un lenguaje ms sencillo

207

En lenguaje sencillo:
Experimento 1:

200C, 500kgcm-2, 30 min., 3% aditivo

Experimento 2:

200C, 500kgcm-2, 40 min., 5% aditivo

Experimento 3:

200C, 700kgcm-2, 30 min., 5% aditivo

Experimento 4:

200C, 700kgcm-2, 40 min., 3% aditivo

Experimento 5:

220C, 500kgcm-2, 30 min., 5% aditivo

Experimento 6:

220C, 500kgcm-2, 40 min., 3% aditivo

Experimento 7:

220C, 700kgcm-2, 30 min., 3% aditivo

Experimento 8:

220C, 700kgcm-2, 40 min., 5% aditivo

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:

Promedio de los efectos de los factores (efecto principal)

Condicin ptima

Desempeo estimado de la condicin ptima

Z +  + q + s 9 + 12 + 8 + 15
=
= 11
4
4

Clculos de los efectos promedio de los 4 factores:

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

Grficos de los efectos promedio

El grfico de los efectos promedio se obtiene mediante la representacin del efecto
promedio de los niveles del factor (valor numrico de los resultados a lo largo del eje y)
contra el nivel correspondiente del factor que se coloca a lo largo del eje x. Este grfico se
utiliza sobre todo para elegir un nivel (entre todos los niveles del factor de prueba) que
revele el mejor desempeo. Para quien hace el experimento, el grfico hace evidente dos
aspectos adicionales de informacin sobre el factor. Primero, describe la naturaleza de la
tendencia de la influencia del factor en la medida que cambia desde el nivel 1 al nivel 2. En
segundo lugar, en proporcin a la pendiente o la diferencia entre los puntos extremos,
demuestra la variacin de los resultados debido al cambio en los niveles de factor, lo que
indica la sensibilidad del desempeo del factor (resultados) (figura 3.10).

209

Figura 3.10 Grfico de los efectos promedio del factor y la variabilidad asociada
con la pendiente de los efectos principales

Efecto principal, efecto factorial o efecto columna

Estos trminos son sinnimos que se usan para hacer referencia a la tendencia de
cambio del efecto promedio de los factores. Generalmente el efecto principal se expresa por
la diferencia en los efectos promedio de los dos niveles (para un factor de dos niveles) o
mediante el graficado del efecto medio. Esto se puede expresar en trminos numricos,
mediante un clculo sencillo restando del efecto del segundo nivel el efecto del primer
nivel, como se enuncia en las siguientes ecuaciones:

*R FF  R z = z zZ = 15 11 = 4

*R FF  R = W WZ = 11.75 14.25 = 2.5

*R FF  R ' = ' 'Z = 15 11 = 4

 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:

El nivel 2 del factor temperatura produce un resultado ms alto

(caracterstica de calidad mayor es mejor).

El nivel 1 del factor presin es mejor.

El nivel 2 del factor tiempo induce a un resultado ms alto.

El nivel 1 del factor aditivo influye, pero no de manera significativa, para

una respuesta ms alta.

La gran media de desempeo

desempeo /W. Este es un nmero terico y puede representar o no el desempeo medio

El promedio de los resultados de todas las corridas se le llama la gran media de

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

Contribucin del factor

La contribucin del factor es la cantidad de mejora que se obtiene del conjunto de
factores agrupados en los niveles deseados. Esta mejora es una medida relativa con respecto
al desempeo de la gran media. En este caso es la gran media es igual a 13 kgcm-2. Por
ejemplo, la contribucin del factor A (temperatura) se calcula restando la gran media (13)
del efecto promedio del factor A en el nivel 2 (15). Tales formas de clculo de la
contribucin de los factores se describen en las siguientes ecuaciones:
Contribucin del factor A (Temperatura): z /W = 15 13 = 2

211

Contribucin del factor B (Presin): WZ /W = 14.25 13 = 1.25

Contribucin del factor C (Tiempo): ' /W = 15 13 = 2

 /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

resultado esperado se calcula como,

Resistencia a la traccin = 13 + (15 13) + (14.25 13) + (15 13) + (13.75 13)
Resistencia a la traccin = 19 kgcm-2

Tal como se muestra en la ecuacin, la contribucin de cada uno de los factores se

suman para formar la contribucin total. La gran media se incrementa (para el tipo de
caracterstica de calidad mayor es mejor) cuando se agrega la contribucin total, lo cual
produce el resultado esperado en la condicin ptima (13 + 6 = 19). El resultado esperado
(19) significa que cuando el proceso de moldeo del plstico se ajusta en la condicin
descrita por la condicin experimental idnea (220C, 500kgcm-2, 40 min., 3% aditivo), el
resultado promedio estar muy prximo de 19 kgcm-2. Note que la condicin ptima se
enmarca en los niveles 2, 1, 2, 1 correspondiente a cada factor y es la sexta condicin
experimental, esto es el experimento 6.

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.

Figura 3.11 Lmites de la confirmacin de los resultado esperados

Con base en los criterios de la funcin de prdida y de los tipos de caractersticas

de calidad que sta sustenta, la caracterstica de calidad que estudia este ejemplo es la del
tipo mayor es mejor y su variable de respuesta es la resistencia a la traccin que se mide en
kgcm-2. Los valores 0 = 13 y = 19, ambos se representan en la figura 3.12.

Figura 3.12 Funcin de prdida de la caracterstica calidad mayor es mejor y

estandarizacin del proceso de moldeo del plstico

213

Resumen

La condicin experimental idnea (corrida 6) permiti identificar las tendencias de

la influencia de la temperatura (C), presin (kgcm-2), tiempo (min.) y aditivo (%)
de cuyos niveles sirven para determinar la condicin ms deseable, es decir, la
condicin ptima.

La condicin ptima se determina en los niveles: 220C, 500kgcm-2, 40min, 3%.

Cuando el proceso de moldeo se ajusta en la condicin experimental idnea, se

espera que el desempeo mejore en un 46 % (13 a 19). Esto es, la resistencia a la
traccin se incrementa de 13 kgcm-2 a 19 kgcm-2. Al mismo tiempo, podra
esperarse que la prdida se reduzca, al menos, en un 46 %, tambin.

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.

3.5 El anlisis de varianza en los arreglos ortogonales

El propsito del desarrollo de un producto o proceso es mejorar el desempeo de
las caractersticas de ese producto o proceso con respecto a las necesidades o expectativas
del consumidor. El objetivo de la experimentacin debe ser el de reducir y controlar la
variacin de un producto o proceso; subsecuentemente, la decisin se debe hacer sobre los
parmetros (facores) que afectan el desempeo de aqullos (producto o proceso). La
funcin de prdida cuantifica la necesidad de entender cules factores del diseo influyen
sobre la media y la variacin de las caractersticas de desempeo de un producto o proceso.
En este sentido, mediante el ajuste oportuno del promedio y la reduccin de la variacin, se
minimizan las prdidas tanto del producto como del proceso.
Dado que la variacin es una parte importante de la discusin en relacin con la
calidad, el anlisis de varianza (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.

214

El anlisis en el diseo de experimentos se refiere a las operaciones que se hacen

con los resultados despus de que se llevaron a cabo los experimentos de los que se evalan
las muestras de ensayo. Todos los clculos que se efectan se fundamentan en los
resultados de los ensayos para apoyar las observaciones, conclusiones y recomendaciones
pertinentes (Roy, 2001). Dependiendo de la complejidad de los clculos involucrados, el
anlisis se puede desarrollar en dos partes: anlisis simple y anlisis de varianza.

Parte I. Anlisis simple

El anlisis simple consiste en obtener la gran media de los resultados y los efectos
promedio de los factores. Los clculos comprenden operaciones aritmticas simples (suma

y divisin) que ayudan a formular observaciones y conclusiones en los aspectos siguientes:

1. Influencia del factor o efectos principales.
2. Condicin ptima para una caracterstica de calidad deseada.
3. Desempeo esperado en la condicin ptima.
Como se puede ver, todo lo que se requiere es una calculadora sencilla de cuatro funciones
para realizar este clculo y anlisis.

Parte II. Anlisis de varianza

Los clculos que aqu se emplean no son algo que la mayora de la gente se siente
cmoda o ms segura hacindolo a mano. Se trata de trminos cuadrticos de los que se
extrae su raz cuadrada. El procesamiento de datos para el anlisis de varianza (ANOVA)
es algo que va ms all de los tres clculos bsicos mencionados ms arriba. En trminos
generales, el ANOVA es muy til para apoyar los clculos, pruebas y observaciones de la
siguiente naturaleza:
1. Influencia relativa de los factores e interacciones en la variacin de los
resultados.
2. Prueba de significancia de los factores e interacciones asignados en las
columnas.
3. Intervalo de confianza (I.C.) del desempeo ptimo.
4. Intervalo de confianza del efecto principal de los factores.

215

5. El trmino factor de error, el cual contiene la influencia de todos los factores

no incluidos en el experimento y los efectos del error experimental.

Por qu realizar ANOVA?

En cursos previos de estadstica inferencial seguramente conoci la estructura de
la tabla ANOVA y aprendi a hacer uso de la ltima columna de la citada tabla. Hasta este
momento an no se ha explicado de dnde provienen y cmo se calculan los distintos
componentes de la tabla. Dependiendo de sus necesidades, pero si se trata de aprender
acerca tanto de la influencia de los factores, como de la sensibilidad de los resultados
generada por diferentes factores, entonces no debe haber duda para formalizar el ANOVA.
Con la informacin obtenida del ANOVA acerca de los experimentos se tendr la
capacidad para obtener un mejor conocimiento ya sea del producto o el proceso bajo
estudio, lo cual no slo desafa el sentido comn, sino que adems va ms all y se coloca
por encima del anlisis simple.
El ANOVA puede ser un extenso tema estadstico de estudio. Es tal su extensin
que podra pasarse uno o dos semestres tomando cursos en ciencia estadstica y no
terminara de abarcarlo. En este sentido, las lecciones que contiene este material no estn
creadas para que se haga un experto en ANOVA, son solamente para aprender como
calcularla. El propsito es tan solo exponer de dnde vienen todos los valores de la tabla y
cmo se ejecutan los clculos. Las operaciones se exponen con detalle para ayudar a
examinar la interrelacin entre los diversos trminos del ANOVA. Slo cuando se conoce
la expresin matemtica se entender cmo cada trmino influye en las conclusiones que se
extraen. No est por dems advertir que no se trata de participar en las discusiones sobre
teoras estadsticas o acerca de las derivaciones de los trminos que conciernen el ANOVA.

Estrategia de clculo del ANOVA

El principal objetivo del ANOVA es extraer de los resultados cunta variacin
provoca cada factor (o interaccin asignada a la columna) en relacin con la variacin total
observada en el resultado. El trmino variacin se demuestra por varias descripciones
matemticas; en breve se har uso de una de ellas. Pero antes, pensando de forma grfica, el
termino variacin trae imgenes en forma de un paraguas o una montaa de las

216

distribuciones de los datos del desempeo de la poblacin. En este punto, es importante si

se trata de una curva en forma de campana o una verdadera distribucin normal. Lo que es
significativo es la dispersin o la anchura de la imagen, la cual es directamente
proporcional a la variacin dentro de los datos.
Quizs, para un estudio con los factores A, B, C y as sucesivamente, la variacin
total de los resultados de los experimentos (todo el resultado del ensayo) se pueda exponer
en una distribucin ms grande, as como las distribuciones e influencias individuales de
cada factor contenidas en ella (figura 3.13). Para formular la influencia de un factor
individual en la cantidad total, aqulla se enuncia como una fraccin (%) de la variacin
total de la manera como se representa en la figura 3.14

El clculo de la influencia individual del factor es similar a encontrar el porcentaje

de las contribuciones individuales en un proyecto de grupo cuando se conoce la produccin
total. Por ejemplo, suponga que los equipos de mantenimiento de carreteras de una ciudad
en un turno repararon 600 baches. Un miembro de los ms rpidos de una cuadrilla dice
haber reparado 90 baches l solo. Una forma de expresar la contribucin de esta persona es
formulando su desempeo en trminos de una fraccin del total; es decir, 90 bache/600

217

baches = 0.15 o 15 %. De la misma manera, la variacin causada por un factor individual se

puede expresar como un porcentaje de la variacin total. Por tanto, el reto est en ser capaz
de cuantificar la variacin y formularlo en trminos numricos de tal manera que se pueda
dividir uno por el otro.
Para un conjunto de datos (resultados) Y1, Y2, , YN, la variacin total se puede
calcular mediante la suma de las desviaciones de las datos individuales con respecto al
valor de la media. Si las desviaciones se colectarn tal como son, la desviacin de un punto
de los datos que caen a la izquierda de la media ser cancelada por otra desviacin que se
encuentre igualmente lejos a la derecha de la media. Para asegurar que todas las
desviaciones se cuenten, las desviaciones individuales se elevan al cuadrado, lo cual obliga
que todos los valores de la desviacin sean positivos (figura 3.15)

y cuya ecuacin que representa aquellos valores positivos es

N

C = V W 
VYZ

Donde,
SST = suma de cuadrados total

W = promedio de la muestra

Yi = valores de la caracterstica de calidad

Que tambin se puede reducir de la forma siguiente:

N

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

Donde F.C es el factor de correccin (= ), NA1 es el nmero total de

CM
N

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:

1. ' G  :  =

2. F-ratio

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:

GL de un factor = nmero de niveles del factor 1

GL de una columna = nmero de niveles de la columna 1

GL de un arreglo = total de todos los grados de libertad del arreglo

GL de un experimento = no. total de resultados de todos los ensayos - 1

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.

Parte I: Anlisis simple.

El total de los resultados es
T = 9 + 12 + 8 + 15 + 16 + 20 + 11 + 13 = 104
Efecto de los factores en cada nivel
A1 = y1 + y2 + y3 + y4

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

Parte II. Clculos del ANOVA.

Total de GL = (no. de resultados) 1

=81
= 7 GL
GL del error = (Total de GL) (Total de todos los GL de todos los factores)
= 7 5 = 2 GLe
Factor de correccin (F.C) =

CM
N

Z{s A Z{s

= 1,352

G   :

C = V
VYZ

/

C = 9Z + 12 + 8q + 15s + 16 + 20 + 11 + 13 1,352 = 108

zZ
z
+
. '
HZ H

Z

+
. '
HZ H

Suma de cuadrados de los factores e interaccin

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

SSe = SST - SSA + SSB + SSAXB + SSC + SSD

SSe = 108 32 12.5 24.5 32 4.5 = 2.5
Los cuadrados medios de los factores o varianza de cada factor es igual a la suma de
cuadrados del factor divido por sus respectivos grados de libertad. Dado que todos los
factores tienen 1 GL, entonces,

' 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

' G  '   =

' G  E   =

32
' G  '   =
= 32
)
1

4.5
' G  E   =
= 4.5
)
1

223

     =

2.5
     =
= 1.25
)
2

Clculo de F-ratio para cada factor e interaccin

A =

q

Z.

Z.

Z.

= 25.6
= 10

A = Z. = 19.6
s.

= Z. = 25.6
q

= Z. = 3.6
s.

G   F  z:

m =

 6  )

Clculos de las sumas de cuadrados puras de los factores e interaccin

G   F  z:

m = 32 1.25 6 1 = 30.75

G   F  :

m =

 6 ) 

G   F  :

m = 12.5 1.25 6 1 = 11.25

m

G   F  z6:

A
=

A  6 )A 

G   F  z6:

A
= 24.5 1.25 6 1 = 23.25

G   F  ':

m =

 6 ) 

G   F  ':

m = 32 1.25 6 1 = 30.75

G   F  E:

m =

 6 ) 

224

G   F  E:

m = 4.5 1.25 6 1 = 3.25

m
Suma de cuadrados del error pura:

m = SST -

Suma de cuadrados del error pura:

m = 108 30.75 11.25 23.25 30.75 3.25 = 8.75

Suma de cuadrados del error pura:

m = SSe + (GL de los factores e interacciones) (Ve)

Suma de cuadrados del error pura:

m = 2.5 + (5) (1.25) = 2.5 + 6.25 = 8.75

Clculo del porcentaje de la influencia de cada factor e interaccin

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%

Clculo de la influencia del error

e = 100 (A + B + AxB + C + D)
e = 100 (28.47 + 10.42 + 21.53 + 28.47 + 3.01) = 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

De acuerdo con los valores de las columnas 5 y 6, en las que se comparan la F

calculada contra la F(, 1, 2), los factores estadsticamente significativos son A, B, C y la
interaccin AxB. En el mismo orden, estos mismos factores, en trminos de su porcentaje
de influencia, contribuyen de manera significativa en la variable de respuesta. Los niveles
adecuados para incrementar la resistencia a la traccin son A2, B1, C2, D1. Note que an no
se ha analizado el efecto de la interaccin AxB sobre la respuesta.
Otra manera de facilitar el anlisis y extraer otras lecturas de los datos que se
refieren a la resistencia a la traccin es mediante otro mtodo, cuyos elementos se hallan
organizados en la estructura de la Tabla 3.27
Tabla 3.27 Tabla para calcular los componentes de la tabla ANOVA
No. de columna
Fuente (Factores)
Nivel
Datos

1
A
1

2
B
2

3
AxB
1
2

4
C
1

5
e
2

6
e
2

7
D
2

(1) Suma de los

niveles
(2) Suma de (1)
(3) Diferencia de
(1)
(4) (3)2
(5) (4)/8
Fuente: Park, 1996.

Colocar los valores de la ltima columna de la tabla de resultados del experimento

en las casillas correspondientes, como se describe en la tabla 3.28

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) Suma de los

niveles
(2) Suma de (1)
(3) Diferencia
de (1)
(4) (3)2
(5) (4)/8 (SS)

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

La ltima fila de la tabla 3.28 muestra la variacin de cada fuente (factor).

Asimismo, dado que hay dos columnas para el error, la suma de cuadrados del error es la
suma de las variaciones de las columnas 5 y 6. La variacin de cada columna se calcula
mediante

[(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

Despus de haber definido el ANOVA que se despliega en la tabla 3.29 para el

experimento de la resistencia a la traccin del plstico con el AO L8, deviene necesario
obtener los niveles ptimos de los factores que maximiza (o minimiza o da el valor objetivo
para) la respuesta. Lo que sigue es una forma de gua para encontrar las condiciones
ptimas:

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.

Si se desea encontrar los niveles ptimos de los factores significativos cuyos

niveles no se encuentran en (3), los niveles se deben decidir no por la respuesta
que se supone en el experimento, sino por otros aspectos tales como la
operatividad, la tcnica o los costos que implica obtener el factor.

Mediante un ejemplo se ilustrar aquel procedimiento. Considere el experimento de

las tablas 3.25 - 3.29. Las fuentes significativas de variacin son A, B, A x B y C. Ante
todo, se debe construir la tabla de doble entrada para la interaccin A x B, como se muestra
en la tabla 3.30.
Tabla 3.30 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

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

De acuerdo con lo anterior, la resistencia a la traccin se puede evaluar mediante

WWWWWZ /W + 'Z /W

(. = /W + z

A2B1C2, lo cual se consigue de la siguiente manera:

(. =

104
36 104
60 104
+
+

8
2
8
4
8

Yopt = 13 + (18 13) + (15 13) = 13 + 5 + 2 = 20 kgcm-2

Si observa, el nivel ptimo del factor D no se tom en cuenta en el anlisis previo dado que
se considera no significativo. Sin embargo, al considerarse otras sugerencias se agrega el
nivel ptimo de D que es D1, con lo cual se asume que la resistencia a la traccin se puede
evaluar mediante A2B1C2D1. Entonces la condicin ptima es

(. =

WWWWWZ /W + 'Z /W + E

Z /W
(. = /W + z

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.

3.6 Razones para usar arreglos ortogonales

Un arreglo ortogonal, como ya se explic ms arriba, es una matriz de smbolos
tales como 1 y 2 0 y 1. En cada par de columnas hay solamente cuatro posibles
pares de smbolos: 11, 12, 21 y 22. Para que sea un arreglo ortogonal, cada par de
smbolos tiene que ocurrir con la misma frecuencia en cada par de columnas. Las matrices
ortogonales tienen una gran importancia histrica en el campo del diseo estadstico de

229

experimento. Hasta antes de la llegada de las computadoras, prcticamente cada DEE

utilizaba una matriz ortogonal.
Hay, al menos, dos razones principales por las que los primeros practicantes en
DEE se centraban en las matrices ortogonales. En primer lugar, es fcil calcular el efecto
de cualquier factor cuando ste cambia de un nivel a otro, es decir, se obtiene la media de
todas las respuestas de los ensayos que se corren en el nivel alto (2) del factor y se resta el
promedio de los ensayos que ejecutan en el nivel bajo (1) del factor. En segundo lugar, el
efecto estimado de cualquier factor es estadsticamente independiente del efecto estimado
de cualquier otro factor (Jones, 2012). Estas dos razones son las que dan confianza para que
una matriz ortogonal sea fcil de aplicar en muchas situaciones de ingeniera, por lo que se
define como una herramienta sencilla y potente.
Otra ventaja de las matrices ortogonales es que hace hincapi en que el valor
promedio de la caracterstica se encuentre lo ms prximo del valor objetivo en lugar de
que caiga dentro de ciertos lmites de especificacin, con lo cual se mejora la calidad del
producto. Adems, permite el anlisis simultneamente de muchos parmetros diferentes
sin que resulten prohibitivos la gran cantidad de experimentos. Por ejemplo, en un proceso
en el que intervienen 8 factores de tres niveles cada uno, un diseo factorial completo
requerira 6,561 (38) experimentos para probar todas los factores.
Por el contrario, si se utiliza una matriz ortogonal slo son necesarios 18 ensayos;
esto es, menos de 0.3 % del nmero original de experimentos. De esta manera, permite la
identificacin de los parmetros clave que tienen el mayor efecto sobre el valor de
desempeo de la caracterstica de calidad, de tal forma que la experimentacin adicional
que se pueda llevar a cabo sobre estos parmetros clave ayude a identificar a aquellos
factores que tienen muy poco efecto sobre el valor de desempeo como para ser ignorados.
En este sentido, las conclusiones que se deriven sern vlidas en toda la regin que
abarquen los factores clave, as como sus ajustes.

3.7 Otros arreglos para factores con dos niveles

Si se conoce el nmero de factores (parmetros) y el nmero de niveles de cada
factor, entonces se puede seleccionar la matriz ortogonal ms adecuada para desarrollar el
DEE. A continuacin se muestra una tabla de doble entrada (selector de matriz) que tiene

230

treinta columnas donde se representa el nmero de factores o parmetros y cuatro filas en

las que se ubica el nmero de niveles. La interseccin de una columna con una fila define el
arreglo ortogonal que deber de utilizar. Es decir, esta interseccin le ayuda a seleccionar la
matriz apropiada para el DEE, para lo cual solo se requiere que se tenga definido el nmero
de factores y los niveles de cada factor (tabla 3.31).
Tabla 3.31 Selector de matriz (Fraley, et al, 2007)

Fuente: Fraley, S., Oom, M., Terrien, B., & Zalwski, J. (2007).

Por ejemplo, si un ingeniero tiene la tarea de controlar un proceso en el cual

intervienen ocho factores (parmetros) y en cada factor se identifica que intervienen tres
niveles, entonces, del selector de matiz, se selecciona la columna definida con el nmero 8
y la fila especificada con el nmero 3, de tal manera que la interseccin de la columna y la
fila identifica la casilla que contiene un L18. Con esta clave, no slo se tiene la indicacin
acerca de qu matriz predefinida habr que seleccionar, sino que adems, el subndice
representa el nmero de experimentos que deben correrse. Otra ventaja que se tiene con el
selector de matriz, es que ste no solamente enumera la familia de AOs que encuadran
factores de dos niveles, sino que al mismo tiempo despliega diferentes AOs para otros
requerimientos y necesidades.

3.8 Grficas lineales

Para aquellos profesionales e ingenieros que tienen tareas que implican los DEE
las matrices ortogonales y las grficas lineales de Taguchi son herramientas muy tiles.
Taguchi propone utilizar grficas lineales cuando se aplican arreglos ortogonales. Las
grficas lineales son grficas que representan los efectos que se ha supuesto en un diseo
especfico. Tienen la capacidad de mostrar los efectos principales y las interacciones de dos
factores que sean de inters. Los efectos principales se representan por un nodo y el efecto
de la interaccin de dos factores se muestra por un segmento entre los dos nodos.

231

Las grficas lineales son grficos que representan la informacin acerca de la

interaccin y hacen ms fcil la asignacin de los factores e interacciones en las distintas
columnas de una matriz ortogonal. Son, incluso, herramientas tiles para simplificar el
diseo experimental y tambin facilita la complicada tarea de asignar factores con un
nmero desigual de niveles. Una grfica lineal se compone de puntos, lneas y nmeros. El

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.

Figura 3.16 Grfica lineal del AO L8

232

En cambio en la opcin 2 de la figura 3.16 aparece una sutil diferencia. La

interaccin que va en la columna 6 est definida por las columnas 1 y 7, no por las
columnas 2 y 4 como aparece en el grafico lineal de la opcin 1.
Una vez que se fija el diseo, sin ms tiempo que perder se corre el experimento,
mientras que el anlisis se lleva cabo siguiendo los pasos que recomiendan los libros de
texto de estadstica, tal como se hace con la receta de un libro de cocina. El mrito de las
tcnicas de Taguchi es que no se requiere un conocimiento profundo sobre DEE para la
realizacin del anlisis. Esta accesibilidad del enfoque de Taguchi ha contribuido a que se
haga popular, especialmente entre los profesionales que no son especialistas en estadstica.
Sin embargo, la parte ms difcil, despus de dibujar el grfico lineal necesario, es la
seleccin de la grfica lineal apropiada; aunque en general, la tcnica sigue siendo ms fcil
que las tcnicas que comprende el DOE.
Por otro lado, no est por dems apuntar que un pequeo inconveniente del
enfoque de Taguchi es la inflexibilidad de los diseos. Las matrices ortogonales que ya se
tienen preparadas se deben de utilizar tal cual estn estructuradas, por lo que el diseador
no puede modificar el nmero de corridas. Incluso, puede darse el caso que el usuario
estuviera llevando a cabo el anlisis sin que comprenda el mtodo y an peor con un
mtodo que no es el recomendable para ese tipo de anlisis. Para evitar estos
inconvenientes y para quienes no son estadsticos se sugiere seguir el procedimiento
de la mayor resolucin posible (Danaciog lu & Zehra, 2005). Se trata, sobre todo, de definir
descrito que es muy fcil de entender y de emplearse para encontrar un diseo experimental

un diseo que se pueda utilizar para obtener productos o procesos que sean robustos a la
variacin.

Con base en lo anterior, para realizar la asignacin de factores e interacciones en

las columnas correspondientes en un arreglo ortogonal (se supone un AO L8), se procede de
la siguiente manera:
Paso 1. Seleccionar el arreglo ortogonal apropiado
a) Se cuenta el nmero de grados de libertad que se necesitan. Dados los factores
A, B, C, D, E con dos niveles cada uno y las interacciones BxC y CxD,
entonces el nmero de grados de libertad es: 5 + 2 = 7 GL.

233

b) Un arreglo ortogonal con factores de dos niveles, con m columnas tiene m

grados de libertad. Esto significa que se selecciona un arreglo ortogonal que
comprenda el total de grados de libertad.
Paso 2: Dibujar la grfica lineal necesaria (grfica lineal requerida).
Paso 3. Seleccionar la grfica lineal estndar apropiada (ver catlogo). Es posible que haya
varias opciones. Hay que decidir por una de ellas.
Paso 4. Ajustar la grfica lineal necesaria a una de las grficas lineales estndar del arreglo
ortogonal que se seleccion.
Paso 5. Asignar cada efecto principal (factor) y cada interaccin a la columna apropiada.

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

Grfica lineal necesaria

234

Paso 3. Grafica lineal estndar

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

Paso 5. Asignar los factores principales e interacciones al AO L8(27) (tabla 3.32)

Tabla 3.32. Asignacin de factores e interacciones en AO L8(27)
No. de
corrida
1
2
3
4
5
6
7
8

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

Figura 3.17 Seis grficas lineales del L16

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

De los grficos de la figura 3.17 se desprenden algunos ejemplos de cundo

utilizar alguno de los seis tipos de grficos lineales

Grfico tipo 1: las interacciones entre factores son igualmente importantes.

Grfico tipo 2: es ms importante un factor. Se requieren interacciones entre ste y
los otros factores. Adems, se agregan otras dos interacciones.

Grfico tipo 3: se requieren dos grupos separados de interacciones.

Grfico tipo 4: un factor es muy importante. Se requieren interacciones entre este
factor y de otros factores.

Grfico tipo 5: se pueden ordenar cinco interacciones independientes. Inclusive es

posible asignar factores de cuatro y cinco niveles. As como tambin preparar los
diseos de cuadrados latinos y grecolatinos.

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.

3.9 Mtodos para modificar los arreglos ortogonales.

Los arreglos ortogonales que se han estudiado previamente se refieren a factores
con dos niveles. Es decir, son matrices ortogonales en las que el nmero de niveles para
todos los factores deben ser los mismos; sin embargo, se puede dar el caso que en un
experimento se trabaje, ya sea con factores discretos que requieran ms de dos niveles o
con variables continuas en la que es necesario tres niveles, por ejemplo la posicin del
volante de un automvil que puede posicionarse a la izquierda, al centro o a la derecha.
Esto significa que es muy posible que haya factores multiniveles que se pueden usar para
estimar respuestas no lineales.
Con base en aquellas necesidades, entonces para convertir una columna de dos
niveles a otra de cuatro es muy sencillo. El concepto conversin se refiere a la exigencia de
que un factor de cuatro niveles se asocia a tres grados de libertad. Considerando que un AO
de dos niveles tiene un grado de libertad asignado para cada columna, entonces se deben
mezclar tres columnas para generar suficientes grados de libertad para el factor de cuatro
niveles. Para tal efecto, se recomienda mezclar tres columnas que sean que mutuamente

238

interactivas, tales como las columnas 1, 2 y 3 de un AO L8 (Tabla 3.34a y Tabla 3.34b). La

mezcla de las columnas mutuamente interactivas minimiza, tanto como sea posible, la
confusin de las interacciones.
Tabla 3.34a. AO L8
No. de corrida
1
1
1
1
1
2
2
2
2

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

Tabla 3.34b. Columnas 1, 2, y 3 de un AO L8

No. de corrida

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

Si se mezclan las columnas 1, 2 y 3 de un L8 (tabla 3.34a) para formar una sola

columna de cuatro niveles, se necesitan 8 pruebas para tener un nivel particular asignado y
mantener la ortogonalidad del arreglo. Una tcnica recomendada para esta mezcla es la
siguiente: Elegir las tres primeras columnas del arreglo L8 (1, 2, 3) (La suma de las tres
columnas da tres grados de libertad). Si observa dos columnas, de las tres seleccionadas,
notar que se pueden obtener cuatro posibles combinaciones de los niveles 1 y 2:
11

12

21

22

Para un factor de cuatro niveles, el nivel 1 puede corresponderle a la condicin 1 1, el nivel

2 para la condicin 1 2, el nivel 3 para la condicin 2 1, y el nivel 4 para la condicin 2 2.
Si se utilizan las columnas 1 y 2 de la tabla 3.34b, entonces los nuevos niveles
correspondientes se parecern como los que se describen en la tabla 3.35.

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

La combinacin de las tres columnas proporciona los grados de libertad

necesarios, y cualquier par de columnas (de las tres seleccionadas) proporciona un patrn
ortogonal para los cuatro niveles. Los cuatro niveles no necesitan estar en orden
consecutivo con respecto al nmero de las pruebas. Lo ms importante es el nmero
balanceado de las dos pruebas en cada nivel.
El arreglo L8 modificado que incluye 1 factor de cuatro niveles y cuatro factores
de dos niveles se muestran en la tabla 3.36. En este arreglo las columnas han sido
reenumeradas
Tabla 3.36. AO L8 modificado para un factor de cuatro niveles
No. de
corrida
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

columnas pudieran no tener alguna columna en comn y, como consecuencia, no se pueda

articular una nueva columna de cuatro niveles.

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

9. Diseo de experimento que no garantiza que los resultados se puedan reproducir en

situaciones reales de manufactura.
A. Mtodo Taguchi
B. Mtodo de diseo factorial completo
C. Mtodo de diseo factorial fraccionado
D. Mtodo de un factor a la vez
10. Los diseos factoriales completos cubren todas las condiciones posibles que se tiene el
inters de probar; sin embargo, pierden su eficiencia cuando el nmero de factores y niveles
llega a ser muy pequeo.
A. Cierto
B. Falso
C. Relativamente cierto
D. Relativamente falso
11. 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. El requisito bsico de stas es
A. la ortogonalidad
B. el manejo
C. la disponibilidad
D. la utilidad
12. Para disear un experimento Taguchi usa un conjunto especialmente construido de
arreglos ortogonales, tales como L4, L8, L9, etc. Si Usted usara un L8 comparado con un
diseo factorial completo, cul sera su ahorro en trminos de nmeros de experimentos?
A. 7 experimentos
B. 50 experimentos
C. 100 experimentos
D. 120 experimentos
13. Los experimentos que usan arreglos ortogonales (AOs) requieren aproximadamente el
mismo nmero de pruebas que los experimentos de un factor a la vez, por cul de las
siguientes razones es preferible el arreglo ortogonal? Seleccione la respuesta apropiada.
A. Las columnas de los AOs estn balanceadas (Hay igual nmero de niveles en una
columna)
B. Los efectos factoriales que se determinan por un diseo AO son ms reproducibles.
C. El uso de AOs en los experimentos produce la mejor combinacin posible del factor.
D. Es menos oneroso el proceso de experimentacin
14. Una observacin que no debe dejarse de lado consiste en que la primera fila de todas las
matrices ortogonales tiene todos los
A. 1s
B. 2s
C. 0s
D. 3s
15. A qu notacin obedece los siguientes elementos: 9, 3, 4.
A. Arreglo de dos niveles
B. Arreglo de tres niveles
C. Arreglo de cuatro niveles
D. Arreglo de cinco niveles
16. Cantidad de mejora que se obtiene del conjunto de factores agrupados en los niveles
deseados.
A. Efecto promedio del factor
B. Promedio del factor
C. Gran media de desempeo
D. Contribucin del factor

243

17. Grados de libertad de cada columna del AO L9(34)

A. 4 GL
B. 3 GL
C. 2 GL
D. 1 GL
18. Mtodo estadstico que se usa para interpretar los datos experimentales y hacer las
decisiones necesarias con respecto a los factores e interacciones
A. La gran media
B. El ANOVA
C. La suma de cuadrados
D. El porcentaje de contribucin
19. Son un indicador de la cantidad de informacin contenida en un conjunto de datos.
A. Los grados de libertad
B. Los cuadrados medios
C. El error
D. La varianza del error
20. Un selector de matrices ortogonales es una tabla que sirve para
A. Resolver un arreglo ortogonal
B. Definir el nmero de columnas del arreglo ortogonal
C. Seleccionar el arreglo ortogonal apropiado para el DEE
D. Definir el nmero de condiciones experimentales bsicas

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

Describa la condicin experimental nmero 7

3.6 Los efectos promedios de los factores que se describieron en el ejercicio 3.5 se
despliegan en la siguiente tabla:
No. de la columna
1
2
3
4
5

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

Si el tipo de caracterstica de calidad es mayor es mejor calcule: a) la condicin ptima

del diseo; b) la gran media de desempeo; c) el desempeo de la condicin ptima y; d)
redacte sus conclusiones.
3.7 Una empresa de microprocesadores est teniendo dificultades con sus volmenes
actuales de produccin. Los procesadores de silicio se fabrican sobre una gran matriz, se
corta en trozos, cada uno se prueba para ver si coincide con las especificaciones. La
compaa le ha solicitado que lleve a cabo experimentos para incrementar el rendimiento
del procesador. Los factores que afectan el desempeo del procesador son la temperatura, la

245

presin, la cantidad de inyeccin, y la tasa de deposicin. Las condiciones de operacin

para cada parmetro y los valores de los niveles se enumeran a continuacin:

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

a) Determine el arreglo ortogonal para el diseo estadstico de experimentos de Taguchi.

b) Llene el arreglo ortogonal seleccionado con un lenguaje simple.
c) Suponga que se corri el experimento, en el que se hicieron tres ensayos para cada
condicin experimental. Los datos que se obtuvieron estn capturados en la tabla siguiente:
No. de
experimento
1
2
3
4
5
6
7
8
9

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

i) Obtenga la media de cada corrida

ii) Elabore un grfico para cada factor
iii) Calcule el ANOVA e identifique cul factor tiene mayor influencia y cul tiene la
menor.
iv) Redacte sus conclusiones.

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

CAPTULO IV. CONTROL DE CALIDAD EN LNEA

Introduccin
La esencia del enfoque de Taguchi es su importante contribucin al control de calidad para
las industrias manufactureras. Este concepto ha inspirado a los ingenieros para que vean la
calidad, ms como una oportunidad para mejorar el diseo de los productos y procesos, que
como una insalvable barrera (Roy, 1990). La filosofa del mtodo Taguchi se basa, en gran
medida, en tres conceptos fundamentales que han tenido aplicacin en el desarrollo de
mtodos y de tecnologas en muchas industrias. Los tres conceptos son:

La calidad se debe disear dentro del producto, no en la inspeccin.

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.

El costo de la calidad se mide como una funcin de la desviacin del estndar, en

tanto que las prdidas se miden en todo lo amplio del sistema.
Los tres conceptos hacen hincapi en la importancia de disear el control de

calidad en los procesos de manufactura. El enfoque de Taguchi subraya que la variacin de

la calidad es el principal enemigo de la ingeniera de calidad y que debe hacerse todo lo

posible para reducir la variacin en las caractersticas de calidad (Ghani, et al, 2013). Por
eso resulta necesario entender no slo el enfoque filosfico del mtodo Taguchi, sino
tambin tener claro las etapas necesarias para el mejoramiento de la calidad y lograr el
diseo robusto, entendiendo que la calidad es un sistema y que este sistema tiene procesos y
sus ncleos (Fryman, 2002) y uno de esos es el control de calidad en lnea.

4.1 Definicin de control de calidad en lnea

El control de calidad en lnea se define como un conjunto de actividades de
control de calidad que se desarrollan durante el ciclo de produccin de un producto.
Una de estas actividades es el control de calidad feedback en lnea, en la cual se obtienen y
analizan las mediciones de las caractersticas del producto y los resultados sirven para
realimentar y ajustar los procesos siguientes. De esta manera, las desviaciones de las
caractersticas de los subsecuentes productos se reducen (Taguchi, et al., 1989). Dicho en

249

otras palabras, los productos, procesos y servicios recuperan su valor de calidad en la

medida que se aproximan al valor de sus objetivos.
El control de calidad en lnea, se entiende como una estrategia de mejora de la
calidad; ayuda en el diagnstico de la causa de la desviacin durante la produccin en un
accin de doble propsito, ya sea para eliminar la causa de aqulla o para redisear tanto el
producto, como el proceso, de manera tal que el primero sea robusto contra el efecto de la
variacin (Onwubolu, 1997). Los factores que causan variabilidad en las funciones del
producto se llaman factores de error o factores de ruido (Taguchi, 1986). Estos factores
son las razones, como por ejemplo, que el brillo de las lmparas fluorescentes vare con el
voltaje y se deteriore en la medida que pasa el tiempo.
El control de calidad en lnea

Se aplica en la etapa de manufactura;

Utiliza la funcin de prdida;

Determina intervalos de prueba, lnea de ajuste, y las necesidades de

inspeccin;

Previene el tiempo fuera de servicio del sistema;

Tiene como objetivo reducir la variacin del proceso y reducir la funcin de

prdida del proceso;

4.2 Variabilidad debida a factores de error y contramedidas

Taguchi y Wu (1979) definieron la calidad como las prdidas que un producto
adjudica a la sociedad desde el momento que es embarcado. Estas prdidas se dividen en
dos categoras: prdida causada por la variacin funcional y la prdida causada por los
efectos secundarios dainos. Por otro lado, las fuerzas que causan la desviacin con

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

2. Ruidos de deterioro o ruidos internos, son cambios que ocurren cuando un

producto se deteriora durante el almacenaje o se desgasta durante su uso, lo cual
impide que logre sus funciones metas.
3. Ruido variacional o ruido de unidad a unidad, son las diferencias entre productos
individuales que se han manufacturado con las mismas especificaciones.
Para superar los problemas de la variabilidad, los departamentos de diseo e
ingeniera de produccin utilizan mtodos de control de calidad fuera de lnea, mientras
que los departamentos de produccin utilizan mtodos de control de calidad en lnea. Esto
es, para lograr la robustez del producto o del proceso el primer mtodo se aplica durante el
diseo de un producto y el segundo durante el proceso de produccin Taguchi y Wu (1979)
y Taguchi (1986). Con base en esta clasificacin deviene necesario, entonces, distinguir
entre los factores de diseo y los factores de ruido (Erikson, et al., 2008), con el fin de
encontrar la forma de cmo covaran ambos factores. La naturaleza de los factores de ruido
se muestra en la tabla 4.1.
Tabla 4.1 Control de calidad fuera de lnea y en lnea como contramedidas contra el ruido
Departamento de contramedidas
Control de
Investigacin y (1) Diseo del sistema
calidad fuera de
desarrollo
(2) Diseo de parmetro
lnea
(3) Diseo de tolerancia
Ingeniera de
(1) Diseo del sistema
produccin
(2) Diseo de parmetro
(3) Diseo de tolerancia
Control de
calidad en lnea

Produccin

Relaciones con
el consumidor

(1) Diseo del sistema

(2) Diseo de parmetro
(3) Diseo de tolerancia
Servicio despus de las
ventas

Externo

0
X
X
X
X
X
X
X

Tipo de ruido
Interno
De unidad a unidad

X
X
X
X

Posible; 0, posible pero debe ser el ltimo recurso; X, imposible

Control de calidad fuera lnea

Las tcnicas de control de calidad fuera de lnea parecen proporcionar un mtodo
adecuado para mejorar los procesos de fabricacin y la calidad del producto. El objetivo de
la tcnica es la mejora del proceso y el diseo del producto mediante la identificacin de los
factores y sus valores que minimizan la variacin de la respuesta del producto, mientras

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

Fuente: Buyske, S. & Trout, R. (2015).

De acuerdo con esta clasificacin, el control de calidad fuera de lnea supone

importantes beneficios, entre los que se cuenta no slo el mejoramiento de la calidad, sino
sobre todo la reduccin del costo total en la etapa de diseo. El costo total comprende el
costo que se le carga a la sociedad por los problemas de fabricacin implcitos de los
productos y los costos por los problemas que devienen por el pobre desempeo en campo
de aqullos. Como puede verse, las contramedidas contra las variables ambientales y el

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.

Diseo de parmetros (diseo secundario): 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.

3.

Diseo de tolerancias (diseo terciario): es un medio de control de las

causas que conllevan el incremento de los costos. Los mtodos de diseo de
experimentos son muy tiles.

Diseo del sistema (Diseo primario o diseo funcional)

Esta etapa consiste en examinar la tecnologa pertinente y responder a la pregunta,
por ejemplo, qu tipo de circuitos se podran utilizar para convertir la corriente alterna en
corriente continua, o cules procesos de reaccin se pudieran utilizar para producir un
producto qumico deseado. Es una bsqueda de la mejor tecnologa disponible. Incluso en
esta etapa se puede pensar en los sistemas de controles automticos o digitalizados. Sin
embargo, en estos tipos de sistemas resulta difcil no slo controlar el deterioro, sino
tambin otros cambios propios del sistema, y su inclusin aade costo.
Aunque el diseo del sistema es extremadamente importante, no es posible
estudiar todos los sistemas potenciales, de manera tal que se deben elegir entre un nmero
reducido, por ejemplo de uno a tres, y hacer la seleccin ya sea mediante una evaluacin o
en ltima instancia por el instinto. Se debe estar muy consciente de que este tipo de
decisiones se repiten a travs de un gran nmero de etapas de desarrollo de productos. Sea
el caso de configurar un televisor, para lo cual se requiere
(a) Diseo total del sistema
(b) Diseo del subsistema
(c) Unidad y diseo del componente
(d) Desarrollo del elemento
(e) Desarrollo de materiales
Cada uno de estos pasos implica su propio diseo del sistema, diseo de parmetro
y diseo de tolerancia. Hacer juicios sobre el desarrollo del sistema resulta muy difcil
porque todo depende de las propias predicciones de los diseadores del sistema. Del mismo
modo, el diseo del sistema es cuestin de tecnologa. De all que los mtodos de diseo
estadstico de experimentos tienen un papel importante que desempear tanto en el diseo
de parmetros como en el diseo de tolerancias.

254

Diseo de parmetros (diseo secundario)

Despus de que se haya establecido el diseo del sistema, habr que decidir sobre
los niveles ptimos de los parmetros del sistema individual. Sobre este aspecto,
particularmente en los pases en desarrollo, hay una tendencia por desestimar la
investigacin en lo que se refiere el diseo de parmetros. Los ingenieros de investigacin
y desarrollo de aquellos pases se hacen de la tecnologa pertinente de obras publicadas
sobre la especialidad y de otras fuentes que se editan en los pases desarrollados, por lo que
el esfuerzo intelectual de aquellos ingenieros se circunscribe a poner en prctica lo que all
se describe.
Los ingenieros de los pases en desarrollo escasamente hacen algn trabajo sobre
diseos reales; tan solo se esfuerzan para hacer algunos ajustes y trabajan a nivel de tintero.
Esta forma especial de cultura impide descubrir el potencial intrnseco del DEE. En los
pases en desarrollo, donde las materias primas y los componentes tienden hacia una alta
variabilidad, sta deja de ser la medida ms importante de la calidad. Esto obliga entonces a
atender el diseo parmetros, el cual debe alcanzar un grado mucho mayor de estabilidad
que en los pases industrializados.
Si el producto se puede disear de manera que sus caractersticas de salida sean
resistentes tanto al ruido externo como interno, entonces ese producto funcionar
satisfactoriamente a pesar de la variabilidad en sus partes componentes, y su costo ser
bajo. Esta es la forma ideal para hacer frente a las tres fuentes de ruido. Desde esta
perspectiva, la principal utilidad del DEE radica en el proceso de diseo secundario que
consiste en encontrar la combinacin ptima de los niveles de los parmetros. La razn de
por qu algunos fabricantes de los pases en vas de desarrollo elaboran productos de
inferior calidad, a pesar de su amplio conocimiento de la literatura y el uso de la tecnologa
de los pases industrializados, es que sus ingenieros no experimentan. Ellos aceptan
ciegamente los parmetros tratados en la literatura especializada o las especificaciones
proporcionadas por sus socios ms avanzados.

Diseo de tolerancias (diseo terciario)

Despus de que se ha diseado el sistema y se han determinado los valores
nominales medios de los parmetros, el siguiente paso es establecer las tolerancias de los

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.

Diseo del proceso de produccin

Los resultados de los diseos del sistema, parmetros y tolerancias obtenidos por el
departamento de diseo se transfieren al departamento de produccin en forma de
especificaciones. El departamento de produccin disea un proceso de fabricacin que
satisfaga adecuadamente estas especificaciones. El diseo del proceso se realiza tambin en
tres pasos:
1) Diseo del sistema: a partir del conocimiento de la tecnologa pertinente se
selecciona el proceso de fabricacin. La seleccin de la tecnologa puede incluir el
control automtico.
2) Diseo de parmetro: se trata de decidir las condiciones de trabajo ptimas para
cada uno de los componentes del proceso, incluyendo la compra de las mejores
piezas y materiales. El propsito de este paso es mejorar la capacidad del proceso
mediante la reduccin de las influencias de factores perniciosos.

256

3) Diseo de tolerancias: se implantan las tolerancias de las condiciones del proceso y

de las fuentes de la variabilidad. Este paso es un medio para eliminar la variacin de
la calidad mediante la supresin directa de la causa.
La eficiencia de los pasos (2) y (3) se puede elevar mediante el DEE. Aunque es necesario
advertir que el paso (2) es ms importante que el paso (3).

4.3 Control de calidad en lnea

Despus de que se han determinado las condiciones de un proceso de produccin y de
operacin, an permanecen las siguientes fuentes de variabilidad del producto:

Variabilidad en los materiales y componentes comprados;

Desplazamiento del procesos (se bota), desgaste de las herramientas, fallo de

las mquinas, etc.;

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:

1. Diagnstico de procesos y ajuste, tambin se le conoce como control de proceso. Este

diagnstico se realiza en intervalos regulares para mantener bajo vigilancia el proceso. Si
est normal, la produccin contina. De no ser as se detiene, entonces se encuentra la
causa y se reinicia la produccin despus de que el proceso ha sido reparado y puesto en su
estado original. Alternativamente se pueden hacer ajustes preventivos cuando ya se ha
diagnosticado una falla inminente.

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.

3. Medicin y accin, tambin llamado inspeccin. En esta etapa cada unidad

manufacturada se mide. Si la unidad est fuera de especificacin se retrabaja o se desecha.

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.

1) Frmulas para el diagnstico y ajuste con ejemplos

Una empresa fabrica bloques de cilindros para motores de camiones mediante un proceso
que comprende 28 etapas. Para estar seguros de que todos estos pasos se llevan
correctamente es necesario el control de calidad. Para efectos de explicar las frmulas que
comprende el diagnstico y ajuste slo se describe uno de estos pasos, que es la etapa de

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

del intervalo de diagnstico entre fallas es, en consecuencia,

alrededor de 18,000 unidades, durante ese periodo se diagnosticaron siete fallas. La media

k      R =

8 =

/   F   F

/    R   F

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

proceso, el mtodo de diagnstico y el mtodo de ajuste. Estos elementos se identifican con

relaciona con el intervalo de diagnstico n. El costo del control de calidad L, cuando el

intervalo de diagnstico es n, se puede derivar de la teora de ajuste de proceso y est dada

por la frmula siguiente

) =

 + 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

7.10 dlares x 36,000 unidades = 255, 600 dlares

El sistema de control de calidad pasa/no pasa se puede racionalizar mediante la

reduccin del costo de control de calidad L, como se explic en la frmula expuesta ms
arriba. Dado que el taln de Aquiles de toda firma son los costos, estos se pueden atacar a
travs de tecnologa especfica del proceso o mediante tcnicas de control de calidad en
general. La disminucin de la tasa de fallas, la bsqueda de procedimientos de diagnstico
ms simples, y la reduccin del costo de ajuste son rubros que enmarca la tecnologa
especfica; sin embargo, cada firma en lo individual deber elegir el mtodo o los mtodos
ms idneos a sus propias necesidades.
Las tcnicas de control de calidad en lnea buscan reducir los costos de control de
calidad sin necesidad de cambiar el proceso actual, los mtodos de diagnstico y los
mtodos de ajuste. Esta es una tecnologa suave que se puede aplicar en todos los
sistemas de produccin. En este sentido, ms adelante se explican dos mtodos que
pudieran ser aplicados sin mayores complicaciones. Uno de estos es para determinar el
intervalo de diagnstico n (mtodo I) y el otro es para el mantenimiento preventivo
(mtodo II) a travs del reemplazo regular de herramientas.

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

Si el intervalo de diagnstico n = 16 unidades se sustituye en la frmula del costo de

 + 1 z ' z
+
+ +

2
8 8 8

control de calidad L, entonces L ser igual a,

) =

) =

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)

error de hasta aproximadamente de 30% en los parmetros A, B, C, $

, y l del sistema (n =
donde n = 16 unidades, es tan solo de 0.13 dlares. En consecuencia, no puede haber un

30 y n = 20) o despus de que se haya encontrado el intervalo ptimo de diagnstico n, el

cual puede variar en un rango aproximado de 25%.

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

Clculo del intervalo ptimo de diagnstico

=

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

Clculo del costo de control de calidad (prdida)

) =

) =

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

= 6.25 6.3. Por lo tanto, el mantenimiento

preventivo es tan valioso como una solucin tecnolgica especfica del proceso que corta la
tasa de fracaso en un factor de 6. 3.

Prediccin y correccin: diseo del sistema feed-back

Si una caracterstica tiene un valor objetivo y se tiene un factor de seal que se
puede utilizar para corregir las desviaciones con respecto a ese valor objetivo, entonces ese
factor se puede manipular para el control cuantitativo. Por ejemplo, la presin de la prensa
se puede usar como un factor de seal para controlar el espesor de hoja de acero, y la tasa

263

de flujo de combustible se puede emplear como un factor de seal para controlar la

temperatura.
Los tres problemas siguientes ilustran los pasos para el control de un valor
cuantitativo:
a) El intervalo de medicin debe ser optimizado.
b) El valor medio de la caracterstica del intervalo actual hasta la siguiente
medicin se debe predecir a partir del valor medido.
c) Se debe determinar la cantidad ptima de correccin para las diferencias entre
el valor objetivo. Si se resuelven estos problemas, entonces:
d) Se puede corregir el valor de las caractersticas mediante el cambio de nivel
del factor de seal.
Para determinar el intervalo ptimo de correccin, son tiles tanto el anlisis
peridico (un tipo de anlisis de varianza), como la frmula de la prdida por variabilidad,
a saber:
L = k2

donde

i =

 F  GF   

/

2 = desviacin media elevada al cuadrado con respecto al valor objetivo

El mtodo ms simple de prediccin (b) consiste en utilizar el valor medido como

la media estimada en el intervalo para todos los productos hasta la siguiente medicin. Hay
varianza ( del error.

varios mtodos ms sofisticados, pero en cualquier caso, es importante encontrar la

Si y es el valor pronosticado e y0 es el valor objetivo, entonces la cantidad ptima

de correccin (c) est dada por la frmula siguiente:

- (y y0)
donde

264

U U{ 
1
(

=
U U{ 
1

>1
1  { =
{
(

0  { =

Los sistemas de produccin actuales tanto en sus mquinas automticas como en

los robots traen incluidas las etapas (a), (b), (c) y (d). En tales sistemas, el control de
calidad en lnea se enfoca en la calibracin de los sensores del robot o de la mquina
automtica, as como en el diagnstico de la caza del fenmeno. Sin embargo, en algunas
regiones donde los sistemas de produccin estn escasamente desarrollados las etapas (a),
(b), (c) y (d) se calculan de forma manual.

Ecuaciones de las etapas

Suponga que la tolerancia de una caracterstica objetivo es , que una unidad
defectuosa causa una prdida A, en la actualidad la caracterstica objetivo (una
caracterstica que contribuye) se mide a intervalos de n0 unidades, y que el proceso se
ajusta al valor objetivo cuando el valor medido se desva en D0. Sea B el costo de la
medicin, l el tiempo de retraso (tiempo muerto) y C el costo del ajuste. En un sistema
sencillo, donde el cuadrado medio de la dispersin es proporcional a volumen de
produccin se pueden seguir los siguientes procedimientos simplificados que dan cuenta
del diseo del sistema de control feedback.
(a) Encontrar el intervalo de ajuste promedio 0.

$ =

HG   F

HG  

(b) Encontrar el intervalo de medicin ptimo n y el lmite de control ptimo D.

=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.

(c) Comparar la actual funcin de prdida L0 con la funcin de prdida de la solucin

ptima L.

'
z E{
" + 1
E{
){ =
+ + +
+
{ 8{  3
2
8{
' z E
"+1
E
) = + +  +
+
8
 3
2

El parmetro 0 es la media del actual intervalo de ajuste. La optimizada se

puede predecir aproximadamente como <

mejor utilizar el valor real.

L M
M

=, pero si se pueden obtener datos reales, es

Nota: En el control de un parmetro del proceso (condicin de proceso), si es el

efecto sobre el parmetro de la caracterstica objetivo en una unidad de cambio, el clculo
puede llevarse a cabo utilizando 0 en lugar :

Ejemplo 4.3

{ =

La tolerancia de la dimensin de un componente es 15 m. La dimensin se comprueba

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

(a) Encontrar el intervalo de ajuste promedio 0.

$ =

HG   F

HG  

$ =

8,000 
= 4,000
2

(d) Encontrar el intervalo de medicin ptimo n y el lmite de control ptimo D.

=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

c) Comparar la funcin de prdida dado que 0 = 4,000, entonces se obtiene optimizada

E
8 = 8{ 
E{

1
8 = 4,000  = 1,000
2

La prdida en la situacin es: ){ =

+ 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

En consecuencia reducir tanto n como optimizar deviene en un ahorro de 0.29

por unidad producida. Esto significa que si se trabajan 5 das a la semana x 52 semanas esto
es igual a 260 das al ao. Si se producen 8,000 unidades diarias entonces 8,000 x 260 = 2
080 000 unidades. El ahorro anual es entonces: 2 080 000 x 0.29 = 603,200.00

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

){ =

 F  GF   


/

2 es el cuadrado medio de la diferencia del valor de la caracterstica yi con respecto al

valor objetivo cero (0).

Por lo tanto,

 =

1
1.6 + 1.2 + + 1.8  = 3.34
15

){ =

12,000
3.34 = 6,958
2.4

Cuando se lleva a cabo la inspeccin del 100 % bajo el criterio de retrabajar la

unidad que se le encuentre un defecto, se supone que el cuadrado medio de las unidades
retrabajadas ser aproximadamente la misma que el cuadrado medio de las unidades que
pasan la inspeccin, entonces la prdida ser
) =    F

+   F F 6 F   R

+ F F   F  F

) = 800 + 12,000 6

2
12,000 1
+
1.6 + 1.2 + + 1.8 
15
2.4
13

L = 800 + 1,600 + 2,083 x 2.772

= 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:

Costo de diagnstico. Es la inversin y el gasto requeridos por producto

para inspeccionar y diagnosticar los defectos, en su caso, en la medida que

va pasando el proceso de produccin.

Costo de ajuste. Es la inversin y gasto requeridos por producto para la

correccin del proceso, mediante ajuste peridicos. Por ejemplo, en un

ambiente de produccin, la suma de los gastos necesarios para el cambio
de herramienta, cambio en la configuracin de la herramienta, etc.

Prdida debido a la desviacin. Es la suma de las prdidas que se debe a

las siguientes circunstancias:

i.

Desviaciones observadas con respecto a las especificaciones

objetivo, aunque las condiciones de manufactura se encuentren
dentro de los lmites de control;

ii.

Desviaciones observadas con respecto a las especificaciones

objetivo cuando las condiciones de manufactura se encuentran
fuera de los lmites de control; y,

iii.

Cuando el sistema bajo estudio es propenso a errores de

medicin.

La suma del costo de diagnstico, costos de ajuste y la prdida debido a la desviacin

constituye el modelo de control de calidad en lnea de Taguchi para las caractersticas
variables con ajuste de intervalo para ms de una unidad de produccin.

4.4 Los roles del control de calidad en lnea y fuera de lnea

La tabla 4.1 contiene una presentacin para la distincin del control de calidad en
lnea y control de calidad fuera de lnea con el propsito de diferenciar entre los factores de
diseo y los factores de ruido que convergen en una u otra categora, respectivamente;
asimismo, pensar la forma de cmo covaran ambos factores. La tabla 4.3, aunque contiene
los mismos elementos de la tabla 4.1, sugiere otra lectura.
La tabla 4.3 indica que en el momento en que se alcanza la fase de produccin, ni
las medidas de control fuera de lnea, ni las de control en lnea son eficaces en la lucha

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.

Tabla 4.3 Medios de contramedidas de la calidad funcional

Departamento de contramedidas

Control
de
calidad fuera de
lnea

I+D
Ingeniera de
produccin
Produccin

Control
de
calidad en lnea
Relaciones
con
el
consumidor

Externo

(1) Diseo del sistema

(2) Diseo de parmetro
(3) Diseo de tolerancia
(1) Diseo del sistema
(2) Diseo de parmetro
(3) Diseo de tolerancia
(1) Diagnstico del proceso y ajuste
(2) Prediccin y correccin
(3) Medicin y accin

O
X
X
X
X
X
X

Servicio despus de la venta

Tipo de ruido
Interno
De unidad a
unidad

= posible; O = Posible, pero se debe hacer como ltimo recurso; X = Imposible

Debe notarse que la investigacin y desarrollo (I + D) como se define en los Estados

Unidos no incluye el control de calidad. La investigacin y desarrollo (I + D) es la clave
tanto para la calidad del diseo, como para la calidad de la produccin, es decir, el control
total de calidad (TQC) est formalmente excluido de la I + D, al menos en los Estados
Unidos.

4.5 Introduccin al diseo de parmetros

Un parmetro es la variable de diseo o el factor de control que afecta las
caractersticas funcionales del producto. En este paso, se determinan los niveles (valores)
de las variables de diseo (factores de control) que minimizan los efectos de los factores de
ruido en la calidad de los productos, minimiza el costo de manufactura y se logra que la
media de la calidad sea el valor objetivo. Para encontrar los niveles ptimos se utilizan
matrices ortogonales para facilitar las pruebas de las distintas combinaciones
experimentales (Park, 1996). El diseo de parmetros se usa para amortiguar los efectos del
ruido (reducir la varianza) eligiendo los niveles adecuados de los factores de control. El
diseo de parmetros se utiliza para mejorar la calidad, sin controlar o remover la causa de

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.

Figura 4.1 Diagrama de relaciones de las caractersticas de los factores

2. El diseo de parmetros generalmente usa dos arreglos ortogonales: el arreglo

interno o matriz de variables de diseo se emplea para los factores de control; el arreglo
externo o matriz de factores no controlables se dispone para los factores no controlables. La
tabla 4.4 describe un diseo experimental con un arreglo interno (L8) para los factores de
control y un arreglo externo (L4) para los factores de ruido.

272
Tabla 4.4 Estructura bsica del diseo de parmetros
Tipo de
arreglo

Arreglo interno (L8)

Arreglo externo (L4)

Datos brutos
Nmero de experimento

Nmero de
experimento
1
2
3
4
5
6
7
8

Asignacin del factor de control y

nmero de columna
A B C D F
e
e
1
2
3
4
5
6
7
0
0
0
0
1
1
1
1

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).

a) Caracterstica menor es mejor

1


/
V = 10  UV


X

YZ

b) Caracterstica mayor es mejor

1
1

/
V = 10  

UV
X

YZ

c) Caracterstica nominal es mejor

/
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


= G   G    G R

tamao de la V que por la magnitud de UW. Con el fin de examinar cul es el factor que ms

Para el caso nominal es mejor la relacin S/R es mayormente influenciada por la

influye en el cambio de la respuesta media UW, es necesario obtener la sensibilidad, que para

el conjunto de n observaciones en la i sima fila, se define de la siguiente manera,

0V = 10 log
0V

= 10 log 5UWV 7

= 20 log :UW

Pasos para el diseo de parmetros

Para el diseo de parmetros y anlisis de datos obliga seguir varios pasos, que difieren
ligeramente en funcin del tipo de caracterstica de calidad que se requiere examinar:

1. Caractersticas menor y mayor es mejor

a) Dibujar el diagrama de la relacin de la caracterstica del factor para un
problema experimental dado.
b) Seleccionar los AOs para las matrices interna y externa y asignar los factores
de control y de ruido en los arreglos correspondientes.
c) Conducir los experimentos y calcular la relacin S/R para cada fila del arreglo
interno.
d) A travs del ANOVA, encontrar los factores de control significativos que
afectan relaciones S/R. Hallar la condicin ptima para los factores de control
significativos.

275

e) Para los factores de control no significativos, encontrar la condicin ptima

con base en otras consideraciones ya sean econmicas, operatividad, facilidad
de manejo o accesibilidad.
f) Estimar la respuesta media de la condicin ptima global y conducir una
prueba de confirmacin de la condicin ptima para corroborar que la
condicin ptima obtenida produce la respuesta deseada.

2. Caracterstica nominal es mejor.

a) Hacer lo mismo que se indica en los incisos a y b del inciso 1 de las
caractersticas menor y mayor es mejor.
b) Conducir los experimentos y calcular la relacin S/R y la sensibilidad para cada
fila del arreglo interno.
c) A travs de Pareto-ANOVA, encontrar los factores de control significativos que
afectan la relacin S/R. Asimismo, encontrar los que afectan la sensibilidad.
Clasificar los factores de control en las tres categoras siguientes:
i)

Factor de control de la dispersin: factores significativos para la relacin

S/R;

ii)

Factor de ajuste de la media: factores significativos para la sensibilidad;

iii)

Factores no significativos: otros factores de control. Si se detecta que un

factor es, a su vez, factor de control de dispersin y factor de ajuste de la
media, entonces se clasifica como un factor de control de la dispersin.

d) Encontrar la condicin ptima de la manera siguiente:

i)

Factor de control de la dispersin: nivel que maximiza la relacin S/R;

ii)

Factor de ajuste de la media: nivel que da la respuesta estimada ms

prxima al valor de respuesta del objetivo.

iii)

Factor no significativo: el nivel se escoge con base en otras

consideraciones ya sean econmicas, operatividad y sencillez.

La figura 4.2 explica de manera grfica los tres tipos de factores que se
clasificaron en el inciso (c).

276

Figura 4.2 Tipos de factores de control

Como ya se explic en los incisos (c) y (d) la primera prioridad es la ms baja

variacin en la bsqueda de las condiciones ptimas. La segunda prioridad es la respuesta
media. Asimismo, ya se ha explicado ms arriba que una condicin experimental que arroja
una variacin pequea frente a los factores de ruido es un diseo robusto. Esta es la razn
por la cual el diseo parmetro se denomina diseo robusto.
En el diseo de parmetros no hay un criterio claro para determinar el nmero de
observaciones que se deben llevar a cabo en cada condicin experimental. Para el anlisis
estadstico deviene cierto que es mejor un nmero grande de observaciones que uno
pequeo. Sin embargo, si se tiene en cuenta las limitaciones econmicas y de tiempo que
implican el experimento, entonces para el nmero de observaciones se recomiendan los
siguientes criterios: para datos continuos de 2 a 10; para datos simples o multi-discretos de
5 a 20; para datos marginales discretos de 10 a 150.

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

Caracterstica de calidad: Menor es mejor

Respuesta:

y = encogimiento de la espuma

Factor de control:

A = proceso de moldeado (Mtodo A1, A2, A3, A4, A5)

Factor de ruido:

N = tipo de instalacin (Tipo1, Tipo 2, Tipo 3)

De acuerdo con los datos, el arreglo y los resultados de experimento se despliegan en la

tabla 4.5.
Tabla 4.5 Arreglo y resultados experimento de encogimiento esponja
Mtodo
Factor
de
control

A1
A2
A3
A4
A5

Tipo de instalacin (Factor

de ruido)
Tipo 1
Tipo 2
Tipo 3
0.20
0.20
0.20
0.10
0.20
0.30
0.20
0.10
0.15
0.10
0.10
0.10
0.10
0.30
0.05

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.

Responda: i) Calcular el promedio para cada mtodo y, desde un enfoque de ingeniera

identifique la preferencia (enumere) para cada corrida; ii) Suponga que la LD-50 es 0.60 y
el costo de reparacin es de 70 dlares, elabore el grfico de la funcin de prdida
correspondiente; iii) determine k; iv) defina la funcin de prdida y calcule la prdida por
pieza para cada mtodo; v) Considere que si detecta una anomala antes de embarcarse, el
costo de reparacin es 25 dlares, calcule la nueva tolerancia; vi) Calcule la MSD de cada
corrida; vii) Defina la S/R de cada mtodo; viii) Redacte sus conclusiones.

Respuesta,
i) Calcular el promedio para cada mtodo y, desde un enfoque de ingeniera identifique la

preferencia (enumere) para cada corrida

Promedio: UWZ =

{.{ {.{ {.{

q

= 0.20

Promedio: UW =

{.Z{ {.{ {.q{

Promedio: UWs =

{.Z{ {.Z{ {.Z{

Promedio: UWq =
Promedio: UW =

{. {.Z{ {.Z

q

= 0.15

{.Z{ {.q{ {.{

q

= 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 .

En consecuencia, la media UWs es preferible a las medias UWZ , UW , UWq e UW .

ii) Suponga que la LD-50 es 0.60 y el costo de reparacin es de 70 dlares, elabore el

grfico de la funcin de prdida correspondiente

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;

Funcin de prdida para una pieza: L = k y2 sustituyendo k, entonces L = 194.4x%!

Prdida por pieza para cada mtodo

Mtodo
A1
A2

A3

A4
A5

Datos
0.20, 0.20, 0.20

0.10, 0.20, 0.30

0.20, 0.10, 0.15

0.10, 0.10, 0.10

0.10, 0.30, 0.05

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

v) Considere que si detecta una anomala antes de embarcarse, el costo de reparacin es 25

dlares, calcule la nueva tolerancia

Si reparar la anomala antes de embarcarse tiene un costo de 25 dlares, entonces la nueva
tolerancia es,

279

= T
Se sustituyen los valores, entonces

z
U
z{ {

25
= T 0.60 0.36
70

vi) Calcule la MSD de cada corrida

La funcin de prdida para n piezas (prdida promedio). L = k (MSD), sustituyendo k,

entonces L = 194.4 (MSDi)
MSD de cada mtodo
Z
Funcin de prdida

MSD = X
YZ UV

Mtodo
A1

Datos
0.20, 0.20, 0.20

A2

0.10, 0.20, 0.30

MSD2 =

A3

0.20, 0.10, 0.15

MSD3 =

A4

0.10, 0.10, 0.10

MSD4 =

A5

0.10, 0.30, 0.05

MSD5 =

MSD1 =

{.{M {.{M {.{M

q

{.Z{M {.{M {.q{M

q

{.{M {.Z{M {.ZM

q
{.Z{M {.Z{M {.Z{M
q
{.Z{M {.q{M {.{M
q

= 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

vii) Defina la S/R de cada mtodo

Seal-ruido (S/R) para cada mtodo

Mtodo

Datos

A1

0.20, 0.20, 0.20

A2
A3
A4
A5

0.10, 0.20, 0.30

0.20, 0.10, 0.15
0.10, 0.10, 0.10
0.10, 0.30, 0.05

/
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

{.{M {.Z{M {.ZM

{.Z{M {.Z{M {.Z{M

MSD4 =
q
(-10) (-2) = 20.0

{.Z{M {.q{M {.{M

= 0.01;
/
s = 10  (0.01) =

16.20

14.69

280

viii) Redacte sus conclusiones.

No est por dems recordar que si la dispersin es pequea y la media tambin,

entonces la relacin S/R es grande. Por lo tanto, la condicin experimental donde se
encuentra la relacin S/R mayor, esa condicin es la ptima. Con base en este criterio, el
mtodo 4 resulta ser el ms idneo. Esto es, la relacin S/R toma en cuenta tanto la
variacin, como el promedio. En la medida que la relacin S/R crece, tanto la variacin
como la media decrecen. En este ejemplo se observa que la relacin S/R es ms sensible a
la media que a la variacin. Ahora bien, por cada 3 dB que la relacin S/R aumenta, la
prdida por pieza decrece a la mitad. Esto es, una ganancia de x dB en la relacin S/R
implica una reduccin en la prdida de

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

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
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

Arreglo interno (L8)

C D E
F
3
4
5
6

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

2.2 + 2.1 + 2.3 + 2.3

/
Z = 10 
= 10 log4.9575 = 6.95
4

/
 = 10 

/
q = 10 

/
s = 10 

/
= 10 

0.3 + 2.5 + 2.7 + 0.3

= 10 log3.43 = .
4
0.5 + 3.1 + 0.4 + 2.8
= 10 log4.465 = 6.5
4

2.0 + 1.9 + 1.8 + 2.0

= 10 log3.7125 = 5.7
4

3.0 + 3.1 + 3.0 + 3.0

= 10 log9.1525 = 9.62
4

282

/
= 10 

/
= 10 

/
= 10 

2.1 + 4.2 + 1.0 + 3.1

= 10 log8.165 = 9.12
4

4.0 + 1.9 + 4.6 + 2.2

= 10 log11.4025 = 10.57
4
2.0 + 1.9 + 1.9 + 1.8
= 10 log3.615 = 5.58
4

ii) Elabora un tabla de repuesta y dibuje los grficos factoriales.

Para elaborar la tabla de respuesta se requiere obtener primero el promedio de cada nivel de
cada factor.

zZ =

6.95 5.35 6.5 5.70

= 6.12
4

z =

9.62 9.12 10.57 5.58

= 8.72
4

W =

6.50 5.70 10.57 5.58

= 7.09
4

WZ =

6.95 5.35 9.62 9.12

= 7.76
4

'Z =

6.95 5.35 10.57 5.58

= 7.11
4

Z =
E

6.95 6.50 9.62 10.57

= 8.41
4

' =

6.50 5.70 9.62 9.12

= 7.74
4

283

 =
E
*WZ =

5.35 5.70 9.12 5.58

= 6.44
4

6.95 6.50 9.12 5.58

= 7.04
4

*W =

5.35 5.70 9.62 10.57

= 7.81
4

W =

5.35 6.50 9.12 10.57

= 7.88
4

WZ =

Z =

6.95 5.70 9.62 5.58

= 6.96
4

6.95 5.70 9.12 10.57

= 8.08
4

= 

5.35 6.50 9.62 5.58

= 6.76
4

Tabla de respuesta del promedio del nivel de cada factor del

encogimiento de la espuma
Niveles
1
2
Diferencia

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

Clculos de la suma de cuadrados de los factores

Factor de correccin, ' =

CM
X

Cuadrados
medios
13.49
7.78
1.70
3.5
1.04

B.qM

Fcalc.

F0.1 (1,3) = 5.54

12.97
7.48
1.63
3.365

Fcalc > F0.1 (1,3)

Fcalc > F0.1 (1,3)

= 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

z zZ  `34.89 24.5d

=
=
= 13.49
8
8


 Z  `28.35 31.4d

=
=
= 1.16
8
8


' 'Z  `30.94 28.45d

=
=
= 0.775
8
8


E EZ  `25.75 33.64d

=
=
= 7.78
8
8


* *Z  `31.24 28.15d

=
=
= 1.19
8
8


 Z  `31.54 27.85d

=
=
= 1.7
8
8


  Z  `27.05 32.34d

=
=
= 3.49
8
8


Conclusin

Con base en la comparacin de la Fcalc. y la F0.10 (1,3) los factores significativos, es

decir, los que definen el encogimiento de la espuma son A y D; sin embargo, si el valor de
Fcalc. de un factor es mayor que 2, aunque sea menor que F0.10 (1,3), se recomienda que ese
factor se asuma como significativo. Por tal razn, el factor G cae dentro de la categora de
significativo. Observe tambin que por razones analticas se vio la oportunidad de agrupar
los factores B, C y E para que tomaran el papel de factores de error. Se decidi hacerlo as,

287

porque cuando se formul la tabla de respuesta, as como el diagrama de Pareto tales

factores se identificaron como no significativos.

288

PREGUNTAS Y PROBLEMAS
PREGUNTAS
Indicaciones: subraye la respuesta correcta

1. El siguiente enunciado: El costo de la calidad se mide como una funcin de la

desviacin del estndar, en tanto que las prdidas se miden en todo lo amplio del sistema.
Es un principio del enfoque de la calidad de,
A. E. W. Deming
B. J. M. Juran
C. G. Taguchi
D. K. Ishikawa
2. Se define como un conjunto de actividades de control de calidad que se desarrollan
durante el ciclo de produccin de un producto.
A. Ciclo del proceso
B. Control de calidad en lnea
C. Control de calidad fuera de lnea
D. Inspeccin al 100%
3. Nombre con el que se clasifican los factores que causan variabilidad en las funciones del
producto.
A. Factores de ruido
B. Factores de control
C. Factores difusos
D. Factores bsicos
4. Es una de las acciones que comprende el control de calidad en lnea:
A. Inspeccin del 100%
B. Muestreo aleatorio
C. Pruebas de falla
D. Reducir la variacin del proceso
5. prdida causada por la variacin funcional es una categora discutida y analizada
por,
A. W. A. Shewhart y W. E. Deming
B. G. Taguchi y W. Wu
C. A. V. Feigenbaum y A. Galgano
D. H. F. Dodge y J. M. Juran
6. Son cambios que ocurren cuando un producto se deteriora durante el almacenaje o se
desgasta durante su uso, lo cual impide que logre sus funciones metas.
A. Factor de ruido
B. Factor de ruido externo
C. Factor de ruido interno
D. Factor de ruido variacional
7. Los departamento de diseo e ingeniera de produccin para abordar los problemas de la
variabilidad, utilizan mtodos de
A. Control de calidad fuera de lnea
B. Control de calidad en lnea
C. Control de calidad por inspeccin
D. Control de calidad
8. Las contramedidas contra las variables ambientales y el deterioro del producto slo son
posibles en la fase de
A. Estudio de mercado
B. Prueba del producto
C. Uso del producto
D. Diseo

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

18. Un experimento comprende 5 factores de control (A, B, C, D, F) y 3 factores de ruido

(U, V, W), utilizando un matriz interna y otra externa, cuntas condiciones de prueba se
tendrn?
A. 23 condiciones
B. 12 condiciones
C. 32 condiciones
D. 8 condiciones
19. La condicin y22 est definida por las combinaciones,
A. A1B0C1D1 y U1V1W1
B A0B1C1D2 y U0V1W0
C. A0B0C0D1 y U0V0W0
D. A0B0C0D1 y U0V1W1
20. En el diseo de parmetros hay un criterio claro para determinar el nmero de
observaciones que se deben llevar a cabo en cada condicin experimental.
A. Falso
B. Cierto
C. Relativamente falso
D. Relativamente cierto

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

Cantidad de piedra caliza

Fineza del aditivo
Cantidad del aglutinante
Tipo de aglutinante
Carga de materia prima
Cantidad de desperdicio
Cantidad de feldespato

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

El experimento arroj los siguientes resultados:

Datos del experimento de los azulejos, AO8(27)
No. de
exp.
1
2
3
4
5
6
7
8

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{

donde * es la media del intervalo de mantenimiento y 0 es la media del intervalo entre

los problemas principales.

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

CAPTULO V. ANLISIS DE LA SEAL-RUIDO (S/R)

Introduccin
La relacin seal ruido (S/R) es el instrumento medular del DEE de Taguchi. Esta relacin
indica el grado de desempeo predecible de un proceso o de un producto en presencia de factores de
ruido. Esta tcnica es una medida de desempeo para elegir los mejores niveles de los

factores de control para hacer frente al ruido (Bryne & Taguchi, 1986; Phadke, 1989;

Taguchi, 1990). La relacin S/R tiene en cuenta tanto la media y la variabilidad. En su

forma ms simple, la relacin S/R es la proporcin de la media (seal) a la desviacin
estndar (ruido). En consecuencia, los datos de los factores asignados en el arreglo
ortogonal interior se pueden analizar utilizando el valor en decibeles como caracterstica
objetivo, al mismo tiempo que se hace la comparacin habitual de nivel a nivel. La relacin
S/R se entiende, adems, como una importante medida de desempeo en los sistema de
medicin (Joseph & Wu, 2002), por lo cual se clasifica como una herramienta para analizar
sistemas de objetivos mltiples.
La relacin S/R es una medida de la magnitud de un conjunto de datos con
respecto a la desviacin estndar. Si el valor de la relacin S/R es grande, la magnitud de la
seal lo es tambin en relacin al "ruido" tal como se mide con la desviacin estndar. Si la
S/R es grande, entonces la seal se considera que es importante, en ese mismo sentido de
importancia lo es la variacin aleatoria (Holmes & Mergen, sfe). De acuerdo con este
razonamiento se entiende que cualquier valor obtenido mediante una medicin contiene dos
componentes: uno que lleva la informacin de inters, la seal; el otro consiste de los
errores aleatorios, o ruido, que se superpone al primer componente. Estos errores aleatorios
son, por supuesto, no deseados, ya que disminuyen la exactitud de la medicin.
De cualquier manera, de lo que se trata es que el ingeniero est consciente de que
hay muchas ecuaciones de la relacin S/R. Para el principiante, constituye un rompecabezas
el saber cul de ellas es la correcta o apropiada para una aplicacin concreta (Wu & Wu,
1997). Si no se encontrara una relacin S/R que se ajusta a una necesidad especfica, habr
que desarrollar una que responda a las particularidades del proyecto especfico. Para la
seleccin o determinacin de la relacin S/R apropiada se tienen algunos enfoques que
ayudan a responder a algunas dudas.

295

5.1 Enfoques para el tratamiento de los factores de ruido

Para determinar un diseo robusto, los experimentos se conducen bajo la

influencia de varios factores de ruido. Los factores de ruido son aquellos factores:

Que no son controlables

Las influencias no se conocen

Que no son controlados intencionalmente.

El diseo de parmetro robusto es una tcnica de experimentacin que ayuda a reducir la

variacin del sistema y optimiza la respuesta media de ste. La idea es utilizar factores de
control para hacer que el sistema sea robusto a las influencias de los factores de ruido. Es
decir, los factores de ruido son factores que influyen en la respuesta del sistema, pero en la
prctica no son controlables.
Para el sistema dinmico, la calidad ideal se basa en una relacin ideal entre la
seal y la respuesta, en consecuencia la desviacin de esta relacin ideal deviene en la
prdida de calidad. El mejoramiento significativo de la calidad se puede lograr mediante la
definicin, en primer lugar, de la funcin ideal del sistema; luego, se utiliza un DEE para
investigar un diseo ptimo que minimice la deviacin de las funciones ideales (Bae &
Tsui, 2006). De estas soluciones ptimas se derivan tres diferentes enfoques: i) modelo de

respuesta, ii) modelo de prdida y, iii) modelo de la funcin de respuesta. El primer

enfoque permite una mayor flexibilidad para investigar los efectos de los factores para el
experimento de diseo robusto y es el que se estudia en este texto.
El enfoque modelo de respuesta define directamente la respuesta como funcin del
control, ruido y efectos del factor seal que se combinan en una sola matriz de diseo. El
enfoque modelo de prdida primero estima los parmetros y luego, de acuerdo con un

modelo de regresin respuesta-seal, fija un valor especfico C. El enfoque modelo de la

funcin de respuesta organiza la mediciones de desempeo como funciones tanto de los

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.

Ejemplo 5.1 Los factores de ruido para un refrigerador.

Ruidos externos: nmero de veces que se abre y se cierra la puerta, temperatura inicial de
los alimentos y cantidad que se almacena de stos, variacin de la temperatura ambiente y
la variacin del voltaje del flujo de energa elctrica.

Ruidos internos: la hermeticidad del cierre de la puerta y la cantidad de refrigerante que se

usa, fuga de refrigerante y el desgaste mecnico de las piezas del compresor.

Seal, ruido y factores de control22

El producto de ptima calidad siempre debe responder exactamente de la misma
manera a las seales proporcionadas por el usuario. Sea el caso, cuando se introduce y se
22

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

gira la llave en la ignicin de su automvil, se puede esperar que, al primer intento, el

motor de arranque gire y se encienda el motor. En el automvil de ptima calidad, el
proceso de arranque siempre se procedera justo de la misma manera - por ejemplo, despus
de tres vueltas del motor de arranque el motor enciende. Si, en respuesta a la misma seal
(girar la llave de encendido) hubiera una variabilidad aleatoria en este proceso, entonces ya
no se tiene la calidad ptima, tiene menos. Debido, quizs, a factores no controlables tales
como el fro extremo, la humedad, el desgaste del motor, etc., despus de 20 intentos el
motor encienda o tal vez deje de hacerlo en absoluto.
El ejemplo anterior describe, de acuerdo con Taguchi, el principio clave en la
medicin de la calidad. Este principio consiste en reducir al mnimo la variabilidad en el
desempeo del producto en respuesta a los factores de ruido. Queda claro que los factores
de ruido son aquellos que no estn bajo el control del operador de un producto. En el caso
del automvil, esos factores incluyen cambios de temperatura, diferentes calidades de
gasolina, el desgaste del motor, etc.; mientras que los factores de seal son aquellos
factores que son determinados o controlados por el operador del producto para hacer uso de
las funciones previstas (girar la llave de contacto para encender el automvil). En resumen,
el objetivo del esfuerzo de mejora de la calidad es encontrar la mejor configuracin de
factores bajo control que estn involucrados en el proceso de produccin, con el fin de
maximizar la relacin S/R.
La conclusin del prrafo anterior consiste en que la calidad se puede cuantificar
en trminos de la respuesta de los respectivos productos y los factores de ruido y los
factores de control. El producto de ptima calidad slo responder a las seales del
operador y no se ver afectado por factores de ruido aleatorio (clima, temperatura,
humedad, etc.). Por lo tanto, el esfuerzo para mejorar la calidad se puede puntualizar como
como un intento para maximizar la relacin S/R de un producto especfico.

5.2 Relaciones seal-ruido (S/R)

El mtodo Taguchi enmarca un cierto tipo de factores de control, que se definen
como factores de ajuste y juegan un papel crucial en el DEE que involucra la relacin
S/R. Las relaciones S/R se supone que son medidas de desempeo independientes de estos
factores de ajuste, de modo que la optimizacin del sistema puede ser convenientemente

298

dividida en dos pasos: el primero es maximizar la relacin S/R y el segundo consiste en

hacer algunos ajustes utilizando los factores de ajuste (Joseph, 2015). Algunos expertos
argumentan que la motivacin de Taguchi para usar factores de ajuste es principalmente
para simplificar el experimento ms que para facilitar la optimizacin. Este texto es
independiente de esa discusin y se centra, sobre todo, en las relaciones S/R como tcnicas
que contribuyen a reducir la variacin.
En lo que se refiere al proceso de optimizacin el mtodo Taguchi utiliza a
menudo dos pasos: 1) se utiliza la relacin S/R para identificar los factores de control que
reducen la variabilidad; 2) se identifican los factores de control que mueven la media hacia
el valor objetivo y tienen un efecto pequeo o no sobre la relacin S/R. La relacin S/R
mide cmo la respuesta vara en relacin con el valor nominal o el valor objetivo en
diferentes condiciones de ruido. Dependiendo del objetivo del DEE y si tales diseo son
estticos, se puede elegir entre diferentes tipos de relaciones S/R, como las que se muestran
en la tabla 5.1.
Tabla 5.1 Tipos diferentes de relaciones S/R
Relacin S/R

Objetivo del experimento

Menor es
mejor

Minimizar la respuesta

Nominal es
mejor
Mayor es
mejor

Caractersticas de los
datos
No negativos con valor
objetivo igual a cero

Orientar la respuesta que

se desea y establecer la
S/R slo con las medias
y desviaciones estndar

Positivos, cero o
negativos

Maximizar la respuesta

Positivos

Frmula de la relacin S/R

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.

De acuerdo con la primera y ltima columnas de la tabla 5.1 se observa que

dependiendo del tipo de caracterstica que se desea estudiar hay varias relaciones S/R
disponibles que pueden ayudar a medir la variacin actual. 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

299

de calcular la relacin S/R es como sigue (en este caso n es el nmero de observaciones en
cada fila).
i)

Caracterstica menor es mejor

1


/
V = 10  UV


X

YZ

ii)

Caracterstica mayor es mejor

1
1

/
V = 10  

UV
X

YZ

iii)

Caracterstica nominal es mejor, la cual tiene dos expresiones

i)
/
ZV = 10 

/
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


= G   G    G R

La relacin S/R1i es una funcin que slo depende de la variacin; en cambio la

relacin S/R2i es una funcin que depende tanto de la variacin como de la media. Por esta
razn Hunter (1987) recomienda que para el tipo de caracterstica nominal es mejor se debe
usar la relacin S/R1i (ms adelante se demuestra esta diferencia). El logaritmo de la Ve (log
Ve) tambin proporciona una tendencia a la normalidad para la varianza estadstica. La
relacin S/R1i se puede considerar tambin como una sucesora de las caractersticas menor
es mejor y mayor es mejor, dado que el logaritmo de Ve (log Ve) es independiente de la

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

Para el caso nominal es mejor la relacin S/R2i es mayormente influenciada por la

influye en el cambio de la respuesta media UW, es necesario obtener la sensibilidad, que para

XV = 10 log
0V

el conjunto de n observaciones en la i sima fila, se define de la siguiente manera

= 10 log 5UWV 7
= 20 log :UW

Ejemplo 5.2 (Relacin S/R para la caracterstica menor es mejor)

Un fabricante de automviles se propuso reducir el CO de las emisiones de su
nueva generacin de autos, se organiz un equipo de ingenieros quienes eligieron siete
factores de control (A-H), los cuales se asignaron a un AO L8. Como factor de ruido se opt
por una carretera que presenta tres condiciones fsicas distintas (C1, C2, C3). Para cada
condicin de la carretera y cada condicin de los factores controlables se hizo una prueba y
se midi la cantidad de CO en gr, en los gases de escape, cuyos datos estn contenidos en la
tabla 5.2.

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

Asignacin de los factores de control y

nmero de columna
B
C
D
F
G
H
2
3
4
5
6
7
1
1
1
1
1
1
1
1
2
2
2
2
2
2
1
1
2
2
2
2
2
2
1
1
1
2
1
2
1
2
1
2
2
1
2
1
2
1
1
2
2
1
2
1
2
1
1
2

Datos (CO en los

gases de escape,
gr)
C1
C2
C3
1.04 1.20 1.54
1.42 1.76 2.10
1.01 1.23 1.52
1.50 1.87 2.25
1.28 1.34 2.05
1.14 1.26 1.88
1.33 1.42 2.10
1.33 1.52 2.13

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)

Determine la mejor combinacin de niveles.

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

1.04 + 1.2 + 1.54

/
Z = 10 
= 10 log1.6312 = 2.125
3

/
 = 10 

/
q = 10 

/
s = 10 

/
= 10 

1.42 + 1.76 + 2.10

= 10 log3.175 = 5.017
3
1.01 + 1.23 + 1.52
= 10 log1.6144 = 2.08
3

1.5 + 1.87 + 2.25

= 10 log3.6031 = 5.566
3

1.28 + 1.34 + 2.05

= 10 log2.5455 = 4.057
3

302

/
= 10 

/
= 10 

/
= 10 

1.14 + 1.26 + 1.88

= 10 log2.14 = 3.305
3

1.33 + 1.42 + 2.10

= 10 log2.7317 = 4.364
3
1.33 + 1.52 + 2.13
= 10 log2.872 = 4.582
3

iii) Elabore un tabla de repuesta y dibuje los grficos factoriales.

Para elaborar la tabla de respuesta se requiere obtener primero el promedio de cada nivel de
cada factor.

zZ =

2.95 5.017 2.08 5.566

= 3.903
4

4.057 3.305 4.364 4.582

= 4.077
4

z =
WZ =

2.125 5.017 4.057 3.305

= 3.626
4

'Z =

2.125 5.017 4.364 4.582

= 4.022
4

Z =
E

2.125 2.08 4.057 4.364

= 3.1565
4

W =

' =

2.08 5.566 4.364 4.582

= 4.1455
4

2.08 5.566 4.057 3.305

= 3.752
4

303

 =
E

5.07 5.566 3.305 4.582

= 4.63
4

WZ =

2.125 2.08 3.305 4.582

= 3.023
4

Z =

2,125 5.566 4.057 4.582

= 4.08
4

W =

5.07 5.566 4.057 4.364

= 4.764
4

5.017 2.08 3.305 4.364

= 3.69
4
2,125 5.566 3.305 4.364
Z =

= 3.84
4
= 

 =

5.017 2.08 4.057 4.582

= 3.93
4

Tabla de respuesta de la relacin S/R de cada factor para la medicin de

CO en los gases de escape
Niveles
1
2
Diferencia

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.

Grficas lineales para definir el mejor nivel para la medicin de C0

Grfico 5.1. Las relaciones S/R de las mediciones de las emisiones de CO

304

iv) El grafico 1 describe los niveles de los factores que generan la mejor contribucin (ver

los puntos obscuros). La mejor combinacin es: A1B1C2D1F1G2H1.

Ejemplo 5.3 (Relacin S/R para la caracterstica mayor es mejor)

Una compaa qumica local tuvo la necesidad de disear una calcomana cuyo
objetivo consisti en elevar la fuerza adherencia de sta. Suponga que la fuerza de
adherencia de la pelcula de plstico para elaborar la calcomana tiene la caracterstica de
inters mayor es mejor y se asume que sta es defectuosa si su capacidad de adherencia es
menor que 10 kgcm-2. Sea el lmite de tolerancia del consumidor 0 = 10 kgcm-2 y la
prdida en este lmite sea igual A0 = 94 dlares. Los factores de control que pueden afectar
la fuerza de adherencia durante el proceso de manufactura son los siguientes:
Factores de control
A: tiempo de grabado
B: temperatura de grabado
C: razn de mezclado
D: mtodo de pre-tratamiento

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

Se elaboraron dos calcomanas y se midi la fuerza de adherencia de cada una de ellas

despus de que se sometieron a las siguientes condiciones: N1 y N2. El diseo y los datos se
muestran en la tabla 5.3.
Tabla 5.3 Diseo de experimento y datos de la fuerza de adherencia.
No. de exp.
1
2
3
4
5
6
7
8
9

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

corrida experimental e indique su preferencia desde la perspectiva de ingeniero para cada

corrida; iv) Si la especificacin de produccin es de 0 = 10 kgcm-2 y la prdida en este
lmite sea igual A0 = 94 dlares, fije la funcin de prdida, determine k y calcule la prdida
por pieza para cada corrida; v) Calcule la MSD y S/R para cada corrida.

Respuesta,

i)

Componentes del problema

Respuesta: fuerza de adherencia de la calcomana

Factores de control: A: tiempo de grabado; B: temperatura de grabado; C:
razn de mezclado y; D: mtodo de pre-tratamiento.

Factor de ruido: condiciones del entorno

ii)

Caracterstica de estudio: mayor es mejor

iii)

Respuesta promedio para cada corrida experimental y preferencia desde la

perspectiva de ingeniero.

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)

Dado que la especificacin de produccin es de 0 = 10 kgcm-2 y la prdida en

k = A0{ , se sustituyen los valores, k = (94) (10 kgcm-2)2 = 9,400,

este lmite sea igual A0 = 94 dlares, entonces

La funcin de prdida para una pieza es: ) = i

= 9,400 M
Z

La funcin de prdida para n piezas es: L = k (MSD), donde MSD = XYZ

La funcin de prdida para n piezas es, entonces, Li = 9,400 (MSDi)

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

Clculo de la prdida para cada experimento

L1 = 9,400 (0.034) = 319.6 dlares

L2 = 9,400 (0.013) = 122.2 dlares

L3 = 9,400 (0.0085) = 79.9 dlares

L4 = 9,400 (0.022) = 206.8 dlares

L5 = 9,400 (0.0143) = 134.4 dlares

L6 = 9,400 (0.0091) = 85.5 dlares

L7 = 9,400 (0.0025) = 23.5 dlares

L8 = 9,400 (0.0018) = 16.9 dlares

L9 = 9,400 (0.0032) = 30.08 dlares

v)

Clculo de la relacin S/R para cada corrida.

1
1
= 10  
/
V = 10 k
EV 

V

UV
X

YZ

/
Z = 10 0.034 = 14.68

/
 = 10 0.013 = 18.86

/
= 10 0.0025 = 26.02

/
= 10 0.0018 = 27.44

/
q = 10 0.0085 = 20.70

/
= 10 0.0143 = 18.44

/
= 10 0.0032 = 24.94

/
s = 10 0.022 = 16.57

/
= 10 0.0091 = 20.41

Grficas lineales para definir el mejor nivel para la medicin de la adherencia de la

calcomana y definir la condicin ptima
A1 = 14.68 + 18.86 + 20.70 = 54.24,

zZ = 18.08

308

A2 = 16.57 + 18.44 + 20.41 = 55.42,

A3 = 26.02 + 27.44 + 24.94 = 78.4,
B1 = 14.68 + 16.57 + 26.02 = 57.26,
B2 = 18.86 + 18.44 + 27.44 = 64.74,
B3 = 20.70 + 20.41 + 24.94 = 66.05,
C1 = 14.68 + 20.41 + 27.44 = 62.5,
C2 = 18.86 + 16.57 + 24.94 = 60.37,
C3 = 20.70 + 18.44 + 26.02 = 65.16,
D1 = 14.68 + 18.44 + 24.94 = 58.06,
D2 = 18.86 + 20.41 + 26.02 = 65.29,
D3 = 20.70 + 16.57 + 27.44 = 64.71,

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

Grafico 5.2. Relaciones S/R de la medicin de la adherencia de la calcomana

De acuerdo con lo que ilustra el grfico 2, el factor de control C se descarta por su

escasa aportacin a la variable de respuesta, por lo que la condicin ptima estar definida
por la siguiente combinacin de factores y niveles: A3B3D2, de manera tal que la ecuacin

 /W
Est.( A3B3D2) = /W + zq /W + Wq /W + E

aditiva para la estimacin de la relacin S/R es:

 2/W, se sustituyen los valores, se tiene

Est.( A3B3D2) = zq + Wq + E
Est.(A3B3D2) = 26.13 + 22.02 + 21.76 2 (

 = 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)

S/R aumenta, mientras que el promedio se incrementa y la variacin se

reduce.

ii)

S/R es ms sensible al comportamiento del promedio.

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,

implica un reduccin de la prdida de

Z
<= .

Ejemplo 5.4 (Relacin S/R para la caracterstica nominal es mejor)

Se llev a cabo un estudio que involucr a directivos e ingenieros de industrias
relacionadas con el estampado de metal. Los involucrados en el estudio, de los cuales la
mayora produce herramientas para estampado de metales decidieron realizar un DEE para
identificar los factores de control y de ruido para hacer ms efectivo el proceso y sus
propias herramientas. Ambos factores (de control y ruido) y sus respectivos niveles son los
siguientes:
Factores de diseo (de control)
A: Altura del rodillo

2 niveles

B: Proveedor del material

2 niveles

C: Ajuste del alimentador

2 niveles

Factores de ruido
H: Cantidad de aceite

2 niveles

I: Grosor del material

2 niveles

J: Dureza del material

2 niveles

Variable de respuesta:

Distancia del agujero

Valor objetivo:

0.40 pulgadas (los datos se codifican como 40 = 0.40)

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 =

37 37 + 38 37 + 36 37 + 37 37

41

35 36.75 + 39 36.75 + 40 36.75 + 33 36.75

41
= 10.92

= 0.666

 =

45 44.75 + 44 44.75 + 44 44.75 + 46 44.75

q =
41
41 45.25 + 52 45.25 + 46 45.25 + 42 45.25
s =
41
= 24.98
= 0.92

iii)

l = 10  UWV 

V
V

Clculo de las relaciones S/Ri

l = 10  37 = 10 log2,043.28 = 33.10

Z
0.67

l = 10  36.75 = 10 log123.677 = 20.92


10.92


l = 10  44.75 = 10 log2,176.69 = 33.38

q
0.92


l = 10  45.25 = 10 log81.96 = 19.14


24.98

iv)

zZ =

Elaborar la tabla de respuesta S/R

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

Tabla de respuesta de la relacin S/R del estampado de metal

Niveles
1
2
Diferencia

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

vii) Identificar los factores que se usaran para ajustar la media.

z =

44.75 + 45.25
= 45.00
2

W =

36.75 + 45.25
= 41.00
2

' =

36.75 + 44.75
= 40.75
2

Tabla de respuesta de la media del estampado de metal

Niveles
1
2
Diferencia

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.

Grafico 5.4. Condicin ptima para la media

Grfico 5.5. El factor A en su nivel ptimo A*

El modelo de la relacin S/R1i de la caracterstica nominal es mejor

i)
/
ZV = 10 

es funcin slo de la variacin, donde,

` BK d
XBZ

315
X

C = UV
VYZ

0 = UWV  , donde UWV es la media de la muestra de la i-sima fila.

CZ = 37 + 38 + 36 + 37 = 5,478

0 = 437 = 5,476

5,478 5,476

l
= 10 log 0.6666 = 1.76

ZZ = 10 
41

C = 35 + 39 + 40 + 33 = 5,435

0 = 436.75 = 5,402.25

5,435 5,402.25

l
=
10 

= 10 log 10.9166 = 10.38

Z
41

Cq = 45 + 44 + 44 + 46 = 8,013

0q = 444.75 = 8,010.25

8,013 8,010.25

l
= 10 log 0.9166 = 0.37

Zq = 10 
41

Cs = 41 + 52 + 46 + 42 = 8,265

0s = 445.25 = 8,190.25

8,265 8,190.25

l
=
10 

= 10 log 24.9166 = 13.96

Zs
41
modelos de las relaciones
l
y
l
para observar cmo el primero es afectado slo
ZV
V
Estos resultados se concentran en la tabla 4.8 con el propsito de comparar los

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

Observe ambas relaciones S/R, cuando se transita del experimento 1 al

experimento 2, prcticamente se redujeron la misma cantidad de dBs debido al aumento en
la variabilidad; mientras que el promedio del experimento 1 al experimento 2 tiene valores
muy prximos. Al aumentar la variacin, la relacin S/R se reduce tanto en 1 como en 2.
Cuando se pasa del experimento 2 al experimento 3, la media crece y la varianza se reduce;
en este paso la relacin S/R1i aumenta como efecto de la variacin, pero no de la media,
contrario de la S/R2i que se incrementa como efecto tanto de la media como de la variacin.
Por ltimo, cuando se recorre del experimento 3 al experimento 4 la media se eleva
ligeramente, en tanto que la varianza se eleva de manera significativa, la cual obliga a
reducir la S/R de ambos modelos. Sin embargo, el decrecimiento es ms intenso en S/R2i
que en S/R1i, debido a que S/R2i recibe el efecto del cambio de la media.

5.3 Anlisis de varianza y la seal-ruido (S/R).

Cuando el ANOVA completo de los datos primarios (brutos) identifica los

factores de control que afectan a la media y la relacin S/R que analiza los datos
identifica los factores de control que afectan a la variacin entonces los factores de control
se pueden clasificar en cuatro clases:

Clase I: factores que afectan la media y la varianza

Clase II: Factores que afectan slo la varianza

Clase III: factores que slo afectan la media

Clase IV: factores que no afectan ni la media, ni la varianza.

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):

Figura 5.1 Formas de realizar el ANOVA

318

En el DEE la forma ms usual de llevar a cabo el estudio de los posibles efectos

causados por los diferentes niveles de los factores sobre la variable de respuesta y, es el
ANOVA de dos factores (ANOVA Two-way). El modelo que soporta este tipo de anlisis
es un modelo aditivo que puede operar sin interaccin o con interaccin de los factores
(figura 5.1). Las ecuaciones para realizar el proceso de anlisis de la varianza con un solo
factor (ANOVA One-way) se efectan bajo dos mtodos: mtodo 1, incluye la media;
mtodo 2, excluye la media.

1. Mtodo 1 (incluyendo la media)

Como se explic anteriormente, la variacin total se puede descomponer en sus
elementos apropiados:
i)

La variacin de la media (promedio) de todas las observaciones con respecto

a cero.

ii)

La variacin de la media (promedio) de las observaciones en cada nivel del

factor en torno a la media de todas las observaciones.

iii)

La variacin de las observaciones individuales alrededor de la media de las

observaciones en cada nivel de factor.

Las ecuaciones son

C = UV
VYZ

/

donde T es la suma total de todos los datos, por lo que /W es la media UW.

0 = /W =

= Z zZ /W +  z /W + + V zV /W

donde nAi es el nmero de datos que contiene cada nivel.

\

zV
/

=
V

VYZ

319
\ X

= `UV z d
YZ V YZ

SSe = SST SSm - SSA

SST = SSm + SSA + SSe
Los grados de libertad incluyendo la media son,
T = m + A + e
T = n (total de observaciones)
m = 1 (siempre)
A = kA - 1
e = T - m - A
Tabla 5.6 Cuadro resumen del ANOVA de un factor (ANOVA One-way)
(incluyendo la media)
Fuente de variacin
m

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.

2. Mtodo 2 (excluyendo la media)

Ya se explic que la variacin debida a la media no perturba para los clculos de la
variacin debida al error, y tampoco afecta para los clculos de los efectos de los factores.
En varias situaciones experimentales, con excepcin de la caracterstica menor es mejor, la
variacin debida a la media no tiene ningn valor prctico. En una situacin menor es
mejor la variacin debida a la media es una medida de hasta qu punto la media se halla

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.

La variacin de la media de las observaciones en cada nivel de factor en

torno a la media de todas las observaciones.

ii.

La variacin de las observaciones individuales alrededor de la media de

las observaciones en cada nivel de factor.

Las ecuaciones son

C = UV
VYZ

Matemticamente, esta ecuacin es equivalente a

C =
y se define como variacin total.

UV
VYZ

/

La variacin debida a los factores se calcula mediante

\

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

SSe = SST SSm - SSA

SST = SSm + SSA + SSe
Dado que la media ha sido excluida, entonces los grados de libertad de sta se sustraen, de
ambos lados de la ecuacin

n = 1 + A + e
n - 1 = 1 - 1 + A + e
n - 1 = A + e
T = n 1

321

T = A + e

(total de grados de libertad)

T = n 1

A = kA 1

(para los grados de libertad del factor A)

e = T - A (para los grados de libertad del error)

Tabla 5.7 Cuadro resumen del ANOVA de un factor (ANOVA, One-way)
(excluyendo la media)
Fuente de variacin
A

SS
SSA

Grados de libertad
kA - 1

SSe

T - m - A

SST

li 1

l
C 0

Aunque el valor de la media no aparezca en el cuadro resumen del ANOVA, el

mtodo 2 no lo abandona del todo. Ahora bien, slo en el caso en que el parmetro de
desempeo sea la caracterstica menor es mejor, entonces la varianza debido a la media ser
relevante; sta proporciona una medida de cun eficaz es algn factor en la reduccin de la
media a cero.
En el marco de una situacin experimental, el anlisis de varianza de dos factores
(ANOVA Two-Way) trata de dos factores controlados. Para realizar este anlisis se usa el
mtodo 2, es decir, el mtodo que no incluye la media. La variacin total del ANOVA de
dos factores se puede descomponer en los siguientes elementos:
1. Variacin debido al factor A
2. Variacin debido al factor B
3. Variacin debido a la interaccin de los factores A y B
4. Variacin debido al error
Con base en los cuatro elementos, la ecuacin de la variacin total se escribe como

SST = SSA + SSB + SSAxB + SSe

A x B representa la interaccin de los factores A y B. La interaccin es el efecto mutuo de
los factores A y B que afectan la variable de respuesta y. Si la caracterstica de esta variable
depende de la magnitud del factor A y sta, a su vez, depende la magnitud del factor B,
entonces se dice que la interaccin est presente.

322

La variacin total es

C = UV
VYZ

/


La variacin debido al factor A se puede calcular de dos maneras. La frmula

general para cualquier nmero de niveles del factor A, o de cualquier nmero de niveles de
otro factor es

zV
/

=
V

VYZ


zZ
z
z\
/
+
+ +

Z 
\


zZ
z / 
+

Z  

~% ~ %
##~ =
"
\

V
/

=
V

VYZ


Z

\
/
+
+ +

Z 
\


Z
 / 
+

Z  

## =

% %
"

323

Frmula general para la interaccin

Sea (A x B)i que representa la suma de los datos en virtud de la i-sima condicin
de las combinaciones de los factores A y B. Adems, sea c el nmero que representa las
posibles combinaciones de los factores que interactan y n(AxB)i el nmero de datos
puntuales en esta condicin (tabla 5.8). Entonces,

A =
VYZ

z V
/

AV


Tabla 5.8 Combinaciones de los niveles de los factores A y B

A
B
A1
A2
B1
A1B1
A2B1
B2
A1B2
A2B2
A1B1 = (A x B)1

A2B1 = (A x B)2

A1B2 = (A x B)3

A2B2 = (A x B)4

A =

z 6 Z z 6  A x Bq z 6 s / 

+
+
+

 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

Los grados de libertada del ANOVA de dos factores (ANOVA, Two-way)

T = n - 1
T = A + B + AxB + e

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

El ANOVA de un factor, de dos factores o ms, es una poderosa herramienta que

seala los factores que determinan el estado de y, al mismo tiempo que evala la magnitud
de la variacin del error. En un DEE que se estudia con arreglos ortogonales, el ANOVA
facilita determinar dnde establecer los niveles de los factores de control significativos, de
modo que y se encuentre casi siempre cerca del valor nominal deseado. Con base en esta
versatilidad del ANOVA, la relacin S/R se le puede entender como una respuesta del
experimento, la cual es, a su vez, una medida de la variacin dentro de un ensayo cuando
los factores de ruido estn presentes.
Lo anterior significa que se puede elaborar un ANOVA estndar de la relacin S/R,
para identificar los factores significativos que permitan elevar el valor promedio de la S/R
y, posteriormente reducir la variacin. El ANOVA para un experimento que se lleva a cabo
con un arreglo ortogonal interno/externo es un poco ms complejo de aquel que solo tiene
un AO interno, esto es porque el primero tienen ms fuentes adicionales de variacin. Los
factores del arreglo externo agregan ms fuentes de variacin, pero debido a la estructura
de la matriz interna/externa hay mucho ms interacciones de dos factores. Esto significa
que cada factor de la matriz interna con otro factor de la matriz externa generan una
interaccin que se puede estimar; la estructura del arreglo interno/externo es un
experimento factorial completo para los factores de control y de ruido.

Ejemplo 5.2 Caso de estudio: componentes de fundido de un troquel

Para la fundicin de un componente de un motor de troquel fue de inters un total
de cinco factores y una interaccin, as como la consistencia de la dureza de la pieza a partir
de una posicin a otra. Los cinco factores y sus niveles se hallan en la tabla 5.10:
Tabla 5.10 Factores y niveles para la fundicin de un componente
Factores
A: % de cobre
B: % de magnesio
C: % de zinc
D: Enfriamiento por agua
E: Enfriamiento por aire
P: Posicin (en la colada)

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

aleaciones determinadas de la Sociedad de Ingenieros Automotrices (ASE). Los niveles de

agua y de aire para el enfriamiento eran dependientes del proceso. El DEE y los resultados
de tres repeticiones en cada condicin experimental se muestran en la tabla 5.11.
Tabla 5.11 Experimento de la fundicin a presin del componente, Tabla terciaria
No.
prueba
1
2
3
4
5
6
7
8

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

Datos (RB) en la posicin P

I
II
71 72
75 74
72 72
71 69
55 55
68 67
74 74
72 74
78 77
78 78
69 65
69 73
70 72
72 70
72 71
73 74

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

La primera fraccin de la tabla 5.12 (tabla primaria) contiene la variacin debido

slo a los factores de control, dado que los valores de la posicin y de las repeticiones se
han condensado en un solo valor de la prueba. Este valor vara de prueba a prueba y es una
funcin solo de la influencia de los factores de control. La segunda fraccin de la tabla
5.12 (tabla secundaria) condensa en un solo valor las repeticiones que contiene la variacin
debida a los factores de control y de ruido. La tabla 5.11, tabla terciaria, contiene la
variacin total debida a los factores de control, los factores de ruido y el error. Por esta

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

donde c = nmero de condiciones de tratamiento en la tabla

438 427 368 444 465 405 432 438 3,417

=
+
+
+
+
+
+
+

= 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

A1 = 438 + 427 + 368 + 444 = 1,677

 Z 


1,682 1,735
= 58.52
48

B1 = 438 + 427 + 465 + 405 = 1,735

A2 = 465 + 405 + 432 + 438 = 1,740

A =

B2 = 368 + 444 + 432 + 438 = 1,682

z  z Z 


Tabla 5.13 Combinaciones de los niveles de los factores A y B

A
B
A1
A2
B1
438 + 427 = 865
465+ 405 = 870
B2
368 + 444 = 812
432 + 438 = 870

A1B1 + A2B2 = (A x B)1,

438 + 427 + 432 +438 = 1,735

328

A1B2 + A2B1 = (A x B)2

1,682 1,735
=
= 58.52
48

368 + 444 + 465 + 405 = 1,682

C1 = 438 + 368 + 465 + 432 = 1,703

## =

% %
"

C2 = 427 + 444 + 405 + 438 = 1,714

1,714 1,703
= 2.52
48

## =

% %
"

1,768 1,649

=
= 295.02
48

D1 = 438 + 368 + 405 + 438 = 1,649

e1= 438 + 444 + 405 + 432 = 1,719

SST secundaria (SSM )

## =

% %
"

## =

%  %
"

1,632 1,875
= 487.69
48

E1 = 438 + 444 + 465 + 438 = 1,785

D2 = 427 + 444 + 465 + 432 = 1,768

E2 = 427 + 368 + 405 + 432 = 1,632

1,698 1,719
= 9.19
48

e2 = 427 + 368 + 465 + 438 = 1,698

La variacin debida a los factores de control, factores de ruido e interacciones de los

factores de ruido con los de control se calcula con los datos de la tabla secundaria.

329

CM

UK
/
=
K

VYZ

donde cs = nmero de datos puntuales de la tabla secundaria

CM

214 216 165 224

220 3417
=
+
+
+
++

= 994.15
3
3
3
3
3
48
 
H

Suma de cuadrados del factor de ruido P (posicin).

donde N es igual al total de datos.

PI = 214 + 216 + 165 + 224 + 233 + 197 + 216 + 218 = 1,683

1,734 1,683
= 54.19
48

PII = 224 + 211 + 203 + 220 + 232 + 208 + 216 + 220 = 1,734

Interacciones entre los factores de control y factores de ruido

SSFactor de control x Factor de ruido
SSFactor de control x Posicin

ADVVX =

5z  z Z 7


Tabla 5.14 Combinaciones de los niveles de los factores A y P

P
A
A1
A2

PI
214 + 216 + 165 + 224 = 819
233 + 197 + 216 + 218 = 864

PII
224 + 211 + 203 + 220 = 858
232 + 208 + 216 + 220 = 876

A1PI + A2PII = (A x P)1,

819 + 876 = 1,695
A2PI + A1PII = (A x P)2

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

819 + 864 + 858 + 876

3,417
=
82.69 54.19
= 15.18
12
48

A =

5   Z 7
H

Tabla 5.15 Combinaciones de los niveles de los factores B y P

P
B
PI
PII
B1
214 + 216 + 233 + 197 = 860 224 + 211 + 232 + 208 = 875
B2
165 + 224 + 216 + 218 = 823 203 + 220 + 216 + 220 = 859

B1PI + B2PII = (A x P)1,

860 + 859 = 1,719
B2PI + B1PII = (A x B)2

A =

1,698 1,719
= 9.19
48
823 + 875 = 1,698

5'  ' Z 7
=
H

Tabla 5.16 Combinaciones de los niveles de los factores C y P

P

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

C1PI + C2PII = (P x A)1,

828 + 859 = 1,687

331

C2PI + C1PII = (C x P)2

1,730 1,687
=
= 38.52
48
855 + 875 = 1,730

5E  E Z 7
=
H

Tabla 5.17 Combinaciones de los niveles de los factores D y P

P

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

D1PI + D2PII = (D x P)1,

794 + 879 = 1,673
D2PI + D1PII = (D x P)2

A =

1,744 1,673
= 105.02
48
889 + 855 = 1,744

A =

5*  * Z 7
H

Tabla 5.18 Combinaciones de los niveles de los factores E y P

P

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

E1PI + E2PII = (D x P)1,

889 + 838 = 1,727
E2PI + E1PII = (D x P)2

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

AxB1PI + AxB2PII = (A x B x P)1,

863 + 864 = 1,727
AxB2PI + AxB1PII = (A x B x P)2

AA

1,690 1,727
=
= 58.52
48
819 + 871 = 1,690

5   Z 7
=
=

M


Tabla 5.20 Combinaciones del error (e) en los niveles PI y PII

P

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

e1PI + e2PII = (e x P)1,

851 + 866 = 1,717
e2PI + e1PII = (e x P)2

SST terciaria (SS )

1,700 1,717
=
= 6.02
48
832 + 868 = 1,700

C = `UqK d
VYZ

C = 71 + 71 + 72 + 75 + + 73

/
H

3,417
= 1,361.31
48

q =

CM

q = 1,361.31 1,279.31 = 82

Tabla 5.21 ANOVA total del experimento de fundido a presin

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

La interaccin de los factores enfriamiento por agua (D) y la posicin (P) es

estadsticamente significativa; sin embargo, ya que la posicin es un factor de ruido, la
nica opcin ser elegir el nivel adecuado para el factor D (enfriamiento por agua). Las
cuatro combinaciones de estos factores se concentran en la tabla 5.23.

334

Tabla 5.23 Las combinaciones de las factores D y P y la dureza media

Promedio de dureza, mayor es mejor
s
214 + 165 + 197 + 218 = 794,
= 66.17

D
1

P
I

II

224 + 203 + 208 + 220 = 855,

216 + 224 + 233 + 216 = 889,

II

211 + 220 + 232 + 216 = 879,

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

La ecuacin para obtener la media estimada es,

 /W + *WZ /W

8M M = /W + z /W + E
 + *WZ 2/W
8M M = z + E

8M M = 72.5 + 73.67 + 74.38 271.19 = 78.18

Con base en el valor de la media estimada se elabora un intervalo de confianza
de 90% tanto para la media de la poblacin (ICPob), como para el experimento de
confirmacin (ICEC) de 15 partes mediante,

335

,' = T
donde

Z, 


F (1, e) = F0.1 (1,43) = 2.83

 =

Ve = 9.09

s
s

= 12

Sustituyendo en la frmula

,' = T

2.83 9.09
= 1.46
12

Inervalo de confianza de 90% para la media de la poblacin

ICPob = 78.18 1.46
78.18 1.46 < Pob < 78.18 + 1.146

76.72 < Pob < 79.64

Inervalo de confianza para el experimento de confirmacin

,' = 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

Inervalo de confianza para el experimento de confirmacin

ICCE = 78.18 1.73
78.18 1.73 < EC < 78.18 + 1.73

76.45 < CE < 79.91

La condicin experimental A2D2E1 se halla en la corrida nmero 5, dentro de la
cual hay seis datos puntuales que representan los valores de la dureza a saber: 78, 78, 77,
78, 78, y 76. Estos valores generan un promedio igual a 77.50, que a su vez se encuentra en
el intervalo del experimento de confirmacin que se obtuvo de las 30 observaciones. Esto

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

Frmula de la caracterstica mayor es mejor

71
72
55
76
78
63
74
75

Datos (RB) en la posicin P

I
II
71 72
75 74
72 72
71 69
55 55
68 67
74 74
72 74
78 77
78 78
69 65
69 73
70 72
72 70
72 71
73 74

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

/
Z = 10   +  +  +  +  +  = 100.000188 = 37.26

6 71
71
72
75
74
75

1 1
1
1
1
1
1

/
 = 10   +  +  +  +  +  = 100.000198 = 37.04

6 72
72
72
71
69
71
1 1
1
1
1
1
1

/
q = 10   +  +  +  +  +  = 100.000275 = 35.61

6 55
55
55
68
67
68
1 1
1
1
1
1
1

/
s = 10   +  +  +  +  +  = 100.000183 = 37.38

6 76
74
74
72
74
74

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
##~ =

A2 = 37. 78 + 36.56 + 37.14 + 37.26 = 148.74,

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

B2 = 35.61 + 37.38 + 37.14 + 37.26 = 147.29,

z  z Z 
=


338

Tabla 5.25 Interaccin A x B

A
B
B1
B2

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

C2 =37.04 + 37.38 + 36.56 + 37.26 = 148.24,

% %
"
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

D2 =37.04 + 37.38 + 37.78 + 37.14 = 149.34,

% %
## =
"
E1 = 37.26 + 37.38 + 37.78 + 37.26 = 149.68,
*WZ = 37.42

*W = 36.5875

146.35 149.68
= 1.39
8

E2 =37.04 + 35.61 + 36.56 + 37.14 = 146.35,

## =

%  %
"

e1 = 37.26 + 37.38 + 36.56 + 37.14 = 148.34,

Z = 37.085

339

E = 36.9225

e2 =37.04 + 35.61 + 37.78 + 37.26 = 147.69,

147.69 148.34

=
= 0.05
8

C =

A +

##9 = 0.26 + 0.19 + 0.23 + 0.02 + 0.88 + 1.39 + 0.05 = . %

Tabla 5.26 ANOVA de la relacin S/R
Fuente
SS
V

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

En este nuevo ANOVA el factor A (% de cobre) ya no aparece como significativo,

en cambio se definen como significativos los factores D y E, enfriamiento por agua y
enfriamiento por aire, respectivamente con los cuales se define una nueva ecuacin aditiva
para calcular la estimacin de la media (Est.), el coeficiente de confianza (CI) para
definir el intervalo de confianza para la media de la poblacin, as como para el coeficiente
del experimento de confirmacin (EC).
D1 = 37.26 + 35.61 + 36.56 + 37.26 = 146.69,
D2 =37.04 + 37.38 + 37.78 + 37.14 = 149.34,

Z = 36.6725
E

% = .

340

E1 = 37.26 + 37.38 + 37.78 + 37.26 = 149.68,

E2 =37.04 + 35.61 + 36.56 + 37.14 = 146.35,

= . %

*W = 36.5875

Dado que la caracterstica de calidad es mayor es mejor, se elige tanto de los

factores D y E, los niveles ms altos, esto es, D2 y E1. En tanto que la media estimada
 /W + *WZ /W
8M = /W + E

(Est.) es

Sustituyendo los valores,

 + *WZ /W
8M = E

8M = 37.335 + 37.42 37.00 = 37.75

Coeficiente de confianza de 90% para la media de la poblacin

,' = T
donde

Z, 


F (1, e) = F0.1 (1,5) = 4.06

 = Z

Ve = 0.15

= q = 2.67

Sustituyendo en la frmula

,' = T

4.06 0.15
= 0.48
2.67

Intervalo de confianza para la media de la poblacin

ICPob = 37.00 0.48
37.00 0.48 < Pob < 37.00 + 0.48

36.52 < Pob < 37.48

Inervalo de confianza para el experimento de confirmacin

341

,' = TZ, 
donde r = 5, sustituyendo

,' = T4.06 0.15

1 1
+
 

1
1
+ = 0.59
2.67 5

Inervalo de confianza para el experimento de confirmacin

ICEC = 37.00 0.59
37.00 0.59 < EC < 37.00 + 0.59

36.41 < CE < 37.59

Observe que el experimento de confirmacin para la relacin S/R se form de las
cinco repeticiones de seis valores de dureza cada una y que se recolectaron de un total de 15
piezas fundidas. Un nico valor de una S/R se debe revelar de la transformacin del mismo
nmero de repeticiones, como valerse del experimento original para aplicar el intervalo de
confianza. Por otro lado, los factores que se identificaron como factores significativos en el
ANOVA total como en el ANOVA agrupado, esto es A, D y E se pueden clasificar de acuerdo
con la naturaleza de sus efectos (tabla 5.28), de la manera siguiente,

Tabla 5.28 Factores de efectos promedio y efectos de variabilidad

Factor
Efectos promedio
Efectos de la variabilidad
A
(2)*
D
(2)*
(2)+
E
(1)*
(1)++
Nota: el nmero entre parntesis indica el mejor nivel, segn la caracterstica de calidad.
+ al menos 90% de confianza; ++ al menos 95% de confianza; al menos 99% de confianza

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

2. Es una tcnica de experimentacin que ayuda a reducir la variacin del sistema y

optimiza la respuesta media de ste.

A. Diseo del producto
B. Diseo de parmetro robusto
C. Diseo del sistema
D. Diseo de estadstico
3. El mejoramiento significativo de la calidad se puede lograr mediante la definicin, en
primer lugar, de
A. La funcin ideal del sistema
B. La seleccin de la materia prima
C. La preparacin del proceso

D. La identificacin del control

4. Define directamente la respuesta como funcin del control, ruido y efectos del factor

seal que se combinan en una sola matriz de diseo.

A. Enfoque modelo de prdida
C. Enfoque modelo de entrada

B. Enfoque modelo funcin de respuesta

D. Enfoque modelo de respuesta

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

Arreglo interno (Factores de control)

A
B
C
D
E
F G
No. de columna
1
2
3
4
5
6
7
1
1
1
1
1
1
1
1
1
1
2
2
2
2
1
2
2
1
1
2
2
1
2
2
2
2
1
1
2
1
2
1
2
1
2
2
1
2
2
1
2
1
2
2
1
1
2
2
1
2
2
1
2
1
1
2

Arreglo externo (Factores de ruido)

J
1
2
1
2
I
1
2
2
1
H
1
1
2
2
2.2 2.1
2.3
2.3
0.3 2.5
2.7
0.3
0.5 3.1
0.4
2.6
2.0 1.9
1.8
2.0
3.0 3.1
3.0
3.0
2.1 4.2
1.0
3.1
4.0 1.9
4.6
2.2
2.0 1.9
1.9
1.8

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

Arreglo interno (Factores de control)

A B C D E F
G H I
e
No. de columna
9 10
1 2 3 4 5 6
7 8
1 1 1 1 1 1
1 1
1 1
1 1 1 1 1 2
2 2
2 2
1 1 2 2 2 1
1 1
2 2
1 2 1 2 2 1
2 2
1 1
1 2 2 1 2 2
1 2
1 2
1 2 2 2 1 2
2 1
2 1
2 1 2 2 1 1
2 2
1 2
2 1 2 1 2 2
2 1
1 1
2 1 1 2 2 2
1 2
2 1
2 2 2 1 1 1
1 2
2 1
2 2 1 2 1 2
1 1
1 2
2 2 1 1 2 1
2 1
2 2

e
11
1
2
2
2
1
1
1
2
1
2
21

Arreglo externo (Factores de ruido)

O
1
2
1
2
N
1
2
2
1
M
1
1
2
2
32.5 45.0 35.0
50.0
62.5 67.5 55.0
80.0
20.0 30.0
30
37.5
20.0 27.5 27.5
50.0
42.5 55.0 32.5
60.0
22.5 45.0 47.5
50.0
60.0 80.0 45.0
62.5
45.0 47.5 27.5
55.0
47.5 62.5 75.0
80.0
55.0 62.5 55.0
47.5
60.0 45.0 40.0
42.5
45.0 35.0 20.0
30.0

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

i) Calcular Ti, UWV , Vi,

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

iii) Realizar una Pareto ANOVA y el ANOVA para las sensibilidades.

iv) Clasificar los factores de control en factores de dispersin, factores que ajustan la media
y factores insignificantes.
v) Si hubiera algunos factores que ajustan la media, cul es la condicin ptima de estos
factores? Cmo se determinan?
vi) Encontrar la condicin ptima para los factores de dispersin y para los factores que
ajustan la media. Con la condicin ptima, estimar la relacin S/R y la distancia de
perforacin.
vii) La condicin de operacin actual es A2B2C2D2F2G2H2I2. Con esta condicin, estimar la
distancia de perforacin. Qu tan grande es la mejora en el sesgo de la perforacin?
viii) Suponga que la especificacin es 10 3, y la prdida en este lmite es de 3 dlares. A
cunto asciende la mejora en dlares si se cambia la condicin actual por la condicin

ptima? Pista: Utilice la relacin

/
= 10 log < M =. Sustituya 8 = 10 en la relacin y
M
L

encuentre S . Luego utilice la funcin de prdida ) = < M = S  .



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.