Serie Documentos de Trabajo

UNIVERSIDAD DEL CEMA EL DISEO EXPERIMENTAL Y LOS MTODOS DE TAGUCHI: CONCEPTOS Y APLICACIONES EN LA INDUSTRIA FARMACUTICA
Enrique Yacuzzi (Universidad del CEMA) Fernando Martn (Aventis Pharma) Hugo Marcelo Quiones (Universidad del CEMA) Matas Julin Popovsky (Universidad del CEMA)

Febrero 2004

WEB DE PUBLICACIONES DE LA UCEMA click aqu

EL DISEO EXPERIMENTAL Y LOS MTODOS DE TAGUCHI: CONCEPTOS Y APLICACIONES EN LA INDUSTRIA FARMACUTICA Enrique Yacuzzi (Universidad del CEMA) Fernando Martn (Aventis Pharma) Hugo Marcelo Quiones (Universidad del CEMA) Matas Julin Popovsky (Universidad del CEMA) RESUMEN Los orgenes del diseo experimental se remontan a las primeras dcadas del siglo XX, cuando Ronald Fisher introdujo el concepto de aleatorizacin y el anlisis de varianza. En estos ltimos aos, la teora y aplicaciones del diseo de experimentos se consolidaron y expandieron y, en varias industrias, las contribuciones de Gen'ichi Taguchi, abrieron el camino de aplicaciones rutinarias. En este documento de trabajoi se presentan ejemplos hipotticos del empleo de estas tcnicas en la industria farmacutica, tanto en situaciones de diseo como de manufactura y de servicios. El objetivo es motivar y consolidar el inters de los profesionales por estos temas, as como difundir las ideas de Taguchi sobre el diseo robusto y la funcin de prdida cuadrtica. El trabajo est organizado del siguiente modo. La seccin I destaca el papel del diseo experimental en la mejora de los procesos y la importancia bsica del anlisis de varianza. La seccin II es una revisin del anlisis de varianza que, a travs de ejemplos numricos, procura dar una perspectiva intuitiva de los conceptos. La seccin III introduce los experimentos factoriales, con aplicaciones farmacuticas de diseo y de servicio. El enfoque de Taguchi se esboza en la seccin IV y se lo compara con los mtodos tradicionales. La seccin V brinda breves recomendaciones para el uso de estos mtodos.

I.

INTRODUCCIN

El diseo experimental tiene sus orgenes en los trabajos de Ronald Fisher (1890-1962), desarrollados en la Estacin Agrcola Experimental de Rothamsted, en el Reino Unido, donde introdujo el concepto de aleatorizacin y el anlisis de varianza. A lo largo de varias dcadas, la teora del diseo de experimentos y sus aplicaciones se consolidaron y expandieron, y, en aos recientes, recibieron un fuerte impulso por las contribuciones de Gen'ichi Taguchi, un estadstico japons ampliamente conocido en Occidente. El diseo experimental estudia procesos. Puede considerarse a un proceso como una caja negra a la cual ingresan diversas variables que interactan para producir un resultado. Las variables que ingresan al proceso se denominan variables de entrada, y el resultado, variable de salida. El nivel de la variable de salida depende de los niveles que adopten las variables de entrada, y los gerentes y tcnicos se benefician al saber qu combinacin de variables de entrada produce la variable de salida ptima. La busca de combinaciones ptimas de las variables de entrada da lugar al diseo experimental, que es una prueba (o un conjunto de pruebas) durante la cual se realizan cambios sistemticos y controlados a las variables de entrada para medir el efecto sobre la variable de salida. El diseo experimental utiliza tcnicas como la regresin mltiple, la respuesta superficial y varias extensiones del anlisis de varianza. Comenzaremos este trabajo, por lo tanto, con una revisin del anlisis de varianza. Por razones de espacio, la presentacin no ser rigurosa, y se dejarn de lado temas importantes como algunos de los supuestos del anlisis y frmulas de clculo, la derivacin de los resultados y el estudio de los residuos. Nuestro objetivo inmediato es comprender qu significa la tabla del anlisis de varianza (tabla ANOVA, por sus siglas inglesas), y preparar as el terreno para entender el concepto de los experimentos factoriales. Estos experimentos estudian la respuesta para todas las combinaciones posibles de los factores de entrada y permiten investigar sistemticamente las interacciones entre los factores. Algunos esquemas de experimentos factoriales se aplican en la metodologa de Taguchi, que enriquece el concepto de calidad y la idea de robustez de los sistemas. Este trabajo, por lo tanto, dedica algunas pginas a esta metodologa y la compara con el diseo experimental tradicional. Finalmente, se ofrecen algunas recomendaciones para optar entre el diseo experimental o la metodologa de Taguchi. II. BREVE REVISIN DEL ANLISIS DE VARIANZA Supongamos que trabajamos en una planta de acondicionamiento de productos medicinales. Junto a un sinnmero de equipos se instalan tres blisteras recientemente reacondicionadas. El gerente de la planta quiere determinar si el rendimiento de las mquinas reparadas, medido en nmero de blisters defectuosos producidos por turno de trabajo, es el mismo para las tres mquinas o si, por el contrario, el rendimiento de las blisteras es desparejo. Las mquinas tuvieron, histricamente, un rendimiento fluctuante, debido a factores como la calidad de los insumos y el tipo de los blisters procesados.ii
2

Llamaremos a las tres mquinas A, B, y C. En un perodo determinado se toman cinco muestras al azar del nmero de blisters defectuosos producidos en cada mquina en una jornada. Las muestras se toman al azar para eliminar el efecto de la fluctuacin aleatoria del rendimiento de las mquinas a lo largo de los das. Los resultados se muestran en la Tabla 1, donde se indica el promedio de cada muestra y su varianza. La varianza mide el grado de fluctuacin de los datos correspondientes a cada mquina. Mquina Nmero de blisters defectuosos en cada jornada muestreada 48 56 55 50 53 51 51 59 53 47 60 51 54 52 50 Promedio de la muestra 50 56 52 Varianza intramuestra 7.5 12.5 4.0

A B C

Tabla 1. Resultados de la evaluacin de tres mquinas a travs de muestras aleatorias de cinco jornadas laborales elegidas al azar. La varianza de los promedios de las tres muestras es Spromedios2 = 9.33. El promedio de las varianzas es Spromediada2 = 8.00.iii Aparentemente, la mquina A produce mejores resultados que la mquina C, a juzgar por el menor nmero promedio de errores. Las mquinas A y C parecen producir ambas menos errores que la mquina B. Ahora bien, es realmente peor el rendimiento de la mquina B? O la diferencia de los promedios podra deberse simplemente al azar? Supongamos que tomamos 15 muestras aleatorias de una misma mquina y formamos tres muestras al azar de cinco valores muestrales cada una. Los resultados se presentan en la Tabla 2. Los valores promedio de la Tabla 2 tambin fluctan, a pesar de tratarse de la misma mquina, pero vale la pena preguntarse si la fluctuacin de estos valores es del mismo orden de magnitud que la de la Tabla 1, o, por el contrario, si es menor. Si fueran del mismo orden, entonces, la variacin del resultado entre las mquinas de la Tabla 1 tambin se podra atribuir al azar. De lo contrario, se podra pensar que efectivamente hay diferencias entre las mquinas. Muestra Valores muestrales Promedio de la muestra 51 53 52 Varianza intramuestra 7.5 14.5 2.0

1 2 3

51 52 51

54 51 53

50 54 53

53 59 53

47 49 50

Tabla 2. Tres muestras de cinco valores cada una que evalan a la misma mquina. La varianza de los promedios de las tres muestras es Spromedios2 = 1.00. El promedio de las varianzas es Spromediada2 = 8.00. Podemos plantear un test de hiptesis que nos brinde una medida numrica del grado al cual las muestras son distintas. Por ejemplo,

H0:

P

P

P

+P

i distinto


de

P 

j para

algn par i distinto de j (2)



sera un test adecuado para este fin. La ecuacin (1) se denomina hiptesis nula e indica que el comportamiento de las tres mquinas es, hipotticamente, el mismo para todas (las diferencias en los promedios de las Tablas 1 y 2 se atribuiran al azar). La ecuacin (2) es la hiptesis alternativa. En estos anlisis se supone que todas las muestras se obtienen a partir de poblaciones normales con la misma varianza. Una idea de la variabilidad de los tres nmeros de la columna de promedios de la Tabla 1 nos la da su varianza (la varianza de 50, 56, y 52 es Spromedios2 = 9.33). Pero esta varianza podramos obtenerla tambin con mquinas de funcionamiento ms errtico, como en la Tabla 3. Las mquinas de esta tabla producen en promedio el mismo nmero de defectos que las de la Tabla 1 (50, 56, y 52 defectos), pero la variabilidad entre las jornadas muestreadas, indicada por su varianza promedio (Spromediada2 = 56.83), es mayor que la de las mquinas de la Tabla 1 (Spromediada2 = 8.00). Como vemos, para comparar las varianzas intramuestra de las Tablas 1, 2, y 3 se toma el promedio de los valores de las columnas tituladas "Varianza". As, los resultados que se obtienen son 8, 8, y 56.8 para las Tablas 1, 2, y 3, respectivamente. Mquina Nmero de blisters defectuosos en cada jornada muestreada 58 46 58 45 59 58 52 64 49 37 61 47 58 50 48 Promedio de la muestra 50 56 52 Varianza intramuestra 81.5 58.5 30.5

A B C

Tabla 3. Resultados de la evaluacin de tres mquinas a travs de muestras aleatorias de tamao n = 5 (distintas a las de la Tabla 1). La varianza de los promedios de las tres muestras es Spromedios2 = 9.33. El promedio de las varianzas es Spromediada2 = 56.83. Comparando estos valores podemos juzgar mejor la situacin. Se puede comenzar a "sospechar" (o a "inferir") que en la Tabla 1 los promedios de las muestras provenientes de distintas mquinas difieren estadsticamente pues la varianza de estos promedios es grande comparada con la fluctuacin aleatoria promedio dentro de cada muestra (es decir, comparamos 9.33 con 8), mientras que en las mquinas de la Tabla 3 los errores se producen tan errticamente que todas las muestras podran provenir de la misma poblacin (comparamos 9.3 con 56.8). Esta comparacin que estamos realizando es un tanto intuitiva, pero existen modos numricos de realizarla. En efecto, numricamente la comparacin se realiza cotejando el promedio de las varianzas intra-muestras, Spromediada2, con la varianza de los promedios, Spromedios2. Definimos: F0 = n Spromedios2/Spromediada2 (3)

donde el factor n se agrega para que el valor de F0 sea aproximadamente 1 cuando los promedios del numerador y denominador sean iguales. Si los promedios no son iguales, entonces el numerador n Spromedios2 ser, en general, relativamente grande comparado con el denominador Spromediada2 y el ratio F0 tender a ser mayor que 1. Cun grande debe ser F0 para rechazar la hiptesis de que los promedios de las diversas mquinas no son iguales? La respuesta la da formalmente la estadstica con el test F. Por razones de brevedad, no detallamos el test F, pero basta para nuestros fines decir que, para cada nivel de "significancia", el test nos permite determinar cun importante (o poco importante) es el ratio F0 de la ecuacin (3); si el ratio es importante, los promedios entre las mquinas son estadsticamente distintos, y viceversa. Estos resultados, aplicados a la Tabla 1, se indican en la Tabla 4, denominada tabla del anlisis de varianza, o tabla ANOVA, por sus siglas inglesas. Examinemos cmo est compuesta. Tiene tres filas y seis columnas. La primera fila resume el clculo del numerador de la ecuacin (3); la segunda, el clculo del denominador; la tercera, presenta los valores totales (los clculos no se muestran). La variacin entre mquinas se explica como si las filas de la tabla de datos (Tabla 1) provinieran de distintas poblaciones (es decir, de mquinas que producen distinto nmero de blisters defectuosos). La variacin entre las filas de la Tabla 1 se indica como no explicada pues es la variacin aleatoria que no puede explicarse sistemticamente por diferencias en las blisteras. Las seis columnas son: fuente de variacin, variacin, grados de libertad, varianza, ratio F0, y valor probabilstico. Por razones de brevedad, no mostramos los pasos del clculo de los valores de la tabla (el lector puede consultar Wonnacott et al. (1977) o cualquier otro texto de estadstica introductoria), pero nos interesa volver a examinar el ratio F0. Este ratio puede interpretarse como el cociente entre la varianza explicada y la varianza no explicada, es decir: F0 = varianza explicada / varianza no explicada (4)

La varianza explicada es, como vimos, la varianza entre filas, y est explicada por que las muestras provienen de distintas mquinas. La varianza no explicada, por otra parte, es la varianza dentro de las filas, y no est explicada pues no se debe a la pertenencia de los datos a distintas mquinas, sino al azar, a la variacin no sistemtica entre los datos sobre errores producidos por una misma blistera. El valor probabilstico de la sexta columna se obtuvo de la planilla de clculo Microsoft Exceliv; indica que la probabilidad de obtener por efecto del azar el valor del ratio F0 = 5.83 (o mayor, con los grados de libertad 2 y 12 indicados en la tabla) es del orden de 1,7%; en palabras ms concretas, si repitiramos este experimento un nmero arbitrariamente grande de veces con blisteras que produjeran, cada una, en promedio, el mismo nmero de defectosv, slo en el 1,7% de los casos obtendramos un ratio F0 = 5.83 o mayor; en la gran mayora de los casos, el valor del ratio sera menor. As es que podemos rechazar la hiptesis nula (los promedios de blisters defectuosos son iguales para todas las mquinas) y aceptar la hiptesis alternativa (al menos dos blisteras producen distinto nmero de artculos defectuosos).
5

Fuente de variacin

Variacin; suma de cuadrados

Grados de libertad

Entre mquinas (EXPLICADA) Dentro de cada mquina (NO EXPLICADA) Total

93,33 96

2 12

Varianza; suma de cuadrados promedio 46,67 8

Ratio F0

Valor probabilstico

5.83

0.017

189.33

14

Tabla 4. Tabla ANOVA correspondiente a los datos de la Tabla 1. Las tablas ANOVA correspondientes a las Tablas 2 y 3 se presentan como Tablas 5 y 6, respectivamente.
Fuente de variacin Variacin; suma de cuadrados Grados de libertad Varianza; suma de cuadrados promedio 5 8 Ratio F0 Valor probabilstico

Entre mquinas (EXPLICADA) Dentro de cada mquina (NO EXPLICADA) Total

10 96

2 12

0.625

0.55

106

14

Tabla 5. Tabla ANOVA correspondiente a los datos de la Tabla 2.

Fuente de variacin Variacin Grados de libertad Varianza; suma de cuadrados promedio 46.67 56.83 Ratio F Valor probabilstico

Entre mquinas (EXPLICADA) Dentro de cada mquina (NO EXPLICADA) Total

93.33 682

2 12

0.82

0.46

775.33

14

Tabla 6. Tabla ANOVA correspondiente a los datos de la Tabla 3. La Tabla 5 nos indica que no podemos rechazar fcilmente la hiptesis nula. Es decir, suponiendo que los promedios de las blisteras fueran iguales, y si repitiramos el muestreo un nmero arbitrariamente grande de veces, en ms de la mitad de los casos obtendramos un valor probabilstico del orden del ratio F0 o mayor por la simple accin del azar. Sabemos que las muestras no difieren en sus promedios, pues todas provienen de la misma mquina. En la Tabla 6, por el contrario, las muestras provienen de distintas mquinas (Tabla 3), cuyos promedios son tan dispares como los de la Tabla 1. Sin embargo, la variabilidad dentro de la muestra de cada mquina es tan grande que la disparidad de los

promedios entre las mquinas podra atribuirse al azar, como lo sugiere el valor probabilstico del 46%. CONSIDERACIN DE OTROS FACTORES EN EL ANLISIS DE VARIANZA En la seccin anterior hemos considerado diferencias en los promedios de errores producidos solamente por las mquinas. Sin embargo, otros factores podran estar actuando, como la calidad de los operadores o el tipo de insumos utilizados. Consideremos, por ejemplo, que los operadores difieren en su grado de entrenamiento y que producen por lo tanto resultados dismiles entre ellos. Como para juzgar la calidad de los resultados nos basamos en muestras aleatorias, la comparacin es de naturaleza estadstica. Supongamos que reorganizamos la informacin de la Tabla 1 como en la Tabla 7.
Mquinas 1 2 3 Promedio de cada operador 1 48 56 53 52.3 Operadores 2 3 4 5 50 54 47 51 53 59 60 52 51 55 51 50 51.3 56.0 52.7 51.0 Promedio de cada mquina 50 56 52 Promedio general = 52.67

Tabla 7. Reorganizacin de los datos de la Tabla 1. Los datos del nmero de blisters defectuosos se clasifican por operador y por mquina. Nos proponemos reducir la magnitud de la varianza no explicada en la Tabla 4 tomando en cuenta la diferencia entre los operadores. En la Tabla 7, se muestra que cada operador realiz las tareas que dieron lugar a una de las observaciones muestrales en cada mquina; as, el operador 1 realiz tareas en la mquina 1 que dieron lugar a 48 blisters defectuosos en el intervalo de la primera muestra, tareas en la mquina 2 con 56 artculos defectuosos en la segunda muestra, y tareas en la mquina 3 con 53 productos defectuosos en la tercera muestra. La tabla indica los promedios de defectos por mquina y por operador, as como el promedio general de los blisters defectuosos. Los promedios de las mquinas se mantienen en sus valores anteriores, mostrando un cierto grado de fluctuacin. Los promedios de los operadores parecen del mismo orden, excepto el del operador 3. Existe entre ellos una diferencia estadsticamente significativa? El anlisis de varianza, que se realiza de modo similar al del ejemplo anterior, se presenta en la Tabla 8. El resultado indica que hay razones para rechazar la hiptesis de que las mquinas no difieren entre s, pues solo en el 1,4% de las repeticiones de este experimento se obtendra un valor de F0 mayor que 7,67. Por el contrario, el valor de F0 para las diferencias entre operadores es de 1.94 y este valor se supera en aproximadamente el 20% de las realizaciones del experimento, por lo cual no hay demasiada evidencia estadstica para rechazar la hiptesis de que los operarios son todos igualmente eficientes.

Fuente de variacin

Variacin

Grados de libertad

Entre mquinas (EXPLICADA) Entre operadores (EXPLICADA) Fluctuacin residual (NO EXPLICADA) Total

93.33

Varianza; suma de cuadrados promedio 46,67

Ratio F0

Valor probabilstico

7.67

0.014

47,33

11,83

1.94

0.20

48,67

6.08

189.33

14

Tabla 8. Anlisis de varianza con dos factores: mquinas y operadores. Con estas explicaciones concluimos esta breve y rpida recorrida por el anlisis de varianza. Es importante comprender la filosofa de esta tcnica e interpretar la tabla ANOVA, dado que se utiliza frecuentemente en el anlisis de experimentos, al cual entramos ahora con el estudio de un tipo especial de experimento, muy utilizado en aplicaciones diversas de diseo, manufactura y servicios. III. EXPERIMENTOS FACTORIALES Un experimento factorial permite investigar todas las combinaciones posibles de los niveles de los factores o condiciones en cada prueba completa. El objetivo es investigar los resultados experimentales en casos donde interesa estudiar el efecto de diversas condiciones de experimentacin y sus interacciones. En la industria farmacuticavi las condiciones pueden ser, por ejemplo, la dureza de una tableta y la concentracin del aglutinante utilizado en su frmula, y el efecto de inters el tiempo de desintegracin de la tableta. Alternativamente, en una aplicacin de calidad de servicio, los factores investigados podran ser la amplitud del horario de atencin de una farmacia, el nivel tcnico del personal que atiende al pblico y la variedad del inventario del negocio, mientras que el efecto medido podra ser la percepcin de la calidad de la atencin por parte del pblico. Los experimentos factoriales son importantes para comprender mejor el enfoque de diseo experimental propuesto por Gen'ichi Taguchi, que estudiaremos en una seccin posterior de este artculo. UN EJEMPLO DE EXPERIMENTO FACTORIAL Examinemos un diseo factorial de dos niveles en el que se considera el efecto de dos factores, la dureza de una tableta y la concentracin del aglutinante, sobre el tiempo de desintegracin de una tableta. Cada uno de los factores puede estar en dos niveles, bajo y alto. Definimos en primer lugar el efecto principal de un factor como el cambio en la respuesta (tiempo de desintegracin) producido por un cambio en el nivel de un factor (dureza o concentracin del aglutinante). Por ejemplo, en la Figura 1, el efecto principal de la dureza de la tableta es la diferencia entre la respuesta correspondiente al primer nivel (-)

y la correspondiente al segundo nivel (+). La respuesta se indica con los nmeros situados en los vrtices del cuadrado y se mide en unidades de tiempo.

4 +
Concentracin del aglutinante (B)

3 5 +
Dureza de la tableta (A)

Figura 1. Magnitud de la respuesta ante distintas combinaciones de los factores de entrada (no hay interaccin). La respuesta se indica en los vrtices del cuadrado y se mide en unidades de tiempo. As tenemos:
Efecto principal de la dureza de la tableta = A = ((5+6)/2) - ((4+3)/2) = 5.5 - 3.5 = 2 (5)

Es decir, al cambiar la dureza de la tableta del nivel (-) al nivel (+), el tiempo de su desintegracin se incrementa en promedio en 2 unidades. De modo anlogo, al cambiar la concentracin del aglutinante de (-) a (+), el tiempo de desintegracin se eleva en promedio en 1 unidad. Si la diferencia en la respuesta entre los dos niveles de un factor no es la misma a todos los niveles del otro factor, estamos en presencia de una interaccin entre los factores. Consideremos la Figura 2. En el nivel (-) de dureza de la tableta, un aumento en la concentracin del aglutinante hace aumentar en una unidad el nivel de la respuesta. En el nivel (+) de dureza de la tableta, por otra parte, el aumento en la concentracin del aglutinante hace aumentar en dos unidades el nivel del tiempo de respuesta; algo anlogo ocurre con el otro factor. Grficamente obtenemos la Figura 3. La Figura 3 (a) muestra en el eje horizontal la dureza de la tableta (factor A) y en el eje vertical el tiempo de desintegracin (respuesta) para dos valores de la concentracin del aglutinante (factor B). Los segmentos que indican el cambio en la respuesta para los dos niveles del factor B, B1 y B2, son paralelos entre s, por no existir interaccin entre los factores. Por el contrario, en la Figura 3 (b) se presenta un caso en el que existe interaccin y los segmentos no son paralelos entre s.

3 +
Concentracin del aglutinante (B)

2 5 +
Dureza de la tableta (A)

Figura 2. Magnitud de la respuesta ante distintas combinaciones de los factores de entrada (hay interaccin).
Tiempo Tiempo

7 6 5 4 3 2 1

B2 .................................... .................................... ....... B2 B1 ........ B1

B2 7 ........................................... 6 5 ............................................ 4 B2 B1 3 ............... 2 ............... 1 B1

A1

A2

A1

A2

Dureza de la tableta (A) (a) Sin interaccin (segmentos paralelos)

Dureza de la tableta (A) (b) Con interaccin (segmentos no paralelos)

Figura 3. Comparacin de las respuestas a dos factores cuando no existe interaccin (a) y cuando existe interaccin (b). Es importante considerar las interacciones entre factores, y vale destacar que los experimentos factoriales son la nica forma de detectarlas. El mtodo (incorrecto) de modificar los factores de a uno no toma en cuenta las interacciones. OTRO EJEMPLO DE EXPERIMENTO FACTORIAL Se quiere mejorar el servicio de atencin de una cadena de farmacias. Sobre la base de un estudio de marketing en instituciones de saludvii, el analista desea considerar la evaluacin que los clientes de una farmacia tpica de la cadena realizan sobre la base de distintas condiciones de atencin. Los factores potenciales son: confiabilidad, respuesta, aseguramiento, empata, y factores tangibles, como el aspecto general del negocio. Se eligen para el experimento dos factores: aseguramiento y tangibles. El nivel de

10

aseguramiento, que consiste en librar de cuidado o temor al cliente, tranquilizarlo e infundirle confianza, se controla con la seleccin del personal de atencin al pblico: el nivel bajo de aseguramiento corresponde a una atencin al pblico por parte de personas muy jvenes sin formacin tcnica en farmacia (atencin no profesional); el nivel alto, a la atencin por parte de farmacuticos profesionales de mediana edad (el hecho de estar la farmacia atendida por farmacuticos se informa claramente en el local; adems, el personal farmacutico es instruido para que brinde a todos los clientes la informacin bsica sobre el uso del medicamento adquirido, aunque el cliente no la solicite). Los factores tangibles se establecen a tres niveles: instalacin de lujo (amplios espacios, iluminacin rica, escaparates atractivos); instalacin standard (la que prevalece en la cadena de farmacias en el momento del experimento); e instalacin minimalista, con elementos bsicos de decoracin y funcionamiento. Tres clientes son asignados al azar a cada combinacin de factores, y se les pide que evalen la calidad de la atencin en una escala del 1 al 100. Los resultados obtenidos estn en la Tabla 9. Atencin no profesional Instalacin de lujo Instalacin standard Instalacin minimalista y.j.
40/48/40 Total = 128 55/49/53 Total = 157 38/37/41 Total = 116

Atencin profesional
54/49/55 Total = 158 59/61/62 Total = 182 55/51/50 Total = 156

yi.. 286 339 272 y... = 897

401

496

Tabla 9. Datos del experimento de la farmacia. Se realizan tres encuestas al azar para cada combinacin de factores, cuyos resultados se indican separados por barras. El total de cada combinacin se indica en cada clula. El total de las filas se indica como yi.., y el de las columnas como y.j.. El total general es y.... Los resultados de tres encuestas al azar para cada combinacin de factores se muestran en la tabla, separados por barras. El total de cada combinacin se indica en cada clula: por ejemplo, el total de 128 en la interseccin de Atencin no profesional e Instalacin de lujo es la suma de las tres evaluaciones 40, 48, y 40. El total de las filas se indica como yi.. , (suma de los totales de las clulas, horizontalmente) y el de las columnas como y.j. (suma de los totales de las clulas, verticalmente). El total general es y..., 897 en este caso. Nuestro objetivo es determinar qu combinacin de tipo de instalacin y estilo de atencin produce la mejor impresin en los clientes; queremos saber, adems, si hay interaccin entre ambos factores. La ausencia de interaccin dara a la gerencia mayor flexibilidad para la atencin de los compradores. Examinemos el anlisis estadstico del experimento factorial de dos factores, que es, como adelantamos, una extensin al anlisis de varianza. ANLISIS DEL DISEO EXPERIMENTAL DE LA FARMACIAviii Se trata de un diseo completamente aleatorio de dos factores A y B, cada uno con a y b niveles, respectivamente. Cada combinacin se replica n veces. La Tabla 9 de los datos se
11

generaliza entonces como en la Tabla 10. Factor B 1 1 y111, y112, ..., y11n 2 y211, y212, ..., y21n ... ... a ya11, ya12, ..., ya1n y.1. 2 y121, y122, ..., y12n y221, y222, ..., y2n ... ya21, ya22, ..., ya2n y.2. ... ... ... ... ... ... b y1b1, y1b2, ..., y1bn y2b1, y2b2, ..., y2bn ... yab1, yab2, ..., yabn y.b. y1.. y2.. ... ya.. y...

Tabla 10. Esquema de los datos de un diseo factorial de dos factores. Las observaciones se describen por el modelo siguiente: yijk = donde: i = 1, 2, ..., a; j = 1, 2, ..., b; k = 1, 2, ..., n = efecto promedio general i = efecto del nivel i-simo del factor A j = efecto del nivel j-simo del factor B ij = efecto de la interaccin entre A y B ijk = componentes de error aleatorio independientes distribuidos normalmente con media nula y varianza
P W E WE H


Factor A

PW

E  WE

ij

H

ijk

(5)

V 

La hiptesis nula es la siguiente: H0: No existe un efecto significativo de A, ni de B, sobre el resultado del experimento, ni tampoco existen interacciones significativas entre A y B. Recordemos que el anlisis de varianza descompone la variabilidad de las respuestas en diversos componentes. En general, decimos que el anlisis descompone en sus partes constitutivas la suma corregida total de los cuadradosix, es decir: SSTotal
2 y... = y = SS A + SS B + SS AB + SS E abn i =1 j =1 k =1 a b n 2 ijk

(6)

donde las sumatorias se toman para todos los valores de i, j, y k y los smbolos significan: SSA: Suma de los cuadrados de la fuente de variacin A. SSB: Suma de los cuadrados de la fuente de variacin B.
12

SSAB: Suma de los cuadrados de las interacciones entre A y B. SSE: Suma de los cuadrados de los errores. Aplicando estos resultados a nuestro ejemplo, tendremos:
2 SSTotal = yijk i =1 j =1 k =1 a b n 2 897 2 y... = 40 2 + 482 + ... + 50 2 = 1046.5 3* 2 *3 abn

(7)

SS instalacin

2 897 2 yi2.. y... 286 2 339 2 272 2 = = + + = 416.3 abn 2 * 3 2 * 3 2 * 3 3 * 2 * 3 i =1 bn a b

(8)

SS atencin =
j =1

y.2j .

2 897 2 y... 2 2 = 401 + 496 = 501.4 3* 2 * 3 an abn

(9)

SS subtotal =
i =1 j =1

2 yij .

2 156 2 897 2 y... 128 2 158 2 = + + ... + = 937.2 3 3 3 3* 2 * 3 abn

(10)

SS int eraccin = SS subtotal SS instalacin SS atencin = 937.2 416.3 501.4 = 19.4 (11) SS error = SS Total SS instalacin SS atencin SS int eraccin = 1046.5 416.3 501.4 19.4 = 109.3 (12) Los resultados del anlisis de varianza se presentan como Tabla 11. El mtodo de construccin de la tabla es anlogo al presentado antes, al igual que la interpretacin de los resultados. As, podemos afirmar con una gran dosis de seguridad que ambos factores-instalacin y atencin--son significativos, mientras que la interaccin entre ellos es poco probable: en aproximadamente el 37% de las realizaciones de este experimento obtendramos por efecto del azar valores de F0 iguales o superiores al obtenido en esta realizacin. Fuente de variacin Instalacin Atencin Interacciones Error Total Variacin 416.3 501.4 19.4 109.3 1046.5 Grados de libertad 2 1 2 12 17 Varianza 208.2 501.4 9.7 9.1 Valor probabilstico 22.8 0.00008 55.0 0.000008 1.1 0.37 F0

Tabla 11. Tabla del anlisis de varianza del ejemplo de la farmacia. El efecto de los factores es estadsticamente significativo, no as la interaccin entre los factores. Dado que la falta de interaccin entre los factores se manifiesta en lneas paralelas, comprobemos en el grfico de la Figura 4 esta falta de interaccin.

13

Promedio de yij. 52.7

Atencin profesional
60.7

Atencin standard 52.3 52

42.7 38.7 De lujo Standard Minimalista Tipo de instalacin

Figura 4. Comprobacin de la falta de interaccin entre los dos factores de diseo de la atencin farmacutica. Las lneas del efecto de la atencin, para tres niveles del estilo del local, son, en lneas generales, paralelas. En la figura se observa que, cualquiera sea el tipo de instalacin en la que recibimos a los clientes, el resultado es mejor cuando la atencin est a cargo de profesionales. El DISEO FACTORIAL 2k En el ejemplo anterior se consideraron tres tipos distintos de local, es decir, tres niveles del factor instalacin. Sin embargo, es usual considerar slo dos niveles de los factores, a fin de mantener acotado el nmero de ensayos necesarios para obtener informacin de los efectos y sus interacciones. Esto da lugar a los llamados diseos factoriales 2k. Comencemos estudiando el diseo 22, en el cual se analiza el efecto de dos factores a cada uno de dos niveles. El diseo se esquematiza en la Figura 5. Siguiendo una prctica standard, una corrida se presenta en el esquema por una serie de letras minsculas, como "a" o "ab". Si la letra est presente, el factor se pone en el nivel alto. La ausencia de una letra indica, entonces, que el factor est en el nivel bajo. Si ambos factores son bajos, se utiliza el smbolo "(1)". Los smbolos (1), a, b, y ab significan tambin la suma de los totales de las n observaciones que se toman en cada uno de los casos. Nos interesa estudiar los efectos principales A y B y la interaccin entre ambos, AB.

Alto (+) Factor B Bajo (-)

ab

2 (1) Bajo (-)

5 a Alto (+)

Factor A Figura 5. Esquema del diseo 22.

14

As, podemos considerar: A= a + ab b + (1) 1 = [a + ab b (1)] 2n 2n 2n b + ab a + (1) 1 = [b + ab a (1)] 2n 2n 2n (13)

B=

(14)

AB =

ab + (1) a + b 1 = [ab + (1) a b] 2n 2n 2n

(15)

En las ecuaciones (13), (14), y (15), las expresiones entre parntesis cuadrados se denominan contrastes. Obsrvese que los coeficientes de los elementos que constituyen contrastes son +1 -1 en todos los casos. Consideremos la Tabla 12. Es una tabla de signos, til para determinar los signos de cada corrida en un determinado contraste. Efecto factorial A B + + + +

Corrida 1 (1) 2 a 3 b 4 ab

I + + + +

AB + +

Tabla 12. Signos de los contrastes para el experimento factorial 22. La Tabla 12 sirve para generar contrastes especficos. Por ejemplo, para generar el contraste A, multiplicamos los signos de la columna A por las corridas de las cuatro filas y sumamos los resultados. As: Contraste A = [ (1) + a b + ab] = [a + ab b (1)] (16)

Para obtener la suma de cuadrados para A, B, y AB utilizamos la expresin siguiente: SS = Contraste 2 n (coeficiente de contraste )2

(17)

Con la expresin (17) podemos obtener las siguientes sumas de cuadrados:

15

SSA =

[a + ab b (1)]2
4n

(18)

[b + ab a (1)]2 SSB =
4n SSAB =

(19)

[ab + (1) a b]2

4n

(20)

Para completar el anlisis de varianza debe calcularse la suma de cuadrados totales, SST, con 4n-1 grados de libertad y la suma de cuadrados de los errores, SSE, con 4(n-1) grados de libertad. La suma de cuadrados de los errores se obtiene por substraccin. EJEMPLO DE DISEO 22 Examinemos un ejemplo, similar al del caso de la tableta cuya dureza y concentracin de aglutinante se haca variar entre dos niveles. El efecto de inters es el tiempo de desintegracin, o respuesta. Para cada combinacin de niveles se realizan dos mediciones del tiempo de respuesta, como se indica en la Tabla 13. Corrida 1 2 3 4 (1) a b ab A + + Factores B + + Medicin 1 2 2.1 1.9 2.5 2.4 2.7 2.6 3.0 3.1 Total 4.0 4.9 5.3 6.1

Tabla 13. Datos del ejemplo de diseo factorial 22. Recordando que los smbolos (1), a, b, y ab significan tambin la suma de los totales de las n observaciones, calculamos el efecto de los factores y las interacciones, A, B, y AB. As: A= B= 1 [a + ab b (1)] = 1 [4.9 + 6.1 5.3 4.0] = 0.425 2n (2)(2) 1 [b + ab a (1)] = 1 [5.3 + 6.1 4.9 4.0] = 0.625 2n (2)(2)

(21)

(22)

16

AB =

1 [ab + (1) a b] = 1 [6.1 + 4.0 4.9 5.3] = 0.025 2n (2)(2)

(23)

A simple vista, los factores A y B parecen importantes, no as la interaccin AB, por su escasa magnitud relativa. Sin embargo, es conveniente confirmar esta primera impresin con un anlisis de varianza. Los datos estn reproducidos en la Tabla 14. Factor B (-) Factor A (-) (+) y.j.
2.1/1.9 Total = 4.0 2.5/2.4 Total = 4.9

(+)
2.7/2.6 Total = 5.3 3.0/3.1 Total = 6.1

yi.. 9.3 11.0 y... = 20.3

8.9

11.4

Tabla 14. Preparacin de los datos del diseo 22 para su posterior procesamiento. Los clculos de las sumas de cuadrados son los siguientes:
2 SST = yijk i =1 j =1 k =1 2 2 2 2 y... = abn

= 2.12 + 1.92 + 2.52 + 2.4 2 + 2.7 2 + 2.62 + 3.0 2 + 3.12 SS A =

i =1 2

20.32 = 1.17875 2*2*2 (25)

(24)

yi2.. y2 9.32 11.0 2 20.32 ... = + = 0.36125 bn abn 2 * 2 2 * 2 2 * 2 * 2 y.2j .

2 y... 8.9 2 11.42 20.32 SS B = = + = 0.78125 abn 2 * 2 2 * 2 2 * 2 * 2 j =1 an 2

(26)

SS subtotal =
i =1 j =1

2 yij .

2 y... 42 4.92 5.32 6.12 20.32 = + + + = 1.14375 n abn 2 2 2 2 2*2*2

(27)

SS AB = SS subtotal SS A SS B = 1.14375 0.36125 0.78125 = 0.00125

(28)

17

SS E = SST SS A SS B SS AB = 1.1785 0.36125 0.78125 0.00125 = 0.035

(29)

A partir de estas sumas de cuadrados y las consideraciones usuales sobre los grados de libertad, se construye la tabla ANOVA de la Tabla 15. Fuente de variacin Factor A Factor B Interaccin Error Total SS 0.36125 0.78125 0.00125 0.035 1.17875 Grados de libertad 1 1 1 4 7 MS 0.36125 0.78125 0.00125 0.00875 F0 41.2857143 89.2857143 0.14285714 Comparar con F 0.00301638 0.00069958 0.72465864

Tabla 15. Tabla del anlisis de varianza del ejemplo de diseo 22. La tabla confirma las afirmaciones anteriores, es decir, se confirma la significatividad de los factores A y B, y se comprueba tambin la falta de interaccin entre ellos. EL DISEO FACTORIAL 2k CON k = 3 Consideremos un experimento en el cual se consideran tres factores, cada uno de ellos a dos niveles: esto es lo que se llama un diseo factorial 23. Contiene ocho combinaciones de niveles de factores, tres efectos principales (A, B, y C), tres interacciones de dos factores (AB, AC, y BC), y una interaccin de tres factores (ABC). Grficamente podemos esquematizarlo como en la Figura 6.
bc abc

+1

ac

C
(1)

b a

ab +1

-1 -1 -1 A 3 Figura 6. Esquema del diseo 2 . +1

Designemos como antes los totales de las n rplicas de cada una de las ocho corridas del diseo: (1), a, b, ab, c, ac, bc, abc. Obtendremos los factores extendiendo el razonamiento anterior, es decir:

18

A=

1 [a + ab + ac + abc (1) b c bc] 4n 1 [b + ab + bc + abc a c ac (1)] 4n 1 [c + ac + bc + abc a b ab (1)] 4n

(30)

B= C=

(31) (32)

La interaccin AB se calcula considerando que, cuando C est en el nivel bajo, AB es la diferencia promedio en el efecto A a los dos niveles de B y que, cuando C est en su nivel alto, AB es tambin la diferencia promedio en el efecto A a los dos niveles de B; matemticamente tenemos: AB(C alto ) = AB(Cbajo ) = 1 [abc bc] 1 [ac c] 2n 2n 1 [ab b] 1 [a (1)] 2n 2n (34)

(33)

Sobre esta base se calcula la interaccin AB como el promedio entre los dos valores de (33) y (34): AB = De modo anlogo: AC = A+C 1 = [ac + (1) + abc + b a c ab bc] 2 4n B+C 1 = [bc + (1) + abc + a b c ab ac] 2 4n A+ B 1 = [ab + (1) + abc + c b a bc ac] 2 4n (35)

(36)

BC =

(37)

La interaccin ABC se obtiene promediando AB a los dos niveles de C:

ABC =

1 {[abc bc] [ac c] [ab b ] + [a (1) =]} 4n 1 [abc bc ac + c ab + b + a (1)] 4n

19

(38)

ABC =

(39)

En las expresiones anteriores, los parntesis cuadrados son contrastes, que se obtienen en la prctica de tablas como la Tabla 16. La tabla permite obtener los signos de A, B, y C asociando un signo + con un nivel alto y un signo con un nivel bajo. Establecidos los signos de las columnas A, B y C, las otras columnas se obtienen con el producto de los signos de las interacciones correspondientes, fila por fila. Por ejemplo, AB tiene los signos de A x B. La tabla presenta caractersticas importantes. En primer lugar, a excepcin de la columna I, todas las columnas tienen igual nmero de signos + y -. En segundo lugar, las columnas son ortogonales, es decir que la suma de los productos de los signos en dos columnas cualesquiera es cero. Tratamiento (1) a b ab c ac bc abc I + + + + + + + + A + + + + B + + + + Efecto factorial AB C + + + + + + + +

AC + + + +

BC + + + +

ABC + + + +

Tabla 16. Signos de los efectos en el diseo 23. Por ejemplo, dados A y B, tenemos: +1 1 1 +1 + 1 1 1 +1 = 0 (40)

En tercer lugar, la columna I corresponde al elemento identidad, I. Por lo tanto, si multiplicamos el signo de I por cualquier otra columna, sta no cambia. Finalmente, si multiplicamos dos columnas cualesquiera, obtenemos otra columna: A x B = AB. Las ecuaciones: Efecto = Contraste n2k 1 (41)

Contraste 2 SS = n2k

(42)

son expresiones generales vlidas para valores positivos de k. Destacamos que los diseos ortogonales son importantes en la metodologa de Taguchi. Notemos tambin que la complejidad de los diseos crece con el nmero de factores.

20

EJEMPLO DE DISEO FACTORIAL 23 Supongamos un experimento factorial 23 para determinar las condiciones en que se maximiza la satisfaccin de los clientes de una farmacia sobre la base de la variacin en los niveles de tres atributos, cada uno de ellos a dos niveles. Los atributos son: 1. Amabilidad de los empleados 2. Correccin de la factura 3. Tiempo entre el acceso a la farmacia y el comienzo de la atencin. El nmero de rplicas, n, es 2. Los clientes evalan para cada combinacin de atributos el nivel de servicio en una escala del 1 al 100, con los resultados de la Tabla 17.
Corridas Atributos del servicio Evaluacin Totales por los clientes

Amabilidad

Factura

Tiempo

1 2 3 4 5 6 7 8

(1) a b ab c ac bc abc

-1 1 -1 1 -1 1 -1 1

-1 -1 1 1 -1 -1 1 1

-1 -1 -1 -1 1 1 1 1

45, 35 45, 55 45, 45 60, 75 45, 50 50, 55 50, 40 80, 70

80 100 90 135 95 105 90 150

Tabla 17. Datos del ejemplo de diseo 23. La tabla ANOVA correspondiente, cuya forma de confeccin es anloga a la de ejemplos anteriores, se muestra como Tabla 18. Se desprende que la amigabilidad y la correccin de la factura son factores estadsticamente significativos. Adems, la interaccin entre amabilidad y correccin de la factura tambin es significativa. Con este ejemplo concluimos la presentacin de los diseos factoriales, concepto importante para comprender mejor los enfoques de Gen'ichi Taguchi, que estudiamos a continuacin. IV. LOS ENFOQUES DE GENICHI TAGUCHI EN EL DISEO EXPERIMENTAL Las aplicaciones industriales del diseo experimental tuvieron inicialmente mucho mayor xito en el Japn que en las economas occidentales. Se afirma que en gran parte el xito de calidad de los productos japoneses se debe a estas aplicaciones, y los experimentos multifactoriales parecen ser una parte integral del proceso de diseo de las compaas de ese pas (Box et al. (1988)). En empresas occidentales tambin estn difundindose las tcnicas de Taguchi, que prestan especial atencin a las consideraciones de ahorro de costos: en efecto, segn algunos autores como Sullivan (1987), empresas de la talla de ITT, que han capacitado a ms de mil ingenieros en estos mtodos, miden el xito de la calidad en sus estudios de casos en trminos de ahorro y no de nmero de unidades defectuosas.
21

Fuentes de variacin Amabilidad Factura Tiempo Interaccin amab.-factura Interaccin Amab.-tiempo Fact-tiempo Interaccin Am.-fac.-t. Error Total

SS

1139.1 451.56 76.563 351.5625 1.5625 1.5625 39.0625 337.5 2398.4

Grados de libertad 1 1 1 1 1 1 1 8 15

MS

F0

Valor probabilstico 0,0008 0,01 0,21 0,02 0,85 0,85 0,36

1139.1 451.56 76.563 351.5625 1.5625 1.5625 39.0625 42.1875

27,00 10,70 1,81 8,33 0,03 0,03 0,92

Tabla 18. Tabla del anlisis de varianza del diseo 23. En la industria farmacutica los mtodos de Taguchi se emplean, por ejemplo, en la optimizacin de herramientas de medicin analtica (HPLC) o en la calibracin de dispositivos complejos con mltiples entradas y salidas que deben ser optimizadas. LA FUNCIN DE PRDIDA Y EL CONCEPTO DE CALIDAD Genichi Taguchix realiz un gran esfuerzo para llevar a un terreno prctico el diseo experimental. Introdujo, adems, conceptos revolucionarios que afectaron la forma de medir la calidad y su costo. Para Taguchi, la calidad, antes que por la satisfaccin de especificaciones, debe medirse en trminos de la as llamada funcin de prdida, que establece la prdida que la sociedad sufre como consecuencia de la mala calidad. Un producto de calidad es para el cliente aqul que cumple con las expectativas de performance o rendimiento cada vez que lo utiliza, sin fallas y en cualquier condicin o circunstancia. Los productos que no cumplen con dichas expectativas causan prdidas, tanto para los clientes y los productores, como para, eventualmente, el resto de la sociedad. Por esto, para Taguchi, la calidad debe medirse en funcin de la prdida que causa: mientras mayor es la prdida que se produce, menor es la calidad. Pero, aunque en un sentido ms exigente que en el concepto tradicional, las especificaciones tambin son clave para Taguchi, y calidad significa conformidad con las especificaciones. Apartarse de las especificaciones equivale a ocasionar al cliente y, en ltima instancia, a la sociedad, una prdida. Taguchi se apart de la sabidura convencional, que supona que calidad equivala a producir dentro de los mrgenes de tolerancia, y postul que el costo de la mala calidad se incrementa con el alejamiento del valor de diseo, produciendo una prdida para el cuerpo social. La funcin de prdida vale cero cuando el desvo con respecto al parmetro objetivo es nulo y se incrementa

22

cuadrticamente cuando los valores de los productos fabricados se acercan a los lmites de tolerancia. En otras palabras, los productos cercanos a los lmites de tolerancia son productos casi defectuosos y los gerentes deben trabajar para reducir la variabilidad de sus procesos de produccin. La funcin de prdida se define como: L( y ) = k ( y T ) 2 donde: L(y) indica la prdida (en unidades monetarias) que sufre la sociedad; k es una constante especfica de cada caso considerado; T es un valor objetivo que la dimensin de inters debe tener (T mide la calidad nominal o de diseo); y y es el apartamiento que la dimensin de inters presenta con respecto al valor objetivo, T. (43)

En contraste con el pensamiento tradicional sobre la calidad, que solo penaliza los valores de y que superan los lmites de tolerancia, Taguchi considera que todo apartamiento del valor objetivo es un costo para la sociedad y como tal debe ser penalizado. IMPORTANCIA DEL DISEO ROBUSTO Para Taguchi, es posible incorporar la calidad en los productos desde su diseo, sin aumentar su costo; los problemas deben eliminarse en el laboratorio de diseo, no en la fbrica o en el campo. Segn esta perspectiva, es necesario disear productos robustos que toleren variaciones en el proceso de produccin y durante el servicio de mantenimiento. Los mtodos estadsticos deben seleccionar los factores importantes que afectan el diseo. Taguchi establece su metodologa para: 1. Disear productos y procesos robustos a las condiciones ambientales; 2. Disear y desarrollar productos robustos a la variacin en sus componentes; 3. Minimizar la variacin alrededor de un valor objetivo xi. La ingeniera de la calidad de Taguchi combina mtodos estadsticos y de ingeniera para optimizar los procesos de diseo y fabricacin de modo que aumente la calidad y se reduzcan los costos de los productos. El diseo de experimentos juega un papel esencial en el enfoque de Taguchi, pues ayuda a identificar los factores que ms intervienen en la generacin de problemas de calidad o, alternativamente, los factores que ms contribuyen a lograr resultados positivos. A lo largo de este proceso, se fortalece la cooperacin entre diversos niveles y reas de la empresa. La Figura 7 muestra un esquema de actividades de las firmas desde la invencin del producto hasta su llegada al mercado. El flujo se divide en tres etapas, conocidas por las expresiones inglesas upstream, midstream, y downstream. La etapa de upstream consiste en

23

los bloques 1 y 2, la de midstream, en los bloques 2, 3, 4, y 5, y la de downstream, en los bloques 5 y 6. El bloque 2, de desarrollo de tecnologa, acta como perno entre el upstream y el midstream. El bloque 5, manufactura, cumple el mismo papel entre el midstream y el downstream. La ingeniera de la calidad ensea que las actividades para la mejora de la calidad deberan ser empujadas hacia el upstream, alejndolas del proceso de manufactura. El diseo experimental, y las tcnicas de Taguchi en particular, apuntan a este fin.

DE LA INNOVACIN AL CLIENTE 1. Invencin y tecnologa innovadora UPSTREAM

2. Desarrollo de tecnologa MIDSTREAM 3. Diseo del producto 4. Diseo del proceso

5. Manufactura DOWNSTREAM 6. Cliente

Figura 7. Esquema de actividades de una empresa desde la invencin del producto hasta su llegada al mercado. Fuente: Adaptado de Ealey (1992). La Figura 7 nos permite reflexionar sobre la responsabilidad de los gerentes en los temas de calidad. Por ejemplo, es importante destacar su papel en el diseo y la manufactura de los productos, pues all se concentran las consecuencias del costo y la calidad de los procesos. Adems, dado que los acontecimientos que ocurren en el upstream tiene consecuencias en las etapas inferiores, cuando se intenta mejorar la calidad, y en definitiva ahorrar en terminos de costos, se debe mejorar la tecnologa genrica, en vez de estudiar las formas de mejorar producto por producto. De esta manera, los avances tecnolgicos son aplicables a cualquier tipo de producto que se quiera fabricar, y no derrochan recursos innovando en cada producto nuevo que se lance al mercado. Los ingenieros, en suma, deben desarrollar tecnologas robustas en la etapa de investigacin y desarrollo, tecnologas que sean fcilmente transferibles a nuevos procesos y productos. Entonces, las innovaciones ms valiosas son las que se producen upstream; no hay que descuidar la prevencin de

24

problemas de calidad downstream pues es aqu--y no en el laboratorio--donde aparecen los factores no controlables. EL ENFOQUE DE TAGUCHI Taguchi presenta tres etapas en el diseo de un producto o de un proceso: 1. Diseo del sistema 2. Diseo de los parmetros y 3. Diseo de las tolerancias. En el diseo del sistema se determina la configuracin bsica de los componentes. Por ejemplo, en una lnea de acondicionamiento de comprimidos, el diseo del sistema incluye la determinacin de los materiales y el diseo del sistema de lneas que realizarn el empaque, con todos sus componentes. En el diseo de los parmetros, se determinan los niveles o valores de los factores controlables (parmetros de diseo, como la presin aplicada en las blisteras) para minimizar el efecto de los factores incontrolables en las caractersticas del producto terminado, es decir, en nuestro ejemplo, los comprimidos envasados, con su prospecto y caja. Finalmente, el diseo de las tolerancias apunta a reducir la varianza en las caractersticas del producto terminado cuando la reduccin lograda en el diseo de los parmetros no es suficiente. El diseo experimental debera aplicarse fundamentalmente al diseo de los parmetros y al diseo de las tolerancias. Fue un logro de Taguchi el haber destacado la importancia de aplicar el diseo experimental en las etapas upstream del proceso de creacin, fabricacin y puesta en el mercado de un nuevo producto. Tambin es clave en su enfoque (aunque no haya sido inventado por l) el concepto de robustez; un producto es robusto cuando se comporta bien an en condiciones no controlables. MTODOS RECOMENDADOS POR TAGUCHI Para llevar a la prctica sus conceptos, Taguchi recomienda mtodos que se apartan parcialmente de los usados en el diseo de experimentos clsico; la terminologa que utiliza tambin es algo distinta. En primer lugar, Taguchi divide los factores de un experimento en factores controlables y factores incontrolables, o ruido.xii Segn la metodologa de diseo de los parmetros, Taguchi recomienda seleccionar dos diseos experimentales, uno para los factores controlables y otro para el ruido. En general, estos diseos son del tipo ortogonal, descripto anteriormente. Los diseos se combinan en el layout del diseo de los parmetros, un esquema de dos componentes: el arreglo de los factores controlables (arreglo interior); y el arreglo de los factores no controlables (arreglo exterior).

Para el anlisis de datos, Taguchi recomienda evaluar en el arreglo interior la respuesta promedio de cada corrida del experimento y analizar la variacin de los resultados con un ratio seal-ruido apropiado. Estos ratios se derivan de la funcin de prdida cuadrtica
25

presentada anteriormente. Se consideran ptimos los niveles de los factores que maximicen un ratio seal-ruido adecuado. Estos ratios difieren segn que el objetivo del experimento sea reducir la variabilidad alrededor de un valor objetivo determinado, o producir un efecto resultante lo mayor posible, o, inversamente, producir el menor efecto posible.xiii En definitiva, el objetivo principal de la ingeniera en general es alcanzar mejoras de rendimiento sostenibles ante cualquier condicin downstream. Esto es lo que se llama robustez. Quizs uno de los mayores desafos para Taguchi consista en cmo medir la robustez ya que, slo si logramos hacerlo, podremos desarrollar tecnologas a prueba de ruido". Taguchi mide la robustez con el ratio seal-ruido. Mientras ms robusta es una tecnologa, ms fuerte es la seal que emite contra cualquier ruido externo que trate de inhibir la fuerza de la seal. Para Taguchi, el uso de los ratios seal-ruido elimina en general la necesidad de examinar las interacciones entre los factores controlables y los factores de ruido, si bien el examen de estas interacciones puede ocasionalmente mejorar la comprensin de los procesos estudiados. Finalmente, dado que los arreglos no siempre se corren completos, por razones de economa, es posible realizar experimentos confirmatorios. CRITICA DE LOS DISEOS EXPERIMENTALES Y EL ANLISIS DE DATOSxiv Una primera crtica a la metodologa de Taguchi se vincula con la complejidad de sus diseos experimentales. En efecto, los enfoques de Taguchi para el diseo de parmetros utilizan diseos ortogonales, muchos de los cuales son experimentos factoriales fraccionalesxv de dos niveles. Otros diseos, sin embargo, son del tipo factorial fraccional de tres niveles (alto-medio-bajo) y tienen estructuras muy complejas. Una segunda crtica apunta a la falta de un mecanismo para tratar con la interaccin potencial entre los factores controlables de un proceso. Una tercera crtica es que la estructura de arreglos internos y externos lleva generalmente a experimentos muy grandes que, con los enfoques tradicionales, podran realizarse ms eficientemente. Autores como Montgomery (1991) sostienen que el enfoque de arreglos internos y externos es innecesario, y podra reemplazarse con un nico diseo que incluya tanto a los factores controlables como a los no controlables. El diseo nico reduce en general el tamao del experimento y, adems, puede aportar una mejor comprensin del proceso subyacente. Tambin han sido criticados algunos aspectos del anlisis de datos propuesto por Taguchi. Sin entrar en detalle en los aspectos tcnicos, corresponde destacar que incluso una innovacin tpica de esta metodologa, cual es el ratio seal-ruido, ha sido criticada por su ineficiencia para detectar los efectos de dispersin, aunque pueda servir para identificar los factores que afectan al promedio de una variable de inters. Pero... si los mtodos son malos, por qu se recomiendan tanto? Sucede que muchas compaas con poca experiencia en diseo experimental han informado de sus xitos. En general, eran compaas que empleaban mtodos rudimentarios (como la variacin de los niveles de a un factor por vez) que no toman en cuenta las interacciones entre los factores. Por lo tanto, al comenzar a aplicar los mtodos de Taguchi, a pesar de su ineficiencia, dieron un salto importante en la calidad de sus resultados. Los diseos factoriales son muy
26

eficientes e, incluso cuando se los utiliza ineficientemente dan resultados mejores que otros mtodos. Por otra parte, muchas de las aplicaciones exitosas se dieron en contextos manufactureros en donde el costo de cada corrida de un experimento es relativamente bajo y por lo tanto la relativa ineficiencia de los mtodos de Taguchi no era demasiado relevante. Otras consideraciones que ponen en perspectiva la adecuacin de las aplicaciones de Taguchi se presentan en la seccin siguiente. COMPARACIN ENTRE EL DISEO EXPERIMENTAL CLSICO Y LOS MTODOS DE TAGUCHI Tanto el diseo de experimentos como los mtodos de Taguchi sirven para optimizar procesos que tienen entradas controlables y salidas medibles. Ambas metodologas trabajan con multiples entradas que afectan a la salida por medir. Su diferencia fundamental radica en la forma en que cada mtodo maneja las interacciones entre los factores de entrada. Mientras en el diseo experimental clsico se prueba con todas las combinaciones de niveles de entrada, o una fraccin simtrica de las mismas, con el mtodo de Taguchi se trabaja con una porcin pequea de las posibles combinaciones de factores de entrada, pero de una manera que permite calcular los efectos de todos los factores de entrada en el resultado de inters. Las Figuras 8 y 9 resumen las caractersticas principales del diseo de experimentos y los mtodos de Taguchi. La Tabla 19 compara las fortalezas y debilidades de ambos mtodos. Mtodos de Taguchi

Suponen que los usuarios de estos mtodos poseen cierto entendimiento del proceso estudiado y de las interacciones subyacentes entre las entradas. Fueron inventados "por ingenieros para ingenieros". Segn Taguchi, algunas variables estn bajo control, y otras no (factores de ruido). Uno de los primeros pasos en los mtodos de Taguchi es el uso de los conocimientos previos del proceso para identificar los factores controlables y de ruido ms significativos. Taguchi recomienda un ratio seal-ruido para representar la robustez, (aunque un simple anlisis de la varianza o el desvo standard bastara). En contraste con el diseo de experimentos clsico, Taguchi sugiere una ronda final de experimentos de confirmacin. Mientras que el diseo de experimentos clsico puede ignorar o no considerar explcitamente los factores de ruido, el diseo Taguchi los usa para contrastar la robustez del sistema, as como para encontrar las entradas ptimas.

Figura 8. Caractersticas principales de la metodologa de Taguchi.

27

Diseo de experimentos
Supone que los usuarios no tienen un conocimiento profundo de los mecanismos que gobiernan el proceso investigado. Fue inventado "por cientficos para cientficos". Presupone que todos los inputs deben interactuar entre s. Por esto, cuando no se tiene definido de antemano qu interacciones son las relevantes, el diseo experimental es la opcin que conviene elegir. En el diseo de experimentos, no slo se estudian todas las interaccionesxvi, sino que ellas se estudian al mismo tiempo, en una misma ronda de pruebas.

Figura 9. Caractersticas principales del diseo de experimentos clsico. COMPARACIN DE FORTALEZAS Y DEBILIDADES DE DOS ENFOQUES Diseo experimental clsico Mtodos de Taguchi
Fortalezas Se pueden estudiar todas las interacciones entre factores al mismo tiempo. No se necesitan conocimientos profundos sobre el funcionamiento de los procesos estudiados. La "filosofa" de Taguchi en su conjunto es muy recomendable. El concepto de funcin de prdida es til e innovador.

Debilidades

No se pueden aprovechar ni usar los conocimientos previos sobre el proceso. No hay forma de hacer ms eficientes los procesos pensando cmo interactan realmente sus entradas.

Lleva a diseos experimentales complejos. Promueve a veces experimentos ineficientes. Se presentan algunos problemas con los mtodos de anlisis de datos.

Tabla 19. Comparacin de las fortalezas y debilidades de ambos mtodos. Fuente: Adaptado de Sullivan (1987) y Montgomery (1991). V. CONCLUSIONES En este artculo hemos presentado los conceptos fundamentales del diseo experimental, incluyendo la metodologa de Taguchi. A los conceptos los hemos ilustrado con ejemplos hipotticos de la industria farmacutica, vinculados con las actividades de produccin, diseo y servicio al cliente. Son mtodos muy tiles para mejorar la calidad y llevar las fuentes de la calidad aguas arriba (upstream) en el proceso empresarial. Recomendamos sin dudas el empleo de estos mtodos, cada uno de ellos en las mejores condiciones de aplicacin. Surge aqu la pregunta "qu mtodo conviene usar: el diseo experimental tradicional o los enfoques de Taguchi?". Si no se conocen los procesos

28

fundamentales del sistema que se quiere estudiar ni las interacciones entre los diferentes factores, o bien si los experimentos que se deben hacer son tan largos que deben hacerse necesariamente bien de entrada, el diseo de experimentos es la herramienta recomendada. Si, por el contrario, se conocen los rudimentos de los procesos subyacentes al sistema estudiado, no se pueden probar todas las combinaciones posibles de factores, y la robustez y consistencia del resultado es tan importante como el resultado mismo, entonces conviene usar los mtodos de Taguchi. BIBLIOGRAFA Bolton, Sanford (1997). Pharmaceutical Statistics: Practical and Clinical Applications, segunda edicin. Box, G., R. Kacker, V. Nair, M. Phadke, A. Shoemaker, y J. Wu (1988). "Quality Practices in Japan", Quality Progress, marzo, pp. 37-41. Cesatrone, John (2001). "The Power of Taguchi", IIE Solutions, November, pp. 36-40. Clemes, Michael D., Lucie K. Ozanne, y Walter L. Laurensen (2001). "Patient's Perceptions of Service Quality Dimensions: An Empirical Examination of Health Care in New Zeland", Health Marketing Quarterly, Vol. 19, No. 1, pp. 3 y ss. Ealey, Lance (1992). "The "methods" of a quality master: An interview with Genichi Taguchi, father of Quality Engineering", The McKinsey Journal, No. 4, pp. 3-17. Montgomery, Douglas C. (1976). Design and Analysis of Experiments, John Wiley & Sons, Inc., New York. Montgomery, Douglas C. (1991). Introduction to Statistical Quality Control. John Wiley & Son, Inc., New York. Ramaswamy, Rohit (1996). Design and Management of Service Processes. AddisonWesley Publishing Company, Inc. Reading, MA. Rao, Ashok, Lawrence P. Carr, Ismael Dambolena, Robert J. Kopp, John Martin, Farshad Rafii y Phyllis Fineman Schlesinger (1996), Total Quality Management: A Cross Functional Perspective, John Wiley & Sons, New York. Sullivan, Lawrence P. (1987). "The Power of Taguchi Methods", Quality Progress, June, pp. 77-83. Taguchi, Gen'ichi, Elsayed A. Elsayed, y Thomas C. Hsiang (1989). Quality Engineering in Production Systems. McGraw-Hill, Inc., New York. Wonnacott, Thomas H. y Ronald H. Wonnacott (1977). Introductory Statistics, tercera edicin, John Wiley & Sons, New York.

29

NOTAS Una versin preliminar de este trabajo se publicar prximamente en Pharmaceutical Management. Los autores agradecen al editor de la publicacin mencionada la autorizacin para reproducirlo.
ii i

La presentacin del anlisis de varianza sigue en lneas generales a Wonnacott et al. (1977), pginas 277289.

Los resultados de los clculos se indican en general con dos cifras decimales. Eventualmente, esto puede dar lugar a errores de redondeo.
iv

iii

Tambin puede trabajarse con las tablas de la distribucin F que aparecen en los textos de estadstica. Tcnicamente se expresa esta situacin diciendo: suponiendo que es vlida la hiptesis nula. Ver, por ejemplo, Bolton (1997). Ver Clemes et al. (2001).

vi

vii

viii

Las secciones sobre diseo experimental de este documento de trabajo siguen de cerca la presentacin de Montgomery (1976 y 1991), especialmente su tratamiento matemtico. Los detalles de estos desarrollos pueden consultarse en cualquier texto de anlisis y diseo de experimentos, como Montgomery (1991).

ix

Genichi Taguchi (1924- ) perteneci al Instituto de Estadstica Matemtica del Ministerio de Educacin del Japn (1948-1950) y al Laboratorio de Comunicaciones Elctricas de la empresa Nippon Telephone and Telegraph. Public libros sobre diseo experimental (Experimental Design and Life Test Analysis y Design of experiments) y combin una carrera acadmica de profesor universitario (Aoyama Gakuin University) con desarrollos en el mbito privado norteamericano, como Director Ejecutivo del American Supplier Institute, iniciados en 1983. Recibi el premio Deming Individual en cuatro ocasiones y un doctorado de la Universidad de Kyushu, en 1962.
xi

Montgomery (1991, p. 533).

Si bien los factores de ruido no pueden controlarse durante la operacin rutinaria, s pueden controlarse durante la etapa de experimentacin. El nombre tcnico de estos ratios es, respectivamente, nominal the best (el nominal es el mejor, simbolizado SNN), larger the better (el mayor es el mejor, simbolizado SNL), y smaller the better (el menor es el mejor, simbolizado SNS). Los ratios se expresan en escalas de decibeles. Ver por ejemplo, Taguchi et al. (1989).
xiv xiii

xii

Esta crtica se basa fundamentalmente en Montgomery (1991).

xv

Un experimento factorial fraccionario no considera todas las combinaciones de factores posibles, sino solamente algunas. De este modo se reducen las exigencias y costos del experimento, pero se obtiene informacin sobre los efectos principales y las interacciones de menor orden, solamente. En estas aplicaciones de experimentos fraccionales se supone que las interacciones de mayor orden son despreciables.

Como indicamos en la llamada anterior, no todas las investigaciones basadas en el diseo de experimentos tienen en cuenta todas las interacciones posibles. Las que lo hacen son llamadas diseos factoriales completos, mientras que a las que no lo hacen se las llama diseos factoriales fraccionarios.

xvi

30