Sei sulla pagina 1di 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI

P. Reyes / febrero 2008

DISEO DE EXPERIMENTOS DE TAGUCHI


La parte fundamental de la metodologa ideada por el matemtico japons G. Taguchi es la optimizacin de productos y procesos, a fin de asegurar productos robustos, de alta calidad y bajo costo. La metodologa de Taguchi consta de tres etapas: a) Diseo del sistema b) Diseo de parmetros c) Diseo de tolerancias De estas tres etapas, la ms importante es el diseo de parmetros cuyos objetivos son: a) Identificar qu factores afectan la caracterstica de calidad en cuanto a su magnitud y en cuanto a su variabilidad. b) Definir los niveles ptimos en que debe fijarse cada parmetro o factor, a fin de optimizar la operacin del producto y hacerlo lo ms robusto posible. c) Identificar factores que no afectan substancialmente la caracterstica de calidad a fin de liberar el control de estos factores y ahorrar costos de pruebas. Para lograr lo anterior se ha manejado una serie de herramientas estadsticas conocida como diseo de experimentos, tratadas anteriormente. Taguchi ha propuesto una alternativa no del todo diferente que se que conoce como: Arreglos Ortogonales y las Grficas Lineales. La herramienta utilizada normalmente son diseos Factoriales fraccionados, sin embargo cuando el nmero de factores se ve incrementado, las posibles interacciones aumentan, as como la complicaciones para identificar cules son las condiciones especficas a experimentar. Un arreglo ortogonal se puede comparar con una replicacin factorial fraccionada, de manera que conserva el concepto de ortogonalidad y contrastes. Un experimento factorial fraccionado es tambin un arreglo ortogonal. Taguchi desarroll una serie de arreglos particulares que denomin: La (b)C Donde: a = Representa el nmero de pruebas o condiciones experimentales que se tomarn. Esto es el nmero de renglones o lneas en el arreglo. b = Representa los diferentes niveles a los que se tomar cada factor. c = Es el nmero de efectos independientes que se pueden analizar, esto es el nmero de columnas.

Arreglos ortogonales para experimentos a dos niveles

Pgina 1 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI

P. Reyes / febrero 2008

En esta seccin, se analiza qu son, cmo se usan y cules son los arreglos ortogonales ms importantes para experimentos en los que cada factor toma dos niveles. Un arreglo ortogonal es una tabla de nmeros. Como ejemplo de un arreglo ortogonal tenemos el siguiente: F A C T O R E S (c) B C 1 1 2 2 1 1 2 1

No. (a) 1 2 3 4 1 , 2 =

A 1 1 2 2

Resultado Y1 Y2 Y3 Y4

Niveles de los Factores (b)

De acuerdo con la notacin empleada por Taguchi al arreglo mostrado como ejemplo, se le llama un arreglo L4, por tener cuatro renglones. En general, para un arreglo a dos niveles, el nmero de columnas (efectos o factores) que se pueden analizar, es igual al nmero de renglones menos 1. Taguchi ha desarrollado una serie de arreglos para experimentos con factores a dos niveles, los ms utilizados y difundidos segn el nmero de factores a analizar son: No. de factores a analizar Entre 1 y 3 Entre 4 y 7 Entre 8 y 11 Entre 12 y 15 Entre 16 y 31 Entre 32 y 63 Arreglo a utilizar L4 L8 L12 L16 L32 L64 No. de condiciones a probar 4 8 12 16 32 64

Pgina 2 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI Algunos arreglos ortogonales se muestran a continuacin:

P. Reyes / febrero 2008

Pgina 3 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI

P. Reyes / febrero 2008

Para acomodar un arreglo ortogonal de 2 niveles en un arreglo de cuatro variables con tres niveles, se convierte una columna a dos niveles como sigue:

Pgina 4 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI

P. Reyes / febrero 2008

Pgina 5 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI La tabla de interacciones para el arreglo L8 (2^7) es:

P. Reyes / febrero 2008

Pgina 6 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI

P. Reyes / febrero 2008

Diseos mezclados de dos y tres niveles:

Pgina 7 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI

P. Reyes / febrero 2008

Diseos mezclados de dos y cuatro niveles:

Ejemplo:
En un proceso de formacin de paneles 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). Se cree que cinco factores pueden estar afectando la emisin, estos son: tipo de resina, concentracin de la solucin, tiempo de ciclo de prensado, humedad y presin. Si se desea analizar el efecto de estos factores, es necesario variarlos, esto es probarlos bajo diferentes valores cada uno. A cada uno de estos valores se les llama nivel. Se requieren de al menos dos niveles o valores distintos para cada factor. A uno de ellos arbitrariamente le llamamos nivel bajo o nivel 1, al otro nivel alto o nivel 2. Factor A B C D E Descripcin Tipo de resina Concentracin Tiempo de ciclo de prensado Humedad Presin Nivel I Tipo I 5% 10 seg 3% 800 psi. Nivel 2 Tipo II 10% 15 seg 5% 900 psi.

En este caso estamos interesados en analizar el efecto de 5 efectos o factores a dos niveles cada uno, por lo tanto, se usar un arreglo ortogonal L8. Esto implica que se ejecutarn 8 pruebas o condiciones experimentales. Por otra parte se disponen de 7 columnas, a cada columna se le puede asignar o asociar un factor. Si en particular, asignamos los factores en orden a las primeras cinco Columnas, dejando libres las ltimas dos columnas, el arreglo queda:

No. A B C D E e1 e2 Resina Concen. Tiempo Humedad Presin Yi 1 1 1 1 1 1 1 1 Tipo I 5% 10 seg. 3% 800 psi. 0.49 2 1 1 1 2 2 2 2 Tipo I 5% 10 seg. 5% 900 psi. 0.42 3 1 2 2 1 1 2 2 Tipo I 10% 15 seg. 3% 800 psi. 0.38 4 1 2 2 2 2 1 1 Tipo I 10% 15 seg. 5% 900 psi. 0.30 5 2 1 2 1 2 1 2 Tipo II 5% 15 seg. 3% TOTAL= 900 psi. 2.64 0.21 6 2 1 2 2 1 2 1 Tipo II 5% 15 seg. 5% 800 psi. 0.24 7 2 2 1 1 2 2 1 Tipo II 10% 10 seg. 3% 900 psi. 0.32 8 2 2 1 2 1 1 2 Tipo II 10% 10 seg. 5% 800 psi. 0.28 Pgina 8 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI

P. Reyes / febrero 2008

Observe que en las columnas vacas, 6 y 7, se ha escrito la letra e 1,y e2 respectivamente esto para indicar que en ellas se evaluar la variacin natural o error aleatorio. Si no se asigna ningn factor, es de esperar que ah se manifieste la variacin natural. Los resultados de Yi se muestran en ppm. El anlisis de resultados, se puede efectuar de dos maneras diferentes. Una de ellas mediante una serie de grficas, la otra mediante el anlisis de varianza, se muestra en este ejemplo primero el uso del anlisis de varianza, posteriormente se muestra el uso de grficas.

Con Minitab se crea el arreglo con: Stat > DOE > Taguchi > Create Taguchi Design Type of Design: 2 level design Number of factors 5 Designs: L8 Seleccionar Assign factors To columns of the array as specified below Factors Name Level values Column Levels A 1 2 1 2 B 1 2 2 2 C 1 2 3 2 D 1 2 4 2 E 1 2 5 2 Options: Store design in the worksheet OK Esta columna es el resultado de los experimentos: A 1 1 1 1 2 2 2 2 B 1 1 2 2 1 1 2 2 C 1 1 2 2 2 2 1 1 D 1 2 1 2 1 2 1 2 E 1 2 1 2 2 1 2 1 Yi 0.49 0.42 0.38 0.3 0.21 0.24 0.32 0.28

Pgina 9 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI

P. Reyes / febrero 2008

Anlisis de varianza
1) como primer paso, se obtienen los totales de la variable de respuesta o lecturas, para cada uno de los niveles de los factores. Para calcular los totales para cada nivel del factor A, observamos que las primeras cuatro pruebas del arreglo se efectuaron con el factor a su nivel 1 (Resina tipo I) y las siguientes cuatro a su nivel 2 (resina tipo II). Los totales son por lo tanto: A1= total de las lecturas que se tomaron con el factor A a su nivel 1 = 0.49+0.42+0.38+0.30=1.59 A2= total de las lecturas que se tomaron con el factor A a su nivel 2 = 0.21+0.24+0.32+0.28= 1.05 Para el factor D se tiene que las pruebas 1,3,5 y 7 se efectuaron a su nivel 1 (humedad del 5%), por lo tanto los totales son: D1= Total de las lecturas que se tomaron con el factor D a su nivel 1 = 0.49+0.38+0.21+0.32= 1.40 D2= Total de las lecturas que se tomaron con el factor D a su nivel 2 = 0.42+0.30+0.24+0.28= 1.24 En resumen se tiene: Factor Nivel 1 Nivel 2 A 1.59 1.05 2.64 B 1.36 1.28 2.64 C 1.51 1.13 2.64 D 1.40 1.24 2.64 E 1.39 1.25 2.64 e 1.28 1.36 2.64 e 1.35 1.29 2.64

Observe que la suma de los dos niveles debe dar siempre el total de las ocho lecturas 2.64. 2) En seguida se obtiene una cantidad que llamaremos suma de cuadrados esta se calcula como sigue: Suma de los cuadrados del factor x= SS X= (Total nivel 2 Total nivel 1) 2/ n Donde n representa el nmero total de lecturas que se tomaron. As por ejemplo, para el factor A, tendremos que dado que n=8 SSA= (A2 A1) 2/ 8= (1.59-1.05) 2/ 8=0.03645 con 1 g .1 Para el factor B se tiene SSB= (B2 B1) 2/ 8= (1.28-1.36) 2/ 8= 0.00080 con 1 g.1

Similarmente SSC= (C2 C1) 2/ 8= (1.13-1.51) 2/ 8= 0.01805 con 1 g.1 SSD= (D2 D1) 2/ 8= (1.24-1.40) 2/ 8= 0.00320 con 1 g.1

Pgina 10 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI SSE= (E2 E1) 2/ 8= (1.25-1.39) 2/ 8= 0.00245 con 1 g.1 SSe= 0.00080 con 1 g.1 SSe= 0.00045 con 1 g.1

P. Reyes / febrero 2008

La suma de cuadrados de las columnas donde no se asign factor (SSe) se toman como estimaciones del error y se suman. SSe= 0.00080+0.00045= 0.00125 con 2 g.1 3) Se construye una tabla ANOVA, sta es: Efecto A B C D E Error Total SS 0.03645 0.00080 0.01805 0.00320 0.00245 0.00125 0.0622 G.l. 1 1 1 1 1 2 7 V 0.03645 0.00080 0.01805 0.00320 0.00245 0.000625 Fexp 58.32 1.28 28.88 5.12 3.92

Bajo la columna SS se tienen las sumas de cuadrados. Bajo la columna G.l. (grados de libertad), tendremos el nmero de columnas que se usaron para evaluar el factor, en este caso, slo puede ser de uno para cada factor y ms de uno nicamente para el caso del error. La columna V, se obtiene dividiendo el nmero bajo la columna SS, entre el nmero de la columna G.L. As por ejemplo, para el factor A se tiene SSA= 0.03645, G.L. de A=1 V= SSA/G.L.= 0.03645/1= 0.03645 Por ltimo, el valor de Fexp, se obtiene de dividir el valor de V de cada factor, entre el valor de V para la estimacin del error. Fexp de A= V(A) / V(error)= 0.03645/0.000625=58.32 4) Obtenemos las siguientes conclusiones: Todos aquellos factores, que tienen un valor de Fexp mayor que 2 se considera que afectan la variable de respuesta, emisin de formaldehdo en este caso. Estos son llamados factores significantes. En este ejemplo resultan significantes los factores A, C, D y E, tipo de resina, tiempo de ciclo, humedad y presin respectivamente. Se acostumbra que aquellos efectos que no resultaron significantes, se consideren como error aleatorio, a fin de obtener una mejor estimacin (con mayor nmero de grados de libertad).

Pgina 11 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI En este caso por ejemplo, una mejor estimacin de SSe es: SSe= SSB + SSe= 0.00080+0.00125= 0.00205 Con 1 + 2 = 3 grados de libertad y (Ve)= (SSe)/3= 0.00205/3= 0.00068

P. Reyes / febrero 2008

Las estimaciones que se obtienen de esta manera suelen escribirse entre parntesis. La tabla ANOVA queda ahora Efecto A C D E Error Total Con Minitab Stat > DOE > Taguchi > Analyze Taguchi Design Response data in Y Analysis. Fit linear model for Signal to Noise Ratios Means Graphs: Signal to Noise Ratios Means Terms: A B C D E F Analysis graphs: Residuals for plots Standardized Residual Plots Individual plots Normal plot Options: Smaller is better Storage: Signal to Noise Ratios Means OK Los resultados son los siguientes: Factores significativos a 0.1 de nivel de significancia SS 0.03645 0.01805 0.00320 0.00245 0.00205 0.0622 G.1 1 1 1 1 3 7 V 0.03645 0.01805 0.00320 0.00245 0.00068 Fexp 53.60 26.54 4.71 3.60

Taguchi Analysis: Yi versus A, B, C, D, E Linear Model Analysis: SN ratios versus A, B, C, D, E


Estimated Model Coefficients for SN ratios Term Constant A 1 B 1 C 1 D 1 E 1 S = 0.8581 Coef 9.93728 -1.78903 -0.01666 -1.26604 -0.42402 -0.42402 SE Coef 0.3034 0.3034 0.3034 0.3034 0.3034 0.3034 T 32.753 -5.897 -0.055 -4.173 -1.398 -1.398 P 0.001 0.028 0.961 0.053 0.297 0.297

R-Sq = 96.6%

R-Sq(adj) = 88.0%

Analysis of Variance for SN ratios Source A B C D E Residual Error Total DF 1 1 1 1 1 2 7 Seq SS 25.6050 0.0022 12.8230 1.4384 1.4384 1.4728 42.7797 Adj SS 25.6050 0.0022 12.8230 1.4384 1.4384 1.4728 Adj MS 25.6050 0.0022 12.8230 1.4384 1.4384 0.7364 F 34.77 0.00 17.41 1.95 1.95 P 0.028 0.961 0.053 0.297 0.297

Pgina 12 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI


Main Effects Plot for SN ratios
Data Means
12 11 10 A B C

P. Reyes / febrero 2008

Mean of SN ratios

9 8 1 12 11 10 9 8 1 2 1 2 D 2 1 E 2 1 2

Signal-to-noise: Smaller is better

Linear Model Analysis: Means versus A, B, C, D, E


Estimated Model Coefficients for Means Term Constant A 1 B 1 C 1 D 1 E 1 S = 0.025 Coef 0.33000 0.06750 0.01000 0.04750 0.02000 0.01750 SE Coef 0.008839 0.008839 0.008839 0.008839 0.008839 0.008839 T 37.335 7.637 1.131 5.374 2.263 1.980 P 0.001 0.017 0.375 0.033 0.152 0.186

R-Sq = 98.0%

R-Sq(adj) = 93.0%

Analysis of Variance for Means Source A B C D E Residual Error Total DF 1 1 1 1 1 2 7 Seq SS 0.036450 0.000800 0.018050 0.003200 0.002450 0.001250 0.062200 Adj SS 0.036450 0.000800 0.018050 0.003200 0.002450 0.001250 Adj MS 0.036450 0.000800 0.018050 0.003200 0.002450 0.000625 F 58.32 1.28 28.88 5.12 3.92 P 0.017 0.375 0.033 0.152 0.186

Pgina 13 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI


Main Effects Plot for Means
Data Means
0.40 A B C

P. Reyes / febrero 2008

0.35

Mean of Means

0.30

0.25 1 0.40 D 2 1 E 2 1 2

0.35

0.30

0.25 1 2 1 2

Response Table for Signal to Noise Ratios Smaller is better Level 1 2 Delta Rank A 8.148 11.726 3.578 1 B 9.921 9.954 0.033 5 C 8.671 11.203 2.532 2 D 9.513 10.361 0.848 3.5 E 9.513 10.361 0.848 3.5

Response Table for Means Level 1 2 Delta Rank A 0.3975 0.2625 0.1350 1 B 0.3400 0.3200 0.0200 5 C 0.3775 0.2825 0.0950 2 D 0.3500 0.3100 0.0400 3 E 0.3475 0.3125 0.0350 4

Nos resta decidir a que nivel habr de fijar cada factor significante, y qu podremos esperar. Para tomar esta decisin, es de mucha ayuda obtener los promedios de las lecturas que se tomaron a cada nivel para cada uno de los factores significantes. Los promedios de la emisin de formaldehdo para cada nivel se obtienen dividiendo c/u de los totales entre 4, (c/total es la suma de cuatro lecturas). A1= A1/4= 1.59/4= 0.3975 A2= A2/4= 1.05/4= 0.2625 El resto de los promedio son: Factor A B C D Nivel 1 A1= 0.3975 B1= 0.3400 C1= 0.3775 D1= 0.3500 Nivel 2 A2= 0.2625 B2= 0.3200 C2= 0.2825 D2= 0.3100

Pgina 14 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI E E1= 0.3475 El promedio general denotado como Y es: Y= (0.49+0.42+0.38+0.30+0.21+0.24+0.32+0.28)/8=T/n= 2.64/8= 0.33 E2= 0.3125

P. Reyes / febrero 2008

Los factores A, C, D y E que afectan emisin de formaldehdo debern fijarse al nivel que minimicen la emisin, esto es, al nivel que se obtenga el promedio menor, en este ejemplo; A 2, C2, D2 y E2; resina tipo II, 15 segundos como tiempo de prensado, 5% de humedad y 900 psi. El factor B juega aqu un papel sumamente importante. Dado que no afecta la emisin de formaldehdo, dentro del intervalo analizado, se utiliza para reducir los costos de produccin. Esto se hace fijndolo a su nivel ms econmico. Cul ser el nivel esperado de emisin bajo las nuevas emisiones propuestas Y est.? Para contestar esta pregunta, para cada efecto significante se calcula una resta, que llamaremos el efecto de cada factor respecto al promedio general, para este caso el efecto es EF A EF C EF D EF E = (promedio bajo la condicin propuesta del factor promedio general) = A2 Y= 0.2625-0.3300= -0.0675 (A se fij a su nivel 2) = C2 Y= 0.2825-0.3300= -0.0475 = D2 Y= 0.3100-0.3300=-0.0200 = E2 Y= 0.3125-0.3300= -0.0175

Finalmente, el resultado esperado bajo las condiciones A2, C2, D2, E2, que llamaremos Yest. se calcula sumando al promedio general Y todos los efectos de los factores significantes. Yest= Y + EF A + EF C +EF D +EF E= 0.3300-0.0675-0.0475-0.0200-0.0175=0.1775

Anlisis utilizando grficas


Existe una alternativa al anlisis ANOVA, esta es una serie de grficas que se muestran enseguida. 1) Primero se obtienen los promedios en cada nivel, para cada uno de los factores, incluyendo las columnas vacias. Para hacer esto, encontramos los totales para cada nivel y dividimos entre el nmero de lecturas con el que se obtuvo cada total. Para nuestro ejemplo, los totales a cada nivel los tenemos ya en la seccin anterior. Los promedios son: Factor A B C Nivel 1 0.3975 0.3400 0.3775 Nivel 2 0.2625 0.3200 0.2825 Promedio global Y= T/n= 2.64/8 = 0.33 D 0.3500 0.3100 E 0.3475 0.3125 e 0.3200 0.3400 e 0.3325 0.3225

Observe que para cada factor, uno de los promedios es mayor y el otro menor que el promedio global. Esto siempre debe de ocurrir.

Pgina 15 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI

P. Reyes / febrero 2008

2) Calcule la diferencia entre los promedios de niveles para cada factor, y ordnelos de mayor a menor en valor absoluto. Esto es por ejemplo para el factor A A1 A2 = 0.3975 0.2625= 0.1350; para el resto tenemos:

Factor Diferencia

A 0.1350

B 0.0200

C 0.0950

D 0.0400

E 0.0350

e 0.0200

e 0.0100

En la tabla de ANOVA encontramos los resultados obtenidos anteriormente: N 1 2 3 4 5 6 7 8 T1 T2 SS gl V A B 1 1 1 1 1 2 1 2 2 1 2 1 2 2 2 2 1.59 1.36 1.05 1.28 0.03645 0.00080 1 1 0.03645 0.00080 1.28 no 0.3400 0.3200 C 1 1 2 2 2 2 1 1 1.51 1.13 0.01805 1 0.01805 28.88 si 0.3775 0.2825 2 -0.0475 D 1 2 1 2 1 2 1 2 1.40 1.24 0.00320 1 0.00320 5.12 si 0.3500 0.3100 2 -0.0200 E 1 2 1 2 2 1 2 1 1.39 1.25 0.00245 1 0.00245 3.92 si 0.3475 0.3125 2 -0.0175 e1 1 2 2 1 1 2 2 1 1.28 1.36 0.00080 e2 1 2 2 1 2 1 1 2 1.35 1.29 0.00045 Yi 0.49 0.42 0.38 0.30 0.21 0.24 0.32 0.28 Tot 2.64 Ve 2 .00062

F 58.32 Sg si P1 0.3975 P2 0.2625 Ni 2 Ef -0.0675

Y 0.33

Yest. = Y + Ef A2 + Ef C2 + Ef D2 + Ef E2 T1 T2 n SS gl V F Sg P1 P2 Ni Ef Y Yest = Total de lecturas al nivel 1 = Total de lecturas al nivel 2 = Nmero total de lecturas = (T2 - T1 )2 /n = Grados de libertad (columnas) = SS/gl = V/Ve = Efecto significante? = Promedio nivel 1 = Promedio nivel 2 = Nivel seleccionado = Efecto de la variable = Promedio de todos los datos = Valor estimado de la variable a las condiciones propuestas

Pgina 16 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI

P. Reyes / febrero 2008

Ordenando de mayor a menor valor absoluto (ignorando el signo), tenemos: Factor Diferencia A 0.1350 C 0.0950 D 0.0400 E 0.0350 B 0.0200 e e

0.0200 0.0100

Se puede observar que el orden en que quedaron los datos anteriores, es tambin el orden de mayor a menor Fexp que se obtiene con la ANOVA. Siguiendo el orden anterior, se obtiene una grfica como se muestra en seguida: .40 .35 .33 .30 .25 A1 A2 C 1 C2 D1 D2 E1 E2 B1 B2 e1 e2 e1 e2

Mediante esta grfica, se puede evaluar el efecto de cada factor. Entre mayor sea la lnea de cada factor, o bien, entre ms vertical se encuentre, mayor ser el efecto de este factor. Observamos un grupo de lneas inclinadas, seguida de un grupo de lneas que sbitamente se acuestan o se hacen horizontales. Es de esperar que las lneas que presentan columnas vacas o error aleatorio, quedan prcticamente horizontales Observe que las conclusiones a que se llegamos en este ejemplo son similares a las de la ANOVA, esto es, factores significantes A, C, D y e, igualmente los niveles recomendados se pueden identificar rpidamente, si deseamos reducir la variable de respuesta, se toma el nivel ms bajo, en este caso A 2, C2, D2 y E2, es decir, los puntos por debajo de la lnea promedio global. En conclusin, el mtodo grfico puede ser utilizado para fines de exposicin o presentacin y el ANOVA para fines de tomar una decisin ms objetiva.

Pgina 17 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI

P. Reyes / febrero 2008

Para predecir la respuesta con Minitab Stat > DOE > Taguchi > Predict Taguchi Results Predict Mean Signal to Noise Ratio Terms: A C D E Levels: Seleccionar Coded Units Select levels from a list: A = 2, C = 2, D = 2, E = 2 OK Los resultados se muestran a continuacin:

Predicted values
S/N Ratio 13.8404 Mean 0.1775

Factor levels for predictions A 2 C 2 D 2 E 2

Pgina 18 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI

P. Reyes / febrero 2008

Arreglos ortogonales para factores con interacciones:


Como hemos visto anteriormente en los procesos de produccin se producen interacciones. En esta seccin describiremos esta situacin. En los casos anteriores se asumi que el efecto de un factor sobre la variable de respuesta, no dependa del nivel de otros factores. Cuando el efecto de un factor depende del nivel de otro factor, se dice que existe una interaccin entre los factores. Supongamos que en un experimento se ha encontrado que la temperatura y el tipo de refrigerante, afectan la variable de respuesta llamada planicidad. Existen dos marcas de refrigerante, la marca I y la marca II. Resulta que si usamos el refrigerante I, al aumentar la temperatura la planicidad aumenta. Pero si se utiliza la marca de refrigerante II, al aumentar la temperatura, la planicidad disminuye. Si nos preguntamos cual es el efecto de la temperatura sobre la planicidad, podemos contestar que depende del tipo de refrigerante que se utilice. En este caso se dice que existe una interaccin entre la temperatura y el refrigerante. Otro ejemplo es el caso de 2 medicamentos que al suministrarse en forma independiente, provocan mejora en las condiciones del paciente. Por otro lado, cuando los dos medicamentos son suministrados al mismo tiempo y la condicin del paciente empeora, se dice que los dos medicamentos interactuan. Grficamente se puede observar si existe o no interaccin entre los factores:

B1 B1 B2 B2 A1 A2 A1 A2 Las dos lneas son paralelas, no existe interaccin entre los factores. El efecto de A depende del nivel de B y viceversa. El efecto de A no es consistente. Existe interaccin

Las interacciones existen en los procesos en mayor o menor grado. En las secciones anteriores se analizaron aplicaciones de arreglos ortogonales, en los cuales no existan interacciones entre los factores principales. En otros casos, podemos estar interesados en analizar el efecto que algunas interacciones en particular tienen sobre la variable de respuesta. Pero qu sucede cuando se desea incluir interacciones en un arreglo ortogonal?, se puede decir lo siguiente: a) los arreglos ortogonales a utilizar para los casos con interacciones, son exactamente los mismos que se usan para el caso sin interacciones.

Pgina 19 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI

P. Reyes / febrero 2008

b) al asignar dos factores, A y B por ejemplo, a ciertas columnas, automticamente la interaccin de esos dos factores AxB se reflejar en otra columna del arreglo. Por lo tanto, esta tercera columna ya no podr ser utilizada por algn otro factor o interaccin a menos que se pueda suponer la interaccin AxB como inexistente. c) una interaccin significante que se desee probar, tomar una columna y en consecuencia un grado de libertad. Por lo tanto, si deseamos analizar el efecto de 6 factores y 4 de las interacciones entre ellos, requerimos por lo menos de 10 grados de libertad, esto es de 10 columnas, o sea un arreglo L 16 y no un arreglo L8, que sera suficiente sin interacciones. d) se deber tener cuidado especial, en la manera como se asignan los factores a las columnas, para que sus interacciones no se confundan con otros factores principales u otras interacciones que tambin deseamos probar. Una condicin que existe para el manejo de las interacciones mediante procedimientos de arreglos ortogonales Taguchi, es que se tenga una definicin a priori de cuales interacciones especficamente sospechamos que existen. Esto es, debemos definir de antemano qu interacciones creemos son relevantes, a fin de incluirlas en nuestro anlisis. Esto se puede saber en base a la experiencia previa del proceso. Para ayudar en la asignacin de factores a un arreglo, se han desarrollado grficas lineales. Su aplicacin se muestra mediante un ejemplo: NOTA: En los ejemplos que siguen, para denotar una interaccin entre dos factores, A y B por ejemplo, se utiliza indistintamente la notacin AB o AxB. Grficas lineales A continuacin se muestra un arreglo L8 junto con una matriz triangular y dos grficas lineales. Estas se reproducen aqu para su explicacin. N 1 2 3 4 5 6 7 8 Columnas 1 2 3 4 1 1 1 1 1 1 1 2 1 2 2 1 1 2 2 2 2 1 2 1 2 1 2 2 2 2 1 1 2 2 1 2 5 1 2 1 2 2 1 2 1 6 1 2 2 1 1 2 2 1 7 1 2 2 1 2 1 1 2 Columnas 1 (1) 2 3 (2) Matriz o tabla de interacciones 3 4 5 6 7 2 5 4 7 6 1 6 7 4 5 (3) 7 6* 5 4 (4) 1 2 3 (5) 1 2 (6) 1 (7)

1 3 5 .7 6 2 6 (a) 4 1

3 5 4 7 (b)

Pgina 20 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI

P. Reyes / febrero 2008

Qu representa cada tabla?. En primer lugar, el arreglo ortogonal L8 es exactamente el mismo que se utiliz en el caso experimental y cada columna un factor o interaccin cuyo impacto sobre la variable de respuesta se desea conocer. La matriz triangular nos representa las interacciones entre columnas. En el primer rengln, con el titulo de columna, cada nmero corresponde a la columna con ese mismo nmero del arreglo, al igual que los nmeros entre parntesis que se encuentran en la diagonal inferior. Por ejemplo, si nosotros asignamos el factor A a la columna 3 y el factor B a la columna 5, la interaccin de AxB aparecer en otra columna ya definida. En el cruce de la columna nmero 5 y el rengln nmero 3 de la matriz, aparece el nmero 6 (marcado con * en la tabla), de manera que la interaccin de AxB se deber asignar a la columna 6 del arreglo ortogonal. Con ayuda de matriz de interacciones es factible, mediante prueba y error, asignar los factores a las columnas. Sin embargo, para simplificar aun ms esta asignacin nos podemos auxiliar de las grficas lineales (1) y (2) que se muestran. En una grfica lineal: a) un efecto principal se representa mediante un punto. b) una interaccin se representa mediante una lnea. c) los nmeros representan las columnas correspondientes del arreglo ortogonal a donde se asignan los efectos principales y las interacciones. En particular, el arreglo ortogonal L8 tiene dos alternativas de arreglo mostrados por las grficas (a) y (b) respectivamente. Por ejemplo, la grfica (a) indica que con este arreglo se pueden analizar, tres factores principales, (puntos 1, 2 y 4) y las interacciones entre ellos, (lneas 3, 5 y 6), adems de un cuarto factor, (punto 7), que no interactua con los otros tres. Los nmeros indican que si deseamos lo anterior, los tres factores debern asignarse a las columnas 1, 4 y 2. Las interacciones aparecen en las columnas 3, 5 y 6. La grfica (b) indica cuatro factores, (puntos 1, 2, 4 y 7) con interacciones de uno de ellos con los otros tres (lneas 3, 5 y 6). Por lo tanto, el factor que interactua con los otros tres se debe asignar a la columna 1 del arreglo, los otros tres factores a las columnas 2, 4 y 7. Las interacciones quedarn en las columnas 3, 5 y 6. Si se desea analizar un nmero menor de interacciones y un nmero mayor de factores en el mismo arreglo ortogonal, la columna de cualquier lnea representando una interaccin que no es relevante, se puede utilizar para representar un factor adicional. La aplicacin de grficas lineales se muestra con un ejemplo. Supongamos que queremos analizar el efecto de cuatro factores A, B, C y D, adems de las interacciones AxB, AxC y AxD. 1) Como primer paso, seleccionamos un arreglo ortogonal tentativo. Esto depende del nmero de efectos totales a analizar. 4 factores + 3 interacciones = 7 efectos o columnas

Pgina 21 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI

P. Reyes / febrero 2008

2) Despus de seleccionar un arreglo ortogonal tentativo, un L8 en este caso, el siguiente paso es desarrollar la grfica lineal que deseamos, de acuerdo con las reglas mencionadas anteriormente: a) b) un efecto individual se representa con un punto. una interaccin se representa mediante una lnea que une los dos individuales. efectos

En nuestro caso esto procede como sigue: Primero dibujamos cuatro puntos, uno para cada efecto. A. C. B. D.

En seguida mostramos las interacciones que nos interesan, mediante lneas. Para nuestro caso tenemos (grfica de la izquierda): AxB A AxC C AxD 6 D 7 4 B 1 5 3 2

3) Utilizando la segunda grfica, podremos asignar el factor A a la columna 1, el factor B a la columna 2, la interaccin AxB a la columna 3, el factor D a la columna 4, la interaccin AxD a la columna 5, el factor C a la columna 7 y la interaccin AxC a la columna 6. Esto es: A 1 1 1 1 1 2 2 2 2 B 2 1 1 2 2 1 1 2 2 AxB 3 1 1 2 2 2 2 1 1 D 4 1 2 1 2 1 2 1 2 AxD 5 1 2 1 2 2 1 2 1 AxC 6 1 2 2 1 1 2 2 1 C 7 1 2 2 1 2 1 1 2

N 1 2 3 4 5 6 7 8

Supongamos que ahora queremos analizar un factor ms, el factor E y creemos que la interaccin AxC realmente no es relevante. La grfica lineal que requerimos es: B AxB A AxD D C E

Pgina 22 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI

P. Reyes / febrero 2008

Esta grfica es parecida a la grfica lineal (2) excepto por la interaccin de AxC, por lo tanto, una asignacin lgica es: Factor A a la columna 1, factor B a la columna 2, interaccin AxB a la columna 3, el factor C a la columna 4, el factor D a la columna 7, la interaccin AxD a la columna 6. Por ltimo, a la columna 5 que de otra manera sera la interaccin AxC, se le asigna el factor E. Observe que en este ltimo caso, tambin se pudo utilizar la grfica lineal (1). Si por alguna razn, la grfica que deseamos, no puede quedar incluida en las grficas lineales (1) (2) es necesario usar otro arreglo ortogonal de mayor tamao. Si deseamos analizar los factores A, B, C, D, E y F, adems de la interaccin AxB, una posible asignacin es: Efecto Columna Ejemplo: Se desea analizar un nuevo tipo de carburador. La variable de respuesta de inters es el porcentaje de hidrocarburos no quemados que arroja el motor. Cuatro diferentes factores y tres interacciones parecen afectar esta variable: Efecto A B C D AxC AxB BxC Descripcin Tensin del diafragma Entrada para aire Apertura para combustible Flujo de gasolina Interaccin Interaccin Interaccin Niveles I Baja Estrecha Pequea Lento II Alta Abierta Grande Rpido A 1 D 2 C 3 B 4 AxB 5 E 6 F 7

La Grfica lineal que se desea es: A AxC C CxB Esta grfica se ajusta a la grfica lineal (1) del arreglo ortogonal L8, por lo que una asignacin apropiada de efectos es: AxB B .D

Pgina 23 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI

P. Reyes / febrero 2008

A C AxC B AxB CxB D 1 2 3 4 5 6 7 Tensin Apertura Entrada Flujo Yi 11.2 10.8 7.2 7.0 8.0 6.9 10.4 10.1 71.6 1 1 1 1 2 2 2 2 1 1 2 2 1 1 2 2 1 1 2 2 2 2 1 1 1 2 1 2 1 2 1 2 1 2 1 2 2 1 2 1 1 2 2 1 1 2 2 1 1 2 2 1 2 1 1 2 Baja Baja Baja Baja Alta Alta Alta Alta Pequea Estrecha Lento Pequea Abierta Rpido Grande Estrecha Rpido Grande Abierta Lento Pequea Estrecha Rpido Pequea Abierta Lento Grande Estrecha Lento Grande Abierta Rpido Total

1 2 3 4 5 6 7 8

El resultado se expresa en porcentaje de hidrocarburos sin quemar. Observe que al tomar las lecturas, (efectuar las pruebas), se ignoran las columnas donde se asignaron interacciones. El anlisis utilizado ANOVA es: Nivel 1 Nivel 2 A 36.2 35.4 C 36.9 34.7 AxC 42.5 29.1 B 36.8 34.8 AxB 35.4 36.2 BxC 36.3 35.3 D 35.5 36.1

La tabla ANOVA que resulta es: Efecto A C AxC B AxB BxC D (e) Total SS 0.0800* 0.6050 22.4450 0.5000 0.0800* 0.1250 0.0450* 0.2050 23.8800 G.l. 1 1 1 1 1 1 1 3 7 V 0.0800 0.6050 22.4450 0.5000 0.0800 0.1250 0.0450 0.0638 Fexp 8.85 328.46 7.32 1.83 -

El error aleatorio (e) se estima usando los efectos ms pequeos marcados con * Resulta significante la interaccin AxC, el factor C y el factor B. Dado que el factor B resulta significante, pero no son significantes alguna de sus interacciones, su mejor nivel se puede decidir de manera independiente al igual que se realiz en secciones anteriores. Esto es, se obtienen los promedios: B1= B1 /4= 36.8/4= 9.20; B2 = B2/4=8.70 Como es un caso de menor es mejor, se selecciona el nivel 2.

Pgina 24 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI

P. Reyes / febrero 2008

El factor C tambin resulta significante. Sin embargo, tambin lo es su interaccin con el factor A. Cuando resulta significante la interaccin de algn factor, no se puede analizar por separado, sino en conjunto con el factor con el que se interactua. En este caso, el factor C se debe analizar en conjunto con el factor A, aun cuando el factor C result adems significante individualmente y el factor A no. Para analizar estos factores, se reproducen aqu las columnas de A y C: N 1 2 3 4 5 6 7 8 A 1 1 1 1 2 2 2 2 C 1 1 2 2 1 1 2 2 Yi 11.20 10.80 7.2 7.0 8.0 6.9 10.4 10.1 Siempre existirn entre dos columnas cuatro posibles combinaciones de nmeros: 1 1; 1 2; 2 1; 2 2

As la combinacin 1 1 se presenta en los renglones N 1 y 2, lo que da un total de lecturas de 11.2 + 10.8= 22.00 con un promedio de 22.0/2= 11.00 La combinacin 1 2, se presenta en los renglones N 3 y 4, con un total de 7.2 + 7.0= 14.2, con un promedio de 14.2/2= 7.10 La combinacin 2 1 se presenta en los renglones N 5 y 6, con un total de 8.0 + 6.9= 14.9, con un promedio de 7.45 Por ltimo la combinacin 2 2, se presenta en los renglones N 7 y 8 con un total de 10.4 + 10.1= 20.5 y un promedio de 10.25 En resumen Combinacin A1 C1 A1 C2 A2 C1 A2 C2 Total 22.0 14.2 14.9 20.5 Promedio 11.00 7.10 7.45 10.25 Como es un caso mejor, se selecciona el promedio menor, A1 C2 en este caso.

Graficando estos promedios se tiene que: 11.0 10.0 9.00 8.00 7.00 A1 A2 En resumen, las condiciones propuestas son: factor A a su nivel 1, factor C a su nivel 2, factor B a su nivel 2. El resto a su nivel ms econmico. El efecto respecto al promedio de cada factor o interaccin es:

Pgina 25 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI EF A1C2 = (A1C2 - Y) (A1 Y) - (C2 - Y) = (7.10 8.95) (9.05 8.95) (8.675 8.95)= -1.675

P. Reyes / febrero 2008

Observe que al efecto de la interaccin, se le resta el efecto de los factores individuales que intervienen (hayan resultado significantes de manera individual o no). EF B2= B2 Y= 8.70 8.95= -0.25 Una estimacin del porcentaje de hidrocarburos sin quemar es igual a la suma de los efectos significantes, incluyendo los factores que intervienen en una interaccin significante, hayan resultado significantes de manera individual o no. Yest = Y + EF A1 C2 + EF A1 + EF C2 + EF B2 = 8.95 + (-1.675) + (9.05 8.95) + (8.675 8.95) + (-0.25)= 6.85

Considere los siguientes ejemplos propuestos. Acomodar en un arreglo L8 los efectos A, B, C, D, AxB y CxD Acomodar los siguientes efectos en un arreglo ortogonal: A, B, C, D, E, F, G, H, I, AxB, AxC, AxG, AxE, ExF. Analizar el problema siguiente:

Variable de respuesta, viscosidad, el mayor valor es deseado. A B C D E Factores Mezcla de hule crudo Curado Velocidad de prensado Enfriamiento del tambor Secado con vapor envolvente Interaccin ExD Interaccin DxC Nivel I si no 50m/min con agua si Nivel II no 24 hrs. 55 m/min sin agua no

Arreglo ortogonal y resultados N 1 2 3 4 5 6 7 8 E 1 1 1 1 2 2 2 2 D 1 1 2 2 1 1 2 2 ExD 1 1 2 2 2 2 1 1 C 1 2 1 2 1 2 1 2 B 1 2 1 2 2 1 2 1 DxC 1 2 2 1 1 2 2 1 A 1 2 2 1 2 1 1 2 Resultado 1620 1580 1100 1150 1500 1560 1000 1020

Pgina 26 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI

P. Reyes / febrero 2008

Solucin con Minitab se crea el arreglo con: 1. Disear el arreglo ortogonal definiendo las columnas para los factores principales y las interacciones, en este caso: Col. 1 Col. 2 Col. 3 Col. 4 Col. 5 Col. 6 Col. 7 A C AxC B AxB CxB D 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 2. Reconocer el arreglo en Minitab con: Stat > DOE > Taguchi > Define Custom Taguchi Design Factors A B C D OK Esta columna es el resultado de los experimentos: A 1 1 1 1 2 2 2 2 C 1 1 2 2 1 1 2 2 AxC 1 1 2 2 2 2 1 1 B 1 2 1 2 1 2 1 2 AxB 1 2 1 2 2 1 2 1 CxB 1 2 2 1 1 2 2 1 D 1 2 2 1 2 1 1 2 Yi 11.2 10.8 7.2 7.0 8.0 6.9 10.4 10.1

3. Analizar el diseo con:

Con Minitab Stat > DOE > Taguchi > Analyze Taguchi Design Response data in Yi Analysis. Fit linear model for Signal to Noise Ratios Means Graphs: Signal to Noise Ratios Means Terms: A B C D Analysis graphs: Residuals for plots Standardized Residual Plots Individual plots Normal plot Options: Smaller is better Storage: Signal to Noise Ratios Means OK Los resultados son los siguientes: Factores significativos a 0.2 de nivel de significancia

Taguchi Analysis: Yi versus A, B, C, D, E

Pgina 27 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI

P. Reyes / febrero 2008

Linear Model Analysis: SN ratios versus A, B, C, D, E Taguchi Analysis: Yi versus A, C, B, D Linear Model Analysis: SN ratios versus A, C, B, D
Estimated Model Coefficients for SN ratios Term Constant A 1 C 1 B 1 D 1 A*C 1 1 A*B 1 1 C*B 1 1 S = * Analysis of Variance for SN ratios Significativo Source A C B D A*C A*B C*B Residual Error Total DF 1 1 1 1 1 1 1 0 7 Seq SS 0.0237 0.5080 0.5511 0.1151 21.7554 0.1197 0.1517 * 23.2246 Adj SS 0.0237 0.5080 0.5511 0.1151 21.7554 0.1197 0.1517 * Adj MS 0.0237 0.5080 0.5511 0.1151 21.7554 0.1197 0.1517 * F * * * * * * * P * * * * * * * Coef -18.8709 -0.0544 -0.2520 -0.2625 0.1199 -1.6491 0.1223 -0.1377

Se pueden tomar los MS ms pequeos como error = 0.1197 y 0.1151 = 0.2348 De esta forma se obtiene FB = 2.34, y FAC = 92.65 Dist.f(2.34,1,2) = 0.2657 Distr.f(92.65,1,2) = 0.010
Main Effects Plot for SN ratios
Data Means
-18.60 -18.75 -18.90 A C

Mean of SN ratios

-19.05 -19.20 1 -18.60 -18.75 -18.90 -19.05 -19.20 1 2 1 2 B 2 1 D 2

Signal-to-noise: Smaller is better

Se observa al factor B como no significativo en trminos de afectar la variabilidad

Pgina 28 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI


Interaction Plot for SN ratios
Data Means
1 2

P. Reyes / febrero 2008

-18.0 -19.5 -21.0 -18.0 C -19.5 -21.0 -18.0 -19.5 -21.0 1 2 1 2 B A

A 1 2

C 1 2

B 1 2

Signal-to-noise: Smaller is better

Conclusin: Se observa la interaccin AC significativa (p = 0.1), con A= 1, C = 2. Linear Model Analysis: Means versus A, C, B, D
Estimated Model Coefficients for Means Term Coef Constant 8.950 A 1 0.100 C 1 0.275 B 1 0.250 D 1 -0.075 A*C 1 1 1.675 A*B 1 1 -0.100 C*B 1 1 0.125 S = * Analysis of Variance for Means Source A C B D A*C A*B C*B Residual Error Total DF 1 1 1 1 1 1 1 0 7 Seq SS 0.0800 0.6050 0.5000 0.0450 22.4450 0.0800 0.1250 * 23.8800 Adj SS 0.0800 0.6050 0.5000 0.0450 22.4450 0.0800 0.1250 * Adj MS 0.0800 0.6050 0.5000 0.0450 22.4450 0.0800 0.1250 * F * * * * * * * P * * * * * * *

Tomando los MS ms pequeos (D y A*B) como el trmino de error se tiene: MSerror = 0.045 + 0.08 = 0.125 Por tanto los valores F y P de B y AC son: FB = 0.5/0.125 = 4 P = 0.1835 y FAxC = 22.445/0.125 = 179.56 con P = 0.0055 Un criterio emprico es considerar como significativos los valores de F mayores a 2.

Pgina 29 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI


Main Effects Plot for Means
Data Means
A 9.2 9.0 C

P. Reyes / febrero 2008

Mean of Means

8.8 8.6 1 B 9.2 9.0 8.8 8.6 1 2 1 2 2 1 D 2

FB pudiera ser significativo a una alfa de 18%. El major nivel sera B = 2.

Interaction Plot for Means


Data Means
1 11 2

A 1 2
A

11

C 1 2

11

B 1 2
B

7 1 2 1 2

La interaccin AxC es significativa con P = 0.0055 y los mejores valores para minimizar la salida son: A = 1, C = 2, que coincide con las grficas de S/N. Response Table for Signal to Noise Ratios Smaller is better Level 1 2 Delta Rank A -18.93 -18.82 0.11 4 C -19.12 -18.62 0.50 2 B -19.13 -18.61 0.52 1 D -18.75 -18.99 0.24 3

Pgina 30 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI


Response Table for Means Level 1 2 Delta Rank A 9.050 8.850 0.200 3 C 9.225 8.675 0.550 1 B 9.200 8.700 0.500 2 D 8.875 9.025 0.150 4

P. Reyes / febrero 2008

Para predecir la respuesta en B = 2, A = 1, C = 2, se tiene: Para predecir la respuesta con Minitab Stat > DOE > Taguchi > Predict Taguchi Results Predict Mean Signal to Noise Ratio Terms: A C D E Levels: Seleccionar Coded Units Select levels from a list: A = 1, B = 2, C = 2, D=1 OK Los resultados se muestran a continuacin (se incluye el efecto de AxB, AxC, BxC y D):

Predicted values
S/N Ratio -16.9020 Mean 7

Factor levels for predictions A 1 C 2 B 2 D 1

Sin considerar el factor D ni las interacciones AxB y BxC se tiene:

Taguchi Analysis: Yi versus A, C, B, D Predicted values


S/N Ratio -18.5332 Mean 8.625

Factor levels for predictions A 1 C 2 B 2

Pgina 31 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI

P. Reyes / febrero 2008

Algunos comentarios adicionales Hasta aqu se han considerado ejemplos para arreglos ortogonales L8, por su comodidad en cuanto al tamao. A continuacin se hacen algunos comentarios sobre otros arreglos. El arreglo L12 es un caso especial. Se observa en el apndice, que no se muestran grficas lineales ni matriz de interacciones, esto es porque est diseado para analizar nicamente hasta once factores individuales sin interacciones. Con este arreglo no se pueden analizar interacciones.

Las interacciones en un arreglo L12 se distribuyen de una manera uniforme en todas las columnas. La ventaja de esto es que le permite investigar 11 factores sin preocuparse por sus interacciones. El arreglo L12 en general tiene buena reproducibilidad de conclusiones. Algo similar se puede decir del arreglo L18 Para un arreglo L16 existen una gran variedad de posibles grficas lineales, en el apndice se muestran las seis ms utilizadas con tres variantes cada una. Para un arreglo L32 se muestran en el apndice 13 diferentes grficas dentro de las varias posibles que existen. En cualquier caso, se puede tratar de construir ms grficas de acuerdo con las necesidades que se tengan, respetando siempre la matriz de interacciones. En los grficos lineales que se anexan en el apndice, se observa que los vrtices se representan con diferentes smbolos, especficamente con o, y !. La razn y su significado es el siguiente:

Taguchi sugiere que las pruebas o corridas se lleven a cabo en el orden indicado por los renglones del arreglo ortogonal, esto es, primero las condiciones indicadas por el rengln 1, seguidas de las del rengln 2 y as sucesivamente. Por otra parte, al ejecutar el experimento, no todos los factores tienen la misma flexibilidad de estar variando de nivel de una prueba a otra. Por otro lado, se sugiere que los factores con menor flexibilidad se asignen al grupo 1 del arreglo representados por el smbolo o, de la grfica lineal. Estos factores tendrn menos cambios de nivel a lo largo de todo el experimento. De hecho, observe que el factor asignado a la columna 1 de cualquier arreglo, solo tiene un cambio de nivel, mientras que por ejemplo, un factor asignado a la columna N 15 de un arreglo L16 cambia 10 veces de nivel. Los factores que le siguen en inflexibilidad se debern asignar sucesivamente a los smbolos , # y ! en una grfica lineal. Ud. habr observado ya la complicacin que agregan a los anlisis la presencia de interacciones. Para lidiar con estas, la gente que sabe mucho de esto le hace las observaciones siguientes: Por lo general, existen pocas interacciones dentro de las mltiples posibles entre factores. El efecto de las interacciones sobre la variable de respuesta, es por lo general menor que el efecto de los factores individuales solos. Recuerde que algunos arreglos ortogonales, le permiten analizar un problema sin preocuparse por las interacciones. El L12 es un ejemplo de ellos. Se sugiere que, en caso de dudas sobre las interacciones, siempre sea preferible incluir ms factores, en lugar de interacciones. Si estas ltimas no son muy fuertes, se pueden considerar como ruido.

Pgina 32 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI

P. Reyes / febrero 2008

ANALISIS SEAL A RUIDO


De todos los factores que afectan un proceso, se pueden extraer dos grupos: Factores de ruido. Son aquellos que no podemos, queremos o deseamos controlar, y ms bien deseamos que nuestros procesos y productos sean insensibles a su impacto. Factores de diseo. Son aquellos que si podemos controlar en nuestro proceso de produccin, y deseamos encontrar a qu nivel operarlos, a fin de optimizar el producto o proceso, esto es, que los productos sean de alta calidad y bajo costo.

El anlisis se realiza de la siguiente manera: 1. Dentro de los factores a estudiar, separe los de ruido y los de diseo o control. 2. Dentro de los factores de diseo, identifique aquellos que afectan la variabilidad del proceso. Utilcelos para minimizar la variabilidad. 3. Dentro de los factores de diseo, identifique aquellos que afectan la media, sin afectar la variabilidad. Utilcelos para optimizar la media. 4. Identifique aquellos factores de diseo que no afectan ni media ni variabilidad. Utilcelos para reducir costos.

Indices seal ruido


es deseable tener una cantidad o expresin que de alguna manera, involucre media y variacin, o que por lo menos, ayude a que nuestras conclusiones sean ms confiables. Esta cantidad ya existe y se llama ndice seal ruido, denotado como SN o SR de aqu en adelante. EL NDICE SE DISE DE TAL MANERA, QUE PRODUCTOS MS ROBUSTOS SIEMPRE TENGA UN MAYOR VALOR DEL NDICE SN. En seguida se muestran los tres casos:

IV.2.1 Caso nominal es mejor


Suponga que se tienen r lecturas, y1,y2,y3,yr, el ndice SN a utilizar es: SN= 10 log [ ( Sm Vm ) / ( r )(Vm ) ] donde Sm= (y1 + y2 + y3 +,yr,)2/r Vm=

[( y

+ y2 + y3 ... + yr Sm / ( r 1)
2 2 2

El lector reconocer a Vm como la varianza de los r datos. Sn estima el logaritmo de base 10 de la relacin (media/desviacin estndar)2. En ocasiones se utiliza: SN= -10 log Vm IV.2.2 Caso menor es mejor Para el caso de menor es mejor, el ndice recomendado es: SN= -10 log

[ ( y1 + y2

+ y3 +,y r ,) / r ]

Pgina 33 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI Esta cantidad estima el logaritmo de base 10 de (media 2 + varianza) IV2.3 Caso mayor es mejor Para el caso mayor es mejor se recomienda: SN= -10 log

P. Reyes / febrero 2008

[(1/ y )
1

+ ( 1 / y2 ) + ( 1 / y3 ) 2 + ... + ( 1 / yr ) / r
2 2

Esta cantidad funciona de una manera similar al caso anterior, pero con el inverso. Maximizar una cantidad es equivalente a minimizar el inverso. El uso de logaritmos pretende hacer la respuesta ms lineal y el signo negativo es para que siempre se maximice el ndice SN. Se multiplica por 10 para obtener decibeles. En un experimento seal ruido, generalmente se incluye un grupo de factores de ruido, contra los que especficamente se desea hacer robusto el producto, y que se pueden controlar durante un experimento. Un diseo de experimentos para un anlisis seal a ruido consiste de dos partes, un arreglo ortogonal o matriz de diseo o interno y un arreglo ortogonal o matriz de ruido o externo. Las columnas de una matriz de diseo representan parmetros de diseo. Las columnas de la matriz de ruido representan factores de ruido.

Ejemplo:
Una caracterstica de calidad importante para un cierto producto metlico es el terminado, que se mide segn su planicidad en milsimas de pulgada (mmplg). Esta caracterstica se piensa es afectada por los siguientes factores: Factor A B C D G H AxC AxD Descripcin Temperatura del horno Presin de prensado Velocidad de recocido Velocidad de alimentacin ref. Tipo de modelo Templabilidad del material Interaccin Interaccin Nivel 1 1500 F 200 psi 8 seg 80 gal/min chico 25 Rc Nivel 2 1600 F 220 psi 12 seg 100gal/min grande 30 Rc

Los factores G y H son factores que no se pueden controlar durante el proceso, ya que el tipo de modelo depende del requerimiento especfico del cliente y la templabilidad es una caracterstica de la materia prima. Estos dos factores se consideran al menos inicialmente como factores de ruido. Por lo tanto, se consideran como factores de diseo a los factores A, B, C y D. De acuerdo con esto, lo que se desea saber es cules deben ser las condiciones de operacin o niveles de los factores de diseo A, B, C y D, que lleven el producto a la caracterstica objetivo y adems con la mnima variabilidad, a pesar de las variaciones en los factores G y H. IV. 3.2. Arreglo interno

Pgina 34 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI

P. Reyes / febrero 2008

Considere nicamente los factores de diseo, se desea detectar 6 efectos en total, y para ello, se requiere de un arreglo ortogonal L8. La grfica lineal requerida es: 3 1 A 5 A xC 4 AxD 6 7 D C .2 B

La columna correspondiente a la lnea punteada se utilizar para cuantificar el error. Una posible asignacin es: A 1 B 2 e 3 C 4 AxC 5 AxD 6 D 7 Este ser el arreglo interno y consiste de 8 condiciones experimentales/renglones

IV.3.3 Arreglo externo Considere ahora nicamente los factores de ruido G y H. Se requieren de dos columnas, de manera que un arreglo ortogonal L4 es suficiente. El arreglo, al que llamaremos arreglo externo es: N 1 2 3 4 G 1 1 1 2 2 H 2 1 2 1 2 3 1 2 1 1

Observe que no se asigna efecto alguno a la columna 3, la cual queda libre. IV. 3.4 Arreglo total Los dos arreglos anteriores se mezclan o combinan en un solo arreglo total, tal y como se muestra: H G N 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 e 3 1 1 2 2 2 2 1 1 C 4 1 2 1 2 1 2 1 2 AxC 5 1 2 1 2 2 1 2 1 AxD 6 1 2 2 1 1 2 2 1 D 7 1 2 2 1 2 1 1 2 1 1 1 1 Y11 Y21 Y31 Y41 Y51 Y61 Y71 Y81 2 2 1 2 Y12 Y22 Y32 Y42 Y52 Y62 Y72 Y82 2 1 2 3 Y13 Y23 Y33 Y43 Y53 Y63 Y73 Y83 1 2 2 4 Y14 Y24 Y34 Y44 Y54 Y64 Y74 Y84

Pgina 35 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI

P. Reyes / febrero 2008

Observe que la matriz de ruido o arreglo externo se ha traspuesto o acostado, esto es, escrito sus renglones como columnas. Observe tambin que existen 8x4= 32 posibles lecturas, tomadas bajo diferentes condiciones todas ellas (valores de Y ij ). En general, si el arreglo interno tiene M renglones y el externo tiene N renglones, entonces existen un total de MxN lecturas, que pueden ser tomadas bajo condiciones diferentes. Por eso se recomienda que el nmero de factores de ruido (valor de N) no sea mayor que 3. Pero, cmo se toman exactamente cada una de las 32 lecturas? suponga que inicialmente, deseamos tomar las lecturas Y11, Y12, Y13, Y14 . Para esto, se fijan todos los factores de diseo de acuerdo con los niveles indicados por el rengln N 1 del arreglo interno, esto es, todos los factores de diseo a su nivel 1. Sin embargo, si bien las cuatro lecturas Y 11, Y12, Y13, Y14 se toman a los mismos niveles de los factores de diseo, cada una se toma a diferentes niveles de los factores de ruido. En resumen se tiene: Todos los factores de diseo a su nivel 1 Temperatura 1500 F Presin de 200 Psi, 8 seg de tiempo de recorrido y velocidad de alimentacin refrigerante 80 gal/min Lectura Factores de ruido Y11 Y12 Y13 Y14 Modelo chico y 25 Rc Modelo chico y 30 Rc Modelo grande y 25 Rc Modelo grande y 30 Rc

De acuerdo con esto, se toman las primeras cuatro lecturas. En seguida deseamos obtener las lecturas Y21 , Y22 , Y23 , Y24. Todas estas lectura se tomarn al mismo nivel de los factores de diseo y estos niveles sern indicados por el rengln N 2 del arreglo interno. Manteniendo estas condiciones, los factores de ruido se varan a sus cuatro combinaciones indicadas por el arreglo externo. De esta manera se van obteniendo todas las 32 lecturas. Se fijan los factores de diseo segn un rengln del arreglo interno y se mantienen fijos mientras se varan los factores de ruido de acuerdo con el arreglo interno. Como ejemplo, la lectura Y73 , se obtendr bajo las condiciones siguientes: factor A, 1600 F, 220 psi, factor C. 8 seg, factor D, 80 gal/min; factor G, tipo grande; y factor H, 25 Rc. Las 32 lecturas son las siguientes: H G A N 1 2 3 4 5 6 7 8 1 1 1 1 1 2 2 2 2 B 2 1 1 2 2 1 1 2 2 e 3 1 1 2 2 2 2 1 1 C 4 1 2 1 2 1 2 1 2 AxC 5 1 2 1 2 2 1 2 1 AxD 6 1 2 2 1 1 2 2 1 D 7 1 2 2 1 2 1 1 2 1 1 1 1 1.1 1.2 2.0 2.1 1.0 1.2 1.6 1.5 2 2 1 2 1.2 1.3 2.1 2.2 1.4 1.3 2.1 2.0 2 1 2 3 1.3 1.2 2.2 2.1 1.2 1.5 2.4 2.3 1 2 2 4 1.1 1.3 2.1 2.0 1.3 1.0 2.0 2.5

Pgina 36 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI Totales= 11.7

P. Reyes / febrero 2008 13.6 14.2 13.3

Suponga que por alguna razn para este ejemplo en particular, se tiene un valor deseado de m= 2 mmplg. Para obtener conclusiones a partir de un experimento seal a ruido se puede usar la tabla ANOVA, o bien, a travs de grficas. Inicialmente se muestra el anlisis usando ANOVA.

Anlisis con el ndice SN


Para responder a la pregunta de a qu niveles fijar los factores de diseo, a fin de minimizar la variabilidad en la caracterstica de respuesta, ignoramos el arreglo externo conservando las 32 lecturas, especficamente, el arreglo para anlisis es: A N 1 2 3 4 5 6 7 8 1 1 1 1 1 2 2 2 2 B 2 1 1 2 2 1 1 2 2 e 3 1 1 2 2 2 2 1 1 C 4 1 2 1 2 1 2 1 2 AxC 5 1 2 1 2 2 1 2 1 AxD 6 1 2 2 1 1 2 2 1 Totales= D 7 1 2 2 1 2 1 1 2

1 2 1.1 1.2 1.2 1.3 2.0 2.1 2.1 2.2 1.0 1.4 1.2 1.3 1.6 2.1 1.5 2.0 11.7 13.6

3 4 Total 1.3 1.1 4.7 1.2 1.3 5.0 2.2 2.1 8.4 2.1 2.0 8.4 1.2 1.3 4.9 1.5 1.0 5.0 2.4 2.0 8.1 2.3 2.5 8.3 14.2 13.3 52.8

Lo que observamos en esta ltima tabla es un arreglo L8 con 4 lecturas para cada condicin o rengln. Estamos interesados en analizar la variabilidad de las 4 lecturas tomadas bajo cada condicin. Para esto, nos ayudamos del ndice SN, o sea, la variabilidad de las cuatro lecturas que se tomaron bajo cada condicin, la resumiremos en un ndice seal a ruido. Al hacerlo, en lugar de 32 lecturas individuales tendremos 8 valores del ndice SN, uno para cada rengln o condicin experimental. Como estamos en un caso de nominal es mejor, el ndice apropiado es: SN= 10 log [ ( Sm Vm ) / ( r * Vm ) ] ; donde Sm=

( Yi ) 2 / r

y Vm=

(Y

Sm / ( r 1)

En este caso en particular, r= 4, cada ndice se calcula a partir de 4 lecturas individuales. Para la primera condicin experimental o rengln N 1, se tienen las lecturas siguientes: 1.1, 1.2, 1.3, 1.1, con un total de 4.7 El clculo del ndice es: Sm= (1.1+1.2+1.3+1.1)2/4= 5.5225 Vm= (1.12+1.22+1.32+1.12)= 0.00916 SN= 10 log [ ( 5.5225 0.00916 ) / ( 4 * 0.00916 ) ] = 21.7714

Pgina 37 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI

P. Reyes / febrero 2008

Para el rengln o condicin experimental N 2 se tienen las lectural: 1.2, 1.3, 1.2, 1.3, con un total de 5.0 El clculo del ndice SN es: Sm= (1.2 +1.3+1.2+1.3) 2/4= 6.2500 Vm= (1.22 + 1.32 + 1.22 + 1.32 6.2500)/3= 0.0033 SN= 10 log [ ( 6.2500 0.0033) / ( 4 * 0.0033) ] = 26.7071 Los ocho ndices son: N 1 2 3 4 5 6 7 8 Sm 5.5225 6.2500 17.6400 17.6400 6.0025 6.2500 16.4025 17.2225 Vm 0.00916 0.00333 0.00666 0.00666 0.02916 0.04333 0.10916 0.18916 Sn (dB) 21.771 26.707 28.203 28.203 17.092 15.539 15.718 13.524

Nuestro arreglo es ahora: N 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 e 3 1 1 2 2 2 2 1 1 C 4 1 2 1 2 1 2 1 2 AxC 5 1 2 1 2 2 1 2 1 AxD 6 1 2 2 1 1 2 2 1 D 7 1 2 2 1 2 1 1 2 SN dB 21.771 26.707 28.203 28.203 17.092 15.539 15.718 13.524

Para el factor A se tiene: A1 A2 SSA = Total de las lecturas tomadas bajo el nivel 1 del factor A = 21.7714+26.7071+28.2036+28.2036= 104.8857 = Total de las lecturas tomadas bajo el nivel 2 del factor A =17.0927+15.5397+15.7186+13.5420= 61.8750 = (A2 A1) /Nmero total de lecturas SN =(61.8750 107.8857)2/8= 231.2413, con 1 g.l.

Pgina 38 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI La tabla ANOVA total es: Factor A B C AxC AxD D e SS 231.2413 2.5751 0.1764 9.4284 3.8880 2.3047 16.0135 Gl 1 1 1 1 1 1 1 V 231.2413 2.5751 0.1764 9.4284 3.8880 2.3047 16.0135 Fexp 14.44 00.16 00.01 00.59 00.24 00.14

P. Reyes / febrero 2008

El factor A, temperatura del horno, es el factor que estadsticamente afecta el ndice seal a ruido, y que por consiguiente afecta la variabilidad. De acuerdo con los niveles del factor A, se tiene: A1 A2 = SN promedio= 104.8857/4= 26.22 = SN promedio= 61.8750/4= 15.47

Dado que siempre deseamos maximizar el ndice seal a ruido, el factor A se fija en su nivel 1, esto es, la temperatura del horno se fija en 1500 F. Qu hacer con el resto de los factores? antes de contestar esta pregunta, se deben identificar de entre los factores que NO AFECTARON el ndice SN, cules afectan la media. Esto se muestra en lo que sigue.

Anlisis usando las lecturas individuales


Despus de identificar los factores que afectan la variabilidad, el siguiente paso es identificar qu factores, dentro de los que no afecta la variabilidad, afectan la media del proceso. Estos factores llamados factores de seal, nos permitirn ajustar la media del proceso hacia su valor nominal, sin incrementar la variabilidad del proceso. Para el anlisis, se utilizan las 32 lecturas iniciales. Para ello se obtiene el promedio de cada rengln. A B N 1 2 3 4 5 6 7 8 e 1 1 1 1 1 2 2 2 2 C AxC AxD D 2 3 4 5 1 1 1 1 1 1 2 2 2 2 1 1 2 2 2 2 1 2 1 2 1 2 2 1 2 1 1 2 2 1 2 1 6 1 2 2 1 1 2 2 1 7 1 2 2 1 2 1 1 2 1 1.1 1.2 2.0 2.1 1.0 1.2 1.6 1.5 2 1.2 1.3 2.1 2.2 1.4 1.3 2.1 2.0 3 4 Total 1.3 1.1 4.7 1.2 1.3 5.0 2.2 2.1 8.4 2.1 2.0 8.4 1.2 1.3 4.9 1.5 1.0 5.0 2.4 2.0 8.1 2.3 2.5 8.3 Totales Promedio 1.175 1.250 2.100 2.100 1.225 1.250 2.025 2.075 13.200

Considerando nicamente los promedios, tendremos un arreglo L8 con una lectura. El anlisis en base a los promedios es: A1 A2 = Total de las lecturas tomadas bajo el nivel 1 del factor A =1.175+1.250+2.100+2.100= 6.625 = Total de las lecturas tomadas bajo el nivel 2 del factor A

Pgina 39 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI = 1.225+1.250+2.075+2.025= 6.575 SSA = (A2 A1) 2 /Nmero total de lecturas SN = (6.625 6.575)2/8= 0.0003

P. Reyes / febrero 2008

Similarmente para el factor B se tiene B1 B2 SSB = 1.175+1.250+1.225+1.250= 4.900 = 2.100+2.100+2.025+2.075= 8.300 = (B2 - B1 )2/8= (4.900-8.300) 2/8= 1.4450

Y as sucesivamente SSC SSD = 0.0028 , SSAxC= 0.0000, SSAxD= 0.0003 = 0.0013 , SSe= 0.0028

La tabla ANOVA es: Efecto A B C AxC AxD D e SS 0.0003 1.4450 0.0028 0.0000 0.0003 0.0013 0.0028 Totales 1.4525 G.l. 1 1 1 1 1 1 1 8 V 0.0003 1.4450 0.0028 0.0000 0.0003 0.0013 0.0028 Fexp 0.11 513.75 1.00 0.00 0.11 0.44

El factor B, presin de prensado, es el nico factor significante. Mediante este factor se puede ajustar la media del proceso, y llevarla lo ms cerca posible a su valor ideal de 2. Tambin se debe hacer la observacin, de que si el factor A hubiera resultado significante en este segundo anlisis, no podramos utilizarlo, ya que result significante en el anlisis con el ndice SN. En particular, la respuesta promedio para cada nivel del factor B es: B1 = 4.9/4= 1.225; B2= 8.3/4= 2.075 Si se desea aumentar la planicidad, se deber incrementar la presin de prensado. Si se desea disminuir la planicidad, se deber reducir la presin. Se puede interpolar para conocer el valor al que se debe fijar la presin. La respuesta promedio a 200 psi es de 1.225 y a 220 psi es 2.075

2.0 1.5 1.0 200 220 B

Pgina 40 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI

P. Reyes / febrero 2008

IV. Anlisis utilizando grficas


Como se mencion anteriormente, una alternativa a la ANOVA son las grficas de promedios, ya sea del ndice SN o de las lecturas individuales. Por ejemplo, para el factor A encontramos el promedio a cada uno de sus niveles, tanto del ndice seal a ruido como de las lecturas individuales. Para el ndice seal a ruido se tiene: A1 A2 = (21.7714+26.7071+28.2036+28.2036)/4= 26.2214 = (17.0927+15.5397+15.7186+13.5240)/4= 15.4687

Para promedio de lecturas individuales se tiene: A1 = 6.625/4= 1.6562; A2= 6.575/4= 1.6437

En resumen, los promedios para todos los factores son: Nivel A1 A2 B1 B2 C1 C2 D1 D2 (AxC) (AxC) (AxD) (AxD) SN promedio 26.22 15.47 20.38 21.41 20.71 20.99 20.31 21.38 19.76 21.93 20.15 21.54 Y promedio 1.6 1.6 1.2 2.0 1.6 1.6 1.6 1.6 1.6 1.6 1.6 1.6

Grficas de estos promedios se muestran ms adelante, en estas grficas, la importancia de cada efecto se observar segn la inclinacin de cada lnea, de hecho, los efectos se encuentran graficados de acuerdo con su importancia. Las conclusiones que se obtienen son las mismas, esto es, el factor A es el que ms afecta el ndice seal a ruido, y lo hace mayor a su nivel A 1. El factor B es el que ms afecta la respuesta promedio sin afectar el ndice SN, la respuesta promedio aumenta al aumentar el factor B de su nivel 1 al 2.

Conclusiones generales del experimento De acuerdo con los resultados que se han obtenido de los anlisis, las conclusiones generales son: a) El factor A afecta la variabilidad y se debe de fijar a su nivel 1. b) El factor B afecta la media del proceso, aumenta la media del proceso. c) El resto de los factores de diseo, (factores C y D), se fijarn al nivel en que sea ms econmico para el proceso, ya que no afectan sustancialmente ni la media, ni la variabilidad del proceso.

Pgina 41 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI

P. Reyes / febrero 2008

Solucin con Minitab se crea el arreglo con: 1. Disear el arreglo ortogonal definiendo las columnas para los factores principales y las interacciones, en este caso: FACTORES DE CONTROL A B e C 1 1 1 1 1 1 1 2 1 2 2 1 1 2 2 2 2 1 2 1 2 1 2 2 2 2 1 1 2 2 1 2

AxC 1 2 1 2 2 1 2 1

AxD 1 2 2 1 1 2 2 1

D 1 2 2 1 2 1 1 2

2. Reconocer el arreglo en Minitab con: Stat > DOE > Taguchi > Define Custom Taguchi Design Factors A B C D OK Estas columnas es el resultado de los experimentos: FACTORES DE CONTROL A B e C 1 1 1 1 1 1 1 2 1 2 2 1 1 2 2 2 2 1 2 1 2 1 2 2 2 2 1 1 2 2 1 2 3. Analizar el diseo con: Con Minitab Stat > DOE > Taguchi > Analyze Taguchi Design Response data in H1_G1 H2_G1 H1_G2 H2_G2 Analysis. Fit linear model for Signal to Noise Ratios Means Graphs: Signal to Noise Ratios Means Terms: A B C D Analysis graphs: Residuals for plots Standardized Residual Plots Individual plots Normal plot Options: Nominal is Best Seleccionar Use adjusted formula for nominal is best Storage: Signal to Noise Ratios Means OK COMB. FACTORES DE RUIDO H1_G1 H2_G1 H1_G2 H2_G2 1.1 1.2 1.3 1.1 1.2 1.3 1.2 1.3 2 2.1 2.2 2.1 2.1 2.2 2.1 2 1 1.4 1.2 1.3 1.2 1.3 1.5 1 1.6 2.1 2.4 2 1.5 2 2.3 2.5

AxC 1 2 1 2 2 1 2 1

AxD 1 2 2 1 1 2 2 1

D 1 2 2 1 2 1 1 2

Pgina 42 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI

P. Reyes / febrero 2008

Los resultados son los siguientes: Factores significativos a 0.2 de nivel de significancia La grfica de residuos estandarizados muestra un comportamiento normal:

Normal Probability Plot


(response is Means)
99

95 90 80

Percent

70 60 50 40 30 20 10 5

-3

-2

-1 0 1 Standardized Residual

Taguchi Analysis: H1_G1, H2_G1, H1_G2, H2_G2 versus A, B, C, D Linear Model Analysis: SN ratios versus A, B, C, D
Estimated Model Coefficients for SN ratios Term Constant A 1 B 1 C 1 D 1 A*C 1 1 A*D 1 1 S = 4.002 Coef 20.8451 5.3764 -0.5674 -0.1485 -0.5367 -1.0854 -0.6972 SE Coef 1.415 1.415 1.415 1.415 1.415 1.415 1.415 T 14.733 3.800 -0.401 -0.105 -0.379 -0.767 -0.493 P 0.043 0.164 0.757 0.933 0.769 0.583 0.709

R-Sq = 94.0%

R-Sq(adj) = 57.8%

Analysis of Variance for SN ratios Source A B C D A*C A*D Residual Error Total DF 1 1 1 1 1 1 1 7 Seq SS 231.241 2.575 0.176 2.305 9.425 3.888 16.014 265.625 Adj SS 231.241 2.575 0.176 2.305 9.425 3.888 16.014 Adj MS 231.241 2.575 0.176 2.305 9.425 3.888 16.014 F 14.44 0.16 0.01 0.14 0.59 0.24 P 0.164 0.757 0.933 0.769 0.583 0.709

Pgina 43 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI


Main Effects Plot for SN ratios
Data Means
A 25.0 22.5 B

P. Reyes / febrero 2008

Mean of SN ratios

20.0 17.5 15.0 1 C 25.0 22.5 20.0 17.5 15.0 1 2 1 2 2 1 D 2

Signal-to-noise: Nominal is best (10* Log10((Ybar* * 2 - s* * 2/n)/s* * 2))

El nico factor significativo en relacin a la variabilidad es el factor A, que en su nivel 1 sera el mejor

Interaction Plot for SN ratios


Data Means
1 25 20 15 25 C 20 15 25 20 15 1 2 1 2 D A 2

A 1 2

C 1 2

D 1 2

Signal-to-noise: Nominal is best (10* Log10((Ybar* * 2 - s* * 2/n)/s* * 2))

Las interacciones no parecen ser significativas

Pgina 44 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI

P. Reyes / febrero 2008

Linear Model Analysis: Means versus A, B, C, D


Estimated Model Coefficients for Means Term Constant A 1 B 1 C 1 D 1 A*C 1 1 A*D 1 1 Coef 1.65000 0.00625 -0.42500 -0.01875 -0.01250 -0.00000 -0.00625 SE Coef 0.01875 0.01875 0.01875 0.01875 0.01875 0.01875 0.01875 T 88.000 0.333 -22.667 -1.000 -0.667 -0.000 -0.333 P 0.007 0.795 0.028 0.500 0.626 1.000 0.795

S = 0.05303

R-Sq = 99.8%

R-Sq(adj) = 98.6%

Analysis of Variance for Means Source A B C D A*C A*D Residual Error Total DF 1 1 1 1 1 1 1 7 Seq SS 0.00031 1.44500 0.00281 0.00125 0.00000 0.00031 0.00281 1.45250 Adj SS 0.00031 1.44500 0.00281 0.00125 0.00000 0.00031 0.00281 Adj MS 0.00031 1.44500 0.00281 0.00125 0.00000 0.00031 0.00281 F 0.11 513.78 1.00 0.44 0.00 0.11 P 0.795 0.028 0.500 0.626 1.000 0.795

Main Effects Plot for Means


Data Means
A 2.0 1.8 1.6 B

Mean of Means

1.4 1.2 1 C 2.0 1.8 1.6 1.4 1.2 1 2 1 2 2 1 D 2

El factor B es el nico que parece ser significativo. Se puede interpolar su valor codificado a 1.5 (en 210 psi).

Pgina 45 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI

P. Reyes / febrero 2008

Interaction Plot for Means


Data Means
1 1.68 2

1.64

A 1 2
A

1.60

1.68

1.64

C 1 2

1.68

1.60

1.64

D 1 2
D

1.60 1 2 1 2

No parecen ser significativas las interacciones. Response Table for Signal to Noise Ratios Nominal is best (10*Log10((Ybar**2 - s**2/n)/s**2)) Level 1 2 Delta Rank A 26.22 15.47 10.75 1 B 20.28 21.41 1.13 2 C 20.70 20.99 0.30 4 D 20.31 21.38 1.07 3

Response Table for Means Level 1 2 Delta Rank A 1.656 1.644 0.012 4 B 1.225 2.075 0.850 1 C 1.631 1.669 0.038 2 D 1.638 1.663 0.025 3

Para predecir la respuesta con A = 1 y B = 1.5 se tiene: Stat > DOE > Taguchi > Predict Taguchi Results Predict Mean Signal to Noise Ratio Terms: A B C D AxC AxD Levels: Seleccionar Coded Units Select levels from a list: A = 1, B = 1, C = 1, D=1 OK

Predicted values
S/N Ratio 23.1863 Mean 1.19375

Pgina 46 de 47

EJEMPLO DE DISEO DE EXPERIMENTOS DE TAGUCHI


Factor levels for predictions A 1 B 1 C 1 D 1

P. Reyes / febrero 2008

Solo considerando A = 1, B = 2 se tiene:

Predicted values
S/N Ratio 25.6541 Mean 1.23125

Factor levels for predictions A 1 B 1

Conclusin: como el valor de la presin de prensado es el nico factor que ajusta a la media, debe ajustarse para que la planicidad se encuentre en su valor nominal de 2.

Pgina 47 de 47

Potrebbero piacerti anche