Ejemplo Dise o Taguchi

EJEMPLO DE DISEÑO DE EXPERIMENTOS DE TAGUCHI
Un arreglo ortogonal se puede comparar con una replicación factorial fraccionada, de manera
que conserva el concepto de ortogonal dad y contrastes. Un experimento factorial fraccionado es
también un arreglo ortogonal.
Taguchi desarrolló una serie de arreglos particulares que denominó:
La (b)C
Donde:
a = Representa el número de pruebas o condiciones experimentales que se tomarán. Esto es
el número de renglones o líneas en el arreglo.
b = Representa los diferentes niveles a los que se tomará cada factor.
c = Es el número de efectos independientes que se pueden analizar, esto es el número de

columnas.
Arreglos ortogonales para experimentos a dos niveles

Taguchi ha desarrollado una serie de arreglos para experimentos con factores a dos niveles, los
más utilizados y difundidos según el número de factores a analizar son:
No. de factores a analizar Arreglo a utilizar No. de condiciones a probar

Entre 1 y 3 L4 4
Entre 4 y 7 L8 8
Entre 8 y 11 L12 12
Entre 12 y 15 L16 16
Entre 16 y 31 L32 32
Entre 32 y 63 L64 64
Algunos arreglos ortogonales se muestran a continuación:
Ejemplo:
En un proceso de formación de paneles una característica no deseada es la emisión de
formaldehído en el producto final. Se desea que esta emisión sea lo mínima posible. Actualmente
se estima en 0.45 ppm. (partes por millón).
Se cree que cinco factores pueden estar afectando la emisión, estos son: tipo de resina,
concentración de la solución, tiempo de ciclo de prensado, humedad y presión.
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 Descripción Nivel I Nivel 2

A Tipo de resina Tipo I Tipo II
B Concentración 5% 10%
C Tiempo de ciclo de prensado 10 seg 15 seg
D Humedad 3% 5%
E Presión 800 psi. 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 usará un arreglo ortogonal L8. Esto implica que se ejecutarán 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 últimas dos columnas, el arreglo queda:
No. A B C D E e1 e2 Resina Concen. Tiempo Humedad Presión 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% 900 psi. 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
TOTAL= 2.64
Observe que en las columnas vacías, 6 y 7, se ha escrito la letra e 1,y e2 respectivamente esto
para indicar que en ellas se evaluará la variación natural o error aleatorio.
Si no se asigna ningún factor, es de esperar que ahí se manifieste la variación natural. Los
resultados de Yi se muestran en ppm.
El análisis de resultados, se puede efectuar de dos maneras diferentes. Una de ellas mediante
una serie de gráficas, la otra mediante el análisis de varianza, se muestra en este ejemplo
primero el uso del análisis de varianza, posteriormente se muestra el uso de gráficas.
Análisis 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 A B C D E e e
Nivel 1 1.59 1.36 1.51 1.40 1.39 1.28 1.35
Nivel 2 1.05 1.28 1.13 1.24 1.25 1.36 1.29
2.64 2.64 2.64 2.64 2.64 2.64 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 número total de lecturas que se tomaron.
Así 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

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
La suma de cuadrados de las columnas donde no se asignó 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, ésta es:
Efecto SS G.l. V Fexp

A 0.03645 1 0.03645 58.32
B 0.00080 1 0.00080 1.28
C 0.01805 1 0.01805 28.88
D 0.00320 1 0.00320 5.12
E 0.00245 1 0.00245 3.92
Error 0.00125 2 0.000625
Total 0.0622 7
Bajo la columna SS se tienen las sumas de cuadrados. Bajo la columna G.l. (grados de
libertad), tendremos el número de columnas que se usaron para evaluar el factor, en este caso,
sólo puede ser de uno para cada factor y más de uno únicamente para el caso del error.
La columna V, se obtiene dividiendo el número bajo la columna SS, entre el número de la

columna G.L.
Así 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 último, el valor de Fexp, se obtiene de dividir el valor de V de cada factor, entre el valor de
V para la estimación 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, emisión de formaldehído 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 presión respectivamente.
Se acostumbra que aquellos efectos que no resultaron significantes, se consideren como error
aleatorio, a fin de obtener una mejor estimación (con mayor número de grados de libertad).
En este caso por ejemplo, una mejor estimación 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

Las estimaciones que se obtienen de esta manera suelen escribirse entre paréntesis.
La tabla ANOVA queda ahora
Efecto SS G.1 V Fexp
A 0.03645 1 0.03645 53.60
C 0.01805 1 0.01805 26.54
D 0.00320 1 0.00320 4.71
E 0.00245 1 0.00245 3.60
Error 0.00205 3 0.00068
Total 0.0622 7
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
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 Coef SE Coef T P

Constant 9.93728 0.3034 32.753 0.001
A 1 -1.78903 0.3034 -5.897 0.028
B 1 -0.01666 0.3034 -0.055 0.961
C 1 -1.26604 0.3034 -4.173 0.053
D 1 -0.42402 0.3034 -1.398 0.297
E 1 -0.42402 0.3034 -1.398 0.297
S = 0.8581 R-Sq = 96.6% R-Sq(adj) = 88.0%
Analysis of Variance for SN ratios
Source DF Seq SS Adj SS Adj MS F P

A 1 25.6050 25.6050 25.6050 34.77 0.028
B 1 0.0022 0.0022 0.0022 0.00 0.961
C 1 12.8230 12.8230 12.8230 17.41 0.053
D 1 1.4384 1.4384 1.4384 1.95 0.297
E 1 1.4384 1.4384 1.4384 1.95 0.297
Residual Error 2 1.4728 1.4728 0.7364
Total 7 42.7797
Main Effects Plot for SN ratios

Data Means
A B C
12
11
10
Mean of SN ratios
8
1 2 1 2 1 2
D E
12
11
10
8
1 2 1 2
Signal-to-noise: Smaller is better
Linear Model Analysis: Means versus A, B, C, D, E
Estimated Model Coefficients for Means

Constant 0.33000 0.008839 37.335 0.001
A 1 0.06750 0.008839 7.637 0.017
B 1 0.01000 0.008839 1.131 0.375
C 1 0.04750 0.008839 5.374 0.033
D 1 0.02000 0.008839 2.263 0.152
E 1 0.01750 0.008839 1.980 0.186
S = 0.025 R-Sq = 98.0% R-Sq(adj) = 93.0%
Analysis of Variance for Means

A 1 0.036450 0.036450 0.036450 58.32 0.017
B 1 0.000800 0.000800 0.000800 1.28 0.375
C 1 0.018050 0.018050 0.018050 28.88 0.033
D 1 0.003200 0.003200 0.003200 5.12 0.152
E 1 0.002450 0.002450 0.002450 3.92 0.186
Residual Error 2 0.001250 0.001250 0.000625
Total 7 0.062200
Main Effects Plot for Means

Data Means
A B C
0.40
0.35
0.30
Mean of Means
0.25
1 2 1 2 1 2
D E
0.40
0.35
0.30
0.25
1 2 1 2
Response Table for Signal to Noise Ratios

Smaller is better
Level A B C D E
1 8.148 9.921 8.671 9.513 9.513
2 11.726 9.954 11.203 10.361 10.361
Delta 3.578 0.033 2.532 0.848 0.848
Rank 1 5 2 3.5 3.5
Response Table for Means
Level A B C D E
1 0.3975 0.3400 0.3775 0.3500 0.3475
2 0.2625 0.3200 0.2825 0.3100 0.3125
Delta 0.1350 0.0200 0.0950 0.0400 0.0350
Rank 1 5 2 3 4
Nos resta decidir a que nivel habrá de fijar cada factor significante, y qué podremos esperar. Para
tomar esta decisión, 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 emisión de formaldehído 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 Nivel 1 Nivel 2
A A1= 0.3975 A2= 0.2625
B B1= 0.3400 B2= 0.3200
C C1= 0.3775 C2= 0.2825
D D1= 0.3500 D2= 0.3100
E E1= 0.3475 E2= 0.3125
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
Los factores A, C, D y E que afectan emisión de formaldehído deberán fijarse al nivel que
minimicen la emisión, 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 aquí un papel sumamente importante. Dado que no afecta la emisión de
formaldehído, dentro del intervalo analizado, se utiliza para reducir los costos de producción.
Esto se hace fijándolo a su nivel más económico. ¿Cuál será el nivel esperado de emisión 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 = (promedio bajo la condición propuesta del factor promedio general)

= A2 – Y= 0.2625-0.3300= -0.0675 (A se fijó a su nivel 2)
EF C = C2 – Y= 0.2825-0.3300= -0.0475
EF D = D2 – Y= 0.3100-0.3300=-0.0200
EF E = 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
Análisis utilizando gráficas
Existe una alternativa al análisis ANOVA, esta es una serie de gráficas 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 número de
lecturas con el que se obtuvo cada total. Para nuestro ejemplo, los totales a cada nivel los
tenemos ya en la sección anterior. Los promedios son:
Nivel 1 0.3975 0.3400 0.3775 0.3500 0.3475 0.3200 0.3325
Nivel 2 0.2625 0.3200 0.2825 0.3100 0.3125 0.3400 0.3225
Promedio global Y= T/n= 2.64/8 = 0.33
Observe que para cada factor, uno de los promedios es mayor y el otro menor que el promedio
global. Esto siempre debe de ocurrir.
2) Calcule la diferencia entre los promedios de niveles para cada factor, y ordénelos 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:
Diferencia 0.1350 0.0200 0.0950 0.0400 0.0350 0.0200 0.0100
En la tabla de ANOVA encontramos los resultados obtenidos anteriormente:

Nº A B C D E e1 e2 Yi
1 1 1 1 1 1 1 1 0.49
2 1 1 1 2 2 2 2 0.42
3 1 2 2 1 1 2 2 0.38
4 1 2 2 2 2 1 1 0.30
5 2 1 2 1 2 1 2 0.21
6 2 1 2 2 1 2 1 0.24
7 2 2 1 1 2 2 1 0.32
8 2 2 1 2 1 1 2 0.28
T1 1.59 1.36 1.51 1.40 1.39 1.28 1.35 Tot
T2 1.05 1.28 1.13 1.24 1.25 1.36 1.29 2.64
SS 0.03645 0.00080 0.01805 0.00320 0.00245 0.00080 0.00045 Ve
gl 1 1 1 1 1 2
V 0.03645 0.00080 0.01805 0.00320 0.00245 .00062
F 58.32 1.28 28.88 5.12 3.92
Sg si no si si si
P1 0.3975 0.3400 0.3775 0.3500 0.3475 Y
P2 0.2625 0.3200 0.2825 0.3100 0.3125 0.33
Ni 2 - 2 2 2
Ef -0.0675 -0.0475 -0.0200 -0.0175
Yest. = Y + Ef A2 + Ef C2 + Ef D2 + Ef E2
T1 = Total de lecturas al nivel 1
T2 = Total de lecturas al nivel 2
n = Número total de lecturas
SS = (T2 - T1 )2 /n
gl = Grados de libertad (columnas)
V = SS/gl
F = V/Ve
Sg = ¿Efecto significante?
P1 = Promedio nivel 1
P2 = Promedio nivel 2
Ni = Nivel seleccionado
Ef = Efecto de la variable
Y = Promedio de todos los datos
Yest = Valor estimado de la variable a las condiciones propuestas
Ordenando de mayor a menor valor absoluto (ignorando el signo), tenemos:

Factor A C D E B e e
Diferencia 0.1350 0.0950 0.0400 0.0350 0.0200 0.0200 0.0100
Se puede observar que el orden en que quedaron los datos anteriores, es también el orden de
mayor a menor Fexp que se obtiene con la ANOVA.
Siguiendo el orden anterior, se obtiene una gráfica como se muestra en seguida:
.40
.35
.33
.30
.25
A1 A2 C1 C2 D1 D2 E1 E2 B1 B2 e1 e2 e1 e2
Mediante esta gráfica, se puede evaluar el efecto de cada factor. Entre mayor sea la línea de
cada factor, o bien, entre más vertical se encuentre, mayor será el efecto de este factor.
Observamos un grupo de líneas inclinadas, seguida de un grupo de líneas que súbitamente se

“acuestan” o se hacen horizontales. Es de esperar que las líneas que presentan columnas vacías
o error aleatorio, quedan prácticamente 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 rápidamente, si deseamos reducir la variable de respuesta, se toma el nivel
más bajo, en este caso A 2, C2, D2 y E2, es decir, los puntos por debajo de la línea promedio
global.
En conclusión, el método gráfico puede ser utilizado para fines de exposición o presentación y
el ANOVA para fines de tomar una decisión más objetiva.
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 continuación:
Predicted values
S/N Ratio Mean

13.8404 0.1775
Factor levels for predictions
A C D E
2 2 2 2
Arreglos ortogonales para factores con interacciones:

Como hemos visto anteriormente en los procesos de producción se producen interacciones. En
esta sección describiremos esta situación.
En los casos anteriores se asumió que el efecto de un factor sobre la variable de respuesta, no
dependía del nivel de otros factores. Cuando el efecto de un factor depende del nivel de otro
factor, se dice que existe una interacción 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
interacción entre la temperatura y el refrigerante.
Otro ejemplo es el caso de 2 medicamentos que al suministrarse en forma independiente,

provocan mejoría en las condiciones del paciente. Por otro lado, cuando los dos medicamentos
son suministrados al mismo tiempo y la condición del paciente empeora, se dice que los dos
medicamentos interactuan.
Gráficamente se puede observar si existe o no interacción entre los factores:
B1
B1
B2
B2
A1 A2 A1 A2
Las dos líneas son paralelas, no El efecto de A depende del nivel de B
existe interacción entre los factores. y viceversa. El efecto de A no es consistente.
Existe interacción
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 existían 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 qué 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.
b) al asignar dos factores, A y B por ejemplo, a ciertas columnas, automáticamente la interacción
de esos dos factores AxB se reflejará en otra columna del arreglo. Por lo tanto, esta tercera
columna ya no podrá ser utilizada por algún otro factor o interacción a menos que se pueda
suponer la interacción AxB como inexistente.
c) una interacción significante que se desee probar, tomará 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 sería suficiente sin interacciones.
d) se deberá 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 también deseamos probar.
Una condición que existe para el manejo de las interacciones mediante procedimientos de
arreglos ortogonales Taguchi, es que se tenga una definición “a priori “ de cuales interacciones
específicamente sospechamos que existen. Esto es, debemos definir de antemano qué
interacciones creemos son relevantes, a fin de incluirlas en nuestro análisis. Esto se puede saber
en base a la experiencia previa del proceso.
Para ayudar en la asignación de factores a un arreglo, se han desarrollado gráficas lineales. Su

aplicación se muestra mediante un ejemplo:
NOTA: En los ejemplos que siguen, para denotar una interacción entre dos factores, A y B por
ejemplo, se utiliza indistintamente la notación AB o AxB.
Gráficas lineales
A continuación se muestra un arreglo L8 junto con una matriz triangular y dos gráficas lineales.
Estas se reproducen aquí para su explicación.
Columnas Matriz o tabla de interacciones

Nº 1 2 3 4 5 6 7 Columnas 1 2 3 4 5 6 7
1 1 1 1 1 1 1 1 (1) 3 2 5 4 7 6
2 1 1 1 2 2 2 2 (2) 1 6 7 4 5
3 1 2 2 1 1 2 2 (3) 7 6* 5 4
4 1 2 2 2 2 1 1 (4) 1 2 3
5 2 1 2 1 2 1 2 (5) 1 2
6 2 1 2 2 1 2 1 (6) 1
7 2 2 1 1 2 2 1 (7)
8 2 2 1 2 1 1 2
1 3 2
3 5 1
.7 5 4
6
2 6 4 7
(b)
(a)
¿Qué representa cada tabla?. En primer lugar, el arreglo ortogonal L8 es exactamente el mismo
que se utilizó en el caso experimental y cada columna un factor o interacción cuyo impacto sobre
la variable de respuesta se desea conocer.
La matriz triangular nos representa las interacciones entre columnas. En el primer renglón, con
el titulo de columna, cada número corresponde a la columna con ese mismo número del arreglo,
al igual que los números entre paréntesis 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 interacción de
AxB aparecerá en otra columna ya definida. En el cruce de la columna número 5 y el renglón
número 3 de la matriz, aparece el número 6 (marcado con * en la tabla), de manera que la
interacción de AxB se deberá 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 más esta asignación nos podemos auxiliar de
las gráficas lineales (1) y (2) que se muestran.
En una gráfica lineal:
a) un efecto principal se representa mediante un punto.

b) una interacción se representa mediante una línea.
c) los números 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 gráficas
(a) y (b) respectivamente.
Por ejemplo, la gráfica (a) indica que con este arreglo se pueden analizar, tres factores
principales, (puntos 1, 2 y 4) y las interacciones entre ellos, (líneas 3, 5 y 6), además de un
cuarto factor, (punto 7), que no interactua con los otros tres.
Los números indican que si deseamos lo anterior, los tres factores deberán asignarse a las
columnas 1, 4 y 2. Las interacciones aparecen en las columnas 3, 5 y 6.
La gráfica (b) indica cuatro factores, (puntos 1, 2, 4 y 7) con interacciones de uno de ellos con
los otros tres (líneas 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 quedarán en las
columnas 3, 5 y 6.
Si se desea analizar un número menor de interacciones y un número mayor de factores en el

mismo arreglo ortogonal, la columna de cualquier línea representando una interacción que no es
relevante, se puede utilizar para representar un factor adicional.
La aplicación de gráficas lineales se muestra con un ejemplo.
Supongamos que queremos analizar el efecto de cuatro factores A, B, C y D, además de las

interacciones AxB, AxC y AxD.
1) Como primer paso, seleccionamos un arreglo ortogonal tentativo. Esto depende del número
de efectos totales a analizar.
4 factores + 3 interacciones = 7 efectos o columnas
2) Después de seleccionar un arreglo ortogonal tentativo, un L8 en este caso, el siguiente paso

es desarrollar la gráfica lineal que deseamos, de acuerdo con las reglas mencionadas
anteriormente:
a) un efecto individual se representa con un punto.

b) una interacción se representa mediante una línea que une los dos efectos
individuales.
En nuestro caso esto procede como sigue:
Primero dibujamos cuatro puntos, uno para cada efecto.
A. B.
C. D.
En seguida mostramos las interacciones que nos interesan, mediante líneas. Para nuestro
caso tenemos (gráfica de la izquierda):
AxB 3
A B 1 2
AxC AxD 5
6
C D 7 4
3) Utilizando la segunda gráfica, podremos asignar el factor A a la columna 1, el factor B a la

columna 2, la interacción AxB a la columna 3, el factor D a la columna 4, la interacción AxD a la
columna 5, el factor C a la columna 7 y la interacción AxC a la columna 6.
Esto es:
A B AxB D AxD AxC C

Nº 1 2 3 4 5 6 7
1 1 1 1 1 1 1 1
2 1 1 1 2 2 2 2
3 1 2 2 1 1 2 2
4 1 2 2 2 2 1 1
5 2 1 2 1 2 1 2
6 2 1 2 2 1 2 1
7 2 2 1 1 2 2 1
8 2 2 1 2 1 1 2
Supongamos que ahora queremos analizar un factor más, el factor E y creemos que la
interacción AxC realmente no es relevante. La gráfica lineal que requerimos es:
B
AxB
A C E
AxD
D
Esta gráfica es parecida a la gráfica lineal (2) excepto por la interacción de AxC, por lo tanto,
una asignación lógica es:
Factor A a la columna 1, factor B a la columna 2, interacción AxB a la columna 3, el factor C a la

columna 4, el factor D a la columna 7, la interacción AxD a la columna 6. Por último, a la columna
5 que de otra manera sería la interacción AxC, se le asigna el factor E.
Observe que en este último caso, también se pudo utilizar la gráfica lineal (1).
Si por alguna razón, la gráfica que deseamos, no puede quedar incluida en las gráficas lineales
(1) ó (2) es necesario usar otro arreglo ortogonal de mayor tamaño.
Si deseamos analizar los factores A, B, C, D, E y F, además de la interacción AxB, una posible

asignación es:
Efecto A D C B AxB E F
Columna 1 2 3 4 5 6 7
Ejemplo:
Se desea analizar un nuevo tipo de carburador. La variable de respuesta de interés es el

porcentaje de hidrocarburos no quemados que arroja el motor. Cuatro diferentes factores y tres
interacciones parecen afectar esta variable:
Efecto Descripción Niveles

I II
A Tensión del diafragma Baja Alta
B Entrada para aire Estrecha Abierta
C Apertura para combustible Pequeña Grande
D Flujo de gasolina Lento Rápido
AxC Interacción
AxB Interacción
BxC Interacción
La Gráfica lineal que se desea es:
A
AxC AxB
C B .D
CxB
Esta gráfica se ajusta a la gráfica lineal (1) del arreglo ortogonal L8, por lo que una asignación
apropiada de efectos es:
Nº A C AxC B AxB CxB D

1 2 3 4 5 6 7
Tensión Apertura Entrada Flujo Yi
1 1 1 1 1 1 1 1 Baja Pequeña Estrecha Lento 11.2
2 1 1 1 2 2 2 2 Baja Pequeña Abierta Rápido 10.8
3 1 2 2 1 1 2 2 Baja Grande Estrecha Rápido 7.2
4 1 2 2 2 2 1 1 Baja Grande Abierta Lento 7.0
5 2 1 2 1 2 1 2 Alta Pequeña Estrecha Rápido 8.0
6 2 1 2 2 1 2 1 Alta Pequeña Abierta Lento 6.9
7 2 2 1 1 2 2 1 Alta Grande Estrecha Lento 10.4
8 2 2 1 2 1 1 2 Alta Grande Abierta Rápido 10.1
Total 71.6
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 análisis utilizado ANOVA es:
A C AxC B AxB BxC D

Nivel 1 36.2 36.9 42.5 36.8 35.4 36.3 35.5
Nivel 2 35.4 34.7 29.1 34.8 36.2 35.3 36.1
La tabla ANOVA que resulta es:

A 0.0800* 1 0.0800 -
C 0.6050 1 0.6050 8.85
AxC 22.4450 1 22.4450 328.46
B 0.5000 1 0.5000 7.32
AxB 0.0800* 1 0.0800 -
BxC 0.1250 1 0.1250 1.83
D 0.0450* 1 0.0450 -
(e) 0.2050 3 0.0638
Total 23.8800 7
El error aleatorio (e) se estima usando los efectos más pequeños marcados con *
Resulta significante la interacción 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 realizó 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.
El factor C también resulta significante. Sin embargo, también lo es su interacción con el factor
A. Cuando resulta significante la interacción de algún 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 resultó además significante individualmente y
el factor A no.
Para analizar estos factores, se reproducen aquí las columnas de A y C:
Nº A C Yi
1 1 1 11.20 Siempre existirán entre dos columnas
2 1 1 10.80 cuatro posibles combinaciones de
3 1 2 7.2 números: 1 1; 1 2; 2 1; 2 2
4 1 2 7.0
5 2 1 8.0
6 2 1 6.9
7 2 2 10.4
8 2 2 10.1
Así la combinación 1 1 se presenta en los renglones Nº 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 combinación 1 2, se presenta en los renglones Nº 3 y 4, con un total de 7.2 + 7.0= 14.2, con
un promedio de 14.2/2= 7.10
La combinación 2 1 se presenta en los renglones Nº 5 y 6, con un total de 8.0 + 6.9= 14.9, con
un promedio de 7.45
Por último la combinación 2 2, se presenta en los renglones Nº 7 y 8 con un total de 10.4 +

10.1= 20.5 y un promedio de 10.25
En resumen
Combinación Total Promedio

A1 C1 22.0 11.00 Como es un caso mejor,
A1 C2 14.2 7.10 se selecciona el promedio
A2 C1 14.9 7.45 menor, A1 C2 en este
A2 C2 20.5 10.25 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 más económico.
El efecto respecto al promedio de cada factor o interacción es:
EF A1C2 = (A1C2 - Y) – (A1 – Y) - (C2 - Y)

= (7.10 – 8.95) – (9.05 – 8.95) – (8.675 – 8.95)= -1.675
Observe que al efecto de la interacción, 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 estimación del porcentaje de hidrocarburos sin quemar es igual a la suma de los efectos
significantes, incluyendo los factores que intervienen en una interacción 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.
Factores Nivel I Nivel II

A Mezcla de hule crudo si no
B Curado no 24 hrs.
C Velocidad de prensado 50m/min 55 m/min
D Enfriamiento del tambor con agua sin agua
E Secado con vapor envolvente si no
Interacción ExD
Interacción DxC
Arreglo ortogonal y resultados
Nº E D ExD C B DxC A Resultado

1 1 1 1 1 1 1 1 1620
2 1 1 1 2 2 2 2 1580
3 1 2 2 1 1 2 2 1100
4 1 2 2 2 2 1 1 1150
5 2 1 2 1 2 1 2 1500
6 2 1 2 2 1 2 1 1560
7 2 2 1 1 2 2 1 1000
8 2 2 1 2 1 1 2 1020
Solución con Minitab se crea el arreglo con:

1. Diseñar 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 C AxC B AxB CxB D Yi

1 1 1 1 1 1 1 11.2
1 1 1 2 2 2 2 10.8
1 2 2 1 1 2 2 7.2
1 2 2 2 2 1 1 7.0
2 1 2 1 2 1 2 8.0
2 1 2 2 1 2 1 6.9
2 2 1 1 2 2 1 10.4
2 2 1 2 1 1 2 10.1
3. Analizar el diseño con:
Con Minitab

Response data in Yi
Terms: A B C D
Options: Smaller is better
OK
Taguchi Analysis: Yi versus A, B, C, D, E

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
Term Coef
Constant -18.8709
A 1 -0.0544
C 1 -0.2520
B 1 -0.2625
D 1 0.1199
A*C 1 1 -1.6491
A*B 1 1 0.1223
C*B 1 1 -0.1377
S = *
Analysis of Variance for SN ratios Significativo

A 1 0.0237 0.0237 0.0237 * *
C 1 0.5080 0.5080 0.5080 * *
B 1 0.5511 0.5511 0.5511 * *
D 1 0.1151 0.1151 0.1151 * *
A*C 1 21.7554 21.7554 21.7554 * *
A*B 1 0.1197 0.1197 0.1197 * *
C*B 1 0.1517 0.1517 0.1517 * *
Residual Error 0 * * *
Total 7 23.2246
Se pueden tomar los MS más pequeños 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

Data Means
A C
-18.60
-18.75
-18.90
Mean of SN ratios
-19.05
-19.20
1 2 1 2
B D
-18.60
-18.75
-18.90
-19.05
-19.20
1 2 1 2
Se observa al factor B como no significativo en términos de afectar la variabilidad

Interaction Plot for SN ratios

Data Means
1 2
A
-18.0 1
2
A
-19.5
-21.0
C
-18.0 1
2
C
-19.5
-21.0
B
-18.0 1
2
B
-19.5
-21.0
1 2 1 2
Conclusión: Se observa la interacción AC significativa (p = 0.1), con A= 1, C = 2.
Linear Model Analysis: Means versus A, C, B, D

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 = *

A 1 0.0800 0.0800 0.0800 * *
C 1 0.6050 0.6050 0.6050 * *
B 1 0.5000 0.5000 0.5000 * *
D 1 0.0450 0.0450 0.0450 * *
A*C 1 22.4450 22.4450 22.4450 * *
A*B 1 0.0800 0.0800 0.0800 * *
C*B 1 0.1250 0.1250 0.1250 * *
Residual Error 0 * * *
Total 7 23.8800
Tomando los MS más pequeños (D y A*B) como el término 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 empírico es considerar como significativos los valores de F mayores

a 2.

Data Means
A C
9.2
9.0
8.8
Mean of Means
8.6
1 2 1 2
B D
9.2
9.0
8.8
8.6
1 2 1 2
FB pudiera ser significativo a una alfa de 18%. El major nivel sería B = 2.
Interaction Plot for Means

Data Means
1 2
11
A
1
2
9 A
7
11
C
1
2
C 9
7
11
B
1
2
9 B
7
1 2 1 2
La interacción AxC es significativa con P = 0.0055 y los mejores valores para

minimizar la salida son: A = 1, C = 2, que coincide con las gráficas de S/N.

Smaller is better
Level A C B D
1 -18.93 -19.12 -19.13 -18.75
2 -18.82 -18.62 -18.61 -18.99
Delta 0.11 0.50 0.52 0.24
Rank 4 2 1 3
Level A C B D
1 9.050 9.225 9.200 8.875
2 8.850 8.675 8.700 9.025
Delta 0.200 0.550 0.500 0.150
Rank 3 1 2 4
Para predecir la respuesta en B = 2, A = 1, C = 2, se tiene:
Para predecir la respuesta con Minitab

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 continuación (se incluye el efecto de AxB, AxC, BxC y D):
Predicted values
S/N Ratio Mean

-16.9020 7
A C B D
1 2 2 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 Mean

-18.5332 8.625
A C B
1 2 2
Algunos comentarios adicionales
Hasta aquí se han considerado ejemplos para arreglos ortogonales L8, por su comodidad en
cuanto al tamaño. A continuación se hacen algunos comentarios sobre otros arreglos.
 El arreglo L12 es un caso especial. Se observa en el apéndice, que no se muestran gráficas

lineales ni matriz de interacciones, esto es porque está diseñado para analizar únicamente
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 gráficas lineales, en el apéndice
se muestran las seis más utilizadas con tres variantes cada una.
 Para un arreglo L32 se muestran en el apéndice 13 diferentes gráficas dentro de las varias
posibles que existen.
 En cualquier caso, se puede tratar de construir más gráficas de acuerdo con las necesidades
que se tengan, respetando siempre la matriz de interacciones.
 En los gráficos lineales que se anexan en el apéndice, se observa que los vértices se
representan con diferentes símbolos, específicamente con o,  y . La razón 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 renglón 1,
seguidas de las del renglón 2 y así 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 símbolo o, de la gráfica lineal. Estos factores tendrán 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 Nº 15 de un arreglo L16 cambia 10 veces de nivel.
Los factores que le siguen en inflexibilidad se deberán asignar sucesivamente a los símbolos ,
 y  en una gráfica lineal.
Ud. habrá observado ya la complicación que agregan a los análisis 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 múltiples 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 más
factores, en lugar de interacciones. Si estas últimas no son muy fuertes, se pueden
considerar como ruido.
ANALISIS SEÑAL 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 más
bien deseamos que nuestros procesos y productos sean insensibles a su impacto.
 Factores de diseño. Son aquellos que si podemos controlar en nuestro proceso de
producción, y deseamos encontrar a qué nivel operarlos, a fin de optimizar el producto o
proceso, esto es, que los productos sean de alta calidad y bajo costo.
El análisis se realiza de la siguiente manera:

1. Dentro de los factores a estudiar, separe los de ruido y los de diseño o control.
2. Dentro de los factores de diseño, identifique aquellos que afectan la variabilidad del proceso.
Utilícelos para minimizar la variabilidad.
3. Dentro de los factores de diseño, identifique aquellos que afectan la media, sin afectar la
variabilidad. Utilícelos para optimizar la media.
4. Identifique aquellos factores de diseño que no afectan ni media ni variabilidad. Utilícelos para
reducir costos.
Indices señal ruido
es deseable tener una cantidad o expresión que de alguna manera, involucre media y variación,
o que por lo menos, ayude a que nuestras conclusiones sean más confiables.
Esta cantidad ya existe y se llama índice señal ruido, denotado como SN o SR de aquí en
adelante.
EL ÍNDICE SE DISEÑÓ DE TAL MANERA, QUE PRODUCTOS MÁS ROBUSTOS SIEMPRE

TENGA UN MAYOR VALOR DEL ÍNDICE 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 índice SN a utilizar es:
SN= 10 log   Sm  Vm  /  r Vm   donde Sm= (y1 + y2 + y3 +,…yr,)2/r
Vm=  y
1
2 2 2 2
 
 y2  y3 ...  yr  Sm /  r  1
El lector reconocerá a Vm como la varianza de los “r” datos. Sn estima el logaritmo de base 10
de la relación (media/desviación estándar)2.
En ocasiones se utiliza:
SN= -10 log Vm
IV.2.2 Caso menor es mejor
Para el caso de menor es mejor, el índice recomendado es:
SN= -10 log   y1  y 2  y 3  , y r ,  / r 

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  1 / y 

1
2
 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 más “lineal” y el signo negativo es para que
siempre se maximice el índice SN. Se multiplica por 10 para obtener decibeles.
En un experimento señal ruido, generalmente se incluye un grupo de factores de ruido, contra

los que específicamente se desea hacer robusto el producto, y que se pueden controlar durante
un experimento.
Un diseño de experimentos para un análisis señal a ruido consiste de dos partes, un arreglo
ortogonal o matriz de diseño o interno y un arreglo ortogonal o matriz de ruido o externo. Las
columnas de una matriz de diseño representan parámetros de diseño. Las columnas de la matriz
de ruido representan factores de ruido.
Ejemplo:
Una característica de calidad importante para un cierto producto metálico es el terminado, que
se mide según su planicidad en milésimas de pulgada (mmplg). Esta característica se piensa es
afectada por los siguientes factores:
Factor Descripción Nivel 1 Nivel 2

A Temperatura del horno 1500 ºF 1600 ºF
B Presión de prensado 200 psi 220 psi
C Velocidad de recocido 8 seg 12 seg
D Velocidad de alimentación ref. 80 gal/min 100gal/min
G Tipo de modelo chico grande
H Templabilidad del material 25 Rc 30 Rc
AxC Interacción
AxD Interacción
Los factores G y H son factores que no se pueden controlar durante el proceso, ya que el tipo de
modelo depende del requerimiento específico del cliente y la templabilidad es una característica
de la materia prima. Estos dos factores se consideran al menos inicialmente como factores de
ruido.
Por lo tanto, se consideran como factores de diseño a los factores A, B, C y D.
De acuerdo con esto, lo que se desea saber es cuáles deben ser las condiciones de operación
o niveles de los factores de diseño A, B, C y D, que lleven el producto a la característica objetivo
y además con la mínima variabilidad, a pesar de las variaciones en los factores G y H.
IV. 3.2. Arreglo interno

Considere únicamente los factores de diseño, se desea detectar 6 efectos en total, y para ello,
se requiere de un arreglo ortogonal L8. La gráfica lineal requerida es:
3
1 A .2 B
5 A xC
4 C
AxD 6
7 D
La columna correspondiente a la línea punteada se utilizará para cuantificar el error. Una posible
asignación es:
A B e C AxC AxD D Este será el arreglo

Nº 1 2 3 4 5 6 7 interno y consiste de 8
condiciones
experimentales/renglones
IV.3.3 Arreglo externo
Considere ahora únicamente 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:
G H
Nº 1 2 3
1 1 1 1
2 1 2 2
3 2 1 1
4 2 2 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:
1 2 2 1
H 1 2 1 2
G 1 1 2 2
A B e C AxC AxD D
Nº 1 2 3 4 5 6 7 1 2 3 4
1 1 1 1 1 1 1 1 Y11 Y12 Y13 Y14
2 1 1 1 2 2 2 2 Y21 Y22 Y23 Y24
3 1 2 2 1 1 2 2 Y31 Y32 Y33 Y34
4 1 2 2 2 2 1 1 Y41 Y42 Y43 Y44
5 2 1 2 1 2 1 2 Y51 Y52 Y53 Y54
6 2 1 2 2 1 2 1 Y61 Y62 Y63 Y64
7 2 2 1 1 2 2 1 Y71 Y72 Y73 Y74
8 2 2 1 2 1 1 2 Y81 Y82 Y83 Y84
Observe que la matriz de ruido o arreglo externo se ha traspuesto o acostado, esto es, escrito
sus renglones como columnas. Observe también que existen 8x4= 32 posibles lecturas, tomadas
bajo diferentes condiciones todas ellas (valores de Yij ). 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 número de factores de ruido (valor de N) no sea mayor que 3.
Pero, ¿cómo 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 diseño de
acuerdo con los niveles indicados por el renglón Nº 1 del arreglo interno, esto es, todos los
factores de diseño 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 diseño, cada una se toma a diferentes niveles de los factores de ruido.
En resumen se tiene:
Todos los factores de

diseño a su nivel 1 Lectura Factores de ruido
Temperatura 1500 ºF Y11 Modelo chico y 25 Rc

Presión de 200 Psi, 8 seg Y12 Modelo chico y 30 Rc
de tiempo de recorrido y Y13 Modelo grande y 25 Rc
velocidad de alimentación Y14 Modelo grande y 30 Rc
refrigerante 80 gal/min
De acuerdo con esto, se toman las primeras cuatro lecturas.
En seguida deseamos obtener las lecturas Y21 , Y22 , Y23 , Y24. Todas estas lectura se
tomarán al mismo nivel de los factores de diseño y estos niveles serán indicados por el renglón
Nº 2 del arreglo interno. Manteniendo estas condiciones, los factores de ruido se varían a sus
cuatro combinaciones indicadas por el arreglo externo.
De esta manera se van obteniendo todas las 32 lecturas. Se fijan los factores de diseño según
un renglón del arreglo interno y se mantienen fijos mientras se varían los factores de ruido de
acuerdo con el arreglo interno.
Como ejemplo, la lectura Y73 , se obtendrá bajo las condiciones siguientes: factor A, 1600 ºF,
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:

1 2 2 1
H 1 2 1 2
G 1 1 2 2
A B e C AxC AxD D
Nº 1 2 3 4 5 6 7 1 2 3 4
1 1 1 1 1 1 1 1 1.1 1.2 1.3 1.1
2 1 1 1 2 2 2 2 1.2 1.3 1.2 1.3
3 1 2 2 1 1 2 2 2.0 2.1 2.2 2.1
4 1 2 2 2 2 1 1 2.1 2.2 2.1 2.0
5 2 1 2 1 2 1 2 1.0 1.4 1.2 1.3
6 2 1 2 2 1 2 1 1.2 1.3 1.5 1.0
7 2 2 1 1 2 2 1 1.6 2.1 2.4 2.0
8 2 2 1 2 1 1 2 1.5 2.0 2.3 2.5
Totales= 11.7 13.6 14.2 13.3
Suponga que por alguna razón para este ejemplo en particular, se tiene un valor deseado de
m= 2 mmplg.
Para obtener conclusiones a partir de un experimento señal a ruido se puede usar la tabla
ANOVA, o bien, a través de gráficas.
Inicialmente se muestra el análisis usando ANOVA.
Análisis con el Índice SN

Para responder a la pregunta de a qué niveles fijar los factores de diseño, a fin de minimizar la
variabilidad en la característica de respuesta, ignoramos el arreglo externo conservando las 32
lecturas, específicamente, el arreglo para análisis es:
A B e C AxC AxD D
Nº 1 2 3 4 5 6 7 1 2 3 4 Total
1 1 1 1 1 1 1 1 1.1 1.2 1.3 1.1 4.7
2 1 1 1 2 2 2 2 1.2 1.3 1.2 1.3 5.0
3 1 2 2 1 1 2 2 2.0 2.1 2.2 2.1 8.4
4 1 2 2 2 2 1 1 2.1 2.2 2.1 2.0 8.4
5 2 1 2 1 2 1 2 1.0 1.4 1.2 1.3 4.9
6 2 1 2 2 1 2 1 1.2 1.3 1.5 1.0 5.0
7 2 2 1 1 2 2 1 1.6 2.1 2.4 2.0 8.1
8 2 2 1 2 1 1 2 1.5 2.0 2.3 2.5 8.3
Totales= 11.7 13.6 14.2 13.3 52.8
Lo que observamos en esta última tabla es un arreglo L8 con 4 lecturas para cada condición o
renglón.
Estamos interesados en analizar la variabilidad de las 4 lecturas tomadas bajo cada condición.
Para esto, nos ayudamos del índice SN, o sea, la variabilidad de las cuatro lecturas que se
tomaron bajo cada condición, la resumiremos en un índice señal a ruido. Al hacerlo, en lugar de
32 lecturas individuales tendremos 8 valores del índice SN, uno para cada renglón o condición
experimental.
Como estamos en un caso de nominal es mejor, el índice apropiado es:
SN= 10 log   Sm  Vm  /  r * Vm   ; donde Sm=   Yi  2 / r y Vm= Y i

2

 Sm /  r  1
En este caso en particular, r= 4, cada índice se calcula a partir de 4 lecturas individuales.
Para la primera condición experimental o renglón Nº 1, se tienen las lecturas siguientes: 1.1,
1.2, 1.3, 1.1, con un total de 4.7
El cálculo del índice 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
Para el renglón o condición experimental Nº 2 se tienen las lectural: 1.2, 1.3, 1.2, 1.3, con un total
de 5.0
El cálculo del índice 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 índices son:
Nº Sm Vm Sn (dB)
1 5.5225 0.00916 21.771
2 6.2500 0.00333 26.707
3 17.6400 0.00666 28.203
4 17.6400 0.00666 28.203
5 6.0025 0.02916 17.092
6 6.2500 0.04333 15.539
7 16.4025 0.10916 15.718
8 17.2225 0.18916 13.524
Nuestro arreglo es ahora:
A B e C AxC AxD D SN
Nº 1 2 3 4 5 6 7 dB
1 1 1 1 1 1 1 1 21.771
2 1 1 1 2 2 2 2 26.707
3 1 2 2 1 1 2 2 28.203
4 1 2 2 2 2 1 1 28.203
5 2 1 2 1 2 1 2 17.092
6 2 1 2 2 1 2 1 15.539
7 2 2 1 1 2 2 1 15.718
8 2 2 1 2 1 1 2 13.524
Para el factor A se tiene:
A1 = Total de las lecturas tomadas bajo el nivel 1 del factor A

= 21.7714+26.7071+28.2036+28.2036= 104.8857

=17.0927+15.5397+15.7186+13.5420= 61.8750
SSA = (A2 – A1) /Número total de lecturas SN

=(61.8750 – 107.8857)2/8= 231.2413, con 1 g.l.
La tabla ANOVA total es:
Factor SS Gl V Fexp
A 231.2413 1 231.2413 14.44
B 2.5751 1 2.5751 00.16
C 0.1764 1 0.1764 00.01
AxC 9.4284 1 9.4284 00.59
AxD 3.8880 1 3.8880 00.24
D 2.3047 1 2.3047 00.14
e 16.0135 1 16.0135
El factor A, temperatura del horno, es el factor que estadísticamente afecta el índice señal a
ruido, y que por consiguiente “afecta la variabilidad. De acuerdo con los niveles del factor A, se
tiene:
A1 = SN promedio= 104.8857/4= 26.22

A2 = SN promedio= 61.8750/4= 15.47
Dado que siempre deseamos maximizar el índice señal a ruido, el factor A se fija en su nivel 1,
esto es, la temperatura del horno se fija en 1500 ºF.
¿Qué hacer con el resto de los factores? antes de contestar esta pregunta, se deben identificar
de entre los factores que NO AFECTARON el índice SN, cuáles afectan la media. Esto se
muestra en lo que sigue.
Análisis usando las lecturas individuales

Después de identificar los factores que “afectan” la variabilidad, el siguiente paso es identificar
qué factores, dentro de los que no afecta la variabilidad, afectan la media del proceso. Estos
factores llamados factores de señal, nos permitirán “ajustar” la media del proceso hacia su valor
nominal, sin incrementar la variabilidad del proceso.
Para el análisis, se utilizan las 32 lecturas iniciales. Para ello se obtiene el promedio de cada
renglón.
A B e C AxC AxD D
Nº 1 2 3 4 5 6 7 1 2 3 4 Total Promedio
1 1 1 1 1 1 1 1 1.1 1.2 1.3 1.1 4.7 1.175
2 1 1 1 2 2 2 2 1.2 1.3 1.2 1.3 5.0 1.250
3 1 2 2 1 1 2 2 2.0 2.1 2.2 2.1 8.4 2.100
4 1 2 2 2 2 1 1 2.1 2.2 2.1 2.0 8.4 2.100
5 2 1 2 1 2 1 2 1.0 1.4 1.2 1.3 4.9 1.225
6 2 1 2 2 1 2 1 1.2 1.3 1.5 1.0 5.0 1.250
7 2 2 1 1 2 2 1 1.6 2.1 2.4 2.0 8.1 2.025
8 2 2 1 2 1 1 2 1.5 2.0 2.3 2.5 8.3 2.075
Totales 13.200
Considerando únicamente los promedios, tendremos un arreglo L8 con una lectura. El análisis
en base a los promedios es:

=1.175+1.250+2.100+2.100= 6.625

= 1.225+1.250+2.075+2.025= 6.575
SSA = (A2 – A1) 2 /Número total de lecturas SN

= (6.625 – 6.575)2/8= 0.0003
Similarmente para el factor B se tiene
B1 = 1.175+1.250+1.225+1.250= 4.900
B2 = 2.100+2.100+2.025+2.075= 8.300
SSB = (B2 - B1 )2/8= (4.900-8.300) 2/8= 1.4450
Y así sucesivamente
SSC = 0.0028 , SSAxC= 0.0000, SSAxD= 0.0003

SSD = 0.0013 , SSe= 0.0028
La tabla ANOVA es:

A 0.0003 1 0.0003 0.11
B 1.4450 1 1.4450 513.75
C 0.0028 1 0.0028 1.00
AxC 0.0000 1 0.0000 0.00
AxD 0.0003 1 0.0003 0.11
D 0.0013 1 0.0013 0.44
e 0.0028 1 0.0028
Totales 1.4525 8
El factor B, presión de prensado, es el único factor significante. Mediante este factor se puede
ajustar la media del proceso, y llevarla lo más cerca posible a su valor ideal de 2.
También se debe hacer la observación, de que si el factor A hubiera resultado significante en

este segundo análisis, no podríamos utilizarlo, ya que resultó significante en el análisis con el
índice 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 deberá incrementar la presión de prensado. Si se desea

disminuir la planicidad, se deberá reducir la presión.
Se puede interpolar para conocer el valor al que se debe fijar la presión. La respuesta promedio
a 200 psi es de 1.225 y a 220 psi es 2.075
Y 2.0
1.5
1.0 B
200 220
IV. Análisis utilizando gráficas

Como se mencionó anteriormente, una alternativa a la ANOVA son las gráficas de promedios,
ya sea del índice SN o de las lecturas individuales.
Por ejemplo, para el factor A encontramos el promedio a cada uno de sus niveles, tanto del
índice señal a ruido como de las lecturas individuales.
Para el índice señal a ruido se tiene:
A1 = (21.7714+26.7071+28.2036+28.2036)/4= 26.2214

A2 = (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 SN promedio Y promedio

A1 26.22 1.6
A2 15.47 1.6
B1 20.38 1.2
B2 21.41 2.0
C1 20.71 1.6
C2 20.99 1.6
D1 20.31 1.6
D2 21.38 1.6
(AxC) 19.76 1.6
(AxC) 21.93 1.6
(AxD) 20.15 1.6
(AxD) 21.54 1.6
Gráficas de estos promedios se muestran más adelante, en estas gráficas, la importancia de

cada efecto se observar según la inclinación de cada línea, 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 más afecta el
índice señal a ruido, y lo hace mayor a su nivel A 1. El factor B es el que más afecta la respuesta
promedio sin afectar el índice 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 análisis, 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 diseño, (factores C y D), se fijarán al nivel en que sea más
económico para el proceso, ya que no afectan sustancialmente ni la media, ni la variabilidad del
proceso.
Solución con Minitab se crea el arreglo con:

1. Diseñar el arreglo ortogonal definiendo las columnas para los factores principales y las
interacciones, en este caso:
FACTORES DE CONTROL
A B e C AxC AxD 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
Estas columnas es el resultado de los experimentos:
FACTORES DE CONTROL COMB. FACTORES DE RUIDO

A B e C AxC AxD D H1_G1 H2_G1 H1_G2 H2_G2
1 1 1 1 1 1 1 1.1 1.2 1.3 1.1
1 1 1 2 2 2 2 1.2 1.3 1.2 1.3
1 2 2 1 1 2 2 2 2.1 2.2 2.1
1 2 2 2 2 1 1 2.1 2.2 2.1 2
2 1 2 1 2 1 2 1 1.4 1.2 1.3
2 1 2 2 1 2 1 1.2 1.3 1.5 1
2 2 1 1 2 2 1 1.6 2.1 2.4 2
2 2 1 2 1 1 2 1.5 2 2.3 2.5
3. Analizar el diseño con:
Con Minitab

Response data in H1_G1 H2_G1 H1_G2 H2_G2
Terms: A B C D
Options: Nominal is Best Seleccionar Use adjusted formula for nominal is best
OK
La gráfica de residuos estandarizados muestra un comportamiento normal:
Normal Probability Plot

(response is Means)
99
95
90
80
70
Percent
60
50
40
30
20
10
1
-3 -2 -1 0 1 2 3
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

Constant 20.8451 1.415 14.733 0.043
A 1 5.3764 1.415 3.800 0.164
B 1 -0.5674 1.415 -0.401 0.757
C 1 -0.1485 1.415 -0.105 0.933
D 1 -0.5367 1.415 -0.379 0.769
A*C 1 1 -1.0854 1.415 -0.767 0.583
A*D 1 1 -0.6972 1.415 -0.493 0.709
S = 4.002 R-Sq = 94.0% R-Sq(adj) = 57.8%
Analysis of Variance for SN ratios

A 1 231.241 231.241 231.241 14.44 0.164
B 1 2.575 2.575 2.575 0.16 0.757
C 1 0.176 0.176 0.176 0.01 0.933
D 1 2.305 2.305 2.305 0.14 0.769
A*C 1 9.425 9.425 9.425 0.59 0.583
A*D 1 3.888 3.888 3.888 0.24 0.709
Residual Error 1 16.014 16.014 16.014
Total 7 265.625

Data Means
A B
25.0
22.5
20.0
Mean of SN ratios
17.5
15.0
1 2 1 2
C D
25.0
22.5
20.0
17.5
15.0
1 2 1 2
Signal-to-noise: Nominal is best (10*Log10((Ybar**2 - s**2/n)/s**2))
El único factor significativo en relación a la variabilidad es el factor A, que

en su nivel 1 sería el mejor
Interaction Plot for SN ratios

Data Means
1 2
A
25
1
2
20 A
15
C
25
1
2
C 20
15
D
25
1
2
20 D
15
1 2 1 2
Signal-to-noise: Nominal is best (10*Log10((Ybar**2 - s**2/n)/s**2))
Las interacciones no parecen ser significativas

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

Constant 1.65000 0.01875 88.000 0.007
A 1 0.00625 0.01875 0.333 0.795
B 1 -0.42500 0.01875 -22.667 0.028
C 1 -0.01875 0.01875 -1.000 0.500
D 1 -0.01250 0.01875 -0.667 0.626
A*C 1 1 -0.00000 0.01875 -0.000 1.000
A*D 1 1 -0.00625 0.01875 -0.333 0.795
S = 0.05303 R-Sq = 99.8% R-Sq(adj) = 98.6%

A 1 0.00031 0.00031 0.00031 0.11 0.795
B 1 1.44500 1.44500 1.44500 513.78 0.028
C 1 0.00281 0.00281 0.00281 1.00 0.500
D 1 0.00125 0.00125 0.00125 0.44 0.626
A*C 1 0.00000 0.00000 0.00000 0.00 1.000
A*D 1 0.00031 0.00031 0.00031 0.11 0.795
Residual Error 1 0.00281 0.00281 0.00281
Total 7 1.45250

Data Means
A B
2.0
1.8
1.6
Mean of Means
1.4
1.2
1 2 1 2
C D
2.0
1.8
1.6
1.4
1.2
1 2 1 2
El factor B es el único que parece ser significativo. Se puede interpolar su

valor codificado a 1.5 (en 210 psi).
Interaction Plot for Means

Data Means
1 2
1.68
A
1
2
1.64
A
1.60
1.68
C
1
2
1.64
C
1.60
1.68
D
1
2
1.64
D
1.60
1 2 1 2
No parecen ser significativas las interacciones.

Nominal is best (10*Log10((Ybar**2 - s**2/n)/s**2))
Level A B C D
1 26.22 20.28 20.70 20.31
2 15.47 21.41 20.99 21.38
Delta 10.75 1.13 0.30 1.07
Rank 1 2 4 3
Level A B C D
1 1.656 1.225 1.631 1.638
2 1.644 2.075 1.669 1.663
Delta 0.012 0.850 0.038 0.025
Rank 4 1 2 3
Para predecir la respuesta con A = 1 y B = 1.5 se tiene:

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 Mean

23.1863 1.19375
A B C D
1 1 1 1
Solo considerando A = 1, B = 2 se tiene:
Predicted values
S/N Ratio Mean

25.6541 1.23125
A B
1 1
Conclusión: como el valor de la presión de prensado es el único factor que

ajusta a la media, debe ajustarse para que la planicidad se encuentre en su
valor nominal de 2.

Ejemplo Dise o Taguchi

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Ejemplo Dise o Taguchi

Diunggah oleh

Hak Cipta:

Format Tersedia

EJEMPLO DE DISEÑO DE EXPERIMENTOS DE TAGUCHI

Taguchi desarrolló una serie de arreglos particulares que denominó:

b = Representa los diferentes niveles a los que se tomará cada factor.

c = Es el número de efectos independientes que se pueden analizar, esto es el número de

Arreglos ortogonales para experimentos a dos niveles

No. de factores a analizar Arreglo a utilizar No. de condiciones a probar

Algunos arreglos ortogonales se muestran a continuación:

Factor Descripción Nivel I Nivel 2

No. A B C D E e1 e2 Resina Concen. Tiempo Humedad Presión Yi

Los totales son por lo tanto:

A1= total de las lecturas que se tomaron con el factor A a su nivel 1

A2= total de las lecturas que se tomaron con el factor A a su nivel 2

D1= Total de las lecturas que se tomaron con el factor D a su nivel 1

D2= Total de las lecturas que se tomaron con el factor D a su nivel 2

Suma de los cuadrados del factor x= SS X= (Total nivel 2 – Total nivel 1) 2/ n

Para el factor B se tiene

SSD= (D2 –D1) 2/ 8= (1.24-1.40) 2/ 8= 0.00320 con 1 g.1

SSe= 0.00080+0.00045= 0.00125 con 2 g.1

3) Se construye una tabla ANOVA, ésta es:

Efecto SS G.l. V Fexp

La columna V, se obtiene dividiendo el número bajo la columna SS, entre el número de la

Así 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

Fexp de A= V(A) / V(error)= 0.03645/0.000625=58.32

4) Obtenemos las siguientes conclusiones:

En este caso por ejemplo, una mejor estimación de SSe es:

Con 1 + 2 = 3 grados de libertad y (Ve)= (SSe)/3= 0.00205/3= 0.00068

Stat > DOE > Taguchi > Analyze Taguchi Design

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

Estimated Model Coefficients for SN ratios

Term Coef SE Coef T P

S = 0.8581 R-Sq = 96.6% R-Sq(adj) = 88.0%

Analysis of Variance for SN ratios

Source DF Seq SS Adj SS Adj MS F P

Main Effects Plot for SN ratios

Signal-to-noise: Smaller is better

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

Estimated Model Coefficients for Means

Term Coef SE Coef T P

S = 0.025 R-Sq = 98.0% R-Sq(adj) = 93.0%

Analysis of Variance for Means

Source DF Seq SS Adj SS Adj MS F P

Main Effects Plot for Means

Response Table for Signal to Noise Ratios

Response Table for Means

El resto de los promedio son:

El promedio general denotado como Y es:

EF A = (promedio bajo la condición propuesta del factor promedio general)

Yest= Y + EF A + EF C +EF D +EF E= 0.3300-0.0675-0.0475-0.0200-0.0175=0.1775

Análisis utilizando gráficas

Esto es por ejemplo para el factor A

A1 – A2 = 0.3975 – 0.2625= 0.1350; para el resto tenemos:

Diferencia 0.1350 0.0200 0.0950 0.0400 0.0350 0.0200 0.0100

En la tabla de ANOVA encontramos los resultados obtenidos anteriormente:

Ordenando de mayor a menor valor absoluto (ignorando el signo), tenemos:

Diferencia 0.1350 0.0950 0.0400 0.0350 0.0200 0.0200 0.0100

Siguiendo el orden anterior, se obtiene una gráfica como se muestra en seguida:

Observamos un grupo de líneas inclinadas, seguida de un grupo de líneas que súbitamente se

Para predecir la respuesta con Minitab

Stat > DOE > Taguchi > Predict Taguchi Results

Predict Mean Signal to Noise Ratio

Los resultados se muestran a continuación:

S/N Ratio Mean