DISEÑO DE EXPERIMENTOS TAGUCHI

La parte fundamental de la metodología ideada por el matemático japonés G. Taguchi es la optimización

de productos y procesos, a fin de asegurar productos robustos, de alta calidad y bajo costo.

La metodología Taguchi consta de tres etapas:

a) Diseño del sistema

b) Diseño de parámetros
c) Diseño de tolerancias

De estas tres etapas, la más importante es el diseño de parámetros cuyos objetivos son:
a) Identificar qué factores afectan la característica de calidad en cuanto a su magnitud y en cuanto a su
variabilidad.
b) Definir los niveles “óptimos” en que debe fijarse cada parámetro o factor, a fin de optimizar la
operación del producto y hacerlo lo más robusto posible.
c) Identificar factores que no afectan substancialmente la característica 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 estadísticas conocida como diseño de
experimentos, tratadas anteriormente.
Taguchi ha propuesto una alternativa no del todo diferente que se que conoce como: Arreglos Ortogonales
y las Gráficas Lineales.

La herramienta utilizada normalmente son diseños Factoriales fraccionados, sin embargo cuando el
número de factores se ve incrementado, las posibles interacciones aumentan, así como la complicaciones
para identificar cuáles son las condiciones específicas a experimentar.
Un arreglo ortogonal se puede comparar con una replicación factorial fraccionada, de manera que
conserva el concepto de ortogonalidad 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

En esta sección, se analiza qué son, cómo se usan y cuáles son los arreglos ortogonales más importantes
para experimentos en los que cada factor toma dos niveles.
Un arreglo ortogonal es una tabla de números. Como ejemplo de un arreglo ortogonal tenemos el siguiente:

F A C T O R E S (c)
No. (a) A B C Resultado
1 1 1 1 Y1
2 1 2 2 Y2
3 2 1 1 Y3
4 2 2 1 Y4

1 , 2 = Niveles de los Factores (b)

 De acuerdo con la notación 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 número de columnas (efectos o factores) que se pueden
analizar, es igual al número de renglones menos 1.

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:

 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

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:

Factor A B C D E e e
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:

Factor A B C D E e e

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 A 2 C 1 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.

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