MATERIA: INGENIERA DE LA CALIDAD

UNIDAD V: ANLISIS DE RESULTADO

SEMESTRE: VII

GRUPO: A

DOCENTE: JESS FELIPE MENDOZA MUOZ

INGENIERO INDUSTRIAL

BALANCN, TABASCO. AGOSTO 2016

INTEGRANTES

NO
1
2
3
4
5
6

NO. DE
CONTROL
13E20212
13E20213
13E20214
13E20236
13E20269
13E20285

NOMBRE
BAOS BALBOA ALONDRA DEL CARMEN
BOLN AGUILAR LANDY GUADALUPE
BOLN AGUILAR LINDA GUADALUPE
GARCA GMEZ FRANCISCO RUBN
MOHA HERNNDEZ LUIS ALBERTO
PREZ FIGUEROA MARISELA

I.

INTRODUCCIN

Una de las herramientas que simplifica y elimina gran parte de los esfuerzos de diseo
estadstico son los arreglos ortogonales que bien conoceremos y analizaremos en esta
unidad, este mtodo es una forma de examinar simultneamente muchos factores a
bajo costo.

Tambin conoceremos sus tablas de frecuencia que son un factor importante en los
diferentes mtodos a conocer.

Otra parte importante son sus atributos clasificados que se caracterizan por su
tabulacin cruzada, los grados de libertad que son calculados en base a los grados de
un factor por el nmero de su categora y tambin conocer la varianza en la tabla
ANOVA, una tabla utilizada para sacar el porcentaje de un supuesto error.

Conoceremos una serie de arreglos particulares que denomino el ingeniero Genichi

Taguchi, quien desarrollo una tecnologa para la aplicacin de estadsticas para
mejorar la calidad de los productos manufactureros, que como veremos en esta unidad
utilizaremos algunos de los mtodos para llegar a una solucin.

II.

OBJETIVO GENERAL.

Utilizar las estrategias del Dr. Genichi Taguchi, con el fin de crear productos y procesos
ms consistentes, que permitan una mejor perdida a la sociedad, por el uso de lo
mismo. Aplicando el mtodo de diseo de experimentos (DDE).

III.

OBJETIVO ESPECFICO DE LA UNIDAD 5.

Aplicar el diseo robusto para obtener un alto nivel de desempeo.

IV.

SECCIN

NDICE.

TEMA

PGINA

Introduccin. I

III

Objetivo general.

IV

Objetivo especfico. II

TEMA

II

PGINAS

UNIDAD 5
5.1 Anlisis por tablas de respuestas, anlisis de varianza por arreglos ortogonales. 6
5.1.1 Anlisis de tablas de frecuencia. ..................................................................... 6
5.1.1.1Tablas de frecuencia de 2 caminos (two -ways). ....................................... 6
5.1.2 Arreglos ortogonales ....................................................................................... 8
5.1.2.1 Definicin del arreglo ortogonal. ............................................................... 9
5.1.2.2 Resumen. ................................................................................................. 9
5.1.2.3 Arreglos ortogonales y su ventaja. .......................................................... 10
5.1.2.4 Desventajas. ........................................................................................... 10
5.2 Anlisis de atributos clasificados. ........................................................................ 11
5.2.1 Grado de Libertad. ........................................................................................ 14
5.2.2 Varianza en la Tabla ANOVA. ....................................................................... 15
5.3 Experimentos con factores de ruido. ................................................................... 17
5.3.1 Ejecutar un experimento piloto. ..................................................................... 18
5.3.2 Especificar el modelo. ................................................................................... 19
5.3.1.1. Factor de efectos fijos. ........................................................................... 19
5.3.1.1. Factor de efectos aleatorios. .................................................................. 19
5.4 Anlisis de experimentos con factores de ruido. ................................................. 20
5.4.1 Mtodo del diseo robusto del Dr. Taguchi. ................................................. 20
5.4.1.1 Pasos para hacer un ciclo de diseo robusto. ........................................ 20
V. GLOSARIO TCNICO. ....................................................................................... 24
VI.

CONCLUSIN................................................................................................. 25

VII.

BIBLIOGRAFA................................................................................................ 26

UNIDAD V: ANLISIS DE RESULTADO

5.1 Anlisis por tablas de respuestas, anlisis de varianza por arreglos
ortogonales.
5.1.1 Anlisis de tablas de frecuencia.
Uno de los mtodos para analizar datos es la tabulacin cruzada. Por ejemplo, un
investigador mdico puede tabular las frecuencias de los diferentes sntomas por
edades y sexo; un investigador de [Curso de la ing. De la calidad. 2016]1 educativo
puede tabular el nmero de estudiantes que abandonan sus estudios por edad, sexo
y grupo tnico; un economista puede tabular el nmero de negocios que fallan por
industria,

regin,

etc.; un investigador de mercado puede tabular las preferencias de los

consumidores por producto, edad y sexo. En todos estos casos, los resultados
principales de inters pueden ser sumarizados en una tabla de frecuencia mltiple; o
sea, en una tabla cruzada de dos o ms factores.
5.1.1.1 Tablas de frecuencia de 2 caminos (two -ways).
Vamos a empezar con la ms simple tabulacin cruzada, la tabla de 2 X 2.
Supongamos que estamos interesados en la relacin que hay entre la edad y los conos
en la gente. Tomamos una muestra de 100 personas y determinamos quin tiene y
quin no tiene canas. Tambin tomamos la edad aproximada de los sujetos. Este es
el resultado del estudio.
Cabello Con

Antes de

Despus de

Canas

los 40

los 40

Total

No

40

45

Si

20

35

55

Total

60

40

100

TABLA 5.1.1.1 Resultado del muestreo de 100 personas. Curso

ingeniera de la calidad, 2016.

Mientras interpretamos los resultados de este pequeo estudio, vamos a introducirnos

en la terminologa que nos permitir generalizar en tablas ms complejas fcilmente.
Diseo de variables y variables de respuesta. En la regresin mltiple o en el anlisis
de varianza hay una distincin comn entre las variables dependientes e
independientes. Las variables dependientes son aquellas que tratamos de explicar, y
podemos clasificar los f actores en una tabla de 2 X 2; por ejemplo, el color del pelo es
una variable dependiente. Las variables de respuesta son aquellas que varan en la
respuesta a las variables designadas; por ejemplo, el color del pelo puede ser
considerado una variable de respuesta y la edad es considerada una variable de
diseo.
Ajuste marginal de frecuencias. Nos podemos preguntar cul de las frecuencias
parece no tener relacin con las variables (hiptesis nula). Para no ir en detalles,
intuitivamente podemos esperar que las frecuencias en cada celda podran
proporcionalmente reflejar las frecuencias marginales (Totales); por ejemplo,
considere la siguiente tabla:
Cabello Con

Antes de los Despus de los

Total

Canas

40

40

No

27

18

45

Si

33

22

55

Total

60

40

100

TABLA 5.1.1.2 Frecuencia del muestreo de 100 personas. Curso

ingeniera de la calidad, 2016.

En esta tabla, las proporciones de las frecuencias marginales estn reflejadas en cada
celda individual 27/33 =18/22 = 45/55 y 27/18 = 33/22 = 60/40. Dadas las frecuencias
marginales, stas son las celdas de frecuencia que podramos esperar si no existiera
relacin entre la edad y el cabello canoso. Si comparamos esta tabla con Ia anterior,
podremos ver que la tabla anterior refleja una relacin entre dos variables. Hay ms
casos esperados de que la persona tengo canas antes de los cuarenta, y hay ms
casos

de

personas

de

ms

de

cuarenta

aos

que

tienen

canas.
7

5.1.1.2 Tablas de frecuencia mltiple.

El razonamiento presentado en las tablas de 2 X 2 puede ser generalizado a tablas
ms complejas. Supongamos que tenemos una tercera variable en nuestro estudio;
por ejemplo, queremos ver si el estrs tiene que ver con las canas en las
personas. Como estamos interesados en este nueva variable, la vamos a considerar
como variable de diseo. (Con esto, la variable de estrs se convierte en una variable
de respuesta y la variable del color del cabello sera una variable de diseo). La tabla
resultante sera una tabla de frecuencia de 3 caminos.
Modelos de ajuste. Podemos aplicar el razonamiento anterior para analizar esta
tabla. Especficamente podemos ajustar diferentes modelos que reflejen diferentes
hiptesis acerca de los datos. Como antes, las frecuencias esperadas en este caso
reflejan sus respectivas frecuencias marginales. Si alguna desviacin significante
ocurriera, se reflejara en este modelo.
Efectos de interdiccin. Otro modelo concebible puede ser que la edad est
relacionada con el color del cabello, y que el estrs es relacionado con el color del
cabello tambin; pero, estos dos factores no interactan en su efecto. En este caso,
podramos necesitar simultneamente de dos tablas, una es la tabla de 2 X 2 de la
edad por color del cabello cruzada con los niveles de estrs, y otra tabla del estrs por
color del cabello cruzada con los niveles de la edad. Si este modelo no se ajusta los
datos, tenemos que incluir que la edad, el estrs y el color del cabello estn
interrelacionados. De otra forma, podremos concluir que la edad y el estrs
interactan con sus efectos en el cabello canos.

5.1.2 Arreglos ortogonales

Esta experimentacin busca encontrar cul es el mejor material, la mejor presin, la
mejor temperatura, la mejor formulacin qumica, o el tiempo de ciclo ms apto, etc.
Todo con el propsito de lograr la longitud, la amplitud, o la durabilidad que se desea,
tomando el costo que implica.
8

5.1.2.1 Definicin del arreglo ortogonal.

El arreglo ortogonal es una herramienta ingenieril que simplifica y en algunos casos
elimina gran parte de los esfuerzos de diseo estadstico. Es una forma de examinar
simultneamente muchos factores a bajo costo. El Dr. Taguchi recomienda el uso de
arreglos ortogonales para hacer matrices que contengan los controles y los factores
de

ruido

en

el

diseo

de

experimentos.

Ha

simplificado

el uso de este tipo de diseo al incorporar los arreglos ortogonales y las grficas
lineales,

finalmente,

en

contraste

con

los

enfoques

tradicionales

como

equivalentes de ruido: mientras las interacciones sean relativamente suaves, el

analista de los efectos principales nos proporcionar las condiciones ptimas y una
buena reproductibilidad en un experimento.
Los arreglos ortogonales son herramientas que permiten al ingeniero evaluar qu
tan robustos son los diseos del proceso y del producto con respecto a los
factores de ruido.

5.1.2.2 Resumen.
El mtodo del Dr. Taguchi para el diseo de experimentos utiliza tcnicas que implican
bajos costos y que son aplicables a los problemas y requerimientos de la industria
moderna. El propsito que se tiene en el diseo del producto es encontrar aquella
combinacin de factores que nos proporcione el desempeo ms estable y confiable
al precio de manufactura ms bajo.
DR. GENICHI TAGUCHI, el sistema de ingeniera de calidad del Dr. Genichi Taguchi,
es uno de los ms grandes logros en ingeniera del siglo XX. El trabajo de la filosofa
del Dr. Taguchi comenz a formarse en los inicios de la dcada de los 50's cuando fue
reclutado para ayudar a mejorar el sistema telefnico japons que haba sido diseado
para la Segunda Guerra Mundial. Taguchi emple experimentos de diseo usando
especialmente una tabla conocida como "arreglos ortogonales" para tratar los

procesos de diseo. Los arreglos ortogonales son un conjunto especial de cuadros en

latn, construidos por Taguchi para planear los experimentos del diseo del producto.
El anlisis del arreglo ortogonal de Taguchi es usado para producir los mejores
parmetros para el diseo ptimo del proceso, con el mnimo nmero de experimentos
(pruebas). Los resultados obtenidos para los arreglos ortogonales son analizados para
obtener los siguientes objetivos:

Estimar la contribucin de los factores individuales que influyen en la calidad en

la etapa del diseo del producto.

Ganar la mejor condicin para un proceso o un producto, as que las

caractersticas

en

una

buena

calidad

puedan

ser

sostenidas.

5.1.2.3 Arreglos ortogonales y su ventaja.

La ventaja de los arreglos ortogonales es que pueden ser aplicados al diseo
experimental involucrando un gran nmero de factores.

5.1.2.4 Desventajas.
La desventaja del arreglo ortogonal es que puede ser nicamente aplicado en la etapa
inicial del diseo del sistema del producto o proceso. Un arreglo ortogonal permite
asegurar que el efecto de "B" en "A1" es el mismo efecto de "B" en "A2". As se podr
estar seguro de que se est haciendo comparaciones entre efectos de niveles de un
factor.

10

5.2 Anlisis de atributos clasificados.

El primer paso es formar categoras acumulados a partir de las categoras iniciales de
modo que la categora acumulada uno sea igual a la categora inicial uno, la categora
acumulada

dos

sea

igual

las

categoras

iniciales

uno

ms

dos.

(I) = (1)
(II)= (1) + (2)
(III)=(1) + (2) + (3).
Para ilustrar los pasos se utilizar un estudio que se realiz en [Curso de la ing. De la
calidad. 2016]2 para conocer los parmetros ptimos de una mquina moldeadora al
estar utilizando compuesto de un nuevo proveedor. El aspecto visual se dividi en las
categoras

iniciales:

1=Incompleto
2=Partido/Crudo
3=Deforme
4=Bien

De modo que las categoras acumuladas son:

(I)=1
(II)=(1) + (2)
(III)=(1) +(2) + (3)
(IV)=(1) +(2) + (3) + (4)
El experimento consisti en cuatro factores a tres niveles cada uno y con diez
repeticiones, siendo los factores:
A = Temperatura
B = Tiempo de Ciclo
11

C = Tiempo de Inyeccin
D = Presin
Se utiliz un arreglo ortogonal L9, en donde se obtuvieron los resultados que se
muestran en la siguiente tabla, misma en la que se pueden observar los clculos para
obtener los valores de las categoras acumuladas en la combinacin nmero seis:
(I)= (=)
(II)= (0) + (3)
(III)=(0) + (3) + (1)
(IV) = (0) +(3) + (1) + (6)
Acumulados
(1)

(2)

(3)

(4)

II

III

IV

10

10

10

10

10

10

10

10

10

10

10

10

10

10

10

10

10

10

10

10

10

Total

25

24

16

25

25

49

65

100

TABLA 5.2. Resultados del Experimento en una Mquina

Moldeadora. Curso ingeniera de la calidad, 2016.

Tambin se puede ver que en la frecuencia acumulada de la Clase IV durante todo el

experimento es la misma, por lo que no se podr extraer ninguna informacin de esta
12

columna. Es por lo que se realizar en el anlisis acumulativo calcular la suma de

cuadrados de la clase I, Clase II y Clase III. De cualquier forma esas sumas de
cuadrados no pueden sumarse sencillamente, puesto que las bases de las tres clases
son diferentes.
En la distribucin binomial la fraccin de defectuosos es p, y su varianza
correspondiente es p (1 - p), esto indica que cuando la media de la fraccin defectuosa
cambia, la varianza cambia tambin. Debido a esta dependencia de la varianza sobre
la fraccin defectuosa, la suma de los cuadrados de la Clase I, Clase II y Clase III tiene
diferentes bases. Con el objetivo de normalizar esas bases, la suma de cuadrados de
cada clase se divide entre su varianza; solamente as se pueden sumar las clases.
El segundo paso es conocer la proporcin que tiene cada categora acumulada:
PI= 25 PII= 49 PIII=
90

90

65 PIV=

90

90

90

A cada categora se le asigna un peso segn la frmula:

Wj = 1/(Pjx(1-PJ)),
As que para el ejemplo que se tiene:
WI = 1/25/90x (1-25/90)) = 4.985
WII = 1/49/90x(1-49/90)) = 4.032
WIII = 1/(65/90x(1-65/90)) = 4.985

Para cada categora se calcula el factor de correccin como Suma de Cuadrados de

Factores.
Se obtienen mediante la suma de cuadrados de cada clase multiplicada por su peso,
segn frmula.
13

Ssa = (Ssa clase I) x WI + (SSA clase II) x WII + (Ssa clase III) x WIII SS total =
(nmero total de datos) x (nmero de categoras menos uno)
De la misma manera se obtiene la suma de cuadrados para B, C y D. La suma de
cuadrados total es:

SS total = 90 X (4 - i) = 270

5.2.1 Grado de Libertad.

Los grados de libertad son calculados en base a los grados de un factor para variables
multiplicados por el nmero de categoras acumulado menos uno. En este ejemplo los
cuatro

factores

son

de

tres

niveles

por

lo

que

cada

uno

tiene:

2 x(4-1) =6 grados de libertad.

Los grados de libertad totales, se calculan >multiplicando el nmero de datos menos
uno por el nmero de datos menos uno por el nmero de datos menos uno por el
nmero de categoras analizadas menos uno.

El error se puede obtener restndole a la suma total la suma de cuadrados de cada

factor:
SS error = 270 - 104.24 - 9.94 - 42.96 - 29.53 = 83.22
En este caso:
SS error = 270 - 104.34 - 9.94 - 42.96 - 29.53 = 83.22
Y los grados de libertad, restando los grados de libertad de cada factor de los grados
de libertad de la tabla de ANOVA.
g.I error = 267 - 6 - 6 - 6 - 6 = 243

14

5.2.2 Varianza en la Tabla ANOVA.

Se define la varianza o cuadrado medio como la suma de cuadrados divididos entre
los grados de libertad:
Cuadrado Medio de a = 104.34/6 = 17.39
Con el objeto de expresar esta variacin como un porcentaje, todava se requiere
restarle a cada suma de cuadrados una cantidad de error generada por los diferencias
entre cada resultado en cada nivel; para esto se utiliza la siguiente frmula:
SS a' = SS a - (grados de libertad a) x V error, SS e' = SS e +(grados de libertad de
los factores) x V error.
En el ejemplo:
SS a' = 104.34 - (6) (0.34) = 102.30
SS e' = 83.22 + (24) (0.34) = 91.38
El porcentaje de contribucin es la proporcin de la suma de cuadrados corregidas de
un factor con respecto a la suma de cuadrados total:

Fuentes de
Variacin

Grados
de
Libertad

Suma

de Cuadrado S. de Cuad. Porcentaje

Cuadrados

Medio

Corregida

Contrib.

104.34

17.39

102.30

37.89

9.94

1.66

7.90

2.92

42.96

7.16

40.92

15.15

29.53

4.92

27.49

10.18

Error

243

83.22

0.34

91.38

33.87

Total

267

270

270

100

TABLA 5.2.2 ANOVA del experimento en una mquina

moldeadora. Curso ingeniera de la calidad, 2016.
15

Todos los procedimientos (prueba de t, de F y el establecimiento de los lmites de

confianza), utilizan la suma de cuadrados residual, la que es llamada la suma de
cuadrados de error. Esta cantidad pudo ser encontrada calculando para cada
observacin un valor, predicho por la solucin de los mnimos cuadrados. Se puede
luego obtener la suma de cuadrados de las diferencias entre los valores observados y
los valores predichos. Este mtodo es lento y la suma de cuadrados del error se
calcula mucho ms rpido siguiendo la tcnica conocida como anlisis de varianza.

En el modelo original, cada observacin se representa como la suma de cuatro

componentes debidas, respectivamente, a la media general, efecto del tratamiento, al
efecto ambiental y al efecto residual. De la misma forma, el anlisis de la varianza
divide la suma de cuadrados de las observaciones encuentro componentes, una
atribuible a la media general, una de las diferencias entre la estimacin de los efectos
de los tratamientos y una a los efectos ambientales, que el experimento es capaz de
medir y, por ltimo, una que es la residual a la suma de cuadrados de los errores. En
la mayor parte de los casos, se calcula la suma de cuadrados original y los tres
primeros componentes, obteniendo la suma de los cuadrados del error, por
substraccin. El anlisis de varianza ofrece mucho ms que un mtodo corto para
obtener la suma de cuadrados del error. La suma de cuadrados debida a los
tratamientos, es la cantidad necesaria para la prueba F de la hiptesis de que no
existen diferencias entre los efectos de los tratamientos. Con una pequea extensin,
el anlisis tambin de la suma de cuadrados requerida para probar la igualdad de los
efectos de un subgrupo de los tratamientos. La componente debida a los efectos
ambientales permite estimar en cuanto aumenta la exactitud del experimento,
eliminando estos efectos de las estimaciones de las medias de los tratamientos.

16

5.3 Experimentos con factores de ruido.

Los modelos de diseo de experimentos son modelos estadsticos clsicos cuyo
objetivo es averiguar si unos determinados factores influyen en una variable de inters
y, si existe influencia de algn factor, cuantificar dicha influencia.
Ruido, segn [Curso de la ing. De la calidad. 2016]3 Si el experimentador est
interesado en la variabilidad de la respuesta cuando se modifican las condiciones
experimentales, entonces los factores nuisance son incluidos deliberadamente en el
experimento y no se asla su efecto por medio de bloques. Se habla entonces de
factores ruido.
Fuente

Tipo

Debida a las condiciones de inters

Planificada y sistemtica
(Factores tratamiento)
Debida al resto de condiciones controladas
Planificada y sistemtica
(Factores nuisance)
Debida a condiciones no controladas.
(error de medida, material experimental,
... )

No planificada, pero
sistemtica?

TABLA 5.3 Las posibles fuentes de variacin de un

experimento. Curso ingeniera de la calidad, 2016.

Elegir una regla de asignacin de las unidades experimentales a las condiciones de

estudio (tratamientos).
La regla de asignacin o diseo experimental especifica que unidades experimentales
se observarn bajo cada tratamiento. Hay diferentes posibilidades:

Diseo factorial o no,

Anidamiento,

Asignacin al azar en determinados niveles de observacin,

El orden de asignacin, etc.

17

Especificar las medidas que se realizarn (la respuesta), el procedimiento

experimental y anticiparse a las posibles dificultades. Variable respuesta o variable de
inters. Los datos que se recogen en un experimento son medidas de una variable
denominada variable respuesta o variable de inters.
Es importante precisar de antemano cul es la variable respuesta y en qu unidades
se mide. Naturalmente, la respuesta est condicionada por los objetivos del
experimento. Por ejemplo, si se desea detectar una diferencia de 0,05 gramos en la
respuesta de dos tratamientos no es apropiado tomar medidas con una precisin
prxima al gramo.
A menudo aparecen dificultades imprevistas en la toma de datos. Es conveniente
anticiparse a estos imprevistos pensando detenidamente en los problemas que se
pueden pre-sentar o ejecutando un pequeo experimento piloto (etapa 5). Enumerar
estos problemas permite en ocasiones descubrir nuevas fuentes de variacin o
simplificar el procedimiento experimental antes de comenzar.
Tambin se debe especificar con claridad la forma en que se realizarn las mediciones:
instrumentos de medida, tiempo en el que se harn las mediciones, etc.

5.3.1 Ejecutar un experimento piloto.

Un experimento piloto es un experimento que utiliza un nmero pequeo de
observaciones. El objetivo de su ejecucin es ayudar a completar y chequear la lista
de acciones a realizar. Las ventajas que proporciona la realizacin de un pequeo
experimento piloto son las siguientes:

Permite practicar la tcnica experimental elegida e identificar problemas no

esperados en el proceso de recogida de datos,

Si el experimento piloto tiene un tamao suficientemente grande puede ayudar

a seleccionar un modelo adecuado al experimento principal,

Los errores experimentales observados en el experimento piloto pueden ayudar

a calcular el nmero de observaciones que se precisan en el experimento
principal.

18

5.3.2 Especificar el modelo.

El modelo matemtico especificado debe indicar la relacin que se supone que existe
entre la variable respuesta y las principales fuentes de variacin identificadas en el
paso 2. Es fundamental que el modelo elegido se ajuste a la realidad con la mayor
precisin posible.
El modelo ms habitual es el modelo lineal:
Xk
Y=

i +

i=1

En este modelo la respuesta viene dada por una combinacin lineal de trminos que
representan las principales fuentes de variacin planificada ms un trmino residual
debido a las fuentes de variacin no planificada. Los modelos que se estudian en este
texto se ajustan a esta forma general. El experimento piloto puede ayudar a comprobar
si el modelo se ajusta razonablemente bien a la realidad.
Los modelos de diseo de experimentos, segn sean los factores incluidos en el
mismo, se pueden clasificar en: modelo de efectos fijos, modelo de efectos aleatorios
y modelos mixtos. A continuacin se precisan estas definiciones.

5.3.1.1. Factor de efectos fijos.

Factor de efectos fijos es un factor en el que los niveles han sido seleccionados por el
experimentador. Es apropiado cuando el inters se centra en comparar el efecto sobre
la respuesta de esos niveles especficos. Ejemplo: un empresario est interesado en
comparar el rendimiento de tres mquinas del mismo tipo que tiene en su empresa.

5.3.1.1. Factor de efectos aleatorios.

Factor de efectos aleatorios es un factor del que slo se incluyen en el experimento
una muestra aleatoria simple de todos los posibles niveles del mismo. Evidentemente
se utilizan estos factores cuando tienen un nmero muy grande de niveles y no es
razonable o posible trabajar con todos ellos. En este caso se est interesado en
examinar la variabilidad de la respuesta debida a la poblacin entera de niveles del
factor.
19

5.4 Anlisis de experimentos con factores de ruido.

Los factores de ruido son aquellos que no se pueden controlar o que resulta muy
caro controlarlos. Los factores de ruido segn [Curso de la ing. De la calidad.
2016]4 causan variabilidad y prdida de calidad. Por esto es necesario disear
un sistema el cual sea insensible a los factores de ruido. El diseador debe
identificar la mayor cantidad posible de factores de ruido y usar su buen juicio en
base a sus conocimientos para decidir cules son los ms importantes a considerar
en su anlisis.
5.4.1 mtodo del diseo robusto del Dr. Taguchi.
Es un eficiente sistema que ayuda a obtener una combinacin ptima de diseo de
parmetros para que el producto sea funcional y ayude a obtener un alto nivel de
desempeo y que sea robusto a los factores de ruido.
5.4.1.1 Pasos para hacer un ciclo de diseo robusto.

En los primeros 5 pasos se planea el experimento.

En el paso nmero 6 se conduce el experimento.

En los pasos 7 y 8 los resultados del experimento son analizados y verificados.

Ejemplo de la optimizacin de un diseo por costo de un sistema intercambiador de

calor.
1. Identificar la funcin principal. La funcin principal del sistema enfriador de
aire comprimido se muestra en la fig.

GRAFICO 5.4.1.1 Funcin principal del sistema enfriador.

Curso ingeniera de la calidad, 2016.

20

La funcin principal del sistema es enfriar la temperatura del aire de 95 c a 10 c

entre dos etapas de compresin. Primero entra al sistema el aire por el pre enfriador
y luego pasa a la unidad de refrigeracin. El agua pasa a travs del condensador
de la unidad de refrigeracin y luego al pre enfriador y finalmente entra al radiador
donde se expulsa el radiador a travs de l.
El flujo del aire est dado por 1.2 kg/s y el flujo del agua est dado por 2.3 kg/s

Se busca disear el sistema para un costo mnimo total, donde el costo es la suma
de todos los costos en dlares de la unidad de refrigeracin, el pre enfriador y el
radiador. Las ecuaciones paramtricas de costo (xi) para la unidad de refrigeracin,
el pre enfriador y el radiador en trminos de temperaturas de salida (ti) estn dadas
como sigue:
X1 = 1.2 a (T3 - 10)
X1 = costo ($) de la unidad de refrigeracin.
a = parmetro de costo para el refrigerante.
T3= temperatura de salida del aire del pre enfriador.
X2=1.2 B (95 - T3)/(T3-T1)

para (T3 >T1) X2 = costo ($) de el pre enfriador.

B = parmetro de costo del pre enfriador.

T3 = temperatura de salida del aire del pre enfriador.
T1 = temperatura de salida del agua de la unidad de refrigeracin.
95 = temperatura del aire en la entrada al sistema.
X3=9.637 c (T2 - 24)
X3 = costo ($) del radiador.
C = parmetro de costo del radiador.
T2 = temperatura del agua en la entrada del radiador.
24 = temperatura del agua despus de pasar por el radiador.
21

A = 48
B = 50
C = 25
Parmetros de costo determinados por el diseador.
2. Identificar los factores de ruido. Existen varios factores de ruido en un proceso
de enfriamiento de aire. Para este caso los ingenieros han determinado los 3
factores de ruido ms importantes.
N1 = parmetro de costo de la unidad de refrigeracin.
Se ha estimado un costo original de 48 y se considera un costo muy alto arriba de
56.
N2 = temperatura de salida del radiador.
Esta temperatura puede variar dependiendo de los factores ambientales. Se ha
estimado una temperatura de 24 c pero se considera muy alta a 27C.
N3 = temperatura del aire a la entrada del sistema.
Esta temperatura vara dependiendo de las condiciones de operacin, se ha
estimado inicialmente de 95 c pero se considera muy alta arriba de 100 c.

3. Identificar la caracterstica de calidad que va a ser observaba y el >objetivo.

El costo va a ser tomado como la caracterstica de calidad y la funcin objetivo ser
optimizar el costo total del sistema. MIN CT= X1 + X2 + X3
El objetivo ahora es encontrar cul diseo minimiza el costo total considerando la
incertidumbre de los factores de ruido citados.
4. Identificar los factores de control y los niveles alternativos.
Para el caso del ejemplo, tres niveles alternativos fueron identificados para ser
estudiados para el control del diseo de los parmetros, El nivel dos muestra los
valores iniciales de los factores de control. (Tabla a). Los niveles de los parmetros
de prueba (tabla a) se refieren a cuntos valores de prueba van a ser analizados
22

(uno de estos niveles debe tomar los valores de las condiciones iniciales de
operacin).

T1= 28 C
T2= 39 C
T3= 38 C
Como siguiente paso los ingenieros de diseo y los analistas de costo desean un
estudio de niveles alternativos de los parmetros de control considerando ahora la
incertidumbre debido a los factores de ruido. En un diseo robusto, generalmente,
dos o tres niveles son considerados para cada factor.
Se ha decidido estudiar los tres factores de ruido con 2 niveles. Estos valores se
muestran en la tabla 9. El nivel uno representa los valores iniciales de los factores
de ruido. Diseo de la matriz de experimentos y definicin de los datos para analizar.
El objetivo ahora es determinar los niveles ptimos de los factores de control para
que el sistema sea robusto a los factores de ruido.
5. Construccin de arreglos ortogonales. Primero se determinan segn la
metodologa de Taguchi los grados de libertad para determinar el nmero mnimo
de experimentos requerido.
El diseador ha calculado el factor grados de libertad igual a 7, esto nos indica que
se necesita un nmero mnimo de 7 experimentos para encontrar los valores
ptimos.
Con esto se determina que se puede utilizar un arreglo ortogonal estndar L9 para
los factores de control y usando la misma metodologa se utiliza un arreglo ortogonal
estndar L4 para los factores de control.
1

N1

N2

N3

GRAFICO 5.4.1.2 Arreglo ortogonal estndar L9, Curso

ingeniera de la calidad, 2016.

23

V.

GLOSARIO TCNICO.
Durabilidad: Capacidad que tiene la obra para resistir la accin del clima, el
ataque qumico, abrasin y obras condiciones, a que est expuesta.

Grupo tnico: Agrupacin natural de individuos de igual idioma, raza y cultura.

Reproductibilidad: Es uno de los principios esenciales del mtodo cientfico y

se refiere a la capacidad que tenga una prueba o experimento de ser
reproducido o replicado.

Substraccin: Operacin matemtica que consiste en quitar una cantidad de

otra o averiguar la diferencia entre las dos restas, adicin, suma.

Terminologa: Es un campo de estudio interdisciplinario que se nutre de un

conjunto especfico de conocimientos conceptualizacin en otras disciplinas
(lingsticas, ciencia del conocimiento, ciencias de la informacin y ciencias de
la comunicacin).

Variabilidad: Es la propiedad de aquello que es variable. Es la facilidad de

mutar o que tiene una inconsistencia para continuar haciendo algo que ha sido
planificado.

24

VI.

CONCLUSIN

La unidad 5 de ingeniera de la calidad hablo de mtodos para analizar datos en la

tabulacin cruzada. En todo tipo de caso los resultados de inters pueden ser
sumarizados en una tabla de frecuencia mltiple sea, en una tabla cruzada de dos o
ms factores.
Ms que nada estos tipos de mtodos sirven para sacar resultados respecto a una
mejora de calidad, ya que es importante en toda organizacin o empresa llevar siempre
la calidad de producto o de servicio que se brinde.
Los mtodos analizados es ms que nada para facilitar la bsqueda de algn tipo de
problema pero en el caso de los factores ruido que son aquellos que no se pueden
controlar o son muy difcil controlarlos lo cual es un problema porque causa variabilidad
y perdida de la calidad, por eso es importante disear un sistema el cual sea insensible
a los factores de ruido.
La terminologa y seal ruido puede aplicarse a cualquier tipo de producto o servicio.
La seal es lo que pretende que el producto o el componente deben entregar.
La importancia de saber estos anlisis es ms que nada para tener una amplia
satisfaccin a la entrega de producto que como ingenieros industriales es primordial
tener en cuenta la calidad en todo proceso.

25

VII.

BIBLIOGRAFA

[1]. [Unidad V. anlisis de resultado (s.f) Curso de la ing. De la calidad. 2016 de

http://www.itchihuahua.edu.mx/academic/industrial/ingcalidad/unidad4.html].
[2]. [5.2 Anlisis de atributos clasificados. Curso de la ing. De la calidad. 2016 de
http://www.itchihuahua.edu.mx/academic/industrial/ingcalidad/unidad4.html].
[3]. [Experimentos con factores de ruido, Curso de la ing. De la calidad, 2016
Recuperado

el

20

de

agosto

del

2016

en

http://www.itchihuahua.edu.mx/academic/industrial/ingcalidad/unidad4.html].
[4]. [Experimentos de ruido, (s.f) recuperado el 18 de agosto del 2016 en
http://www.itchihuahua.edu.mx/academic/industrial/ingcalidad/unidad4.html].

26