Dise o para Six Sigma

DISEO PARA SEIS SIGMA
P. Reyes / Enero 2007
CURSO DE
DISEO PARA SEIS SIGMA (DFSS)
Pgina 1
CONTENIDO
1. Diseo para Seis Sigma Mapa de desarrollo del producto
2. Diseo para Seis Sigma Metodologa
14
3. Diseo para Seis Sigma Desarrollo de Proyectos
23
4. Funciones de transferencia y tableros
41
5. Despliegue de la funcin de calidad (QFD)
55
6. Diseo Axiomtico
71
7. Teora de la solucin inventiva de problemas (TRIZ)
79
8. Diseo para X
105
9. Anlisis del Modo y Efecto de Falla (FMEA)
116
10. Diseo de Experimentos
130
11. Diseo de experimentos de Taguchi

12. Diseo de parmetros con anlisis seal a ruido (S/N)
240
13. Validacin del diseo
266
Pgina 2
1. Diseo para Seis Sigma

Mapa de desarrollo del producto
Pgina 3
1. Diseo para Six Sigma - Mapa de desarrollo del

producto
1.1 Introduccin
La metodologa Seis Sigma tradicional denominado DMAIC (definir, medir, analizar,
mejorar, controlar) o Seis Sigma para la mejora se enfoca a la solucin de problemas o a
su mejora sin un diseo o rediseo completo del sistema. La metodologa de Diseo para
Seis Sigma (DFSS) se enfoca a hacer las cosas correctas desde la primera vez o sea
que el producto o servicio: (1) Haga las cosas correctas; y (2) Hacer las cosas correctas
todo el tiempo.
Hacer las cosas correctas significa lograr una excelencia absoluta en diseo, ya sea el
diseo del producto, proceso de manufactura, proceso de servicio o proceso de negocio.
Hacer las cosas correctas todo el tiempo significa que no solo debe haber un diseo
superior, sino que el producto o servicio real construido de acuerdo a ese diseo, siempre
haga lo que se supone que debe hacer, con mxima consistencia y mnima variacin en
desempeo.
Entre las herramientas utilizadas por DFSS se tienen:
Funciones de transferencia, incluyen las relaciones matemticas claras entre

causas (que pueden ser parmetros de diseo o variables de proceso) y
efectos (que normalmente son mtricas de desempeo de producto/proceso).
Conociendo las relaciones de las funciones de transferencia, se puede optimizar el
diseo para lograr un desempeo superior.
Los tableros de proyecto DFSS son hojas de trabajo donde se registran los datos
histricos y se da seguimiento a las mtricas en sus mtricas.
El mtodo de despliegue de la funcin de calidad (QFD), es una gua y plan para

las actividades de diseo para cumplir con los deseos del cliente.
El mtodo de diseo axiomtico proporciona algunas guas importantes (axiomas)

sobre lo que es un buen diseo del sistema y qu es un diseo dbil del
sistema. Los diseos dbiles normalmente tienen interacciones mutuas
Pgina 4
complicadas, acoplamiento, no independencia y complejidad excesiva. Los buenos

diseos tienen relaciones claras entre parmetros de diseo y funciones de
producto, y una simplicidad elegante. Los principios de diseo axiomtico pueden
ayudad a reducir las vulnerabilidades del diseo por tanto desarrollar diseos
optimizados.
La teora de solucin creativa de problemas (TRIZ) tiene una base amplia de

mtodos y conocimientos para crear soluciones inventivas para problemas de
diseo difciles. Permite pensar fuera de la caja y concebir soluciones
innovadoras de diseo.
Los mtodos de Diseo para X, incluyen diseo para manufactura y ensamble,

diseo para confiabilidad, y muchos otros. Diseo para X es una coleccin de
mtodos para hacer diseos adecuados para todos los propsitos.
Los mtodos de Anlisis del Modo y Efecto de Falla (FMEA), permiten hacer
revisiones de diseo y eliminar fallas potenciales en las primeras etapas de
diseo.
Los mtodos estadsticos de diseo de experimentos (DOE), pueden ser usados

para afinar las funciones de transferencia y optimizacin. Entre los mtodos ms
populares se encuentra el Diseo factorial completo, diseo factorial fraccional y
los mtodos de Taguchi.
Los mtodos de Taguchi se basan en arreglos ortogonales y anlisis de datos.

Incluyen conceptos como la funcin de prdida, relacin seal a ruido, arreglos
iunternos y externos, factores de control y factores de ruido. Estos mtodos
permiten lograr un diseo robusto.
Otros mtodos de Taguchi incluyen funciones ideales, relacin seal a ruido

dinmica, calidad funcional y desarrollo robusto de tecnologa.
Los mtodos de Taguchi de diseo de tolerancias o diseo de especificaciones,

permiten hacer anlisis de tolerancias de peor caso, diseo estadstico de
tolerancias, diseo de tolerancias ptimas basadas en costo y diseo de
tolerancias de Taguchi.
Los mtodos de superficie de respuesta (RSM), pueden ser usados como una
herramienta muy til para desarrollar funciones de transferencia y realizar su
optimizacin.
Pgina 5
Los mtodos de validacin del diseo incluyen: validacin del diseo (anlisis del
diseo por simulacin o revisin de diseo en prototipos), validacin del proceso
(validacin de la capacidad del proceso), y validacin de la produccin.
1.2 Aseguramiento de Calidad y Ciclo de Vida del Producto / Servicio

Para darle calidad a un producto o servicio necesitamos un sistema de mtodos y
actividades, llamado aseguramiento de calidad, el cual se define como todas las
actividades planeadas e implementadas de manera sistemtica dentro del sistema de
calidad que puede ser demostrado para proporcionar la confianza de que un producto o
servicio cumplir con los requerimientos de calidad.
Debido a que la calidad es una va para hacer negocios, debe estar relacionado a un
producto o servicio especfico. Para cualquier producto o servicio, su vida incluye, su
creacin, desarrollo, uso, y arreglo. Llamamos a todo esto, el ciclo de vida del producto.
Un buen programa de aseguramiento de calidad debera actuar en todas las etapas del
ciclo de vida.
La figura 1.1 muestra un ciclo de vida tpico de producto / servicio. Las etapas ms
tempranas del ciclo son llamadas normalmente anteriores o upstream; las ltimas etapas
son llamadas posteriores o downstream.
Etapa 0: mpetu / Idea
Nueva tecnologa, nuevas ideas, orientacin de la competencia hacia nuevas
posibilidades de producto o servicio
Se desarrollan varias opciones de producto / servicio para estas posibilidades
Etapa 1: Anlisis de los requerimientos del cliente y del negocio
Identificacin de las las necesidades y deseos del cliente
Traduccin de la voz del cliente a requerimientos funcionales y medibles del
producto o servicio
Estudio de factibilidad del negocio
Etapa 2: Desarrollo del concepto
Concepto de alto nivel: propsito general, posicin en el mercado, propuesta de
valor
Definicin del producto: requerimientos funcionales de nivel bsico
Generacin del concepto de diseo, evaluacin y seleccin
Diseo del sistema / organizacin
Pgina 6
Modelado, simulacin, diseo inicial en computadora o papel
Etapa 3: Diseo de prototipos de producto / servicio

Generar requerimientos funcionales detallados y exactos
Desarrollar la implementacin real para satisfacer los requerimientos funcionales
o parmetros de diseo
Construccin de prototipos
Realizar el diseo del sistema de manufactura
Realizar la validacin de diseo
Etapa 4: Proceso de manufactura Preparacin del lanzamiento del producto
Finalizar el proceso de diseo
Realizar pruebas de proceso, ajustes y validacin
Instalacin del proceso
Etapa 5: Produccin
Operacin del proceso, control y ajuste
Administracin de proveedores, partes
Etapa 6: Consumo del producto / servicio
Servicio postventa
Etapa 7. Disposicin
Fig. 1.1 Ciclo de vida del producto o servicio

1.2.1 Etapa 0: mpetu / Ideacin
El ciclo de vida del producto o servicio inicia con el mpetu/ideacin. El mpetu de un
nuevo producto o servicio puede ser el descubrimiento de una nueva tecnologa, tal como
la invencin de semiconductores, con o sin una claridad de avance de cmo podra ser
comercializado una mejor oportunidad de mercado identificada a travs de alguna
investigacin de mercado, o una necesidad obvia de retirar un producto existente que ha
eclipsado por la competencia, tal como el rediseo anual de los modelos de automviles;
o la idea nueva de utilizar tecnologa existente, tal como la venta de libros va internet.
Una vez que el mpetu es identificado y es determinado que un producto o servicio es
viable puede subsecuentemente ser desarrollado, la ideacin de la fase continuar. La
fase de ideacin enfocada en el establecimiento del producto o servicio y la direccin
general incluyendo la identificacin de opciones convincentes pero poco probables para
nuevos productos o servicios.
Pgina 7
Existen varias claves para el xito en esta fase, incluyendo el tiempo de entrega para
descubrir la posible idea de un nuevo producto o servicio y determinar su viabilidad, el
tiempo de entrega para formular la opcin viable de un nuevo producto o servicio, y la
formulacin de calidad.
Para el desarrollo de un nuevo producto basado en nueva tecnologa, existen muchos
casos en los cuales la tecnologa trabaja bien en el laboratorio pero puede encontrarse
con grandes dificultades para su comercializacin. Un nuevo mtodo de calidad llamado
desarrollo de tecnologa robusta puede aplicarse para reducir esas dificultades.
1.2.2 Etapa 1: Estudio de requerimientos del cliente y negocio
El estudio de requerimientos del cliente y negocio es la primera etapa. Para ambos, el
desarrollo del concepto inicial y las etapas de definicin del producto, investigacin del
cliente, estudios de factibilidad, e investigacin del costo/valor pueden realizarse. El
propsito de la investigacin del cliente es desarrollar elementos funcionales clave que
crearn satisfaccin a clientes potenciales y eventualmente de manera sucesiva tendr
xito en el mercado. El propsito del estudio de factibilidad y el estudio de costo/valor es
asegurarse que el nuevo producto o servicio es competitivo en el mercado futuro. En esta
etapa, la modelacin, simulacin, y optimizacin pueden ser empleadas para evaluar y
refinar el concepto del producto en orden a lograr la mejor funcionalidad posible y el ms
bajo costo posible.
De acuerdo con la definicin de calidad de la
ASQ anteriormente mencionada, las
caractersticas del nuevo producto o servicio deberan tener la habilidad de satisfacer las
necesidades implcitas o establecidas, as, una tarea clave de la actividad del
aseguramiento de calidad en esta etapa es asegurarse de que las recientemente
funciones formuladas (rasgos distintivos) de un producto o servicio tengan la capacidad
de satisfacer a los clientes. El despliegue de la funcin de Calidad (QFD por sus siglas en
ingls) es un mtodo excelente de calidad para este propsito.
1.2.3 Etapa 2: Desarrollo del concepto
Pgina 8
El desarrollo del producto / servicio es la segunda etapa. Esta etapa inicia con la fase del
desarrollo del concepto inicial. Involucra la conversin de una o ms opciones
desarrolladas en la etapa previa dentro de un mayor nivel en el concepto del producto,
describiendo el propsito del producto, uso general, y propuesta de valor. Lo siguientes es
la fase de definicin del producto. Clarifica los requerimientos del producto, los cuales son
el nivel base de los elementos funcionales necesarios para el producto y as entregar los
resultados planeados.
Varios mtodos de calidad, tales como el diseo de experimento (DOE por sus siglas en
ingls), mtodo de superficie de respuesta (RSM), diseo axiomtico, y TRIZ (teora
inventiva de solucin del problema) son de mucha ayuda en la etapa para el desarrollo del
concepto del producto para realzar la funcionalidad y reducir el costo esperado. Esos
mtodos son tambin de ayuda en el desarrollo del concepto de un producto robusto para
asegurar un producto final que es libre de deficiencias.
1.2.4 Etapa 3: Diseo / Prototipo del Producto / Servicio
La tercera etapa es el diseo/prototipo del producto. En esta etapa, los escenarios del
producto/servicio son modelados y los principios de diseo son aplicados para generar los
requerimientos funcionales exactos detallados, y su implementacin actual y diseo de
parmetros. Para el diseo de un producto, el diseo de los parmetros pueden ser
dimensiones, propiedades de material, y especificaciones de partes. Para un diseo de
servicio, el diseo de parmetros podran ser las especificaciones y composicin de la
Organizacin. El diseo de parmetros deber proporcionar todo el detalle necesario
para iniciar la construccin o produccin. Para el desarrollo de un producto, despus del
diseo de producto, se construyen los prototipos para probar y validar el diseo. Si la
prueba resulta no satisfactoria, los diseos son normalmente revisados. Algunas veces,
este ciclo de construccin-prueba-arreglo es repetido hasta que se alcanzan los
resultados satisfactorios.
Adems del prototipo fsico, la modelacin y simulacin por computadora tambin son
utilizados y algunas veces preferidos debido a que son menos costosos y ms eficientes
en cuanto a tiempo. Durante esta etapa, el diseo del sistema de manufactura para el
Pgina 9
producto tambin es conducido para asegurar que el producto puede ser fabricado
econmicamente.
Para el aseguramiento de calidad, esta claro que la tarea clave de esta etapa de
diseo/prototipo es formular la serie de diseos de parmetros en orden a dar las
funciones planeadas del producto. Utilizando la terminologa del diseo axiomtico, el
diseo del producto es un mapeo que va desde el espacio de funcin hasta el espacio del
diseo del parmetro. Por lo tanto, la tarea clave para la calidad en el diseo es
asegurarse de que el producto diseado es capaz de dar las funciones del producto
deseadas en su vida de uso. Los mtodos de calidad utilizados en esta etapa incluye el
diseo robusto (Mtodo Taguchi), diseo de experimento (DOE), mtodo de superficie de
respuesta (RSMs), diseo para X, diseo axiomtico, TRIZ, y algunos aspectos de
fiabilidad de ingeniera.
1.2.5 Etapa 4: Preparacin del Proceso de Manufactura / Lanzamiento de producto
La cuarta etapa es la preparacin del proceso de manufactura/lanzamiento del producto.
Durante esta etapa, el diseo del proceso de manufactura ser terminado. El proceso
experimentar prueba y ajuste, por lo que hay otra serie de ciclos de construccin-pruebaarreglo para el proceso de manufactura. Despus de la repeticin de ciclos, el proceso de
manufactura deber ser validado y aceptado, para su instalacin en produccin.
Utilizando la terminologa del diseo axiomtico, esta etapa es un mapeo entre el diseo
de parmetros hasta las variables del proceso.
Para el aseguramiento de calidad, la tarea clave de esta etapa es asegurar que el
producto fabricado deber ser consistente con el diseo el producto, esto es, el producto
diseado en papel o computadora puede fabricarse en el proceso de manufactura. El
proceso tiene la capacidad de producir un producto real de manera consistente,
econmica y libre de defectos. Los mtodos de calidad utilizados en esta etapa incluye el
diseo robusto, DOE, localizacin de averas de manufactura y diagnsticos, y el mtodo
Shainin.
1.2.6 Etapa 5: Produccin
Pgina 10
La quinta etapa es la produccin a escala completa. En esta etapa, el producto deber

fabricarse y enviarse al mercado. Algunas partes o sub-ensambles pudieran producirse
por proveedores. Durante la produccin, es muy importante que el proceso de
manufactura pueda funcionar de manera consistente y libre de defectos, y que todas las
partes y sub-ensambles surtidos por proveedores cumplan constantemente con los
requerimientos de calidad.
Para el aseguramiento de la calidad en esta etapa, la tarea clave es asegurar que el
producto finan se encuentra acorde a los requerimientos de produccin; que es, todos los
productos, sus partes, sub-ensambles debern estar conforme a los requerimientos
diseados; debern ser intercambiables y consistentes. Los mtodos de calidad utilizados
en esta etapa incluyen el Control Estadstico del Proceso (SPC por sus siglas en ingls),
estndar de calidad e inspeccin de aceptacin para proveedores, y una localizacin de
averas de produccin (production troubleshooting) y mtodos de diagnstico.
La combinacin de actividades desde la etapa 1 hasta la 5 son conocidas tambin como
Ciclo de Desarrollo del Producto
1.2.7 Etapa 6: Consumacin del Producto/Servicio
Esta sexta etapa es la consumacin del producto/servicio. Durante esta etapa, los
productos son consumidos por los clientes. Esta etapa es realmente la ms importante
para el cliente, cuya opinin eventualmente determinar el xito o fracaso del producto y
nombre de la marca. Cuando los clientes encuentran problemas en la utilizacin del
producto durante el consumo, tales como, defectos, la garanta y el servicio son
importantes para mantener el producto en uso y el cliente satisfecho.
Para el aseguramiento de la calidad en esta etapa, es imposible mejorar el nivel de
calidad para los productos, actualmente en uso, debido a que se encuentran fuera de las
manos del fabricante. As, una buena garanta y un programa de servicio ayudarn a
mantener el producto en uso mediante su reparacin de las unidades defectuosas y
proporcionando informacin valiosa para mejorar la calidad de futura produccin y diseo
de producto.
Pgina 11
Pgina 12
1.2.8 Etapa 7: Disposicin

La sptima etapa es la disposicin del producto. Con la creciente preocupacin sobre el
medio ambiente, esta etapa recibe una creciente atencin. Una vez que un producto se
encuentra en el mercado por un tiempo, la variedad de tcnicas pueden ser utilizadas
para determinar donde est midiendo para obtener expectativas, o si existen
oportunidades de tomar el producto hacia nuevas direcciones. Ejecutivos y gerentes de
producto pueden determinar donde colocarlo, realizar pequeos refinamientos al diseo,
comercializacin de una innovacin mayor, o moverse hacia la imaginacin, iniciando el
ciclo para un nuevo producto. La habilidad para determinar el tiempo correcto para hacer
el salto de un producto tradicional a uno nuevo es una habilidad importante.
En trminos de aseguramiento de calidad, y de acuerdo a la definicin de calidad, est
claro que la palabra calidad tiene muchos significados, y las actividades y mtodos del
aseguramiento de calidad son diferentes a diferentes etapas del ciclo de vida del
producto.
1.3 Diseo axiomtico

EL diseo axiomtico es un mtodo basado en el principio que proporciona el diseador
con un enfoque estructurado para el diseo de tareas. En el enfoque del diseo
axiomtico, el diseo es modelado como un mapeo entre los diferentes dominios. Por
ejemplo, en la etapa del diseo de concepto, esto sera un mapeo del dominio de atributo
del cliente al dominio de funcin del producto; en la etapa del diseo del producto, es un
mapeo desde el dominio de la funcin hasta el dominio del diseo de parmetro. Existen
muchas posibles soluciones de diseo para el mismo diseo de tarea. De cualquier
manera, basado en estos dos fundamentales axiomas, el mtodo del diseo axiomtico
desarrollo muchos principios para evaluar y analizar diseos de solucin y dio a
diseadores direcciones para mejorar diseos. El enfoque del diseo axiomtico puede
ser aplicado no solo en ingeniera de diseo sino tambin en otras tareas del diseo tales
como el sistema de organizacin. N.P. Suh es el creador de los mtodos de diseo
axiomtico.
Pgina 13
En resumen, los mtodos de calidad modernos y el sistema de aseguramiento de calidad

han sido desarrollados gradualmente desde la revolucin industrial. Existen varias
tendencias en el desarrollo de mtodos de calidad.
1. Los primeros pocos mtodos, CEP y muestreo de aceptacin, fueron aplicados en
la etapa de produccin, la cual es la ltima etapa, o downstream en el ciclo de
desarrollo del producto.
2. Ms mtodos fueron desarrollados y aplicados en etapas iniciales, o upstream del
ciclo de desarrollo del producto, tal como QFD y el mtodo Taguchi.
3. Sistemas y Mtodos de calidad son integrados entonces dentro de la amplia gama
de actividades con participacin de la alta Direccin hasta empleados ordinarios,
tal como TQM.
4. El servicio post venta ha ganado atencin en el mundo de los negocios.
No obstante, la implementacin de los mtodos modernos de calidad en el mundo de los
negocios no siempre ha sido fcil. Es un proceso ms complicado. Una de las razones
principales es que muchos lderes de negocios piensan que la calidad no es el nico
factor para el xito. Otros factores, tales como ganancias, costo y tiempo al mercado, son
ms importantes a sus ojos, y piensan que en orden de mejorar la calidad, otros factores
importantes se ven comprometidos.
El movimiento ms reciente de calidad es la introduccin y expansin de la
implementacin de Seis Sigma, que es el sistema administrativo de mayor crecimiento en
la industria de los negocios hoy en da. Seis Sigma es la continuacin del movimiento de
aseguramiento de la calidad. Heredo muchos rasgos de los mtodos de calidad, pero el
Seis Sigma pretende mejorar no solo la calidad del producto en s mismo sino todos los
aspectos de la operacin del negocio, este es un mtodo para la excelencia del negocio.
Pgina 14
2. Diseo para Seis Sigma

Metodologa
Pgina 15
2. Diseo para Seis Sigma - Metodologa

2.1 Introduccin
La teora del diseo de Seis Sigma (DFSS por sus siglas en ingls) es definido como la
teora cientfica abarcando reas fundamentales de conocimiento en la forma de
percepciones y entendimientos de diferentes campos, y la relacin entre estas reas
fundamentales. Estas percepciones y relaciones estn combinadas para producir
consecuencias en el ente del diseo., la cuales pueden ser, pero no necesariamente,
predicciones de observaciones.
Las reas fundamentales de conocimiento del
DFFS incluyen una mezcla de
proposiciones e hiptesis, categorizacin de fenmenos u objetos, ideacin y concepcin

de mtodos tales como el diseo axiomtico y el TRIZ as como el espectro de estadstica
emprica y modelos matemticos. Ese conocimiento y sus relaciones constituyen nuestra
teora de DFSS. En trminos de concepcin, esta teora construye sobre el sistema
terico de otros mtodos y pueden ser uno de los dos tipos: axiomas o hiptesis,
dependiendo de cmo sean tratadas las reas fundamentales de conocimiento.
El fundamento del conocimiento que no puede ser probado, generalmente es todava
aceptado como verdadero, sern tratados como axiomas. Si las reas fundamentales de
conocimiento estn siendo probadas, son tratadas como hiptesis. El diseo de axiomas
(Suh 1990) y TRIZ (Altshuller 1988) son ejemplos de conocimiento fundamental en la
teora DFSS.
El principal objetivo del DFSS es el disearlo correctamente la primera vez para evitar
experiencias dolorosas posteriores
o downstream.
El trmino Seis Sigma en el
contexto del DFSS puede ser definido como el nivel al cual las vulnerabilidades del diseo
no son efectivas o mnimas. Generalmente, dos principales vulnerabilidades de diseo
pueden afectar la calidad de la entidad de un diseo.
-
Vulnerabilidades conceptuales que estn establecidas debido a la violacin de los

axiomas y principios del diseo.
Pgina 16
Vulnerabilidades operacionales debido a la falta de robustez en uso al

medioambiente. La eliminacin o reduccin de vulnerabilidades operacionales es
el objetivo de las iniciativas de calidad incluyendo Seis Sigma.
El objetivo del DFSS cuando se ha adoptado al principio upfront es el disearlo

correctamente la primera vez anticipando el efecto de ambas fuente de vulnerabilidad del
diseo. Debido a una indisponibilidad de datos en la fase inicial del diseo, la mayora de
las herramientas actuales de Seis Sigma podran ser no utilizables. El DFSS debera
basarse en nuevas herramientas que deberan tomar en consideracin la naturaleza nica
del proceso de diseo en s.
2.2 Fases de Diseo para Seis Sigma (DFSS)
Diseo para Seis Sigma tiene las siguientes cuatro fases:
-
Identificar requerimientos
Describir el diseo
Optimizar el diseo
Verificar el diseo
Utilizaremos la notacin ICOV para reducir e indicar las cuatro fases DFSS, abajo
presentada.
DFSS tiene dos reas: despliegue y aplicacin. Por despliegue, quiere decir la estrategia
adoptada por la entidad para seleccionar, extender, y priorizar proyectos para aplicacin.
2.2.1 Fase 1: Identificar requerimientos
Los proyectos DFSS pueden ponerse en categoras como diseo o rediseo de una
entidad. Diseo creativo es el trmino que estaremos utilizando para indicar un nuevo
diseo, un diseo desde el inicio, y el diseo incremental para el rediseo o diseo desde
un dato del diseo. En el ltimo caso, algunos datos pueden ser utilizados para definir los
requerimientos del diseo. El grado de desviacin del rediseo desde el dato es el factor
clave en la decisin de la utilidad de los datos relativos.
Pgina 17
Paso 1: Borrador de la representacin grfica del proyecto

Casi siempre es igual al proyecto de mejoramiento de DMAIC. Sin embargo, la duracin
del proyecto es mayor y el costo inicial es ms alto. Una mayor duracin del proyecto es
debido al hecho que la compaa est diseando o rediseando una entidad diferente, no
simplemente parchando los hoyos de uno existente. El costo inicial mayor es debido al
hecho de que hay mucho ms requerimientos del cliente a ser identificados y estudiados,
una vez que se necesita identificar las mtricas crticas importantes para la satisfaccin
(CTS por sus siglas en ingls) para concebir y optimizar un mejor diseo. Para el caso
DMAIC, uno podra trabajar slo en la mejora de un subconjuento muy limitado de CTSs.
Paso 2: Identificar los requerimientos del cliente y el negocio
En este paso, los clientes estn completamente identificados y sus necesidades
recolectadas y analizadas, con la ayuda del despliegue de la funcin de calidad (QFD) y
anlisis Kano. Entonces el conjunto de mtricas ms apropiado CTSs son determinadas
en orden a medir y evaluar el diseo. De nuevo, con la ayuda del QFD y anlisis Kano, los
lmites numricos y objetivos para cada CTS son establecidos.
En resumen, a continuacin est la lista de tareas en este paso, explicados
posteriormente.
-
Identificar mtodos de obtencin de necesidades y deseos del cliente.
Obtener necesidades y deseos del cliente y transformarlos en una lista de voz del
cliente (VOC).
Traducir la lista de VOC en requerimientos funcionales y medibles.
Finalizar requerimientos:
o
Establecer definiciones mnimas de requerimientos.
Identificar y llenar brechas en los requerimientos proporcionados por el

cliente.
Validar los ambientes de aplicacin y uso.
Pgina 18
Identificar CTSs crticos para la calidad (CTQ por sus siglas en ingls), crtico a la
entrega (CTD por sus siglas en ingls), crtico al costo (CTC por sus siglas en
ingls).
Cuantificar CTSs
Establecer mtricos para CTSs
Establecer niveles aceptables de desempeo y ventanas de

operacin
Realizar un despliegue (flowdown) de los CTSs
Herramientas DFSS utilizadas en esta fase:

-
Investigacin del cliente/mercado
Despliegue de la funcin de calidad
Anlisis Kano
Anlisis de riesgo
2.2.2 Fase 2: Describir el diseo

Paso 1: Traducir los requerimientos del cliente (CTSs) a los requerimientos
funcionales del producto/proceso
Los requerimientos del cliente (CTSs) nos da una idea acerca de qu se necesitar para
satisfacer al cliente, pero no pueden ser utilizados directamente como requerimientos para
el diseo del producto/servicio. Necesitamos traducir los requerimientos del cliente a
requerimientos funcionales al producto/proceso. QFD puede ser utilizado para agregar
esta transformacin. El principio del diseo axiomtico ser de mucho ayuda para este
paso.
Paso 2: Generar alternativas de diseo
Despus de la determinacin de los requerimientos funcionales para la nueva entidad del
diseo (producto, servicio, o proceso), necesitamos caracterizar (desarrollar) entidades de
diseo que sern capaces de entregar esos requerimientos funcionales. En general,
existen dos posibilidades:
Pgina 19
1. La tecnologa existente o el concepto del diseo conocido tiene la capacidad de

entregar todos los requerimientos satisfactoriamente, este paso entonces se
convierte en un ejercicio trivial.
2. La tecnologa existente o el diseo conocido no tiene la capacidad de entregar
todos los requerimiento de manera satisfactoria, entonces un nuevo concepto de
diseo necesita ser desarrollado. Este nuevo diseo podra ser creativo o
incremental reflejando el grado de desviacin desde la base del diseo. El
mtodo TRIZ y el diseo axiomtico sern de ayuda en la generacin del diseo
de conceptos innovativos en este paso.
Paso 3: Evaluar alternativas del diseo
Varias alternativas de diseo pudieron haber sido generadas en el ltimo paso.
Necesitamos evaluarlas y realizar una determinacin final en cul concepto debern ser
utilizadas. Muchos mtodos pueden ser utilizados en la evaluacin del diseo, incluyendo
la tcnica de seleccin de concepto Pugh, revisiones de diseo, anlisis de vulnerabilidad
de diseo (El-Haik 1996, Yang y Trewn 1999), y el FMEA. Despus de la evaluacin del
diseo, un concepto ganador ser seleccionado.
Durante la evaluacin, varias debilidades de la serie inicial de conceptos ser expuesta y
los conceptos sern revisados y mejorados. Si se est diseando un proceso, tcnicas de
administracin del proceso sern utilizadas como una herramienta de evaluacin.
Las siguientes herramientas DFSS son utilizadas en esta fase:
-
TRIZ
QFD
Diseo Axiomtico
Diseo robusto
Diseo para X
DFMEA y PFMEA (diseo y anlisis de modo causa de falla de desempeo)
Revisin de diseo
CAD/CAE
Pgina 20
Simulacin
Administracin de proceso
2.2.3 Fase 3: Optimizar el diseo (O)

El resultado de esta fase es una entidad de diseo optimizada con todos los
requerimientos funcionales liberados al nivel de desempeo Six Sigma. Como el concepto
de diseo es terminado, existen todava muchos parmetros de diseo que pueden ser
ajustados o cambiados. Con la ayuda del simulador por computadora y/o prueba de
hardware, modelacin DOF, mtodos de diseo robusto Taguchi, y metodologa de
respuesta de superficie, el establecimiento de parmetros ptimos sern determinados.
Usualmente, esta fase de optimizacin de parmetros, en proyectos de producto DFSS,
sern seguidos por paso de optimizacin de tolerancia. El objetivo es proporcional una
base lgica y objetiva para el establecimiento de tolerancias de manufactura. Si los
parmetros del diseo no son controlables, lo cual es usualmente el caso de proyectos de
producto DFSS, ser necesario repetir las fases 1 a 3 del DFSS para el diseo del
proceso de manufactura.
-
Herramientas de diseo/simulacin
Diseo de experimento
Mtodo Taguchi, diseo de parmetro, diseo de tolerancia
Diseo basado en la liberacin
Evaluacin de robustez
2.2.4 Fase 4: Validar el diseo (V)

Despus que los parmetros y las tolerancias del diseo estn completos, se proceder a
la verificacin final y la validacin de actividades.
Pgina 21
Paso 1: Prueba piloto y refinacin

Ningn producto o servicio debera ir directamente al mercado sin antes hacer la prueba
piloto y refinacin. Aqu podemos utilizar el anlisis de modo y efecto de falla de diseo
(DFMEA) as como el piloto y pequeas implementaciones a escala para probar y evaluar
el desempeo en la vida real.
Paso 2: Validacin y control de proceso
En este pase validaremos la nueva entidad para asegurarnos que el resultado final
(producto o servicio) diseado cumple los requerimientos de diseo y que los controles de
proceso en manufactura y produccin son establecidos en orden de asegurar que las
caractersticas crticas son siempre producidas para la especificacin de la fase de
Optimizacin (O).
Paso 3: Despliegue comercial completo y transmisin al nuevo proceso del cliente
Como la entidad del diseo es validada y el control del proceso es establecido, se lanzar
el despliegue comercial completo y la nueva entidad, junto con los procesos de soporte,
pueden ser sostenidos al diseo y a los dueos del proceso, completar estos
requerimientos estableciendo y controlando sistemas de monitoreo.
-
Modelacin de capacidad del proceso
DOE
Prueba de liberacin
Poka - yoke, Prueba y error
Anlisis de confiabilidad
Plan de control del proceso
Capacitacin
Pgina 22
2.3 Proceso de diseo y vulnerabilidades de diseo

Una aplicacin eficiente de DFSS puede ser alcanzada cuando herramientas analticas
son combinadas con herramientas de diseo basadas en la ciencia tales como el diseo
axiomtico (Suh 1990), donde la modelacin de la estructura del diseo tiene gran
importancia. La estructura del diseo es una serie de interrelaciones que caracterizan los
requerimientos de diseo, parmetros de diseo, y variables de proceso. Dependiendo del
contexto, diferentes formatos para expresar la estructura tales como un bloque de
diagramas, mapeos de proceso, y rboles de funcin son utilizados, algunos ms
populares que otros. Mientras alguno de los modelos est apoyado en el Seis Sigma, con
el enfoque DMAIC, tales como matrices causa-efecto y mapeo de proceso, la necesidad
es ms pronunciada en DFSS en particular la fase de caracterizacin. Tal modelacin
revelar como es acoplado el diseo en los requerimientos funcionales (FRs).
Pgina 23
3. Diseo para Seis Sigma Desarrollo de proyectos
Pgina 24
3. Diseo para Seis Sigma Desarrollo de Proyectos

3.1 Introduccin
Una gua general para proyectos Seis Sigma (DFSS) se presenta a continuacin:
I Fase de identificacin
Paso 1. Formar un equipo de trabajo
Paso 2. Determinar las expectativas del cliente (QFD fases I y II)
C Fase de caracterizacin
Paso 3. Comprender la evolucin de FRs (TRIZ)
Paso 4. Generar conceptos (TRIZ, Pugh)
Paso 4.1 Analizar y establecer conceptos
Paso 5. Seleccionar el mejor concepto (Pugh)
Paso 6. Finalizar la estructura funcional del concepto seleccionado (Diseo axiomtico)
Paso 6.1 Realizar mapeos (Diseo axiomtico)
O Fase de optimizacin
Paso 6.2 No acoplar o desacoplar conceptos seleccionados
Paso 6.3 Simplificar diseo usando axioma 2
Paso 7. Iniciar tablero de proyecto de diseo y desarrollo de Funcin de Transferencia
Paso 8. Evaluar riesgos (FMEA/PFMEA)
Paso 9. Organizar las Funciones de Transferencia (DOE, analtico)
Paso 10. Diseo para X
Paso 11. Finalizar el establecimiento de tolerancias (Diseo de tolerancias)
V Fase de validacin
Paso 12. Diseo del piloto / prototipo
Paso 13. Validacin del diseo (Productos / Servicios o Procesos)
Paso 14. Lanzamiento de produccin normal
Paso 15. Celebrar el xito de la finalizacin
Paso 1. Formar un equipo de trabajo de diseo (DFSS)
Pgina 25
El Black Belt forma el equipo incluyendo a representantes de los proveedores y clientes,

as como a participantes clave. Se definen claramente sus roles, responsabilidades,
recursos, etc. Su reto primario es aprender y mejorar ms rpido que sus competidores.
Paso 2. Determinar las expectativas de los clientes
Se definen y priorizan las expectativas de los clientes y sus perfiles de uso, en conjunto
con otros requerimientos internos corporativos, reglamentarios, etc. Es importante el
conocimiento profundo de los clientes por medio de involucracin directa. Esto refuerza la
creatividad e innovacin orientando a la generacin de productos sin precedente para los
clientes.
Se trata de comprender los deseos y necesidades del cliente, lo que lo deleita, y perfiles
de uso, condiciones de operacin y aspectos ambientales. Todo esto se coloca en los
QUEs de la casa de la calidad del QFD.
Los representantes de mercadotecnia apoyan al equipo identificando todos los segmentos
de clientes. Los clientes externos pueden ser centros de servicio, organizaciones de
comercializacin independientes, agencias reguladoras, y sociedades especiales.
Tambin son muy importantes los distribuidores y los consumidores finales, tanto actuales
como potenciales. Entre los clientes internos se encuentran las diferentes reas internas
de la empresa.
La definicin del Diseo ideal se obtiene al resumir el conocimiento ganado durante el
monitoreo continuo de las tendencias del consumidor, benchmarking competitivo, y
satisfactores y no satisfactores, dentro de la definicin inicial de un diseo ideal. Este
diseo se debe definir desde la perspectiva del cliente.
Se deben identificar los atributos de satisfaccin del cliente. Atributos son los beneficios
potenciales que el consumidor puede recibir del diseo y se caracterizan por ser
cuantitativos y cualitativos. El siguiente modelo de Robert Klein, sugiere la medicin de la
importancia de las necesidades clave de los clientes por un mtodo directo y por otro
mtodo indirecto infiriendo infirindola de otros datos.
Pgina 26
Importancia establecida
Importancia revelada
Mtodo indirecto
Mtodo directo
Muy importante
No importante
Dbil
Esperada
Bajo impacto
Fuerte
Alto impacto
Escondida
La identificacin de las expectativas de los clientes es un paso vital para el desarrollo de

los productos y servicios que el cliente preferir. Noriaki Kano, desarroll un modelo que
divide las caractersticas en tres categoras: insatisfactores, satisfactores y deleitadotes.
Los insatisfactores son conocidos como bsicos, deben ser o esperados, la cual el cliente
la da como hecho y si no se da le produce insatisfaccin. Los satisfactores son
caractersticas de desempeo, de una dimensin o lineales y son algo que el cliente
quiere y espera, entre ms mejor. Los deleitadotes son caractersticas que exceden la
oferta competitiva al crear sorpresas inesperadas y placenteras.
Calidad excitante
Satisfaccin del
Calidad de
cliente
desempeo
Deleitadores
Grado de logro de CTSs
Deseos no expresados
Calidad
bsica
Mayor es mejor
Modelo Kano
Posteriormente se refinan y priorizan los deseos, necesidades y deleitadores del cliente.
Los atributos deben incluir a todos los clientes, requerimientos reglamentarios,
expectativas sociales y ambientales. Es necesario comprender que puede ser
Pgina 27
estandarizado
(universalmente)
que
necesidades
pueden
ser
personalizadas
(localmente). Las prioridades se asignan en la columna de tasa de importancia del cliente

del QFD.
En otra parte de la matriz de QFD se colocan la lista de crticos para la satisfaccin
(CTSs) como respuesta a los QUEs, denominados los COMOs. El propsito es definir un
conjunto de crticos para la satisfaccin (CTSs) con los cuales los QUEs puedan ser
materializados. Por cada QUE debe haber al menos un COMO describiendo la forma de
lograr satisfaccin del cliente. Los requerimientos tcnicos CTS y los QUEs se relacionan
en la matriz de despliegue del QFD.
Los CTSs se traducen en requerimientos funcionales (FRs) con las especificaciones de
diseo (tolerancias) que despus son desplegadas en cascada a todos los niveles del
diseo, Un mapeo sugerido del QFD es el siguiente:
Realizar la fase 1 del QFD mapeando los atributos del cliente a requerimientos
crticos para la satisfaccin (CTSs).
Realizar la fase 2 del QFD mapeando CTSs a requerimientos funcionales (FRs).
Realizar un mapeo en zigzag de diseo axiomtico entre los parmetros de diseo

(DPs) y las variables del proceso (PVs) .
Realizar mapeo en zigzag de diseo axiomtico entre los parmetros de diseo y

las variables de proceso (PVs) .
Se definen las especificaciones funcionales FRs y sus variaciones permitidas. Para lo cual
se utiliza informacin histrica, benchmarking competitivo, tendencias, perfiles de usuario,
y pruebas. Se reconocen dos estructuras:
La estructura fsica entre los requerimientos funcionales (FRs) y los parmetros de

diseo (DPs).
La estructura de proceso entre los DPs y las variables de proceso (PVs).
Al final se recomienda utilizar un mtodo de planeacin de actividades para el proyecto,

tal como PERT, CPM o Gantt. Teniendo en consideracin los requerimientos de carga de
trabajo y los recursos disponibles. Se establecen puntos de revisin Tollgates para
Pgina 28
asegurar que la gerencia est enterada de los avances antes de aprobar las siguientes
fases del proyecto.
Paso 3. Comprensin de los de la evolucin de los requerimientos funcionales
Las entidades de solucin del diseo siguen ciertos patrones bsicos de desarrollo. Con
base en el historial se puede graficar la evolucin de los requerimientos funcionales (FR)
contra el tiempo, dando una curva S.
Desempeo
Declinacin
Madura
Intermedio
Invencin
Tiempo
La evolucin de la curva S
Esta evolucin de la tecnologa debe ser tomada en cuenta para comparar el diseo
genrico de las entidades.
Paso 4. Generar conceptos
Se debe formar una matriz para estructurar y controlar el proceso de anlisis, generacin
y evaluacin de las soluciones del proyecto. Las columnas contienen las los criterios para
evaluar las ideas o conceptos y las filas son los criterios. Despus de que se ha
determinado el arreglo de requerimientos funcionales (FRs) se generan diferentes
entidades de alternativas de solucin. Estas entidades representan la traduccin fsica de
las funciones definidas en el dominio funcional. Las alternativas se forman con las
actividades de anlisis y sntesis. La sntesis implica la seleccin de una estructura donde
una funcin es mapeada dentro de diferentes entidades posibles. Entre las tcnicas
utilizadas se encuentran la analoga, tormenta de ideas, combinacin y evolucin.
Pgina 29
Los mecanismos clave para llegar a los mejores conceptos de diseo o entidades de
solucin son (1) diseo axiomtico, (2) metodologa TRIZ y (3) mtodo de convergencia
controlada del Dr. Stuart Pugh (1991) como parte de este proceso de solucin.
La convergencia controlada es un proceso de seleccin iterativa de soluciones que
permite
alternar
pensamiento
convergente
(analtico)
divergente
(sinttico)
experimentado por el equipo. El mtodo alterna entre actividades de generacin y

seleccin como sigue:
Concepto inicial
Concepto reducido
Nuevo concepto generado
Reduccin
Adicin
Concepto seleccionado
Mtodo de convergencia controlada
Pgina 30
Paso 5. Seleccionar el mejor concepto

En este paso se produce la convergencia del mejor concepto en pasos iterativos, en la
secuencia siguiente:
Listar los criterios en los renglones de la matriz de Pugh (requerimientos

funcionales FRs, restricciones, requerimientos legales y reglamentarios, de la fase
II del QFD). Estos criterios deben ser medibles y claros para el equipo.
Listar los conceptos en las columnas de la matriz de Pugh resultante de la matriz

de sntesis.
Seleccionar un diseo de referencia (datum) con el cual todos los dems

conceptos deben ser comparados en las entidades alternativas. Evaluar los
conceptos contra los criterios definidos usando una escala numrica positiva si es
mejor o negativa si es peor, o S si es igual a la referencia (datum).
Conceptos/
FRs
FR1
FR2
FR3
FR4
.
.
FRm
Total (-)
Total (+)
Datum
Concepto A
Concepto B
S
S
S
S
-2
-2
-1
+3
+3
-2
+1
..
Concepto N
-1
-2
+3
+3
-1
Matriz de Pugh de generacin seleccin
Realizar estudios para establecer compromisos para generar alternativas

utilizando axiomas de diseo y TRIZ. qu se requiere en el diseo para revertir
los negativos?
Obtener las sumas de (+), (-) y similares (S), estos nmeros solo son una gua
relativa para apoyar la toma de decisiones.
Seleccionar el mejor concepto con el mximo nmero de signos positivos y mnimo

nmero de signos negativos-
Paso 6. Finalizar la estructura fsica del concepto seleccionado

Realizar el diseo detallado de la estructura fsica que determine la oportunidad para
capturar el mximo potencial para la satisfaccin del cliente definida en el paso 2. El
Pgina 31
diseo axiomtico proporciona el zigzagueo para definir las estructuras fsicas y de

proceso. La estructura es capturada matemticamente por medio de matrices de mapeo
con matrices pertenecientes al mismo nivel jerrquico, haciendo un mismo conjunto. La
coleccin de todas las matrices detalladas de diseo forman la estructura. Esta estructura
proporciona el camino para dar seguimiento a la cadena de efectos para cambios en el
diseo conforme se propagan en el diseo.
El proceso de zigzagueo inicia con un mnimo de requerimientos funcionales que
desarrollan las tareas de diseo obtenidas en la fase 2 del QFD. Este proceso es guiado
por el proceso creativo y heurstico de definicin de requerimientos funcionales a travs
de preguntas lgicas generadas en el mtodo de zigzagueo. Esta definicin estructural es
juzgada por los siguientes axiomas de diseo.
Axioma 1. Axioma de independencia. Mantener la independencia de los requerimientos
funcionales.
Axioma 2. Axioma de informacin. Minimizar el contenido de informacin en el diseo.
Despus de satisfacer el axioma de independencia, se busca la simplicidad de diseo
minimizando el contenido de informacin de acuerdo al axioma 2. En este caso el
contenido de informacin es una medida de la complejidad y se refiere a la probabilidad
de manufactura exitosa del diseo como fue intencionado.
Un diseo dbil tiene limitaciones para su ambiente de uso. Las DPs deben ser
seleccionadas de manera de tener conceptos no acoplados o al menos con acoplamiento
dbil. El DFMEA es una herramienta que puede apoyar a la identificacin de
vulnerabilidades de diseo como causas de falla.
Axiomas de diseo
Axioma 1. Axioma de independencia
Debilidades de diseo
Violacin
Pgina 32
Acoplamiento
Axioma 2. Axioma de informacin
Violacin
Complejidad
Para realizar el mapeo se usa el proceso de zigzagueo del diseo axiomtico. El propsito
principal de su uso es establecer el conjunto mnimo de funciones que cubran los atributos
del cliente, corporativos, y reglamentarios. Es necesario discutir y comparar varias
soluciones para los requerimientos funcionales identificados en la estructura fsica as
como los mtodos para combinarlos y formar una estructura fsica.
El anlisis funcional y la sntesis fsica son las actividades principales en la fase de
Caracterizacin. Es necesario buscar ideas para lograr deleitar al cliente, con ideas
innovadoras que cambien paradigmas, capitalizar nuevas tecnologas para obetener una
definicin preliminar de requerimientos funcionales (FRs); parmetros de proceso y
variables de proceso; y minimizar las vulnerabilidades.
Para desacoplar y simplificar las estructuras, se hacen mapeos entre los cuatro dominios.
El primer mapeo se hace entre los atributos del cliente y las mtricas Crticas para la
satisfaccin (CTSs). El segundo mapeo se hace entre los CTSs y los requerimientos
funcionales FRs, hasta obtener un conjunto mnimo de requerimientos de alto nivel para
lograr el valor del diseo desde el punto de vista del cliente. Despus se hace el mapeo
fsico, con dominio en FRs y codominio en parmetros de diseo DPs, su estructura
puede representarse matemticamente por matrices de diseo o grficamente por
diagramas de bloque. La coleccin de matrices de diseo forman la estructuira
Pgina 33
conceptual. El mapeo de proceso es el ltimo mapeo e involucra el dominio DPs y como

codoiminio las variables de proceso PVs, puede representarse por matrices y representa
la estructura de proceso necearia para traducir las DPs a PVs en ambientes de
manufactura o produccin.
CAs
.
.
FRs
DPs
PVs
CTQs.
Y=f(x)
Mapeo fsico
Y=f(x)
Mapeo de proceso
Mapeos del proceso de diseo

El proceso de zigzagueo del diseo axiomtico es un modelo conceptual que muestra el
acoplamiento de las FRs del diseo, en el arreglo fsico las FRs es el arreglo de las
respuestas Y. El acoplamiento de las FRs implica un diseo dbil que afecta
negativamente al control y ajustes de la entidad de diseo. El Acoplamiento puede
definirse como el grado de falta de independencia entre las FRs, que se propaga a travs
de los mapas de diseo y limita el potencial del diseo. Los diseos desacoplados no solo
son deseables en funcin de su control, calidad y robustez sino tambin tienen una alta
probabilidad de reproducibilidad con defectos por oportunidad reducidos (DPO).
Cuando una matriz es cuadrada, donde el nmero de FRs es igual al nmero de DPs y
diagonal, el diseo se denomina independiente o desacoplado. Un diseo desacoplado es
un mapeo uno a uno. Se tiene robustez ya que las DPs se pueden cambiar para afectar el
requerimiento intencionado sin reajuste de otro requerimiento no intencionado.
Cuando el nmero de requerimientos FRs es mayor que el nmero de DPs se tiene un
diseo acoplado, por tanto se puede desacoplar agregando de manera inteligente DPs a
Pgina 34
la estructura, esto puede apoyarse con el diseo axiomtico en sus teoremas y corolarios,
de esta forma pueden alcanzarse los objetivos de Seis Sigma.
Despus de lograr independencia de acuerdo al axioma 1, ahora se selecciona el diseo
con el menor contenido de informacin, tanto para manufacturar el producto, como menos
complejidad o calidad de las entidades diseadas. La complejidad del diseo produce
falta de transparencia en las funciones de transferencia entre entradas y salidas en la
estructura fsica, la dificultad relativa del empleo de procesos fsicos y transaccionales, y
el nmero relativamente grande de ensambles, procesos y componentes involucrados. El
nmero, varianza, y relaciones de correlacin de los elementos de diseo son
componentes de la complejidad del diseo.
Paso 7. Iniciar tableros de diseo y desarrollo de funciones de transferencia
Los requerimientos funcionales en la estructura fsica pueden ser detallados por tableros
de diseo y funciones de transferencia. Las funciones de transferencia son los medios
para atender la satisfaccin del cliente y pueden ser inicialmente identificadas a travs de
los diferentes mapeos de diseo. Las funciones de transferencia pueden ser obtenidas
empricamente de un Diseo de Experimentos (DOE) o con una regresin usando datos
histricos. En algunos casos no hay frmula matemtica y se utilizan modelos.
Debe haber una funcin de transferencia para cada requerimiento funcional, para cada
variable de proceso, y al final para cada CTS y atributo del cliente. {FRs} = |A| |DPs| y
{DPs} = |A| |PVs|. Las variables dependientes en las funciones de transferencia se
optimizan ya sea moviendo sus medias, reduciendo su variacin o ambas. Esto se logra
ajustando su mapeo a media y varianza en variables independientes. La optimizacin se
propaga al dominio del cliente a travs de las otras funciones de transferencia en el
mapeo de diseo incrementado la satisfaccin del cliente.
Los documentos del tablero de diseo registran y evalan cuantitativamente el avance del
diseo, registran el proceso de aprendizaje y muestran todos los elementos crticos y de
desempeo de un diseo (CTSs, DPs, y PVs). Muestran brechas de mejora respecto a los
atributos del cliente, documentan las funciones de transferencia y la optimizacin del
diseo, pronosticando los resultados finales, facilitando la comunicacin entre las reas
Pgina 35
impactadas por el proyecto, y evalan que tanto es soportado el diseo en los procesos
de produccin a niveles de componentes y subensambles.
Paso 8. Evaluacin de riesgos utilizando DFMEA / PFMEA
Un FMEA es un conjunto sistematizado de actividades enfocadas a:
Reconocer y evaluar las fallas potenciales del diseo y sus efectos.
Identificar acciones que podran eliminar o reducir la probabilidad de que ocurran

las fallas potenciales.
Documentar el proceso.
Es un complemento al proceso de diseo para definir positivamente que debe hacer un

diseo para satisfacer al cliente. Ayuda a contestar las preguntas Qu puede salir mal? Y
de donde viene la variacin? En diseo, manufactura, ensamble, embarque y otros
procesos de servicio, revisndolos para prevenir la recurrencia de los modos de falla y
reducir la variabilidad. Se deben prevenir que sucedan las cosas errneas e incluye el
desarrollo de estrategias ante diferentes situaciones, el rediseo de procesos para reducir
variaciones, y la implementacin de elementos a prueba de error (Poka Yoke) en diseos
y procesos.
El FMEA de diseo o DFMEA se usa para analizar sistemas y subsistemas en las
primeras etapas de desarrollo del concepto y diseo, para identificar modos de falla
potenciales asociados con un sistema causados por el diseo, antes de su produccin. El
DFMEA debe realizarse antes de hacer prototipos. Las entradas al DFMEA es un arreglo
de FRs, sus salidas incluyen (1) lista de acciones para prevenir causas o para detectar
modos de falla y (2) historial de acciones tomadas y actividad futura.
El PFMEA o AMEF de proceso, se usa para analizar la manufactura, ensamble, o
cualquier otro proceso, se enfoca a las entradas del proceso.
El FMEA se enlaza a otras herramientas del DFSS como el diagrama P, diagrama de
causa efecto, estructuras fsicas y de proceso, funciones de transferencia, mapeos de
proceso, y diseo de experimentos clsico y robusto.
El diagrama P es una herramienta de diseo robusto usada para resumir las entradas y
salidas de un diseo objetivo o entidad de proceso. Distingue entre los factores
Pgina 36
controlables DPs en diferentes niveles jerrquicos; factores que no se pueden controlar o

no se desean controlar por cuestiones tecnolgicas o de costo que son factores de
ruido. Los factores de ruido causan fallas de diseo (falla en alguna FR) y lo hacen no
solo por medio de sus efectos principales sino en su interaccin con parmetros de
diseo. Los factores de ruido se clasifican en: ambientales, variacin entre unidades
producidas individuales, acoplamiento con otros sistemas, utilizacin del cliente, y
deterioracin.
Las entradas del arreglo de factores de seal son ejercidas por el cliente para excitar el
sistema causando que las DPs entreguen las FRs en la estructura fsica o las PVs para
desarrollar las DPs en la estructura del proceso.
Entradas de ruido no controlables
Ambientales, acoplamiento, uso del cliente
Deterioracin, variacin entre unidades
M1
Seales
M2
FR1
Proyecto DFSS
FR2
Mn
FRn
.
DP1
DP2
DPp
Entradas controlables
Diagrama - P
La funcin de transferencia es una relacin de un sistema a sus salidas, en trminos del
diagrama P, puede ser descrita como FR =f(factores de seal, factores de ruido,
parmetros de diseo), en el mapeo fsico y DP = f(factores de seal, factores de ruido,
variables de proceso) en el mapeo del proceso. El proceso de zigzagueo ayuda a
determinar la funcin de transferencia parcial FR(DP) = f(factores de seal, parmetros de
diseo) en la estructura fsica. Cuando no hay factores de ruido se dice que se tiene la
funcin ideal .
Pgina 37
Paso 9. Finalizando la estructura fsica

El propsito de describir el dise en trminos de sus seales de entrada y sus
respuestas (FRs) es estructurar el desarrollo de la estrategia de optimizacin. La
descripcin del estructura fsica proporciona un resumen estratgico de el nivel de
optimizacin del sistema y los enfoques en los que se basa.
El arreglo de FRs se transfiere a un arreglo de funciones de transferencia, con las cuales
se optimizan todas las FRs en el diseo (centrar la media al objetivo y reducir la variacin.
Un aspecto clave es la identificacin de parmetros con bajo costo que puedan ser
combinados para obtener diseo robustos insensibles al ruido. El objetivo del diseo de
parmetros es reducir tanto como sea posible el efecto del ruido, explorando los niveles
de los factores que hagan al diseo insensible al ruido.
Los factores de ruido causan que la respuesta se desve del objetivo intencionado,
especificado por el valor del factor de seal. Se tienen tres tipos de ruido:
Variacin entre unidades (manufactura/produccin o proveedor).
Fuentes externas (uso, ambiente y variacin por el esfuerzo.
Fuentes de Deterioracin (desgaste) tal como fatiga de materiales, envejecimiento

y desgaste, abrasin, y en general los efectos generales de uso en el tiempo.
Los factores de ruido afectan las FRs en diferentes segmentos del ciclo de vida, como
resultado pueden causar reduccin significativa de robustez y confiabilidad.
Variacin
Entre
unidades
Defectos de Mfra.
Uso del cliente
Ambiente externo
Degradacin
Fallas aleatorias
Desgaste
Efecto de los factores de ruido durante el ciclo de vida del sistema

Paso 10. Diseo para X (manufacturabilidad, confiabilidad, ambiente, ensamble,
prueba, servicio, apariencia, empaque/embarque, etc.)
Pgina 38
DFX es el mtodo ms efectivo de implementar ingeniera concurrente. La X en DFX

consta de dos partes: procesos del ciclo de vida (x) y medicin del desempeo (habilidad),
es decir X = x + habilidad. Las tcnicas DFX son parte del diseo detallado apoyadas con
Poka Yokes para evitar errores humanos.
El diseo para confiabilidad DFR tiene el propsito es mejorar la confiabilidad
simplificando el diseo, reduciendo el nmero y tipo de componentes, estandarizando
partes y materiales para reducir variabilidad, contrarrestando efectos ambientales con los
parmetros del diseo, minimizando daos en el manejo, con procesos insensibles al
ruido y eliminando las vulnerabilidades del diseo.
El diseo para mantenabilidad DFM tiene el propsito de asegurar que el diseo se
desempee satisfactoriamente a lo largo de la vida til intencionada con un costo y
esfuerzo mnimo. Se trata de minimizar (1) el tiempo muerto de mantenimiento, (2) tiempo
de usuario y tcnicos, (3) reduccin de accidentes durante las tareas de mantenimiento,
(4) costos de mantenimientoy (5) requerimientos de logstica para partes de reemplazo,
unidades y personal de respaldo. Las acciones de mantenimiento pueden ser preventivas,
correctivas, o reciclo y reconstrucciones.
El Diseo para ambiente DFE atiende aspectos ambientales en todas las etapas del
diseo, as como postproduccin, transporte, mantenimiento y reparacin. El propsito es
minimizar el impacto ambiental.
Es importante tomar ventaja del apoyo de proveedores, plantas subsidiarias, lneas de
proceso, etc. para crear diseos suficientemente robustos para lograr los requerimientos
de Seis Sigma a partir de las capacidades actuales.
Paso 12. Diseo de tolerancias
El propsito del diseo de tolerancias es asignar tolerancias a las partes, ensambles o
procesos identificados en las estructuras funcionales y fsicas, con base en las
variaciones aceptables en las FRs, la influencia relativa de diferentes fuentes de variacin
en el todo, y los compromisos de costo beneficio. En esta etapa se determinan las
desviaciones permisibles de los valores de las DPs. Cerrar las tolerancias donde sea
necesario y abrirlas donde sea posible para optimizar los costos.
Pgina 39
Las decisiones en relacin a la reduccin en tolerancia se basan en la funcin de prida,

donde se sugiere que las prdidas causadas a la sociedad son proporcionales al
cuadrado de la desviacin de una caracterstica de diseo de su valor objetivo. El costo
de estar fuera de especificacin para el criterio de desempeo crtico debe ser estimado.
Paso 13. Diseo del piloto y del prototipo
El objetivo de este paso es verificar que el diseo optimizado se comporta en un nivel que
es consistente con las especificaciones. Para esto se crea un prototipo, que proporcione
un marco de referencia para la identificacin sistemtica y solucin eficiente de
problemas. Los pasos para el prototipo son los siguientes:
Iniciar el desarrollo de la matriz de prueba.
Definir los criterios de aceptacin de pruebas.
Evaluar el sistema de medicin (R&R).
Desarrollar un programa detallado de pruebas.
Establecer un plan de produccin.
Realizar un plan de prueba de prototipo.
Obtener la aprobacin de plan.
Ordenar partes y construir prototipos.
Realizar las pruebas.
Evaluar y analizar los resultados.
Verificar los procedimientos de servicio y estudios de tiempos y movimientos.
Se puede comparar las capacidades del prototipo y compararlas con la capacidad de

productos similares.
Paso 14. Validar el diseo
Una vez que se terminan y emiten las especificaciones del diseo y del proceso. Este
paso proporciona una confirmacin rpida de las estructuras de diseo incluyendo
manufactura, ensamble y capacidad de produccin, con la necesidad de cambios
mnimos. Cubre la instalacin del equipo y la manufactura y evaluacin de un lote
significativo de produccin, producido bajo las mismas condiciones de produccin masiva.
Las pruebas de validacin de produccin se usan para verificar que el proceso est
Pgina 40
produciendo un diseo que cumple con las FRs resultantes de los atributos del cliente.
Una verificacin funcional por el cliente y el equipo tambin son recomendadas.
Para lograr lo anterior, deben estar listas y disponibles en los lugares de trabajo, las
instrucciones de proceso, ayudas visuales para operadores, planes de control, planes de
reaccin. Los expertos del diseo deben estar disponibles y deben transferir sus
conocimientos al personal operativo.
El personal de calidad debe estar disponibles para la realizacin de estudios R&R para
asegurar un error menor al 10% o entre 10 a 30% para caractersticas no crticas.
Paso 15. Lanzamiento de la produccin masiva
La produccin masiva es una oportunidad para confirmar que el proceso no ha cambiado
los requerimientos funcionales. Para esto:
Desarrollar e iniciar un plan de lanzamiento para (1) manufactura y (2)

manteniendo y servicio.
Construir una estrategia de reaccin ante problemas.
Soportar un plan de lanzamiento de marketing.
Implementar un plan de lanzamiento.
Implementar un plan de confirmacin de produccin masiva evaluacin de

capacidades.
Mejorar los productos y procesos a una velocidad mayor que los competidores.
Usar un procedimiento disciplinado para colectar, sintetizar, y transferir informacin

a los manuales de diseo.
La administracin del riesgo se refiere a visualizar otros escenarios del futuro y tener los
planes respectivos para aceptarlos (bajo riesgo), mitigarlos, prevenirlos o enviarlos a
terceros. El propsito de la administracin de riesgos es reducir las prdidas potenciales,
a travs de reducir la probabilidad y magnitud de pridas (incertidumbre), y recuperacin
de esas prdidas. Se usa el FMEA como herramienta para los riesgos.
Pgina 41
4. Funciones de transferencia y tableros
Pgina 42
4. Funciones de transferencia y tableros (scorecards)

4.1 Introduccin
El anlisis funcional y la sntesis fsica son las primeras actividades realizadas en la fase
de caracterizacin ( C ) de DFSS. Ahora se har una sntesis del diseo y se analizan las
funciones de transferencia y tableros.
Una funcin de transferencia es el medio de optimizacin y diseo detallado documentado
en el tablero. Se identifica con el mtodo de zigzagueo y se detalla por derivacin,
modelado, o experimentacin. Su uso primario es para optimizar y validad.
El tablero se usa para registrar y optimizar las funciones de transferencia.
4.2 Anlisis del diseo
El diseo axiomtico proporciona el mtodo de zigzagueo para definir las estructuras del
proceso y fsicas.
Una estructura se define como una relacin de elementos funcionales en entrada
salida, causa efecto. Grficamente se muestra en un diagrama de bloques, compuesto
por nodos conectados por flechas indicando las relaciones. Debe captura todos los
elementos de diseo dentro del alcance y asegurar su flujo correcto a los parmetros
crticos. La estructura se captura matemticamente usando matrices de mapeo. El
conjunto de matrices de diseo forma la estructura de proceso o conceptual fsica. La
estructura proporciona el camino para dar seguimiento al efecto en cadena de cambios
conforme se propagan en el diseo.
4.3 Sntesis del diseo

Los mapas de diseo (matrices) son representaciones conceptuales en diferentes niveles
jerrquicos. Las matrices no son independientes y su solucin debe ser sintetizada en la
estructura fsica y posteriormente en la estructura de proceso. El fin ltimo de los mapas
de diseo es facilitar el diseo detallado cuando se identifican las relaciones matemticas
en forma de funciones de transferencia. El anlisis de diseo con mapas de diseo deben
ser desarrollados antes de las actividades de sntesis de diseo. Un diagrama de bloques
es una representacin grfica del mapa de diseo y los efectos de los factores de ruido.
Pgina 43
Tensores
Brazos
Engrane
Guas
Cadena
Engrane
rbol levas
Vlvula
Vlvula
Continua.
Ejemplo de diagrama de bloques
Diagrama P
El diagrama P de un diaseo robusto representa todos los elementos de la actividad de
sntesis de DFSS. Los componentes del Diagrama P son:
Seal (M): es la traduccin de la intencin del cliente para trminos tcnicos

medibles. Se puede categorizar en energa, informacin o material.
Respuesta (Y): es la traduccin de los resultados percibidos por el cliente dentro

de requerimientos funcionales medibles (FRs) o parmetros de diseo (DPs). Un
FR(DP) puede ser categorizado como energa, informacin o material.
Parmetros de diseo (DPs): DPs son las caractersticas inherentes a un

producto o proceso especfico especificadas por el equipo.
Factores de ruido (N): los factores de ruido impactan el desempeo de un

producto o proceso pero ya sea que no se controlen o su control sea muy caro. Su
propsito principal es crear variabilidad en la respuesta, se pueden categorizar en:
variacin de pieza a pieza (o servicio a servicio); acoplamiento con otros
componentes, subsistemas o sistemas; uso por el cliente; factores ambientales; y
degradacin.
Pgina 44
Funcin ideal: es una descripcin de como el sistema se desempea para

realizar su funcin intencionada de manera perfecta. Es una descripcin
matemtica de la transformacin de energa para la relacin entre la seal y la
respuesta. La funcin ideal es FD = M, donde Beta es la sensisbilidad con
respecto a la seal.
Parte a parte; Medio ambiente; Factores de ruido; Uso normal; acoplamiento
Degradacin
Factor de seal
Respuesta Arreglo FRs (DPs)
DPs
(PVs)
Diagrama P
FR
La funcin ideal
Diagrama de bloque y sntesis
Sea [FR1, FR2, FR3] y {f1, f2, f3}, cada fi puede ser escrita como fi(Mi, dESI), i= 1, 2, 3 y
M es la seal. El Mapeo f(M,DP) es aditivo.
1. Sntesis en serie pura. Una entidad funcional de bajo nivel recibe su seal de otra
entidad de mayor nivel. Sean f1, f2 y f3 tres mapeos fsicos de FRs a F o sea:
f1 o f2: FR F:f1 f2(f1(M1, DP1), DP2)
Pgina 45
f2 o f3: FR F:f2 f3(f2(M2, DP2), DP3), donde M2 = f1(M1,DP1); M3 = f2(M2, DP2).

Asumiendo que la funcin ideal tiene la forma FRi = i Mi con i = 1,2,3. Entonces la
ecuacin de transferencia sin factores de ruido est dada por:
1 2 3
1 2 A11
{FR3}
3A22
A33
'
M1
DP1

DP2
DP3
Aii FRi / DPi

Parmetros de Diseo
DP1
Entidad de
funcin 1
Seal de
Entrada M1
DP2
Entidad de
funcin 2
DP3
Entidad de
funcin 3
Respuesta Seal de Respuesta FR2 Seal de Respuesta FR3

FR1
Entrada M2
Entrada M3
Sntesis en serie
De la misma manera se pueden hacer sntesis en paralelo y combinadas.

Una sntesis acoplada resulta cuando dos o ms FRs comparten al menos una DP. El
acoplamiento ocurre debido a que los parmetros de diseo m(p = 2, m = 3). Note que la
matriz de diseo no es ideal y que la resolucin de acoplamiento requiere agregar otro
DP.
Pgina 46
FR1 3A1 0
M1 DP1
FR2 31 32 3A21 0 Er or
M
2
D
P
2
FR3 0 0

Funcin ideal
Mapeo de diseo
Factores de ruido
Parmetros de Diseo
DP1
Entidad de
funcin 1
Seal de
Entrada M1
DP2
Entidad de
funcin 2
DP3
Entidad de
funcin 3
Respuesta Seal de Respuesta FR2 Seal de Respuesta FR3

FR1
Entrada M2
Entrada M3
Pasos de la sntesis
1. Obtener las FRs de alto nivel de la fase 2 del QFD.
2. Definir los lmites del sistema del alcance del proyecto.
3. Realizar el mtodo de Zigzagueo al nivel estructural ms bajo e identificar la
funcin de transferencia en cada nivel. El nivel inferior representa los parmetros
de diseo (DPs) o variables de Proceso (PVs).
4. Defini8r los niveles jerrquicos de mapeo de diseo.
Pgina 47
5. Dentro de cada nivel para cada mapeo y para cada FR, clasificar los mapeos a
DPs como: Seal M, y si es energa, informacin o material; Otros DPs y si son
energa, informacin o material.
6. Graficar la funcin idela FR = f(M) en as DPs constantes y ausencia de factores de
ruido.
7. Graficar el diagrama P para cada FR usando paso 5.
8. Agregar factores de ruido al diagrama P, estos factores son no controlables que
inhiben o afectan el desarrollo de la FR y generan modos de falla suaves y duros.
Los factores de ruido son por ejemplo: desgaste con el tiempo; uso del cliente;
efectos del ambiente; etc.
9. Agregar las cadenas de diagramas P en cada nivel jerrquico dentro de una
estructura general utilizando las relaciones de precedencia.
4.4 Tableros de diseo y desarrollo de funciones de transferencia
Las funciones de transferencia en estructuras fsicas y de proceso se capturan en
Tableros de Diseo el cual documenta y evala en forma cuantitativa los avances del
proyecto DFSS, guarda el proceso de aprendizaje, y muestra todos los elementos crticos
del diseo (CTSs, FRs, DPs, PVs) y su desempeo. Sus beneficios incluyen la
documentacin de funciones de transferencia y optimizacin del diseo, pronosticando
resultados finales, mejorando la comunicacin entre los interesados, y evaluando que tan
bien est soportado el diseo por los procesos de manufactura y produccin.
El conjunto de funciones de transferencia de un diseo dado son los medios para atender
la satisfaccin del cliente y pueden ser identificadas inicialmente por el mtodo de
zigzagueo. Una funcin de transferencia es una relacin que incluye el enlace de mapeo,
funcin ideal, y el efecto de los factores no controlables. Pueden ser derivadas
matemticamente, obtenidas empricamente de un diseo de experimentos o regresin
con datos histricos. En algunas ocasiones se recurre al modelaje por simulacin.
Para cada requerimiento funcional FR describir el mapa [FRs] =[A] [DPs].
Para cada parmetro de diseo (DP) describir el mapeo [DPs]=[B] [PVs].
Para cada caracterstica Crtica para la Satisfaccin CTS y al final para cada
atributo del cliente.
Pgina 48
DFMEA
Desarrollo de funciones de transferencia

Las funciones de transferencia son entes vivos en el algoritmo DFSS. Su ciclo de vida es
el siguiente dentro del proceso DFSS:
1. Identificacin: se obtiene por medio del zigzagueo entre los dominios del diseo.
2. Desacoplamiento: realizado al reparar, agregar, reemplazar, y restar alguna de
las variables independientes en el codominio para satisfacer los axiomas de
diseo.
3. Detallado: se logra encontrando la relacin causa efecto, entre todas las variables
despus del desacoplamiento. Incluye la validacin de las realciones supuestas y
las sensibilidades de todas las variables independientes.
4. Optimizacin: despus del detallado, las variables dependientes en las funciones
de transferencia se optimizan ajustando la media, reduciendo la variacin o mbas
en la fase de optimizacin de la metodologa DFSS. Se puede lograr ajustando su
mapeo a las medias y varianzas de las variables independientes.
5. Validacin: la funcin de transferencia es validada en las ambas estructuras.
6. Mantenimiento: se logra al controlar todas las variables independientes, despus
la optimizacin ya sea en casa o externamente.
7. Disposicin: Las funciones de transferencia se disponen cada vez que se cambia
haciua un nivel mayor. Si surge una nueva necesidad ya sea producto de una
innovacin o cambio en necesidades, se hace una evolucin de una nueva funcin
de transferencia para cubrir esa nueva necesidad.
8. Evolucin de una nueva funcin de transferencia: Normalmente3 se siguen
algunos patrones de desarrollo. La tendencia evolutiva del nivel de desempeo de
las FRs de un cierto diseo pueden ser graficadas observando que muestran una
forma de S.
Pgina 49
4.5 Desarrollo de tablero DFS

El tablero identifica cual de las DPs contribuyen ms a la variacin y media de la
respuesta de la funcin de transferencia y el punto optimizado de diseo. Cerrar la
tolerancia para esos parmetros puede ser apropiado. Se hacen las notas siguientes:
Se debe recordar que el tablero se realciona con la estructura jerrquica. Habra un

nmero de tablero igual al nmero de de niveles jerrquicos en la estructura de
referencia.
El tablero es motivado por el algoritmo DFSS, y se enfatiza en conceptos tales

como acoplamiento y funcin de prdida.
Algunas veces los factores de ruido y factores de seal externos no pueden ser
especificados por el equipo de diseo aun cuando se tenga concocimiento de ellos
disponible.
La estructura fsica se utiliza solo para efectos de ilustracin, y la discusin aqu se

aplica de igual manera para los tableros de proceso.
Una vez documentado el nivel jerrquico y el alcance del tablero en trminos del mapeo
del diseo, el equipo necesita llenar el tablero con los siguientes datos:
Pgina 50
Pgina 51
0. El axioma 1 mide que incluir en mapeo del tipo de diseo en la estructura atendida
en el tablero, reangularidad, estimada usando la frmua entre procesos y
semiangularidad. Ambas miden de manera estimada el grado de satisfaccin con
el axioma 1, en particular cuando existen sensibilidades no lineales.
Pgina 52
DP1
FR1 A1 0 0 1 0 DP2

FR2 0 A2 0 0 2 DP3 Er or
FR3 0 0 A3 1 3 23 M1

M2
A1 0 0 DP1 1 0
0 A2 0 DP2 0 2 M1 Er
M2
0 0 A3 DP3 1 3 23
M3 FR1FR2
Pgina 53
1. Listar todas las FRs dentro del alcance del tablero representadas por las funciones
de transferencia y mapeos de diseo.
2. Las unidades usadas por las FRs; se esperan FRs medibles y continuas.
3. La distribucin de cada una de las FR se documenta. Por normal es una
suposicin segura del teorema del lmite central cuando el nmero de (P+K+L) es
mayor a 5.
4. La ecuacin de cada funcin de transferencia por cada FR se anota en esta
columna. El equipo puede usar la columna 20 y la matriz de sensibilidad en la
columna 19.
5. El tipo de FR de acuerdo al diseo robusto se documenta para indicar la direccin
de la optimizacin. El diseo robusto requiere de una de cuatro clasificaciones de
respuestas de Taguchi: Menor es mejor (como el caso de la vibracin); mayor es
mejor (como la resitencia); nominal es mejor; y dinmico (donde el desempeo
funcional relacionado con la energa sobre un rango dinmico prescrito de uso es
la perspectiva).
6. La funcin de prdida del diseo robusto proporciona una mejor estimacin de la
`prdida monetaria incurrida cuando se desva una FR de valor objetivo meta T. La
funcin de prida es una forma de traducir la variacin respecto a la meta a valor
monetario. Permite encontrar los lmites funcionales en los cuales el diseo fallar,
produciendo aplicaciones inaceptables en el 50% de las aplicaciones del cliente.
Para el caso nominal es mejor se tiene:
2
E L( FR, T ) K FR
( FR T ) 2
Para el caso menor es mejor se tiene:
2
E L( FR, T ) K FR
FR
Para el caso mayor es mejor se tiene:
E L( FR, T ) K
FR
FR
`2FR
La media y la varianza de FR se obtienen a partir de datos histricos, muestras a corto

plazo o de las siguientes ecuaciones:
Pgina 54
FR2
FR 2
x j
i
x
P L K
j 1
Donde X son todas las variables que afectan a la FR (seal, DPs y ruido) y L es el nmero
de factores de ruido.
La media de la FR se estima con:
FR
P L K
j 1
FR
x j
i
x
E L( FR, T ) K K ( M T ) 2 g ( M ) dM
Donde g es la funcin de densidad de probabilidad de FR

7. Calcular la complejidad de la FR en bits del axioma 2. Dependiendo de la
distribucin de la FR identificada o asumida en la columna 5, una medida de la
complejidad basada enb la entropa puede ser derivada. Por ejemplo para una
distribucin normal se tiene:
2
h( FRi ) ln 2e FR
La complejidad por decir s, es la suma de los datos en la columna 7:

Mi
Mi
i 1
i 1
2
h(Tablero ) h( FRi) ln 2e FR
La suma de la columna de complejidad en todos los tableros jerrquicos de una estructura

nos da la complejidad estimada de la estructura:
Pgina 55
h(estruct ) h(Tablero )
n 1
Donde N es el nmero de tableros. La suma de la complejidad de la estructura fsica y la

complejidad de la estructura del proceso es la complejidad del diseo.
El objetivo es reducir la complejidad de acuerdo al axioma 2 reduciendo la varianza de las
FR mientras que se alcanza la capacidad Seis Sigma.
8. Introducir la meta de la FR de acuerdo a la fase 2 del QFD.
9. Introducir el lmite inferior de especificacin (LSL) obtenido de la fase 2 del QFD si
es aplicable.
10. Introducir el lmite superior de especificacin (USL) obtenido de la fase 2 del QFD
si es aplicable.
11. Se introduce la capacidad pronosticada de la FR para la media estimada de las
ecuaciones anteriores o muestreo, o datos histricos.
12. Se introduce la capacidad pronosticada de la FR para la varianza estimada de las
ecuaciones anteriores o muestreo, o datos histricos.
13. Introducir (L) para largo y (S) para corto si se utiliza el muestreo.
14. Calcular el valor Z.
15. Utilizar el corrimiento histrico si est disponible, o estimarlo.
16. Usar las tablas para determinar el DPMO.
17. Registrar la media histrica si est disponible.
18. Registrar la desviacin estndar de la FR si est disponible.
19. Introducir las sensibilidades de la matriz como se obtuvieron de las fuentes de
funciones de transferencia.
20. Introducir las sensibilidades de la funcin ideal derivada u obtenida de la funcin
de transferencia.
21. Listar los factores de ruido en unidades y rangos de acuerdo a la lluvia de ideas
obtenido en el diagrama P u obtenido de la actividad de detalle de la funcin de
transferencia. Listar la FR afectada de la columna 1 contra factor de ruido, esta
columna acta como recordatorio para que el equipo no se olvide de los factores
de ruido.
22. Introducir los modos de falla por cada FR afectada en la columna 22.
Pgina 56
4.6 FMEA y funciones de transferencia: Subsistema DP1.

La funcin de cada columna se describe a continuacin:
Funcin: Cules son las funciones?
Modos de Falla: Qu puede salir mal?, no funcionar, falla parcial, funcin

degradada, funcin no intencionada.
Efectos potenciales: Cules son los efectos en las funciones de alto nivel?
Sistema: Descomposicin funcional: de alto nivel
FR1 10 DP1
FR2 01DP2

FR3 10 DP3
Causas potenciales: Cules son las causas?, interacciones entre DPs,

parmetros de DPs, Ruidos
Pgina 57
Parmetros
de diseo
Entrada
Sistema
Salida
Estados de error
Factores de
ruido
FR1 10 DP1
FR12 01DP12

FR13 10 DP13
DP1: Descomposicin funcional: de segundo nivel
Pgina 58
Frecuencia / Factor de costo de reparacin / Factor de costo de

insatisfaccin / Indice de costo de vulnerabilidad: Determinar la prioridad de
modos de falla a tender.
Otras columnas del FMEA:
Controles actuales de diseo
Acciones recomendadas
Resultados de acciones:
Acciones tomadas
Frecuencia
Factor de costo de reparacin
Factor de costo de insatisfaccin
ndice de costo de vulnerabilidad
Pgina 59
5. Despliegue de la Funcin de Calidad

(QFD)
Pgina 60
5. DESPLIEGUE DE LA FUNCIN DE CALIDAD (QFD)

5.1 Introduccin
El despliegue de la funcin de la calidad: Quality Function Deployment (QFD), es
relacionado comnmente con la voz de los clientes, o con la casa de la calidad.
QFD es un proceso que asegura que los deseos y las necesidades de los clientes
sean traducidas en caractersticas tcnicas. Estas caractersticas son manejadas
por la compaa mediante la funcin del diseo, o mejor an, a travs de un
equipo multifucional que incluye ventas, marketing, Ingeniera de diseo,
Ingeniera de manufactura y operaciones. El principal objetivo de las funciones
realizadas es centrar el producto o servicio en la satisfaccin de los requerimientos
del cliente. QFD es una valiosa herramienta que puede ser utilizada por toda la
compaa. Su flexibilidad y adaptabilidad
permite un buen desempeo en las
industrias manufactureras y de servicios.

QFD utiliza un mtodo grfico en el que se expresan relaciones entre deseos de
los clientes y
las caractersticas del diseo. Es una matriz que enlista las
necesidades de los clientes QUEs o atributos comparndolas con las

caractersticas de diseo COMOs.
Las expectativas y necesidades de los clientes son recolectadas mediante
tcnicas de investigacin de mercados: entrevistas, encuestas, exposiciones, etc.
Mediante la casa de la calidad se organizan los datos obtenidos. El uso de
matrices es la clave para poder construir la casa. En la matriz se muestran las
relaciones entre las necesidades de los consumidores y las caractersticas de
diseo.
Beneficios
Menor Tiempo de desarrollo desde el concepto hasta el arranque de
produccin.
Pgina 61
Pocos cambios de ingeniera con el producto en produccin.

Diseo congruente con las necesidades y expectativas del cliente, a travs
de equipos multidisciplinarios.
Satisfaccin de las necesidades del cliente.
Traduce los requerimientos del cliente desde un lenguaje ambiguo a los
requerimientos de diseo especficos para el desarrollo del producto y su
manufactura.
Los requerimientos del cliente son medibles, alcanzables y potencialmente
mejorables.
Identifica las caractersticas crticas para la calidad (CTQs) del producto y
su desempeo en el mercado.
En la alta direccin ayuda a que los directivos cambien su forma de dirigir
de una orientacin hacia los resultados, a un enfoque hacia los procesos
que conducen a los resultados.
En la planeacin de productos y procesos operativos, ayuda a disminuir, e
incluso a eliminar, las iteraciones de rediseo que se realizan en los
mtodos tradicionales ya que incorpora desde el principio los diferentes
enfoques que intervienen en la definicin de las caractersticas de
productos y procesos.
Promueve una mejor comunicacin y labor de equipo entre el personal que
interviene en todas las etapas, desde el diseo hasta la comercializacin
del producto.
5.2 Procedimiento del QFD.

Procedimiento general:
1. Definicin del objetivo del anlisis: a partir del cual se busca identificar los
atributos del producto requeridos por los clientes, as como sus
caractersticas tcnicas, para despus relacionar ambos en una matriz.
Pgina 62
2. Evaluacin competitiva del producto y las caractersticas tcnicas: Estas

dos se correlacionan entre s para establecer metas.
3. Determinacin de los requerimientos de diseo del producto o las
caractersticas tcnicas a desplegar en el proceso productivo.
Procedimiento completo (cuatro fases):
Fase 1 diseo de producto: Se enfoca en el diseo general del producto, se
relacionan y evalan los atributos requeridos por el cliente con las caractersticas
tcnicas del producto, lo cual da como resultado las especificaciones de diseo
Fase 2 diseo en detalle: Se lleva a cabo la correlacin y evaluacin entre las
especificaciones de diseo y las caractersticas de los principales componentes o
parte del producto, de lo que resultan las especificaciones convenientes para
stas.
Fase 3 Proceso: Las especificaciones de los componentes se correlacionan y
evalan con las caractersticas del proceso de produccin, obteniendo como
resultado las especificaciones de este.
Fase 4 Produccin: Se correlacionan las especificaciones del proceso con las
caractersticas de produccin para obtener las especificaciones de produccin
ms apropiadas.
D e s a r r o llo d e l Q F D
N IV E L D E L P R O D U C T O
N IV E L D E
P A R T E S
N IV E L D E
P R O C E S O
Pgina 63
5.3 QFD a nivel producto - casa de la calidadSu propsito es relacionar las necesidades bsicas del cliente con las
caractersticas de diseo del producto.
Paso 1: Determinacin de las necesidades del cliente Qu?

La informacin debe recolectarse por las personas idneas
Gerentes responsables y Lder de proyecto.
Ingeniero de servicio o campo.
Representantes de ventas.
Departamento de Mercadotecnia
Ingeniera de producto
Clientes y consumidores finales
Pueden ser necesarias varias sesiones con diferentes clientes.
La descripcin de las necesidades del cliente deben ser descritas de lo general
a lo ms particular posible, apoyando al cliente en la interpretacin.
Pgina 64
Peso normalizado
Peso Ponderado
punto de venta
Dificultad para lograr la meta
Meta
Relacin de mejoramiento
Prioridades
Desempeo de la competencia.
Relaciones
entre las necesidades
del cliente y las caract.
de diseo del producto
Desempeo actual
Necesidades
del cliente
Caractersticas de diseo
del producto
Importancia para el cliente
Correlaciones
Tcnicas
Formar un equipo multidisciplinario, estableciendo:

1. Quines son los clientes.
2. Definir a cul producto se enfocar el equipo.
Inicialmente registrar todas las Necesidades primarias del cliente.
Son necesidades muy generales. (Robustez, durabilidad, capacidad, apariencia,
desempeo, etc.)
Algunas categoras de necesidades primarias pueden ser derivadas del modelo
Kano
Categoras de necesidades primarias del cliente:
Desempeo: Esta es la razn principal por la cual los clientes
compran los productos.
Capacidad: Capacidad del proveedor
Calidad percibida: Incluye aspectos sensoriales del producto (cmo
se siente, cmo se ve).
Conveniencia: Incluye la facilidad de uso, manejo durante la
operacin y accesibilidad del equipo.
Apariencia: Forma y detalles del producto.
Confiabilidad y durabilidad: Producto libre de fallas durante su uso.

Seguridad y conformidad: El producto se disea tomando en
cuenta la seguridad como el factor ms importante, no slo para el
cliente, sino para todo aqul que est en contacto con el.
Instalacin y distribucin: Condiciones a considerar para estos
aspectos
Pgina 65
Facilidad de mantenimiento: Si se descompone, se puede

arreglar?
Una vez determinadas las necesidades primarias, es necesario desglosarlas en

necesidades secundarias y esta a su vez en terciarias y as sucesivamente.
Por ejemplo si la necesidad primaria es:Excelente tasa de caf

Las secundarias pueden ser:
Caf caliente
Buena apariencia
Rico sabor
Buen aroma
Bajo precio
Cantidad suficiente
Se mantiene caliente
Etc.
Paso 2: Llenado de la Matriz de Planeacin .Se consideran varios factores para
cada necesidad del cliente, para identificar las ms importantes.
Pgina 66
Para llenar la Matriz de Planeacin se deben contestar las siguientes preguntas:
Qu tan importante es la necesidad para el cliente?

Qu tan bien satisfacemos esas necesidades hoy?
Cmo lo est haciendo la competencia?
A Qu nivel se quiere llegar para satisfacer la necesidad?
Cunto tiempo y recursos se requieren para satisfacer esas necesidades?
Si la necesidades se satisface se vendern ms productos?
LA IMPORTANCIA PARA EL CLIENTE

(primera columna en la matriz de planeacin):
Se pueden usar cuatro tipos de ponderaciones
Importancia absoluta:
Cada necesidad del cliente es jerarquizada en una escala de 1 a 5 (5 es lo ms

importante).
Ventaja: se tiene un buen rango de valores.
Desventajas: slo cinco jerarquas disponibles
Importancia ponderada:
Pgina 67
Cada necesidad del cliente es jerarquizada ya sea en 1, 3 9.

Ventaja: las jerarquas son ponderadas.
Desventaja: se tienen solo tres jerarquas disponibles
Importancia relativa:
Cada necesidad del cliente es jerarquizada de 1 a 10.

Ventaja: Varias jerarquas diferentes para las necesidades.
Desventaja: Tiende a desviarse hacia un lado de la escala (e.i. rangos de 4 a 8).
Importancia ordinal:
Jerarquizada por orden de importancia (si hay 15 necesidades del cliente, usar 1
al 15,siendo 15 la ms importante)
Ventaja: Fuerza las diferentes jerarquas para cada necesidad.
Desventaja: no toma en cuenta las necesidades que son de igual importancia
La ms recomendada a utilizar es la ponderacin de Importancia relativa.

DESEMPEO ACTUAL EN LA SATISFACCIN DEL CLIENTE: Cmo se cubren
actualmente las necesidades del cliente. Usar la misma escala de la primera
columna.
DESEMPEO DE LA COMPETENCIA: Cmo cubre actualmente la competencia

las necesidades del cliente. Los clientes deben llegar a un consenso en estos
aspectos.
Pgina 68
LA META: debe establecerse en consenso, balanceando los intereses de todas

las reas por medio del equipo multidisciplinario
RELACION DE MEJORAMIENTO:
RELACION DE MEJORAMIENTO
META
DESEMPEO ACTUAL
DIFICULTAD PARA LOGRAR LA META:
1.0 = Poca dificultad

1.2 = Dificultad moderada
1.5 = Dificultad alta
PUNTO DE VENTA: Al alcanzar la meta en esta necesidad del cliente.se pueden
incrementar las ventas?
1.0 = No hay ventaja
1.2 = Ventaja media
1.5 = Ventaja fuerte
SUGERENCIAS: Al determinar el punto de venta:

- Comparar la meta contra la competencia.
- Buscar aspectos encantadores para el cliente.
PESO PONDERADO :
peso ponderado
Im por tan cia para el cliente relacin de mejora punto de venta

dificultad para log rar la mejora
Pgina 69
PESO NORMALIZADO:
peso normalizado
peso ponderado
suma de pesos ponderados individuales
Los clculos permiten un anlisis rpido.

Permiten al equipo identificar prioridades y enfocarse a mejorar la satisfaccin
de las
necesidades principales de los clientes.
Paso 3: Definicin de las caractersticas de diseo del producto Cmo?
Despus de completar las secciones de necesidades del cliente y matriz de
planeacin, el siguiente paso es definir las caractersticas de diseo del producto
con el que se cubrirn esas necesidades.
Pgina 70
Determinando las caractersticas de diseo
Propsito: Determinar las caractersticas de diseo necesarias para satisfacer los

requisitos del cliente.
1. Definir los requisitos o necesidades del cliente
2. Lluvia de ideas de las caractersticas potenciales Cmo medir __?.
Evaluar cada caracterstica para determinar si es:
Relevante realmente ayuda al logro del requisito del cliente?
Controlable se puede controlar?
Medible se puede medir?
Genrica se puede aplicar a diferentes conceptos de diseo?
Proactiva se puede medir antes de que el producto final sea entregado?
Prctica su medicin es fcil, rpida y econmica?
3. Consolidar caractersticas haciendo la lista lo ms pequea y completa
posible.
Pgina 71
Peso normalizado
Peso ponderado
punto de venta
Dificultad dela mejora
Prioridades
Meta
Desempeo actual
Relaciones
del cliente y los req.
del sistema
Importancia del cliente
Necesidades
del cliente
Caractersticas de
diseo del producto
Desempeo de la competencia
Correlaciones
Tcnicas
4. Considerando las ideas restantes, se plantea Si logramos obtener estas

caractersticas con lmites adecuados, quedar satisfecho el cliente?
5.
Si la respuesta a lo anterior es SI, entonces ya se termin. Si es, NO,
agregue lo necesario y regrese al paso 2

6. La lista no deber ser mayor de 30 a 35 caractersticas.
Caractersticas del Producto A:
Cumplimiento de normas
Ruido, contaminacin
Entrega
A tiempo, de acuerdo al programa
Confiabilidad:
Fallas del producto / ao
Facilidad de mantenimiento
Tiempo de reparacin
Seguridad
Disponibilidad
Del producto / ao
Desempeo:
Temperatura (C)
Ciclos de operacin
Costo:
$ (Servicio y operacin)
$ (Unitario)
Durabilidad
Das entre servicios
Robustez
Insensibilidad al ambiente
Calidad percibida
Mejor esttica
Direccin de mejora de las caractersticas tcnicas de diseo
Permite saber si es mejor con mayor cantidad de esta caracterstica particular, o si

es mejor con menor cantidad, o si opera mejor si est en el valor del objetivo
esperado
Ms es mejor, se indica con
Pgina 72
Menos es mejor, se indica con

Centrado es mejor, se indica con
Ejemplo de COMOs para la tasa de caf
Temperatura al servirlo, Cantidad de cafena, Componente de sabor, Intensidad de

sabor, Componente de Aroma, Intensidad de aroma, Precio de venta, Volumen,
Temperatura despus de servirlo.
Peso normalizado
Peso ponderado
punto de venta
Dificultad dela mejora
Prioridades
Meta
Relaciones
del cliente y los req.
del sistema
Desempeo actual
Caractersticas de
diseo del producto
Desempeo de la competencia
Correlaciones
Tcnicas
Importancia del cliente
Necesidades
del cliente
Cmo
se satisfacen
y cubren las
necesidades
del cliente
Direccin de
Mejoramiento
Paso 4: Definicin de la relacin entre necesidades del cliente y

Peso normalizado
Peso Ponderado
punto de venta
Prio ridades
Meta
Pgina 73
Desempeo actual
Relaciones
del cliente y las car act.
Necesidades
del cliente
del producto
Correlaciones
Tcnicas
Relaciones:
Determinar el grado de relacin entre las necesidades del cliente y las
Usar una escala ponderada no lineal para enfatizar claramente la importancia de
los valores
Los valores utilizados normalmente son:
9 = Relacin fuerte
3 = Relacin moderada
1 = Relacin dbil / posible
Si no existe ninguna relacin, dejar en blanco!
Paso 5: Clculo de las prioridades
Este clculo enlaza las necesidades del cliente y su importancia para las
caractersticas internas.
Pgina 74
Nm. de prioridad = S (Valores de Relacin X Peso ponderado.) Para cada

caracterstica tcnica
% relativos de Nmeros de prioridad = % de la prioridad / total
Peso normalizado
Peso Ponderado
punto de venta
Nmeros de Prioridad
Meta
Relaciones
Necesidades
del cliente
del producto
Desempeo actual
Correlaciones
Tcnicas
% Relativo de Nm. de Prioridad
Esto da como resultado la prioridad de las caractersticas de diseo del producto

en relacin con los CTQs.
Paso 6: Determinacin de las especificaciones tcnicas de la empresa y de la
competencia en relacin con los requerimientos de diseo. Tambin se
establece una meta tcnica.
Para cada requerimiento o caracterstica de diseo, se determina la

especificacin actual de la empresa.
Se determina la especificacin que ofrece cada competidor.
Tcnicas una meta de especificacin de diseo

En base a lo anterior se establece
Pgina 75
Esto da como resultado la identificacin de las especificaciones

crticas de diseo del producto de acuerdo a la prioridad
Peso normalizado
Peso Ponderado
punto de venta
Meta
Desempeo actual
Nmeros de Prioridad
Especs. de la empresa
Especs. de la competencia
Meta de la empresa
% Relativo Nums. De Prioridad
Relaciones
, en base a las prioridades

calculadas y los costos.
del producto
Necesidades
del cliente
Correlaciones
Paso 7: Determinacin de la correlacin entre caractersticas de diseo del

producto
Ayuda a identificar que efectos adversos pueden ocurrir cuando se cambian una
o ms caractersticas de diseo.
CORRELACIONES TCNICAS:
Muestran las caractersticas que estn estrechamente relacionadas
Muestran el impacto de una caracterstica en cualquier otra
Pgina 76
Rpidamente muestran qu caractersticas tendrn un mayor impacto cuando

cambian.
VALORES MS COMNMENTE USADOS:

relacin positiva fuerte.
relacin positiva moderada.
sin relacin.
relacin negativa moderada.
relacin negativa fuerte.
6. Diseo axiomtico
Pgina 77
Pgina 78
6. DISEO AXIOMTICO
6.1 Introduccin
El diseo axiomtico es un principio general para anlisis y sntesis de diseo
desarrollado por el profesor Nam P. Suh del MIT para mejorar las actividades de
diseo, proporciona una base terica para basada en la lgica y el raciocinio a
travs de herramientas y procesos, minimiza el proceso de prueba y error, reduce
el tiempo de ciclo de desarrollo y mejora la calidad y la confiabilidad.
El diseo axiomtico puede definirse como un mtodo de diseo de sistemas,
identificando los requerimientos funcionales o CTQs, determinando los posibles
parmetros de diseo y variables de proceso e integrndolos en un sistema. La
hacilidad para comprender las relaciones entre los diferentes requerimientos y
parmetros se representa por matrices, si esto no es posible, se obtendr un
diseo de baja calidad.
Entre los aspectos relevantes del mtodo se encuentran los axiomas, la
arquitectura del sistema de zigzagueo, y la identificacin de debilidades de diseo
(vulnerabilidades representadas por acoplamientos o sean interacciones en los
parmetros de diseo necesarios para cubrir los requerimientos).
En Ingeniera se presentan vulnerabilidades que pueden ser de dos tipos:
Vulnerabilidades conceptuales: son causadas por la falta de robusts a

nivel de concepto, debido a no cumplimiento de de guas y principios de
diseo. Un diseo acoplado puede resultar en violacin al axioma 1 y un
sistema complejo viola el axioma 2.
Vulnerabilidades Operacionales: son causadas por falta de robusts a nivel

operacional, especficamente en el nivel de uso o durante la vida til, donde
Pgina 79
el producto est sujeto a factores de ruido como uso y abuso, degradacin,

o variacin de parte a parte.
El diseo y su realizacin en produccin se definen como un conjunto de procesos
y actividades que transforman los deseos del cliente en soluciones de diseo que
son tiles a la sociedad. Las empresas normalmente operan en dos formas:
Prevencin de fuegos: concibiendo entidades factibles y sanas con mnimas

vulnerabilidades conceptuales.
Apagar fuegos: resolver los problemas de forma que los sistemas puedan
vivir con mnimas vulnerabilidades operacionales. Esto consume muchos
recursos innecesariamente.
6.2 Axiomas de diseo

De acuerdo a Suh (2001), propone el uso de axiomas que debe satisfacer un
diseo junto a varios corolarios:
Axioma 1: Axioma de independencia. Mantener la independencia de los
requerimientos funcionales.
Axioma 2: Axioma de informacin. Minimizare el contenido de informacin en un
diseo.
El Axioma de independencia:
El proceso de diseo involucra tres mapeos entre cuatro dominios:
Mapeo entre CTSs (crtitical to satisfaction customer atributes) y

requerimientos funcionales (FRs). Un requerimiento funcional es una
solucin neutral, independiente del diseo de parmetros, estableciendo
que hace el sistema y expresado como verbo (llevar, cargar, conducir calor)
Pgina 80
y un sujeto. Las funciones del diseo se establecen y propagan

independientemente del arreglo de parmetros de diseo (DPs).
Mapeo fsico entre FRs y DPs se puede hacer con un QFD. Una vez que se
han definido un conjunto mnimo de FRs y CTSs se puede hacer el mpeo
fsico.
Mapeo de proceso involucra el dominio DPs y las variables de proceso DVs

de manufactura y produccin.
CTSs
Dominio del cliente
FRs
DPs
PVs
Dominio funcional Dominio Fsico
Dominio Proceso
[C]
[A]
[B]
De acuerdo al axioma 1 el caso ideal es tener un mapeo uno a uno de manera que
una X especfica pueda ser ajustada para satisfacer a su correspondiente Y sin
afectar a otros requerimientos, es decir evitar vulnerabilidades. El acoplamiento
ocurre cuando un concepto no incluye ciertos parmetros de diseo o no cumple
sus restricciones. Por medio del proceso de Zigzagueo, el equipo identifica las
restricciones de diseo. A veces se confunden con requerimientos funcionales
(FRs). Los requerimientos funcionales representan lo que un diseo hace; se
realcionan con el desempeo y pueden ser especificados con cierta tolerancia.
Los aspectos tales como costo, confiabilidad, e impacto ambiental no mieden la
funcin directamente y no pueden ser relacionados a una DP particular, por tanto
representan restricciones. Una restriccin es una propiedad del diseo, no algo
que hace el diseo.
Pgina 81
Pgina 82
6.3 Diseo no acoplado

Para que haya independencia se requiere que las matrices que relacionan a la
respuesta con las variables de menor nivel f(x) sean diagonales como sigue:
y1 A1 0 . 0. x1
y 0 A . 0. x
2 2 2

. . . . . 0 . .

ym 0 0 . . Amn xn
Es decir que cada requerimiento funcional se satisfaga con un parmetro de
diseo nico.
Diseo desacoplado
En casos de haber matrices de coeficientes (As) triangulares superiores o
inferiores, se tienen diseos desacoplados lo que no es ideal pero tiende a tender
independencia en control.
Pgina 83
y1 A1 A12 . A1n x1
y 0 A . 0. x
2 2 2

. . . . . 0 . .

ym 0 0 . . Amn xn
Pgina 84
6.4 Proceso de Zigzagueo

Se refiere a mapear FRs en DPs (Zig) en alto nivel, regresar a FRs en un nivel
inferior (Zag) continuando este proceso hasta los niveles ms bajos. El mapeo de
zigzagueo tambin se puede hacer entre DPs y PVs. De esta manera se van
atendiendo y simplificando todos los aspectos del diseo.
Proceso de
CTSs
Zig
FRs
Dominio del cliente
Zag
DPs
PVs
Dominio funcional Dominio Fsico
Dominio Proceso
[C]
[A]
[B]
Proceso de Zigzagueo
De la figura anterior el mapeo de los requerimientos funcionales (FRs) a las
variables de proceso (PVs) se puede expresar en forma matricial como:
[FR] = [A] x [DP]
[DP] = [B] x [PV]
[FR] = [C] x [PV]
Donde A es la matriz de mapeo de diseo y B es la matriz de diseo de proceso y
C es la matriz de diseo general.
Dependiendo de la configuracin de las matrices A, B y C se pueden tener los
casos siguientes:
Pgina 85
Un diseo no acoplado general se logra slo cuando ambos mapeos estn

no acoplados.
Un diseo est desacoplado cuando ambos mapeos estn desacoplados ,

con sus matrices triangulares con orientacin similar (superior o inferior). O
si un mapeo es no acoplado y el otro es desacoplado.
Un diseo acoplado general se obtiene cuando al menos un mapeo est

acoplado (coeficientes de interaccin diferentes de cero Aij 0) o cuando
ambos mapeos estn desacoplados, pero sus matrices triangulares no
tienen la misma orientacin (una es superior y otra inferior).
6.5 Implicaciones del Axioma 2

El axioma 2 trata con la complejidad que depende del nmero de FRs y DPs
(tamao de la solucin) y de sus variaciones. Shanon en sus estudios de las
comunicaciones digitales denomina entropa a la medicin de la complejidad de la
seal debajo de la cual ya no se puede comprimir.
Weaver (1948) describe varios tipos de complejidades:
Complejidad desorganizada: tiene un gran nmero de variables. Los efectos

de estas variables y sus interacciones solo pueden explicadas por mtodos
estadsticos y no por mtodos analticos, ya que forman procesos aletorios
y estocsticos.
Simplicidad organizada: es el otro extremo de la complejidad, hay un

nmero pequeo de variables significativas que son agrupadas en
relaciones determinsticas.
Complejidad organizada: utiliza mtodos estadsticos y analticos en

diferentes etapas. Los mtodos analticos se utilizan en las fases de diseo
y desarrollo de conceptos y los mtodos estadsticos se utilizan en las fases
de validacin donde se presentan factores no previstos o factores de ruido.
Pgina 86
La cantidad de informacin generada o utilizada es una medida del nivel de

complejidad involucrada en el diseo. La compatibilidad de mquinas con las
especificaciones requeridas del producto representan otra dimensin de
complejidad. La complejidad en entidades fsicas se refiere a la informacin
requerida para cumplir cada FR, que de hecho son funcin de las DPs a las que
se mapean.
Pgina 87
7. Solucin inventiva de problemas

(TRIZ)
Pgina 88
TEORA DE LA SOLUCIN INVENTIVA DE PROBLEMAS

(TRIZ)
7.1 Introduccin
TRIZ (Teoriya Reseilla Izobreatatelskikh Zadatch) es la teora de solucin
inventiva de problemas desarrollada en la unin sovitica a finales de los aos
1040s. Genrich S. Altshuller creador de TRIZ, seleccion 40,000 de 200,000
resmenes de patentes de la URSS, separndolos en cinco niveles de
inventividad desde el 1 como ms bajo hasta el 5 como ms alto. Encontr que al
menos contenan una contradiccin (una situacin en la cual al tratar de mejorar
una caracterstica del sistema va en detrimento de otra. De esta manera el nivel de
invencin frecuentemente depende de que tan bien se resuelva la contradiccin.
Nivel 1 (32%): Solucin aparente o convencional por mtodos bien

conocidos dentro de la especialidad. Pueden representar buena ingeniera
pero no se identifican ni se resuelven las contradicciones. Por ejemplo
incrementar el espesor de las paredes para reducir el ruido externo en
casas.
Nivel 2 (45%): mejoras de un sistema actual con pequeos compromisos.

Se logra mejorar con prueba y error y requiere conocimiento de un campo
de la tecnologa, el sistema es ligeramente cambiado e incluye nuevas
caractersticas. Reduce la contradiccin inherente en el sistema, sin
embargo requiere compromisos obvios. Por ejemplo un volante de coche
ajustable que mejore la comodidad de manejo.
Nivel 3 (18%): mejora sustancial de un sistema existente, la contradiccin en el

sistema se resuelve introduciendo un nuevo elemento, se requieren cientos de
intentos. Por ejemplo el reemplazo de una transmisin manual por una transmisin
Pgina 89
automtica. Implica el conocimiento de la tecnologa integral para otras industrias

pero no muy conocida en la industria en la cual se desarrolla la invencin. La
invencin est fuera del rango de ideas y principios aceptados en la industria
objetivo.
Nivel 4 (4%): diseos de nueva generacin utilizando ciencia no tecnologa. Se

requieren cientos de miles de intentos para las soluciones. La contradiccin se
elimina dado que su presencia es imposible en el nuevo sistema. Por ejemplo el
uso de metales con memoria trmica para llaves, en lugar de abrir dndole vuelta,
se calienta para que embone y abra.
Nivel 5 (1%): descubrimiento cientfico. Se requiere dedicar toda la vida a la

investigacin de decenas de miles de ideas. La solucin se presenta cuando se
descubre un nuevo fenmeno. Por ejemplo los Lasers y los Transistores crean
nuevos sistemas e industria.
7.2 TRIZ
Es una forma de pensar para lograr excelencia en diseo e innovacin. Sus principios
filosficos son los siguientes:
Idealidad: se refiere a la maximizacin de los beneficios proporcionados por el

sistema y la minimizacin de efectos dainos y los costos asociados.
Funcionalidad: bloque fundamental del anlisis de sistemas. Se usa para construir

modelos mostrando como trabaja el sistema, as como para evaluar como se
crean beneficios, efectos dainos y costos.
Recursos: Se busca su mxima utilizacin.
Contradicciones: inhibildor para incrementar la funcionalidad; al reducir la

contradiccin se incrementa la funcionalidad y se alcanza un nuevo nivel de
desempeo.
Evolucin: la tendencia de la tecnologa es predecible y se puede usar como gua

para desarrollos futuros.
Pgina 90
En base a los principios filosficos anteriores, TRIZ desarrolla un sistema de mtodos

para definicin y solucin de problemas. Es un proceso de cuatro pasos consistiendo de:
definicin del problema, clasificacin del problema y seleccin de herramientas,
generacin de la solucin y evaluacin.
La definicin del problema representa el 90% de la solucin, e incluye las actividades
siguientes:
Definicin del proyecto.
Anlisis funcional: incluye el modelado de funciones del sistema y su anlisis.
Anlisis de la evolucin tecnolgica: identifica el grado de manurez tecnolgica de

los subsistemas y partes, ya que en la madurez se puede llegar al lmite del
desempeo y ser un cuello de botella para el sistema completo.
Resultado final ideal: es el lmite virtual del sistema. No puede alcanzarse pero
sirve de gua, ayudando a pensar fuera de la caja.
A continuacin se describen los elementos clave de TRIZ.
Modelado de funciones y Anlisis funcional

Una funcin se define como la accin natural o caracterstica realizada por un producto o
servicio. A veces tiene muchas, por ejemplo un coche sirve para ir del punto A al punto B,
con aire acondicionado y msica.
La funcin principal es la funcin primaria (la habilidad de ir a A a B); las funciones
secundarias son deseables (con msica); y las funciones no bsicas proporcionan
estatus, confort, etc. Por ejemplo un color especial del coche.
Se tienen otras funciones adicionales:
Las funciones de soporte, soportan a las otras funciones. Se tienen dos clases de
funciones de soporte: funciones de asistencia y funciones de correccin.
Las funciones de asistencia permiten la funcionalidad de las dems, por ejemplo el

sistema de suspensin del coche para mantener estable al motor.
Pgina 91
Las funciones de correccin corrigen los efectos negativos de otras funciones

tiles como la bomba de agua en el coche que permite el enfriamiento del motor.
Las funciones dainas son los efectos negativos causados por las funciones tiles. Por
ejemplo un motor no solo genera ruido sino tambin calor y contaminacin, ambos efectos
dainos.
En resumen la funcin primaria bsica principal y las funciones secundarias proporcionan
valor al cliente. Las funciones de soporte son tiles, o al menos no son dainas, generan
costos. Las funciones dainas no son tiles y no proporcionan realmente beneficios.
Una funcin puede ser descrita por tres elementos: Sujeto o fuente de accin, verbo o
accin (campo mecnico, elctrica o qumica) y un objeto o receptor de la accin. Por
ejemplo::
Un coche
mueve
gente
Un cepillo
cepilla
dientes
(mecnico)
Otro modelo que se utiliza es el campo de substancia y modelo, donde la substancia S1
es equivalente al objeto; la substancia S2 es equivalente al sujeto y el campo F
representa el campo de energa de la interaccin entre S1 y S2.
Por ejemplo una persona pintando una pared:
S1 Pared
S2 Persona (herramienta)
F pintura (campo qumico)
F
S1
S2
Pgina 92
Recursos
Maximizar los recursos es una prioridad en TRIZ, los recursos se pueden segmentar en
las categoras siguientes:
1. Recursos de substancia
Materias primas y productos
Desperdicio
Productos secundarios
Substancias alteradas por el sistema
Substancias dainas por el sistema
2. Recursos de campos
Energa en el sistema
Energa del medio ambiente
Energa/campo formado de plataformas actuales de energa
Energa(campo que puede ser derivado del desperdicio del sistema
3. Recursos de espacio
Espcaio vaco
Espacio en interfases de diferentes sistemas
Espacio creado por arreglos verticales
Espacio creado por espacios anidados
Espacio creado por reacomodo de elementos existentes
4. Recursos de tiempo
Periodo previo a la tarea
Espacio de tiempo creado por programacin eficiente
Espacio creado por operacin paralela
Periodo posterior a la tarea
5. Recursos de informacin y conocimiento
Conocimiento de todas las substancias disponibles (propiedades de materiales,

transformaciones, etc.)
Pgina 93
Conocimiento de todos los campos disponibles
Conocimientos pasados
Conocimientos de otras personas
Conocimiento en la operacin
6. Recursos funcionales
Funciones principales actuales del sistema no utilizadas o subutilizadas
Funciones secundarias actuales del sistema no utilizadas o subutilizadas
Funciones dainas actuales del sistema no utilizadas o subutilizadas
En TRIZ es mejor buscar recursos baratos, disponibles, abundantes, ms que caros,

difciles de usar y escasos.
Idealidad
Es una medida de la excelencia, en TRIZ se define como:
Idealidad = Suma de benficios / ( Suma de costos + suma de daos)
Se busca un valor alto de la razn, un nuevo sistema se comparar con el anterior con
base a este indicador.
Contradiccin
En TRIZ un problema puede ser expresado como una contradiccin tcnica o una
contradiccin fsica.
Una contradiccin tcnica se presenta cuando la accin de utilidad simultneamente
causa una accin daina. Por ejemplo si un tanque de gasolina se hace ms fuerte, se
vuelva ms pesado y la aceleracin del coche se reduce.
Un problema asociado a una contradiccin tcnica puede resolverse ya sea estableciendo
un compromiso entre las demandas contradictorias suavizando la contradiccin o
eliminndola.
Pgina 94
Una contradiccin fsica es una situacin en la cual un sujeto o un objeto tiene que estar
en dos estados fsicos mutuamente exclusivos. Tiene el patrn tpico siguiente: para
realizar la funcin F1, el elemento debe tener la propiedad P, pero para realizar la funcin
F2, debe haber tenido la propiedad P, o lo opuesto de P. Por ejemplo: un coche no debe
pesar (P) para tener economa de combustible (F1), pero debe tener peso (-P) para ser
estable en su manejo (F2).
7.3 Proceso de solucin de problemas de TRIZ

TRIZ tiene cuatro procesos de solucin de problemas:
(1) definicin del problema
(2) Clasificacin y seleccin de herramientas
(3) Solucin del problema
(4) Evaluacin de la solucin
(1) Definicin del problema

Inicia con las preguntas siguientes: Cul es el problema?; Cul es el alcance del
proyecto?; Qu componentes, subsistemas y sistemas estn involucrados?; y Si se
tiene una solucin, por qu no ha funcionado?.
Como apoyo se pueden utilizar los principios de modelado de funciones; idealidad;
anlisis de la curva S (evolucin de la tecnologa) y anlisis de contradicciones.
(2) Clasificacin del problema y seleccin de herramientas
Despus de definir el problema, se debe clasificar el problema en las siguientes
categoras, para las cuales se cuenta con diversos mtodos para resolver el problema.
Contradiccin fsica. Mtodos: resolucin de contradiccin fsica y principios de

separacin.
Contradiccin tcnica. Mtodos: principios de inventiva.
Estructuras imperfectas funcionales. Ocurre cuando hay funciones tiles

inadecuadas o falta de funciones requeridas o cuando hay exceso de funciones
dainas. Mtodos: mejora funcional y soluciones estndar TRIZ.
Complejidad excesiva. Ocurre cuando el sistema es muy complejo y costoso, y

algunas de sus funciones pueden ser eliminadas o combinadas. Mtodos: ajustes.
Pgina 95
Mejora de sistemas. Ocurre cuando el sistema actual hace su funcin, pero es

necesario mejorarlo para competir.
Desarrollo de funciones tiles. Ocurre cuando que funciones tiulies son

necesarias para mejorare el sistema pero no sabemos como crearlas.
(3) Generacin de soluciones

Despus de la clasificacin se puede aplicar una diversidad de mtodos TRIZ.
(4) Evaluacin del concepto

Hay muchos mtodos para evaluar y seleccionar la mejor solucin, no estn relacionados
con TRIZ, se incluyen la seleccin de conceptos de Pugh, ingeniera del valor, y los
mtodos de diseo axiomtico.
7.4 Contradiccin fsica: principios de resolucin y separacin

Cuando se encuentran contradicciones al principio parecen ser tcnicas, sin embargo
conforme al ahondar en el problema se encuentra que es una contradiccin fsica con el
patrn: para realizar la funcin F1, el elemento debe tener la propiedad P, pero para
realizar la funcin F2, debe haber tenido la propiedad P, o lo opuesto de P.
Se analiza en los pasos siguientes:
Paso 1: Capturar las funciones involucradas en el conflicto y establecer el modelo

funcional para la contradiccin.
Paso 2. Identificar la contradiccin fsica, se presenta cuando una accin til y una
accin daina coexisten en el mismo objeto.
Paso 3. Identificar las zonas de conflicto. Hay dos zonas de conflicto, espacial y
temporal.
Ejemplo: Para el sellado de una ampolleta, la flama se aplica al cuello para fundir el
vidrio, sin embargo el calor puede calentar la droga de la ampolleta y descomponerla.
Pgina 96
Paso 1: Capturar las funciones involucradas en el conflicto y establecer el modelo

funcional para la contradiccin. Las cpsulas de vidrio requieren ser selladas pero
la droga no debe alterarse.
Flama
Ampolleta
Droga
Paso 2. Identificar la contradiccin fsica, se presenta cuando una accin til y una
accin daina coexisten en el mismo objeto. En este caso la accin til calentar y
sellar la ampolleta y la accin daina calentar y descomponer la droga coexisten
en la ampolleta, por tanto la contradiccin fsica es:
o
Las ampolletas necesitan ser calentadas para ser fundidas y selladas.
Las ampolletas no debe ser calentadas, o la droga puede ser

descompuesta.
Paso 3. Identificar las zonas de conflicto. Hay dos zonas de conflicto, espacial y
temporal.
o
Propiedad de localizacin: solo debe calentarse la nariz de la ampolleta.
Propiedad temporal: las acciones til y daina suceden al mismo tiempo.
Separacin de las contradicciones fsicas

Despus de la identificacin de la contradiccin fsica. TRIZ tiene las siguientes cuatro
mtodos para resolver la contradiccin: separar en el espacio, separar en el tiempo,
separar entre componentes, y separar entre componentes y un conjunto de componentes.
Separacin en espacio: esto significa que una parte del objeto tiene una propiedad
P mientras que otra parte tiene la propiedad P, haciendo la separacin se puede
resolver la contradiccin de fsica. En el ejemplo, la contradiccin se resuelve si se
puede mantener la nariz de la ampolleta caliente y el cuerpo de la ampolleta fro.
Separacin en tiempo: se debe identificar los periodos de tiempo cuando la funcin

til tiene que realizarse y la funcin daina eliminada. Si se pueden separar estos
dos periodos completamente, se puede eliminar esta contradiccin. Por ejemplo
Pgina 97
algunos edificios tiene pilares para sostenerse, estos deben tener una base amplia
como base para tener firmeza, sin embargo con una base ancha es difcil
colocarlos, para lo cual requeriran una base en punta. Como solucin se
introducen con base en punta y se hace explotar al final para ampliar la base.
Separando en dos tiempos.
Separacin entre los componentes. Significa que un componente tiene propiedad

P, mientras que otro tiene la propiedad P opuesta. Algunas veces se puede
limitar el nmero de propiedades del componente involucrado en el conflicto a uno,
y se introduce otro componente a tener otra propiedad. Por ejemplo en un contreol
remoto, si se reduce el capacitor de la descarga infrarroja para alargar la vida de la
batera, el impulso tendr baja potencia, mejorar un parmetro degrada otro. Como
contradiccin fsica el capacitor debe tener baja capacidad para carga y alta
capacidad para descarga. Como solucin se usan varios capacitares pequeos en
batera para que el pulso de descarga sea similar al original y la carga sea baja.
7.5 Eliminacin de contradicciones tcnicas -
principios de
inventiva
Genrich Altshuller analiz ms de 40,000 patentes e identific aproximadamente 1,250
contradicciones tcnicas tpicas, expresadas en una matriz de 39 x 39 como parmetros
de ingeniera. Con esta informacin compil 40 principios algunos conteniendo
subprincipios y haciendo un total de 86.
Los 40 principios y la tabla proporcionan gua para problemas que no son familiares o
nuevos y cuya solucin no es tan directa aplicando los conocimientos y experiencia.
El procedimiento a seguir es el siguiente:
Decidir que atributos deben ser mejorados, y usar uno de los 39 parmetros en la
tabla de contradicciones para estandarizar o modelar este atributo.
Contestar las preguntas siguientes:

o
Cmo
puede
ser
mejorado
este
atributo
por
los
mecanismos
convencionales?
o
Qu atributo ser deteriorado si se utilizan medidas convencionales?
Pgina 98
Seleccionar un atributo en la tabla de contradicciones correspondiente al paso 2b.
Usando la tabla de contradicciones, identificar los principios en la interseccin de

la fila (atributos mejorados) y la columna (atributos deteriorados) para reducir la
contradiccin tcnica.
A continuacin se muestra la lista de los 40 principios. Los nombres se encuentran

alternados de una variedad de traducciones de la investigacin origina rusa.
1. Segmentacin (fragmentacin)
Dividir un objeto en partes independientes.
Hacer un objeto fcil de desensamblar.
Incrementar el grado de fragmentacin de un objeto.
2. Separacin (colocar fuera, extraer), separar una parte o propiedad que interfiera
de un objeto o separar slo la parte necesaria o propiedad del objeto.
3. Calidad local
Cambiar la estructura del objeto de uniforme a no uniforme, o cambiar un ambiente

externo (o influencia externa) de uniforme a no uniforme.
Hacer que la funcin de cada parte del objeto sea ms adecuada para su
operacin.
Hacer que cada parte de un objeto realice diferentes funciones tiles.
4. Cambio de simetra (asimetra)
Cambiar la forma de un objeto de simtrico a asimtrico.
Si un objeto es asimtrico, aumentar su asimetra.
5. Combinacin (consolidacin)
Combinar o reunir objetos similares; ensamblar partes similares o idnticas para

realizar operaciones paralelas.
Hacer operaciones contiguas o paralelas, realizndolas al mismo tiempo.
Pgina 99
6. Multifuncionalidad (consolidacin), hacer que una parte u objeto realice mltiples

funciones, para eliminar la necesidad de otras partes.
7. La mueca anidada (la encapsulada Matrushka)
Poner cada objeto dentro de otro mayor.
Hacer que una parte pase dentro de la cavidad de otra parte.
8. Compensacin de peso (anti-peso, contrapeso)
Compensar el peso de un objeto, combinarlo con otros objetos que lo apalanquen.
9. Neutralizacin preeliminar (anti-accin preeliminar, pre-contraccin)
Si es necesario realizar una accin con los efectos tiles y dainos, esta accin
debe reemplazarse despus con acciones para controlar los efectos dainos.
Crear esfuerzos en un objeto que se opongan a esfuerzos de trabajo indeseables

conocidos posteriormente.
10. Accin preliminar (accin prioritaria, hacerlo en forma adelantada)
Realizar antes de q1ue sea requerido, las modificaciones a un objeto (ya sea de
modo parcial o completo).
Arreglar los objetos de tal manera que puedan realizar su accin intencionada en
forma expedita desde su posicin ms conveniente.
11. Amortiguamiento anticipado
Preparar planes de emergencia anticipados para compensar la baja confiabilidad

de un objeto.
12. Equipotencialmente (traer cosas al mismo nivel)
En un campo potencial, limitar los cambios de posicin (vgr. Cambiar condiciones

de operacin para eliminar la necesidad de subir o bajar objetos en un campo
gravitacional).
13. Hacerlo de otra manera (realizarlo en reversa, hacerlo inversamente)
Pgina 100
Invertir las acciones usadas para resolver el problema (vgr. En vez de enfriar un
objeto, calentarlo).
Hacer mviles partes fijas (o el medio ambiente externo), y fijar partes mviles.
Girar el objeto (o proceso) hacia arriba y hacia abajo.
14. Esferoicidad (curvatura esfrica)
En vez de usar partes, superficies o formas rectilneas, usar curvilneas,

cambiando de superficies planas a esfricas, o de partes cbicas a esfricas.
Usar bolas, espirales y/o domos.
Cambiar movimiento lineal a rotatorio, usando fuerza centrfuga.
15. Partes dinmicas (dinmicamente, dinamizacin, dinmica)
Permitir que las caractersticas de un objeto o su dieo, medio ambiente externo o

proceso pueda optimizarse o encontrar una condicin ptima.
Dividir un objeto en partes capaces de moverse una contra otra en forma relativa.
Si un objeto (o proceso) es rgido o inflexible. Hacerlo mvil o adpatativo.
16. Acciones parciales o excesivas (hacer un poco menos)
Si el 100% de un efecto es difcil de lograr usando un mtodo. Entonces usar un

poco menos o un poco ms del mismo mtodo, el problema puede ser
considerablemente ms fcil de resolver.
17. Cambio de dimensin (otra dimensin)
Mover un objeto en dos o tres dimensiones.
Usar un arreglo de objetos de varios pisos en vez de un arreglo en un solo piso.
Voltear o reorientar el objeto apoyndolo en uno de sus lados.
Usar el otro lado de un rea dada.
18. Vibracin mecnica
Hacer que un objeto vibre u oscile.
Incrementar la frecuencia de un objeto (aun a nivel ultrasnico).
Usar la frecuencia de resonancia de un objeto.
Usar vibradores piezoelctricos en vez de mecnicos.
Pgina 101
Usar oscilaciones ultrasnicas y electromagnticas combinadas.
19. Accin peridica
En vez de acciones continuas usar acciones peridicas o de impulso.
Si una accin ya es peridica, cambiar la magnitud o la frecuencia.
Usar pausas entre impulsos para realizar una accin diferente.
20. Continuidad de accin til
Realizar el trabajo continuamente; hacer todas las partes de un objeto que

trabajen a plena carga, todo el tiempo.
Eliminar todas las acciones de ocio o intermitentes en el trabajo.
21. Apresurarse (saltar, apresurarse a travs)
Realizar un proceso o ciertas etapas del mismo (vgr. Operaciones destruictivas,

dainas o peligrosas), a alta velocidad.
22. Bendicin para fingir (convertir los daos en beneficios)
Usar factores dainos (particularmente efectos dainos del ambiente o

alrededores) para lograr un efecto positivo.
Eliminar la accin de da primario agregndola a otra accin daina para resolver

el problema.
Amplificar un factor daino a tal grado que no sea daino.
23. Retroalimentacin
Introducir retroalimentacin (chequeo cruzado) para mejorar un proceso o accin.
Si ya se usa la retroalimentacin, cambiar su magnitud e influencia.
24. Intermediacin (mediador)
Usar un transporte de artculos intermedio o proceso intermedio.
Combinar un objeto temporalmente con otro (que sea fcilmente removido).
25. Autoservicio
Pgina 102
Hacer que un objeto se pueda servir por si mismo realizando funciones auxiliares
de apoyo.
Usar desperdicio de recursos, energa o sustancia.
26. Copiando
En vez de un objeto no disponible, caro, o frgil, usar copias ms simples y

baratas.
Reemplazar un objeto o proceso con sus copias pticas
Si ya se estn utilizando copias pticas moverse a copias infrarrojas o ultravioleta.
27. Disposiciones baratas
Reemplazar un objeto caro por varios objetos baratos, comprometiendo ciertas

cualidades (vgr. Vida til).
28. Sustitucin (mecnica (uso de campos)
Reemplazar un medio mecnico con un medio sensorial (ptico, acstico, de gusto

u olor).
Usar campos magnticos y elctricos para interactuar con el objeto.
Cambiar de campos estticos a campos mviles, de campos no estructurados a

los que tnegan estructura.
Usar campos en conjunto con partculas activados por campos (vgr. Partculas
ferromagnticas).
29. Neumticos e hidrulicos
Usar partes lquidas y gaseosas de un objeto en vez de partes slidas (vgr.

Inflable, lleno con lquido, colchn de aire, hidrosttico, partes hidroreactvas).
30. Cubiertas flexibles y pelculas delgadas
Usar cubiertas flexibles y capas delgadas en vez de estructuras tridimensionales.
Aislar los objetos del medio ambiente externo usando cubiertas flexibles y capas
delgadas.
31. Materiales porosos
Pgina 103
Hacer poroso a un objeto o agregar elementos porosos (insertos, acabados, etc.)
Si un objeto es ya poroso, usar los poros para introducir una sustancia o funcin
til.
32. Cambios de propiedad ptica (cambio de color)
Cambiar el color de un objeto o su medio ambiente externo
Cambiar la transparencia de un objeto o de su medio ambiente externo
33. Homogeneidad
Hacer que los objetos interacten con un objeto del mismo material ( o un material
con propiedades idnticas).
34. Descartar y recuperacin
Disponer de porciones de un objeto que ha cumplido su funcin (desecharlo por

disolucin, evaporacin, etc.) o modificarlo directamente durante la operacin.
AL contrario, restaurar partes consumibles de un objeto directamente durante la

operacin.
35. Cambios de parmetros (transformacin de propiedades)
Cambiar el estado fsico de un objeto (vgr. A un gas, lquido, o slido).
Cambiar su concentracin o consistencia.
Cambiar su grado de flexibilidad.
Cambiar la temperatura.
36. Transiciones de fase
Usar fenmenos que ocurran durante la fase de transicin
(vgr. Cambios de
volumen, prdidas o absorcin de calor).

37. Expansin trmica
Usar la expansin trmica (o contraccin) de materiales.
Si la expansin trmica se utiliza , usar materiales mltiples con diferentes

coeficientes de expansin trmica.
Pgina 104
38. Oxidantes fuertes (oxidacin acelerada)
Reemplazar aire comn con aire enriquecido con oxgeno
Reemplazar aire enriquecido con oxgeno puro
Exponer aire u oxgeno a radiacin ionizante.
Usar oxgeno ozonizado.
Reemplazar oxgeno ozonizado (o ionizado) con ozono.
39. Atmsfera inerte (ambiente inerte)
Reemplazar un medio ambiente con un ambiente inerte.
Agregar partes neutrales o aditivos inertes a un objeto.
40. Materiales compuestos
Cambiar de materiales uniformes a compuestos (mltiples).
El uso de cada uno de los principios es ilustrado con ejemplos de muchas reas
diferentes de tecnologa y negocios. Muchos ejemplos que fueron usados son repetidos
para mostrar como los 40 principios pueden ser usados para desarrollar soluciones a esos
problemas. Los problemas pueden ser resueltos y los sistemas mejorados de distintas
maneras, usando un principio o usando muchos al mismo tiempo. El muchas soluciones,
se usa mas de un principio. Cuando encuentre un principio interesante, busque otros
principios que pudieran mejorar la idea. Mas an, un principio le dar un concepto para
una solucin, pero muchos pueden ser necesarios para obtener una solucin prctica de
trabajo.
Para facilitar el leer y recordar, la lista de principios est dividida en grupos de dos a
cuatro. Cada grupo est considerado en una seccin. Los principios en algunos grupos
estn naturalmente conectados con los otros; otros simplemente tienes aproximaciones
diferentes. Los grupos son:
Segmentacin, separacin (principios del 1 al 2)
Calidad local, cambio de simetra, combinacin, multifuncionalidad (3-6)
La mueca anidada compensacin de peso (7-8)
Contraccin preeliminar, accin preeliminar, compensacin preeliminar(9-11)
Pgina 105
Equipotencialidad, otro camino alrededor, incremento de curvatura(12-14)
Partes dinmicas, acciones parciales o excesivas, cambio de dimensionalidad,

vibracin mecnica (15-18)
Accin peridica, continuidad de accin til, apurndose(19-21)
Bendiciendo para fingir, retroalimentacin, intermediacin(22-24)
Autoservicio, copiando, disposiciones baratas, sustitucin de interacciones

mecnicas(25-28)
Neumticos e hidrulicos, escudos flexibles y pelculas delgadas, materiales

porosos(29-31)
Cambios de propiedad ptica, homogeneidad, descarte y recubierta(32-34)
Cambios de parmetro, fase de transicin, expansin trmica(35-37)
Oxidantes fuertes, atmsfera inerte, materiales compuestos(38-40).
Ejemplo: Mejora del diseo de llave de tuercas

Cuando se trata de remover una tuerca apretada o corroda uno de los problemas es
que las esquinas reciben tanta fuerza que se puede desgastar rpidamente. Se puede
reducir el claro entre llave y tuerca al inicio pero se dificulta el montaje. Presentndose
una contradiccin.
1. Construir el modelo de contradiccin

Buscando en la tabla 2 parmetros de los 39 para contradicciones tcnicas se tiene:
Cosas que queremos mejorar: Confiabilidad (parmetro 27)
Cosas que se empeoran: Facilidad de operacin (parmetro 33)
2. Verificar la tabla de contradicciones
Qu se deteriora?
Qu debe ser mejorado?
33. Facilidad de uso

27 17 40
27. Confiabilidad
Pgina 106
3. Interpretar los principios

Revisar cada uno de los principios y construir analogas entre los conceptos de
principios y tu situacin, y crear soluciones al problema:
Principio 17. Mover al objeto en dos o tres dimensiones en el espacio o usar un

lado diferente del rea dada.
Principio 27. Reemplazar objeto caro por varios baratos
Principio 40. Cambiar de material uniforme a material compuesto.
4. Resolver el problema.
La superficie de trabajo de la llave de tuercas se puede redisear en forma no uniforme
(P17), agregar metal suave o plstico en la superficie de trabajo de la llave al apriete
inicial.
7.6 Mtodos de mejora funcional

Una funcin es el elemento bsico del anlisis TRIZ, se requieren al menos tres
elementos para desarrollar una funcin: Sujeto, campo y objeto.
Sujeto
Accin /
Campo
Objeto
Si alguno de los componentes no trabaja adecuadamente, la funcin no se desarrolla de

manera satisfactoria. La mejora funcional se refiere a mejorar las funciones tiles y a
eliminar o evitar las funciones dainas.
Los mtodos para mejorar las funciones tiles son los siguientes:
Mtodo 1. Cubrir el elemento faltante en un modelo sujeto-accin-sujeto.
Lo ms comn es que falte accin y sujeto.
Pgina 107
Por ejemplo:
Un lquido contiene burbujas de vapor. El efecto deseado es separar las burbujas del
lquido, sin embargo, ese efecto no est sucediendo.
Con la aplicacin de una fuerza centrfuga, el vapor puede separarse, se requiere agregar
una accin o campo de fuerza centrfuga, y un sujeto o dispositivo rotatorio como sigue:
Dispositivo
rotatorio
Accin
mecnica
Vapor
Mtodo 2. Agregar un sujeto y campo para crear una funcin til adecuada
Hay casos donde existen el sujeto y campo pero no son suficientes para crear una funcin
til adecuada.
Sujeto
Accin /
Campo
Objeto
Se agrega otro sujeto y campo para reforzar el esfuerzo, o sea:
Sujeto 1
Accin /
Campo 1
Objeto
----------------------------------------------------------------------------------------------------
Sujeto 2
Accin /
Campo 2
Por ejemplo:
El uso nico de medios mecnicos para remover el papel tapiz no es eficiente,
Sin embargo rociando con vapor previamente ser mucho ms fcil remover el papel
tapiz.
Pgina 108
Mtodo 3. Mejorar el objeto

Una de las causas comunes es que el objeto no es sensible a la accin o campo. Se
puede incrementar su sensibilidad alterando al objeto como sigue: reemplazar el objeto
original por una nueva sustancia; modificar la sustancia del objeto; aplicar aditivos
externos al objeto; aplicar aditivos internos al objeto; cambiar la estructura de materiales o
propiedades del objeto.
Ejemplo:
Verificar fugas en el refrigerador. Sin embargo las tcnicas actuales no proporcionan
deteccin y localizacin exacta de fugas de refrigerante.
Despus de un anlisis se observ que el ojo humano no es capaz de ver el lquido con
fuga, o sea:
Ojo
ptico
Fuga
Se propone utilizar una capa de sustancia detectora en las reas crticas. La superficie
externa se pinta con pintura conductora de calor (mezclada con una sustancia detectora).
La pintura cambia se diluye y cambia de color para indicar la localizacin de la fuga de
refrigerante. O sea:
Ojo
ptico
Fuga con
color
Ejemplo: Medir el rea superficial de insectos de tamao pequeo y superficie compleja.

Se propone aplicar una capa delgada de plata por recubrimiento qumico en una solucin
cida de nitrato de plata. La superficie del insecto se mide por el cambio en concentracin
de plata en la solucin (o el peso) despus del recubrimiento.
Mtodo 4. Mejorar el campo.
Una causa comn es que el campo no es efectivo para realizar la accin en el objeto. Se
puede tratar de cambiar de las siguientes formas: Cambiar la direccin del campo;
cambiar la intensidad del campo; cambiar la estructura espacial en el campo (uniforme, no
Pgina 109
uniforme, etc.); cambiar la estructura temporal del campo (impulsos, aceleracin,

desaceleracin, hacia delante y hacia atrs, etc.); aplicar una nueva sustancia entre el
sujeto y el objeto para alterar las propiedades del campo; agregar otro campo o campos
para ampliar los efectos generales.
Sujeto
Campo
alterado
Objeto
Ejemplo:
En la manufactura electrnica se requiere soldar alambres delgados en reas de difcil
acceso, se aplica una corriente elctrica para fundir los alambres. Pero el alambre no se
funde a menos que la corriente sea grande. Aplicando una capa de alta resistencia en las
puntas de unin provocar un campo elctrico fuerte que forme un campo de alta
temperatura para fundir el alambre slo en su unin.
7.7 Mtodos para eliminar o contener funciones dainas

Cuando se tiene una funcin daina se puede tratar de eliminar por medio de: bloquear o
desactivar el campo daino; destruir o desactivar el campo de una funcin daina; pasar
la accin daina a otro objeto; agregar otro campo/campos para contrarrestar la accin
daina.
F
Sujeto
Objeto
Mtodo 1. Bloquear o desactivar la accin daina (campo)

Se puede bloquear la accin daina al insertar una sustancia para blindar el objeto de la
accin daina o insertar una sustancia entre el sujeto y el objeto para cambiar la
propiedad del campo daino.
Sujeto
Objeto
Pgina 110
Ejemplo:
Para tener un tubo doblado se dobla sobre un mandril para tener la forma deseada. Sin
embargo con la fuerza el mandril daa al tubo.
Se sugiere introducir una capa elstica de poliuretano entre el mandril y el tubo para
amortiguar el dao durante el doblez.
Mtodo 2. Agregar otro campo para contrarrestar la accin daina.
F
Sujeto
Objeto
F1
Ejemplo:
Para polinizacin artificial las flores son rociadas con una corriente de aire conteniendo
polen. Una desventaja es que no todas las flores se abren con la corriente de aire.
Se propone usar un campo elctrico. Un electrodo flexible se pasa por la flor cargndola.
Despus un electrodo con carga opuesta se pasa por la flor para abrirla, en este momento
se aplica el polen.
Mtodo 3. Dirigir la accin daina hacia otro objeto
Sujeto
Objeto
Objeto
Ejemplo:
Un pararrayos aleja la descarga elctrica de los rayos de los edificios.
Ejemplo:
Pgina 111
Un cable se entierra en el suelo, pero las cuarteadoras de terreno pueden daar el cable.
Se sugiere excavar trincheras paralelas al cable para que las fracturas se orienten a ellas.
Mtodo 4. Adaptar o reemplazar el sujeto de una funcin daina
Se puede adaptar o reemplazar el sujeto de una funcin daina por uno de los mtodos
siguientes para que el sujeto no genere una accin daina: simplificar el sistema para
eliminar al sujeto; reemplazar al sujeto por otra parte del sistema; reemplazar al sujeto por
otra sustancia; apagar la influencia magntica sobre el sujeto.
Ejemplo: En un foco, se agrega bromuro para aumentar la vida del filamento retardando
su evaporacin.
Mtodo 5. Recortar o reemplazar el objeto de una funcin daina
Se puede recortar o reemplazar el objeto por alguna de las siguientes acciones: simplificar
el sistema para eliminar al objeto; reemplazar al objeto por otra parte del sistema;
reemplazar al objeto por otro objeto; apagar la influencia magntica sobre el objeto.
Ejemplo:
Para reducir los alergenos (que producen alergia) en la leche se hierve y despus se
enfra, lo que genera almidn asentado (que debe eliminarse). Esto hace que la mayora
de los componentes de globulina que son muy alergenos permanezcan en la leche.
Se sugiere agregar cloruro de calcio (0.03 a 0.1% en concentracin) a la leche (antes del
tratamiento), para que las fracciones de globulina se asienten durante el tratamiento,
reduciendo los alergenos.
Ejemplo:
Tubos delgados de NiCr se hacen por medio de procesos de estirado, sin embargo se
deforman fcilmente durante su transporte o maquinado.
Se sugiere que tengan un ncleo de aluminio dentro del tubo para evitar que se deformen
y despus se remueva con un agente alcalino.
7.8 Recorte / reduccin de la complejidad

Partes que deberan ser recortadas
Pgina 112
Las partes que pueden recortadas son las siguientes: las que no tienen una funcin til;
las que provocan muchas funciones dainas y poco tiles; las que tienen poco valor para
los clientes; las que tienen una tasa de utilizacin baja.
Partes que pueden ser recortadas
Las partes que pueden se recortadas son: la accin til de la parte puede ser realizada
por otra parte del sistema; la accin til de la parte se puede hacer cambiando otra parte
del sistema; la funcin til se puede hacer por la parte que recibe la accin (autoservicio);
la funcin til de la parte puede ser realizada por un sustituto barato o desechable.
Ejemplo:
En Rusia cuando enviaron a la luna un satlite para que le tomara fotografas, se tena el
problema de que para la iluminacin, los focos normales incandescentes no resistiran el
impacto del aterrizaje, aun los usados en tanques de guerra.
Sugerencia, como en la luna hay un perfecto vaco, se usaron focos incandescentes sin
cristal ya que slo es til para mantener el vaco en la tierra.
7.9 Evolucin de los sistemas tecnolgicos

TRIZ establece que la evolucin de los sistemas tecnolgicos se orienta a mejorar el
grado de idealidad, donde:
Idealidad
Beneficios
Costos Daos
Por tanto el enfoque se orienta a: incrementar los beneficios; reducir los costos; reducir
los daos, para lo cual hay varias tcnicas:
Tcnicas para incrementar beneficios
Incrementar el nmero de funciones de un sistema simple a un polisistema:

escopeta de dos caones; desarmador plano y de cruz; reloj y calculadora; lpiz
con goma ( dos funciones opuestas)
Incrementar la magnitud y calidad de una funcin: un arma de fuego que no solo

sirve a cortas distancias sino cada vez ms a larga distancia. Otro ejemplo, la
tarjeta de usos mltiples para un estudiante universitario.
Pgina 113
Tcnicas para reducir los costos
Eliminar funciones redundantes
Eliminar partes redundantes
Reemplazar partes con sustitutos baratos
Combinar varias partes en una sola
Realizar funciones de partes con sustancias de recursos ya existentes
Por ejemplo llenar el techo de un invernadero con un lquido que se expanda con la
temperatura, as entre ms calor externo haya, el lquido dejar pasar menos calor hacia
adentro y viceversa.
Reducir el nmero de funciones de soporte
Recortar funciones de soporte y partes relacionadas.
Simplificar funciones de soporte y partes relacionadas
Usar recursos ociosos para desarrollar funciones de soporte
Tcnicas para reducir daos
Usar mejoras funcionales para reducir daos
Usar recorte para reducir funciones dainas
Usar recursos disponibles para combatir funciones dainas.
Pgina 114
8. Diseo para X
Pgina 115
8. DISEO PARA X
8.1 Introduccin
Son mtodos enfocados a lograr la optimizacin del diseo en determinadas reas
como son: ensamble, manufactura, inspeccin y prueba, logstica de materiales,
almacenamiento y distribucin, reciclado y disposicin, impacto al medio ambiente,
servicio, costo, ventas, uso y operacin.
Los mtodos y herramientas de DFX colectan y presentan hechos y datos con
relacin al diseo y sus procesos de produccin, analizan todas las relaciones
entre ellos, miden los CTQs de desempeo como resultado de la estructura fsica,
generan
alternativas
combinando
fuerzas
reduciendo
vulnerabilidades,
proporcionan recomendaciones de rediseo para mejora, proporcionan escenarios

SI-ENTONCES, realizan lo anterior en varias iteraciones.
La idea es crear desempeo del producto a niveles seis sigma a partir de las
capacidades actuales. La ingeniera concurrente apoya estas actividades. El
Diseo para se realiza en los pasos siguientes:
1. Usar DFX tan pronto como sea posible en el desarrollo del diseo.
2. Iniciar con Diseo para ensamble (DFA) y Diseo para variedad (DFV) para los
proyectos de productos y Diseo para servicio para los proyectos transaccionales.
3. De los hallazgos del paso 2, determinar cual DFX usar a continuacin.
8.2 DFMA Diseo para manufactura y ensamble

Antes de iniciar este mtodo se debe hacer lo siguiente:
Revisar la estructura fsica, el proceso de DFSS, y la estrategia de

mercado.
Revisar todos los procesos involucrados en el anlisis de mercado,

atributos del cliente y CTSs, y otros requerimientos tales como empaque y
Pgina 116
mantenimiento, de ser necesario utilizar prototipos, modelos, experimentos

y simulacin para clarificar los conceptos.
Analizar las funciones actuales de manufactura y ensamble, operaciones y

su secuencia concurrentemente con herramientas de simulacin para
encontrar la mejor organizacin y mtodos de produccin.
Aplicar la tecnologa ms apropiada y no la ltima a los procesos

identificados en la estructura de procesos.
Seguir el mtodo de diseo axiomtico para crear diseos modulares, es

decir
entidades
fsicas
estndar
como:
componentes,
partes
subensambles. Se pueden lograr menores costos, configuraciones fsicas y

de proceso sencillas, fcil implementacin de cambios de ingeniera y
mayor calidad y confiabilidad.
Disear con el menor nmero de partes con la idea de acoplamiento fsico,

no el acoplamiento funcional, partes con requerimientos multifuncionales
con mltiples DPs no acoplados en tiempo y espacio. Por ejemplo un
abrelatas botellas de refresco (Suh 1990), sus requerimientos funcionales
son:
FR1 = Abrir botella
FR2 = Abrir lata
Sus DPs son:
DP1 = abridor de botellas en un extremo
DP2 = abridor de latas en el otro extremo
El mapa del diseo es el siguiente:
Pgina 117
FR1 X 0 DP1

FR2 0 X DP2
Los dos FRs son independientes o no estan acoplados (Axioma 1). El
abridor con la doble funcin (misma parte fsica) se hace en un proceso de
estampado nico.
Pgina 118
Seleccionar el material para facilitar la fabricacin.
Aplicar los principios de ensamble por partes y factores tales como: manejo
y alimentacin de partes, orientacin, identificacin, posicionamiento,
tolerancias permitidas y montaje.
Usar la herramienta apropiada de DFM o DFMA. Huang (1996) sugiere el

mapa siguiente:
Inicio
Diseo para
ensamble
Finalizar
Materiales,
proceso y
estimados de
costos iniciales
Estructura fsica, estructura de

proceso, funcin de
transferencia, especificaciones
Sugerencias para materiales

y procesos ms econmicos
Seleccionar la
mejor estructura
de proceso de
ensamble
Diseo para
manufactura
Diseo detallado para

costo de manufactura
mnimo
Prototipo
Pasos del proceso DFMA (Huang 1996)

El Mtodo DFMA
Es importante reducir el nmero de partes, para cual cada una de las partes
actuales es examinada:
Pgina 119
1. Durante la operacin del producto, la parte se mueve en relacin a las otras

partes ya ensambladas?
2. Deben ser las partes de diferente material que, o aisladas de todas las dems
partes ya ensambladas?. Solo se aceptan razones relacionadas con las
propiedades de los materiales.
3. Deben ser separadas las partes de todas las otras partes ya ensambladas
debido al necesario ensamble, desensamble de otras partes separadas que de
otra manera sera imposible?.
Una respuesta de SI identifica la parte como parte crtica. Todas las partes que
no son crticas se pueden eliminar o acoplar fsicamente a otras partes crticas, por
lo que tericamente el nmero de partes crticas es el nmero mnimo de partes
separadas del diseo.
A continuacin se pueden analizar los tiempos de ensamble y la eficiencia en
trminos de la dificultad de ensamble. Esto se hace observando como cada parte
es tomada, orientada, colocada o insertada en el producto. Se pueden hacer
varias iteraciones de simplificacin.
El paso siguiente es analizar la manufactura de las partes individuales,
identificando alternativas, evaluando los costos de manufactura y estableciendo
compromisos entre acoplamiento fsico (consolidacin de DPs) y costo incremental
de manufactura. Se pueden implementar Poka Yokes para evitar errores y reducir
tiempos de correccin.
Pgina 120
8.3 Diseo para confiabilidad

Confiabilidad es la probabilidad de que una entidad fsica desarrolle sus
requerimientos
funcionales
(FRs)
durante
un
periodo
intencionado
bajo
condiciones de operacin definidas. La evaluacin de la confiabilidad incluye

prueba y anlisis con factores de esfuerzo y ambientales, as como uso incorrecto
por el usuario final.
DFR adapta las leyes de la probabilidad para predecir fallas y adopta:
1. Medir para reducir tasas de falla en la entidad fsica empleando axiomas de
diseo y confiabilidad concurrentemente.
2. Tcnicas para calcular la confiabilidad de partes clave y formas de diseo para
reducir o eliminar acoplamiento y otras debilidades de diseo.
3. Degradacin uso de partes por debajo de su valor nominal.
4. Anlisis del modo de falla de diseo y su efecto (DFMEA) usado para la
bsqueda de alternativas para corregir las fallas. Una falla es algo que evita que
el producto cumpla sus requerimientos funcionales.
5. Practicar la robustez haciendo el diseo insensible a todas las fuentes no
controlables de variacin (factores de ruido).
6. Redundancia, donde sea necesario, establecer sistemas paralelos y de
respaldo para partes importantes o subsistemas en casos de falla.
Se mejora la confiabilidad de un sistema al:
Minimizar daos en embarque, servicio y reparacin.
Contraatacar los factores ambientales y de degradacin.
Reducir la complejidad del diseo.
Maximizar el uso de componentes estndar.
Determinar todas las causas raz de defectos, no los sntomas con el

DFMEA.
Controlar los factores significativos y crticos usando CEP (control

estadstico del proceso donde sea aplicable).
Pgina 121
Dar seguimiento a rendimientos y tasas de defectos de procesos internos y

de proveedores y desarrollar estrategias para atenderlos.
Para minimizar la probabilidad de falla, es necesario identificar todos los

posibles modos de falla y el mecanismo por el cual ocurren. En caso de afectar
la seguridad, se inicia identificando los elementos peligrosos y despus se
procede a identificar todos los eventos que pueden convertir estos elementos
en condiciones peligrosas y sus sntomas. Se identifican las acciones
correctivas para reducir estas condiciones. Una herramienta de apoyo es el
rbol de falla (FTA Fault Tree Analysis) que usa compuertas lgicas para
combinar eventos que pueden producir la falla. Otras herramientas a utilizar
son el PFMEA y el Diagrama de Ishikawa.
8.4 Diseo para mantenabilidad

El objetivo es asegurarque el diseo se desempee satisfactoriamente durante
la vida til intencionada con un mnimo gasto y esfuerzo. El diseo para
mantenabilidad (DFM), diseo para confiabilidad (DFR) y diseo para servicio (
DFS) se realcionan ya que mejorando la confiabilidad puede mejorar la
mantenabilidad y el servicio. El DFM efectivo minimiza:
El tiempo muerto por mantenimiento.
El tiempo de mantenimiento del usuario y tcnicos.
Daos a los usuarios en labores de mantyenimiento.
Costos de accesorios para mantenimiento.
Requerimientos de logstica para partes de refacciones, partes de

respaldo y personal.
Las acciones de mantenimiento pueden ser preventivos, correctivos, reciclado y

reconstruccin. Como gua para DFSS se sugiere:
Minimizar el nmero de parmetros de diseo para servicio (DPs) con

procedimientos y habilidades simples.
Pgina 122
Proporcionar fcil acceso a las DPs reparables con inspeccin visual fcil.
Uso de sujetadores y mtodos de ensamble estandarizados.
Diseo para uso mnimo de herramientas de mano.
Proporcionar dispositivos de seguridad (guardas, cubiertas, interruptores,

etc.)
Diseo para mnimos ajustes y hacer accesibles los DPs ajustables.
Fijar criterios claros para reparar o desechar dentro del contexto de costo en el
ciclo de vida del producto, considerando los costos de transporte, embarque, y
manejo; capacitacin de personal; y logstica de reparacin.
El proceso de reparacin debe enfocarse a:
Mejorar la capacidad de reparacin para reaccionar a situaciones de

emergencia.
Mejorar las instalaciones de reparacin actuales en lnea con cambios de

diseo.
Reducir el costo usando modularidad y compnentes estandarizados.
Reducir el espacio de almacenamiento.
El proceso de desecho debe considerar:
El costo de manufactura.
Simplificar las tareas de mantenimiento (vgr., con habilidades mnimas,

herramientas mnimas, y mtodos estandarizados de ensamble).
Confiabilidad de las estaciones de trabajo: capacitacin a los tcnicos para

evitar dao al equipo de reparacin.
Ajustes de cambio en reparacin para poder cambiar partes nuevas en vez

de retrabado en campo.
8.5 Diseo para servicio (DFS)
Pgina 123
Facilidad de servicio es una caracterstica de desempeo de calidad en el modelo

Kano. Se sugiere que se revisen las siguientes consideraciones:
1. Atributos de servicio del cliente.
2. Tiempo del personal.
3. Costos de partes.
4. Seguridad.
5. Diagnstico.
6. Simplificacin del servicio.
7. Frecuencia y ocurrencia de reparacin.
8. Herramientas especiales.
9. Fallas causadas por los procedimientos de servicio.
Algunas guas sugeridas para lograr DFS:
1. Reducir los requerimientos funcionales (FRs) minimizando la necesidad de
servicio. Atendcer los requerimientos de servicio en secuencia priorizada y mejorar
la confiabilidad, adems de mejorar el diseo con ayuda del diseo axiomtico,
simplificarlo y minimizar las partes fsicas acoplndolas para consolidacin de
DPs.
2. Identificar los atributos de servicio de los clientes y los requerimientos de
servicio requeridos por los diferentes segmentos. Hay tres tipos: operaciones
estndar, mantenimiento programado, y reparaciones. Las operaciones estndar
incluyen partes que se desgastan normalmente por el uso como los aceites que
deben ser reemplazados peridicamente. Se deben apoyar con dispositivos a
prueba de error o Poka Yokes. El mantenimiento programado es normalmente
recomendado para las partes especficas en el manual del cliente hacerlo por si
mismo para mejorar la durabilidad. La reparacin debe ser fcil. Normalmente hay
limitaciones por espacio reducido y complejidad del diseo. Se puede facilitar con
kits de reparacin, facilidades de diagnstico, y prcticas de diseo modular.
Pgina 124
3. Practicar el enfoque DFS, usar el mtodo de zigzagueo entre serviciabilidad de

las FRs y DPs, una vez establecidos todos los mapeos, se pueden considerar
nuevas alternativas de diseo. Un conjunto de serviciabilidad para FRs incluyen
localizacin adecuada, estandarizacin de herramientas y partes, proteccin
contra fallas aceleradas, consideraciones de ergonoma, y funciones de
diagnstico.
Se sugiere seguir los siguientes pasos para lograr un DFS:
1. Revisar los supuestos, CTSs y FRs para serviciabiliad del QFD, tipos de
servicio, segmentos de clientes, y objetivos de Seis Sigma.
2. Checar Datums de diseos y usar los datos disponibles como forma de predecir
el desempeo del diseo, apoyarse con Benchmark.
3. Identificar los tipos de diseo requerido (operaciones estndar, mantenimiento
programado, o reparacin) y mapearlo a los segmentos adecuados de clientes.
4. Comprender todos los procedimientos de servicio de los manuales de la
empresa, incluyendo los pasos, secuencia y problemas potenciales.
5. Estimar el tiempo del personal para efectos de garantas, incluyendo los
tiempos necesarios para el reconocimiento, diagnstico, logstica y reparacin.
6. Minimizar todas las reas problemticas de servicios revisando el sistema de
seguimiento de quejas del cliente, determinar y eliminar las causas raz, priorizar
la atencin de problemas.
7. Determinar la solucin para serviciabilidad aplicada al diseo como resultado de
pasos 1 a 6. Cada parte o componente crtica debe ser atendida en sus
requerimientos de serviciabilidad.
8. Introducir parmetros de diseo de serviciabilidad (DPs o solucin) en la
estructura del proceso, categorizadas de acuerdo a las preguntas siguientes:
a) Orientacin remocin fcil de partes.
b) Contaminacin evitar contaminaciones de fluidos y partes.
c) Acceso: Ensamblabilidad; alcance de partes; colocacin para servico rpido;
facilidad de hacer espacio para la reparacin, eficiencia evitando obstrucciones
Pgina 125
para servicio, diagnstico sin requerir desensamble, confiabilidad del servicio

evitando daos a partes al moverlas o repararlas.
d) Simplicidad - consideraciones del cliente: herramientas especiales mnimas,
reducir necesidad de ajustes por el cliente, usar poka yokes como cdigos de
colores e instrucciones muy claras.
8.6 Diseo para el medio ambiente (DFE)

Orientarse hacia la Teora de la casa verde y el calentamiento global, atender los
requerimientos de emisiones, etc. Atender preocupaciones ambientales tales como
impacto ambiental, transporte despus de la produccin, consumo, mantenimiento
y reparacin. Normalmente los diseos DFE tienen costos adicionales en el
producto.
8.7 Aspectos de tecnologa y diseo

La evaluacin del costo durante la vida til de los productos requiere la evaluacin
de los siguientes tipos de costos relacionados:
1. Costos de capital (adquisicin e instalacin).
2. Costos de reemplazo del sistema.
3. Costos de mantenimiento y reparacin.
4. Costos de operacin (vgr. Costos de energa).
5. Valor de rescate, remocin o disposicin.
Los mtodos para evaluar los costos del ciclo de vida y la factibilidad de los
proyectos son los siguientes:
1. Costo total del ciclo de vida (TLCC), suma los valores descontados de los
costos equivalentes en el horizonte de tiempo.
2. Valor presente neto (NPV), calcula la diferencia entre el TLCC del proyecto y la
inversin inicial.
3. Tasa interna de retorno (IRR), proporciona el porcentaje de inters del proyecto.
4. Costos basados en actividades (ABC), con o sin medidas de incertidumbre.
Pgina 126
Diseo basado en el costo del ciclo de vida: con ABC

El costeo basado en actividades (ABC) es un mtodo que asume que le producto,
servicio o proceso consume actividades, que deben ser analizadas para minimizar
los costos totales durante la vida del producto o servicio.
Pgina 127
9. Anlisis del Modo y Efecto de Falla

(FMEA)
Pgina 128
9. AMEF ANALISIS DE MODO Y EFECTO DE LA FALLA

El AMEF o FMEA ( Failure Mode and Effect
Analisis) es una tcnica
de
prevencin, utilizada para detectar por anticipado los posibles modos de falla, con
el fin de establecer los controles adecuados que eviten la ocurrencia de defectos.
9.1 Objetivos
Identificar los modos de falla potenciales, y calificar la severidad de su efecto.
Evaluar objetivamente la ocurrencia de causas y la habilidad de los controles

para detectar la causa cuando ocurre.
Clasifica el orden potencial de deficiencias de producto y proceso.
Se enfoca hacia la prevencin y eliminacin de problemas del producto y

proceso
9.2 Preparacin del AMEF

Se recomienda que sea un equipo multidisciplinario el que lo lleve a cabo.
Por ejemplo: el ingeniero responsable del sistema, producto o proceso de
manufactura/ ensamble se incluye en el equipo, as como representantes de las
reas de Diseo, Manufactura, Ensamble, Calidad, Confiabilidad, Servicio,
Compras, Pruebas, Proveedores y otros expertos en la materia que se considere
conveniente.
Cundo iniciar un AMEF
Pgina 129
Al disear los sistemas, productos y procesos nuevos.
Al cambiar
los diseos o procesos existentes o que sern usados en
aplicaciones o ambientes nuevos.
Despus de completar la Solucin de Problemas (con el fin de evitar la

incidencia de los mismos).
El AMEF de sistema, despus de que las funciones del sistema se definen,

aunque sea antes de seleccionar el hardware especfico.
El AMEF de diseo, despus de que las funciones del producto son definidas,
aunque sea antes de que el diseo sea aprobado y entregado para su
manufactura.
El AMEF de proceso, cuando los dibujos preliminares del producto y sus

especificaciones estn disponibles.
Tipos de AMEFS
AMEF de Diseo: Se usa para analizar componentes de diseos. Se enfoca

hacia los Modos de Falla asociados con la funcionalidad de un componente,
causados por el diseo.
AMEF de Proceso:
Se usa para analizar los procesos de manufactura y
ensamble. Se enfoca a la incapacidad para producir el requerimiento que se

pretende, un defecto. Los Modos de Falla pueden derivar de causas
identificadas en el AMEF de Diseo.
Procedimiento para la elaboracin del A.M.E.F (Diseo o Proceso)

1. Determinar el proceso o producto a analizar.
Pgina 130
AMEF de diseo(FMAD): Enumerar que es lo que se espera del diseo

del producto, que es lo que quiere y necesita el cliente, y cuales son los
requerimientos de produccin. As mismo listar el flujo que seguir el
producto a disear, comenzando desde el abastecimiento de matreria
prima, el(los) procesos (s) de produccin hasta la utilizacin del producto
por el usuario final. Determinar las reas que sean ms sensibles a
posibles fallas.
AMEF de procesos(FMEAP): Listar el flujo del proceso que se est

desarrollando, comenzando desde el abastecimiento de la materia
prima, el proceso de transformacin hasta la entrega al cliente (proceso
siguiente). Determinar las reas que sean ms sensibles a posibles
fallas. En el caso de empresas de servicios no hay materias primas,
para estos caso se toman en cuenta las entradas del proceso.
En este punto es importante:

Desarrollar lista de Entradas, Salidas y Caractersticas / artculos diagrama de bloque de referencia, QFD.
Evaluar entradas y caractersticas de la funcin requerida para producir la
salida.
Evaluar Interfaz entre las funciones para verificar que todos los Posibles
Efectos sean analizados.
Asumir que las partes se manufacturan de acuerdo con la intencin del
diseo.
2. Establecer los modos potenciales de falla.
Pgina 131
Para cada una de las reas sensibles a fallas determinadas en el punto

anterior se deben establecer los modos de falla posibles. Modo de falla es
la manera en que podra presentarse una falla o defecto. Para
determinarlas nos cuestionamos De qu forma podra fallar la parte o
proceso?
Ejemplos:
Roto
Flojo
Fracturado
Equivocado
Deformado
Agrietado
Mal ensamblado
Fugas
Mal dimensionado
3. Determinar el efecto de la falla
Efecto: Cuando el modo de falla no se previene ni corrige, el cliente o el
consumidor final pueden ser afectados.
Ejemplos:
Deterioro prematuro
Ruidoso
Operacin errtica
Claridad insuficiente
Paros de lnea.
4. Determinar la causa de la falla
Pgina 132
Causa: Es una deficiencia que se genera en el Modo de Falla.

Las causas son fuentes de Variabilidad asociada con variables de Entrada
Claves (KPIVs).
Causas relacionadas con el diseo ( caractersticas de la parte)
Seleccin de Material
Tolerancias / valores objetivo
Configuracin
Componente de Modos de Falla a nivel de Componente
Causas que no pueden ser Entradas de Diseo, tales como:
Ambiente, Vibracin, Aspecto Trmico
Mecanismos de Falla
Rendimiento, Fatiga, Corrosin, Desgaste
5. Describir las condiciones actuales: Anotar los controles actuales que estn
dirigidos a prevenir o detectar la causa de la falla.
Clculos
Anlisis de elementos limitados
Revisiones de Diseo
Prototipo de Prueba
Prueba Acelerada
Primera Lnea de Defensa - Evitar o eliminar causas de falla.
Pgina 133
Segunda Lnea de Defensa - Identificar o detectar falla anticipadamente.
Tercera Lnea de Defensa - Reducir impactos / consecuencias de falla.

6. Determinar el grado de severidad: Para estimar el grado de severidad, se
debe de tomar en cuenta el efecto de la falla en el cliente. Se utiliza una
escala del 1 al 10: el 1 indica una consecuencia sin efecto. El 10 indica
una consecuencia grave.
Efecto
Rango
Criterio
No
Muy poco
1
2
Poco
Menor
Moderado
Sin efecto
Cliente no molesto. Poco efecto en el desempeo del
artculo o sistema.
Cliente algo molesto. Poco efecto en el desempeo del
artculo o sistema.
El cliente se siente algo insatisfecho. Efecto moderado en
el desempeo del artculo o sistema.
El cliente se siente algo insatisfecho. Efecto moderado en
el desempeo del artculo o sistema.
El cliente se siente algo inconforme. El desempeo del
artculo se ve afectado, pero es operable y est a
salvo. Falla parcial, pero operable.
El cliente est insatisfecho. El desempeo del artculo se
ve seriamente afectado, pero es funcional y est
a salvo. Sistema afectado.
El cliente muy insatisfecho. Artculo inoperable, pero a
salvo. Sistema inoperable
Efecto de peligro potencial. Capaz de descontinuar el uso
sin perder tiempo, dependiendo de la falla. Se cumple con
el reglamento del gobierno en materia de riesgo.
Efecto peligroso. Seguridad relacionada - falla repentina.
Incumplimiento con reglamento del gobierno.
Significativo 6
Mayor
Extremo
Serio
Peligro
10
Pgina 134
7. Determinar el grado de ocurrencia: Es necesario estimar el grado de

ocurrencia de la causa de la falla potencial. Se utiliza una escala de
evaluacin del 1 al 10. El 1 indica remota probabilidad de ocurrencia, el
10 indica muy alta probabilidad de ocurrencia.
Ocurrencia
Rango
Remota
Muy Poca
Poca
Moderada
4
5
6
7
8
Alta
Muy Alta
Criterios
Probabilidad de
Falla
Falla improbable. No <1 en 1,500,000
existen
fallas
asociadas con este
proceso o con un
producto casi idntico.
Slo fallas aisladas 1 en 150,000
asociadas con este
proceso o con un
proceso casi idntico.
Fallas
aisladas 1 en 30,000
asociadas
con
procesos similares.
Este proceso o uno 1 en 4,500
similar ha tenido fallas 1 en 800
ocasionales
1 en 150
Este proceso o uno 1 en 50
similar han fallado a 1 en 15
menudo.
La falla es casi 1 en 6
inevitable
>1 en 3
9
10
8. Determinar el grado de deteccin: Se estimar la probabilidad de que el

modo de falla potencial sea detectado antes de que llegue al cliente. El 1
indicar alta probabilidad de que la falla se pueda detectar. El 10 indica
que es improbable ser detectada.
Probabilidad
Rango
Alta
Medianament
2-5
Criterio
Probabilidad
de
deteccin de la falla.
El
defecto
es
una 99.99%
caracterstica funcionalmente
obvia
Es muy probable detectar la 99.7%
Pgina 135
e alta
Baja
6-8
Muy Baja
Improbable
10
falla. El defecto es una

caracterstica obvia.
El
defecto
es
una 98%
caracterstica
fcilmente
identificable.
No es fcil detecta la falla 90%
por mtodos usuales o
pruebas
manuales.
El
defecto es una caracterstica
oculta o intermitente
La caracterstica no se Menor a 90%
puede checar fcilmente en
el proceso. Ej: Aquellas
caractersticas relacionadas
con la durabilidad del
producto.
9. Calcular el nmero de prioridad de riesgo (NPR): Es un valor que establece

una jerarquizacin de los problemas a travs de la multiplicacin del grado
de ocurrencia, severidad y deteccin, ste provee la prioridad con la que
debe de atacarse cada modo de falla, identificando tems crticos.
NPR = Grado de Ocurrencia * Severidad * Deteccin.
Prioridad de NPR:
500 1000 Alto riesgo de falla
125 499
Riesgo de falla medio
1 124
Riesgo de falla bajo
No existe riesgo de falla
Se deben atacar los problemas con NPR alto, as como aquellos que tengan un
alto grado de ocurrencia no importando si el NPR es alto o bajo.
10. Acciones recomendadas: Anotar la descripcin de las acciones preventivas
o correctivas recomendadas, incluyendo responsables de las mismas.
Pgina 136
11. Anotando la fecha compromiso de implantacin. Se pueden recomendar

acciones encaminadas hacia:
Eliminar o disminuir la OCURRENCIA de la causa del modo de falla.

(modificaciones al diseo o al proceso, Implementacin de mtodos
estadsticos, ajuste a herramental, etc.
Reducir la SEVERIDAD del modo de falla. (Modificaciones en el

diseo del producto o proceso).
Incrementar la probabilidad de DETECCIN. (Modificaciones en el

diseo del producto o proceso para ayudar a la deteccin).
12. Una vez realizadas las acciones correctivas o preventivas, se recalcula el

grado de ocurrencia, severidad, deteccin y el NPR.
13. Cada vez que haya alguna modificacin en el proceso o en el producto se
debe de actualizar el A.M.E.F.
La estructura del AMEF del diseo o del proceso es bsicamente la misma, lo que
es diferente es el enfoque.
Fecha lmite:
Concepto
Prototipo
Pre-produccin
Produccin
FMEAD
FMEAP
FMEAD
FMEAP
Artculo
Caracterstica de Diseo
Falla Forma en que el
producto falla
Controles
Paso de Proceso
Forma en que el proceso falla
al producir el requerimiento
que se pretende
Tcnicas de Diseo de
Verificacin/Validacin
Controles de Proceso
Para el AMEF de proceso se utilizan las tablas siguientes:

Pgina 137
Pgina 140
Actualizacin del AMEF

El AMEF se actualiza siempre que se considere un cambio en el diseo,
aplicacin, ambiente, material del producto, o en los procesos de manufactura o
ensamble.
EJEMPLO:
Pgina 141
Diseo para Seis Sigma (DFSS)
10. Diseo de experimentos
Pgina 142
10. DISEO DE EXPERIMENTOS

10.1 Introduccin al diseo de experimentos
l diseo de experimentos es una tcnica estadstica que nos ayuda a identificar

que factores o variables afectan l comportamiento de un proceso productivo y de
esta manera poder mejorarlo.

O bien: es una prueba o una serie de pruebas en las cuales se inducen cambios
deliberados en las variables de entrada de un proceso o sistema, de manera que sea
posible observar e identificar las causas de los cambios en la respuesta de salida.
Experimento: es una prueba o ensayo.
El proceso o sistema bajo estudio puede representarse por medio del modelo de la
figura 1.1.
Factores controlables
x1 x2 x3 x4 ... xp
Entradas
Fig. 10.1
Salida
Proceso
z1 z2 z3 z4 ... zq
Factores incontrolables
Figura 1. Modelo general de un proceso o sistema
Algunas de las variables del proceso x1, x2,..., xk son controlables, mientras que otras
z1, z2,...,zk son incontrolables (aunque pueden ser controlables para los fines de
prueba). Entre los objetivos del experimento pueden incluirse:
1. Determinar cuales variables tiene mayor influencia en la respuesta, y.
Pgina 143
2. Determinar el mejor valor de las x que influyen en y, de modo que y tenga casi
siempre un valor cercano a valor nominal deseado.
3. Determinar el mejor valor de las x que influyen en y, de modo que la variabilidad de
y sea pequea.
4. Determinar el mejor valor de las x que influyen en y, de modo que se minimicen los
efectos de las variables incontrolables z1, z2,...zq.
Lo mtodos de diseo experimental tiene un propsito que puede ser desarrollar un

proceso consistente o robusto; esto es, un proceso afectado mnimamente por
fuentes de variabilidad externas o ruido (las zi).
En el diseo de experimentos se plantean varias preguntas importantes:
1. Son estas dos soluciones los nicos medios para lograr la respuesta de inters?
2. Existen otros factores que pueden afectar la respuesta de las muestras y que
deban ser investigados o controlados?
3. Cuntas muestras deben ser sometidas a cada solucin de templado?
4. En que forma debe asignarse cada muestra a los tratamientos, y en que orden
deben realizarse las mediciones?
5. Qu mtodo de anlisis debe utilizarse?
6. Qu diferencia en los niveles promedio de respuesta entre los dos tratamientos
debe considerarse como significativa?
Estas, y quiz muchas otras preguntas, debern ser contestadas satisfactoriamente

antes de llevar a cabo el experimento.
Aplicaciones del diseo de experimentos
l diseo de experimentos puede servir para mejorar el rendimiento de un proceso

de manufactura, desarrollo de nuevos procesos con lo que se logra:
Pgina 144
1. Mejorar el rendimiento del proceso.

2. Menor variabilidad y mayor apego a los requerimientos nominales y objetivos.
3. Menor tiempo de desarrollo.
4. Menores costos totales.
Los mtodos de diseo de experimentos tambin se aplican al diseo de productos

como sigue:
1. Evaluacin y comparacin de conceptos de diseo bsicos.
2. Evaluacin de materiales alternativos.
3. Seleccin de parmetros de diseo de modo que el producto funcione bien desde una
amplia variedad de condiciones de uso real; Esto es, de modo que el producto sea
consistente (robusto).
El uso del diseo de experimentos en estas reas puede dar por resultado productos
con mayor confiabilidad y mejor funcionamiento en el campo, menores costos, y menor
tiempo de diseo y desarrollo del producto.
El diseo estadstico de experimentos es el proceso de planear un experimento para

obtener datos apropiados, que pueden ser analizados mediante mtodos estadsticos,
con objeto de producir conclusiones validas y objetivas.
Cuando se identifican los factores y su influencia en un sistema productivo, se pueden

tomar decisiones que efectivamente mejoren la
calidad del producto o servicio. Se
pueden identificar las fuentes de variacin reales para su reduccin en la bsqueda de la

mejora continua.
Cuando se usan experimentos pretendemos analizar el efecto de cambios que nosotros
F1
F2
inducimos ms que analizar variaciones al azar. Por ejemplo, mediante un diagrama

F11
F21
causa-efecto
podemos identificar las posibles causas o factores que inciden en un efecto
F12 s muestra en la figura 2
F22
o respuesta
especifica tal y como
CARACTERISTICA
DE CALIDAD
F41
F31
Pgina 145
F32
F42
F4
F3
Figura 10.2 Diagrama de Causa Efecto

Mediante un experimento podemos inducir cambios en uno varios factores (F 2l. F33 y F11
por ejemplo) y analizar estadsticamente si el cambio en los factores afecta o no el
resultado o efecto del proceso.
Definicin de experimento, diseo de experimentos y eficiencia de un

experimento
Experimento
s un conjunto de pruebas estructurado y coherente que son analizadas a fin de

comprender la operacin del proceso.
Diseo de experimentos
s el proceso de planear, ejecutar y analizar el experimento de manera que los datos

apropiados sean recolectados, y que estos tengan validez estadstica para obtener
conclusiones validas y tiles. Se entiende por validez estadstica, el que los resultados se
puedan repetir consistentemente sobre todo en la operacin a gran escala o masiva.
Un experimento es eficiente cuando:

1.
Se obtiene la informacin requerida.
2.
Con el mnimo consumo de recursos.
Pgina 146
Esto es, un experimento eficiente debe ser lo ms simple y econmico posible pero
efectivo. Las tcnicas del diseo de experimentos pretenden que los experimentos sean
eficientes.
Principios bsicos del diseo de experimentos
ara que un experimento pueda tener validez estadstica se deben de observar al

menos tres principios:
Reproduccin. Esto significa que el experimento se pueda llevar a cabo o repetir

bajo las mismas condiciones en ms de una ocasin.
La diferencia observada como resultado de un experimento es real, o se debe a simple

error aleatorio, o aun ms a otro factor como por ejemplo diferente tipo del material. Para
aclarar esto, es necesario repetir el experimento y cuantificar si se presenta
consistentemente o no la variacin detectada.
La reproduccin por lo tanto es importante por al menos dos razones:
i) Permite cuantificar el error aleatorio inherente al proceso y
ii) Permite una mejor estimacin de los parmetros.
Aleatoriedad. Esto significa que tanto el material asignado a un experimento en

particular, como el orden en que se efectan las pruebas se efectu de una
manera aleatoria.
Suponga por ejemplo, que UD desea saber si la temperatura influye en el nivel de

contaminacin de un producto, medida esta en mgms/lt, para esto UD primero efecta
cuatro pruebas a una temperatura de 80C y enseguida cuatro pruebas a 90C, los
Resultados son:
80C 2.2 2.8 3.2 3.6 2.95
90C 3.4 3.9 4.3 4.7 4.07
Pgina 147
A primera vista con la temperatura de 80 C s: Tiene menor nivel de contaminacin, sin

embargo, algo raro se observa, el nivel de contaminacin siempre aumenta, esto se debe
a que los residuos que
quedan en el equipo lo que aumenta constantemente la
contaminacin del producto. Esto se puede evitar lavando perfectamente el material, lo

cual puede no ser fsicamente posible. "En lugar de esto podemos confundir, anular o
igualar este efecto, realizando las pruebas en orden aleatorio bajo las dos temperaturas.
En una diagrama causa-efecto con un gran numero de factores afectando la

caracterstica de calidad, si se desea analizar el efecto de un solo o algunos factores,
se debera controlar y medir todos los otros factores y aun as no eliminara el error
aleatorio, en lugar de esto se puede "confundir" o anular el efecto de estos factores no
controlables al efectuar las pruebas siguiendo un orden aleatorio o al azar.
La aleatoriedad por lo tanto es importante por al menos dos razones

i)
Confunde el efecto de factores no controlables y
ii)
Valida las pruebas estadsticas al hacer que los errores experimentales sean
estadsticamente independientes.
Anlisis por bloques. Es una tcnica que se usa para incrementar la precisin
del experimento. Un bloque es una porcin del material experimental que sea ms
homognea que el total del material o cuando las condiciones son ms
homogeneas. Al realizar un experimento por bloques se hacen las comparaciones
entre las condiciones de inters del experimento dentro de cada bloque.
Metodologa general para realzar un experimento

Se
sugieran varias metodologas en la literatura, la siguiente es una de ellas:
1. Identifique claramente el problema o situacin a resolver. Antes de poder planear un

experimento necesitamos definir claramente que es la que estamos buscando, aun
cuando esto puede parecer trivial en ocasiones es tanta la presin para tomar
Pgina 148
decisiones que corremos a experimentar sin por lo menos definir claramente nuestros
objetivos.
En este paso es necesario definir que tipo de informacin es exactamente la que nos
interesa, ya que no podemos medir o variar todos y cada uno de los componentes de un
experimento.
En ocasiones escuchamos que el experimento fue un xito pero la calidad no mejor.
Antes de planear un experimento se debe de investigar y. analizar el conocimiento y datos
que ya se tengan sobre este problema. La participacin activa del personal involucrado
en el problema es de vital importancia en este paso.
En conclusin como resultado de este paso, la hiptesis a probar debe quedar bien
definida. Un diagrama causa-efecto es una buena ayuda en este paso.
2. Identificar variables. En este paso dos tipos de variables se deben de identificar,
variables dependientes y factores o variables independientes.
La variable dependiente o variable de respuesta es la
caracterstica de calidad que
queremos mejorar y cuyo comportamiento deseamos conocer, ejemplos de esta son:

porcentaje de contaminacin, satisfaccin de un cliente, desgaste de una herramienta,
tiempo, de falla, etc.
Es deseable que una variable dependiente rena las caractersticas siguientes:
Cuantitativa
Precisa.
Que tenga algn significado fsico.
Las variables independientes o factores representan aquellas causas o factores cuyo

efecto sobre la variable dependiente se quiere analizar. Cada uno de estos factores se
deber probar al menos a dos valores diferentes para evaluar su efecto, a cada uno de
estos valores o niveles se les llama tratamientos. Por ejemplo, si queremos conocer el
Pgina 149
efecto de la temperatura sobre la dureza de un material y cara ello se realizan pruebas a

70, 80 y 90C se dice que tenemos un experimento de un solo factor con tres
tratamientos. Otra vez es de vital importancia la participacin del personal involucrado en
el problema a fin de seleccionar apropiadamente los factores o variables independientes y
los niveles de cada factor o tratamiento de inters.
Cmo seleccionar los diferentes niveles de un factor?, En general un factor puede ser
cualitativo (proveedor, turno, operario, etc), o cuantitativo (temperatura, presin, altura,
tiempo, etc.). Los niveles especficos en cualquier caso se pueden seleccionar ya sea
aleatoriamente dentro de un cierto rango o a un nivel fijo definido por el experimentador
previamente, esto nos lleva a cuatro situaciones generales:
A. Factor fijo, cualitativo.
En este caso, de entre los diferentes niveles o tratamientos posibles para el factor, el
experimentador esta interesado en el efecto que ciertos niveles seleccionados por l
previamente tienen sobre la variable de respuesta. Adems, el
factor es del tipo
cualitativo. Por ejemplo tres proveedores, tres turnos, dos procesos diferentes, etc.
B. Factor fijo, cuantitativo.

Este caso es similar al anterior excepto que el factor es cuantitativo, por ejemplo:
temperatura, presin, tiempo, concentracin de un componente, etc. Para este caso es
recomendable que los diferentes niveles o tratamientos se tomen equiespaciados, esto
es, por ejemplo 10, 20, 30 y 40 C: 5, 10, 15, 20 y 25 psi; 8, 12, 16 y 20 minutos, etc.
La conclusin a que se puede llegar con este caso es si la variable de respuesta es
diferente para cada uno de los tratamientos que se seleccionaron y de ser as el tipo de
relacin que existe entre el factor y la variable de respuesta (lineal, cuadrtica, etc.).
C. Factor aleatorio, cualitativo.
En este caso los niveles o tratamientos se seleccionan al azar de entre varios posibles.
Ejemplo se tienen varios lotes de un mismo proveedor, al azar se selecciona cuales de
Pgina 150
ellos analizar, en este caso la conclusin del experimento se extiende para cubrir todos
los posibles niveles..
D. Factor aleatorio, cuantitativo.
Igual que en el caso anterior los diferentes niveles o tratamientos son seleccionados al
azar.
Por ejemplo para la temperatura si el rango de inters es de 0 a 100. Se puede al azar
seleccionar 5 niveles 7, 36, 46, 80 y 8 C. La conclusin que se puede obtener en este
caso es similar al caso c.
En este material, a menos que se especifique lo contrario, los factores se consideran fijos.
3. Definir el diseo del experimento. Esto imp1ica definir de que manera se efectuaran las
pruebas y que modelo matemtico describe mejor el experimento. En el resto de este
material se describen varios tipos de experimentos de los cuales se tomar el que mejor
se ajuste a la situacin particular.
4. Efectuar el experimento. Esto de acuerdo a lo que se defina en el paso 3.
5. Anlisis de los datos. Estos son bsicamente anlisis estadsticos.
6. Conclusiones y toma de decisiones.

Una metodologa (alterna) desarrollada por Douglas C. Montgomery es la siguiente:
ara usar un enfoque estadstico al disear y analizar un experimento se requiere que

todos los participantes en l tengan de antemano una idea clara de qu es
exactamente lo que se va a estudiar, cmo se van a recopilar los datos y, al menos, una
idea cualitativa de cmo se van a analizar. A continuacin, se ofrece una gua del
procedimiento recomendado:
Pgina 151
1. Comprensin y planteamiento del problema.
Este punto pudiera parecer obvio; sin embargo, en la prctica no es sencillo darse cuenta
de que existe un problema que requiere experimentacin, ni disear un planteamiento
claro y aceptable del mismo. Es necesario desarrollar todas las ideas sobre los objetivos
del experimento. Suele ser importante solicitar la opinin de todas las partes implicadas.
Un planteamiento claro del problema contribuye a menudo en forma sustancial a un mejor
conocimiento del fenmeno y de la solucin final del problema.
2. Eleccin de factores y niveles.

El experimentador debe elegir los factores que variarn en el experimento, los intervalos
de dicha variacin y los niveles especficos de inters a los cuales se har el experimento.
Tambin debe considerarse la forma en que se controlarn estos factores para
mantenerlos en los valores deseados, y cmo se les medir. Para ello es necesario
conocer el proceso de manera prctica y terica.
3. Seleccin de la variable de respuesta.
Al seleccionar la respuesta o variable dependiente, el experimentador debe estar seguro
de que la respuesta que se va a medir realmente provea informacin til acerca del
proceso de estudio. Con mayor frecuencia, el promedio o la desviacin estndar (o
ambos) de la caracterstica medida sern la variable de respuesta. No son raras las
respuestas mltiples. La capacidad de medicin (o el error de medicin) tambin es un
factor importante. Si la capacidad de medicin es deficiente, slo puede esperarse que el
experimento detecte efectos relativamente grandes de los factores; en caso contrario
deben hacerse repeticiones.
4. Eleccin del diseo experimental.
Para elegir el diseo es necesario considerar el tamao muestral (nmero de
repeticiones), seleccionar un orden adecuado para los ensayos experimentales, y
determinar si hay implicado bloqueo u otras restricciones de aleatorizacin.
Pgina 152
Es importante tener presente los objetivos experimentales al seleccionar el diseo, se

tiene inters en identificar qu factores causan diferencias en estimar la magnitud del
cambio de la respuesta. En otras situaciones habr ms inters en verificar la
uniformidad. Por ejemplo, pueden compararse dos condiciones de produccin A y 8,
siendo A la estndar y B una alternativa de menor costo. El investigador estar interesado
en demostrar que no hay diferencia en cuanto a la productividad (por ejemplo), entre las
dos condiciones.
5. Realizacin del experimento.
Cuando se realiza el experimento, es vital vigilar el proceso cuidadosamente para

asegurar que todo se haga conforme a lo planeado. En esta fase, los errores en el
procedimiento suelen anular la validez experimental. La planeacin integral es decisiva
para el proceso. En un complejo entorno de manufactura o investigacin y desarrollo, es
fcil subestimar los aspectos logsticos y de planeacin de la realizacin de un
experimento diseado.
6. Anlisis de datos.
Deben emplearse mtodos estadsticos para analizar los datos, de modo que los
resultados y conclusiones sean objetivos ms que apreciativos. Existen muchos
excelentes paquetes de software para el anlisis de datos, y varios mtodos grficos
sencillos son importantes en la interpretacin de tales datos. El anlisis de residuos y la
verificacin de la idoneidad del modelo son tambin tcnicas de anlisis de gran utilidad.
Hay que recordar que los mtodos estadsticos slo proporcionan directrices para la
veracidad
validez
de
los
resultados.
Los
mtodos
estadsticos,
aplicados
adecuadamente, no permiten probar algo experimentalmente, slo hacen posible obtener

el probable error de una conclusin, o asignar un nivel de confiabilidad a los resultados.
La principal ventaja de los mtodos estadsticos es que agregan objetividad al proceso de
toma de decisiones. Las tcnicas estadsticas, aunadas aun buen conocimiento tcnico o
del proceso y al sentido comn, suelen llevar a conclusiones razonables.
Pgina 153
7. Conclusiones y recomendaciones.
Una vez que se han analizado los datos, l experimentador debe extraer conclusiones
prcticas de los resultados y recomendar un curso de accin. En esta fase a menudo son
tiles los mtodos grficos, en especial al presentar los resultados a otras personas.
Tambin deben realizarse corridas de seguimiento y pruebas de confirmacin para validar
las conclusiones del experimento.
Algunos ejemplos del uso del diseo de experimentos.
muchas
ocasiones
termino
experimento
se
considera
asociado
exclusivamente para cuestiones cientficas y tericas; sin embargo tienen varias
aplicaciones prcticas.
Algunos ejemplos son:
Si la materia prima que es entregada por tres diferentes
proveedores producen
caractersticas diferentes en el producto
Si diferentes marcas de herramienta tienen o no vida diferente.
Si la temperatura de recosido afecta o no alguna propiedad mecnica del producto.
Si diferentes cabezales de una misma mquina producen productos similares.
Si un nuevo mtodo de ensamble incrementa o no la productividad en una lnea de

produccin.
Cual es el factor que ms influye en la variabilidad de alguna caracterstica de calidad.
S el contenido de nquel en una lmina afecta su ductivilidad o no.
Es necesario tener claros y en todo caso revisar los siguientes conceptos estadsticos
antes de seguir:
Que es una prueba de hiptesis?
Que e s un error tipo I y que es un error tipo II?
Pgina 154
Que es una prueba t para comparar dos medias?
Que es la potencia de una prueba de hiptesis?
Que es control estadstico?.
Que es nivel de significancia?.
10.2 Diseo de experimentos de un factor

10.2.1 Pruebas comparativas
n esta seccin se analizan ciertos experimentos que se usan para comparar

condiciones (a menudo llamadas tratamientos). A menudo, se denominan
experimentos de comparacin simples. Se comienza con un ejemplo de un experimento

realizado para determinar si dos frmulas diferentes de un producto producen resultados
equivalentes. Se hace una revisin de los conceptos bsicos de la estadstica, tales como
variables aleatorias, distribuciones de probabilidad, muestras aleatorias, distribuciones
mustrales y pruebas de hiptesis.
Ejemplo 10.1: La resistencia adhesiva a la tensin del cemento es una caracterstica
importante del producto. Se desea probar la resistencia de una frmula modificada, a la
que se han agregado emulsiones de polmeros de ltex durante el mezclado, contra la
resistencia de la argamasa hecha con la frmula no modificada. Se hacen 10
observaciones de la resistencia de la frmula modificada y otras 10 de la frmula no
modificada. Los datos aparecen en la Tabla 1.
Tabla 10.1
Cemento j Cemento
modificado original
J
Y1j
Y2j
1
16.85
17.50
2
16.40
17.63
3
17.21
18.25
4
16.35
18.00
5
16.52
17.86
6
17.04
17.75
7
16.96
18.22
8
17.15
17.90
9
16.59
17.96
10
16.57
18.15
Pgina 155
Las dos frmulas pueden considerarse como dos tratamientos, o dos niveles de las
formulaciones de factor.
Y1
Y2
16.76 kgf/cm2 del cemento modificado contra
2
17.92 kgf/cm del cemento original.
Hiptesis:
H0 : 1 2
H1 : 1 2
En donde 1 es el valor medio de la resistencia a la tensin del cemento modificado,

mientras que 2 es el valor medio de la resistencia a la tensin del cemento original. La
afirmacin H0 se conoce como hiptesis nula, mientras que H 1 se conoce como hiptesis
alterna. La hiptesis alterna propuesta en este ejemplo es una hiptesis alterna bilateral,
ya que puede ser verdadera s 1 < 2 o bien s 1, > 2.
Al efectuar pruebas de hiptesis pueden cometerse dos tipos de error. Ocurre un error de
tipo I cuando la hiptesis nula es rechazada siendo verdadera. Si la hiptesis nula no es
rechazada cuando es falsa se comete un error de tipo II. Las probabilidades de cometer
estos errores reciben un smbolo especial.
= P(error tipo I) = P(rechazar H0 H0 es verdadera)

= P(error tipo II) = P(no rechazar H0 H0 es falsa)
En ocasiones, es ms conveniente trabajar con el poder de la prueba, donde Poder = 1 -

P(rechazar H0 H0 es falsa)
El procedimiento general de la prueba de hiptesis consiste en especificar un valor para

, la probabilidad de error tipo I, llamado a menudo, nivel de significacin de la prueba,
para despus disear un procedimiento que asegure un valor pequeo para la
probabilidad de error tipo II.
Pgina 156
Supongamos que puede aceptarse que poseen el mismo valor las variancias en ambas
frmulas de cemento. Una estadstica de prueba apropiada para usarse en la
comparacin del nivel medio de los dos tratamientos en un diseo completamente
aleatorizado es:
Y1 Y 2
1
1
Sp
n1 n2
to
Donde
Y1 y Y 2
son las medias mustrales, n1 y n2 el tamao de las muestras, Sp 2 es
una estimacin de la variancia comn 12 = 22 = 2 calculado mediante:

Sp 2
S12
n1 1 S12 n2 1 S22
n1 n2 2
y S22 son las dos variancias mustrales individuales. Hay que comparar t0 con
respecto a la distribucin t con n1 + n2 - 2 grados de libertad, para decidir si se rechaza

H0: 1 = 2. Se debe rechazar H0 y concluir que el nivel medio de la resistencia a la
tensin para las dos frmulas de mortero de cemento Prtland difieren si to > to/2, n1 + n2
, donde to/2, n1 + n2 2 es el punto porcentual /2 superior de la distribucin t con n1 + n2 -2
grados de libertad.
Del ejemplo, con los datos de la tabla 2.1, se tiene:
1
16.85
17.50
16.40
17.63
17.21
18.25
16.35
18.00
16.52
17.86
17.04
17.75
16.96
18.22
17.15
17.90
16.59
17.96
10
16.57
18.15
Media
D.E.
Var.
16.764
17.922
0.316
0.248
0.100
0.061
Cemento modificado:
Y1 16.76kfg/cm 2
S1 2 0.100
S1 0.316
n 10
Cemento original::
Pgina 157
Y 2 17.92kfg / cm 2
S12 0.061
S1 0.247
n 10
Y
Sp 2
n1 1 S12 n2 1 S2 2
n1 n2 2
9(0.100) 9(0.061)
0.081
10 10 2
Sp 0.284
Ntese que no es razonable concluir que las variancias poblacionales son iguales por el
hecho de que las variancias mustrales sean similares. La estadstica de prueba es:
Y1 Y 2
1
1
Sp
n1 n 2
16.76 17.92
9.13
0.284 1 10 1 10
to
Ahora bien, el punto porcentual superior de 2.5 de la distribucin t con n 1 + n2 2 = 10 +

10 2 = 18 grados de libertad, es t.025,18 = 2.101. Como to = 9.13 > t025,18 = 2.101, debe
rechazarse Ho y concluir que existe diferencia en el nivel medio de la resistencia a la
tensin de las dos clases de mortero.
10.2.2 Experimentos de un solo factor
n esta parte se analiza el caso en que se desea conocer el efecto de un solo factor o
variable independiente sobre la caracterstica de calidad que s esta analizando.
Esto implica que a fin de poder detectar su efecto, este factor se debe de variar
manteniendo el resto de los factores en un valor fijo.
Pgina 158
Experimentos sin restricciones en la aleatoriedad.
uando se desea analizar el efecto de un factor sobre una variable dependiente o

caracterstica de calidad es necesario el variar el "nivel valor de ese factor. A cada
diferente nivel al cual se realiza el experimento se le conoce como tratamiento. Por

ejemplo si el factor es el proveedor los diferentes niveles o serian proveedor A, proveedor
B, proveedor C, etc. , si el factor es el tipo de proceso los tratamientos serian proceso 1,
proceso 2. Si el factor es temperatura los diferentes niveles serian por ejemplo 10, 20, 30
y 40 C,etc.
Por otro lado en cada nivel del factor se efectan una serie de pruebas, a cada una de
estas pruebas se les conoce como replicaciones. EL factor se considera fijo.
Ejemplo 10.2: Suponga que se desea saber si los ejes que surten cuatro proveedores
tienen diferente resistencia a la traccin. Para ello se decide llevar a cabo un experimento
de un solo factor donde la variable dependiente es la resistencia a la traccin del eje
medida en Kgs/cm2 y el factor es el proveedor. El factor tiene cuatro niveles o tratamientos
diferentes. Uno para cada proveedor (llmelos I, II, III, IV) se decide probar 5 ejes de cada
proveedor haciendo un total de 20 pruebas ejecutadas en la misma maquina de prueba y
con l mismo operario (recuerde que el resto de los factores se deben de mantener a un
nivel fijo).
Para que el experimento sea aleatorio se numeran los ejes del 1 al 20 y se selecciona al
azar un nmero entre 1 y 20. Segn l numero seleccionado es el siguiente eje que se
prueba. De esta manera, el siguiente eje a probar es seleccionado sin ninguna restriccin.
Suponga. que los resultados de experimento se muestran en la tabla siguiente:
Proveedor
I II III
56 64 45
55 61 46
62 50 45
59 55 39
60 56 43
IV
42
39
45
43
41
El proveedor = factor
Pgina 159
Tratamiento = I, II, III, IV

Con cinco replicaciones en cada tratamiento.
Observando la tabla se "ve" que existen evidentemente diferencias entre la resistencia de
los ejes de un proveedor a otro. Pero tambin existen entre los ejes de un mismo
proveedor, entonces, la diferencia detectada entre, los ejes de un proveedor y otro existe
realmente? O la diferencia es debida al azar?, La herramienta estadstica conocida como
anlisis de varianza (ANOVA) puede ayudar a despejar esta duda.
Para esto suponga un caso general como sigue: Si define Yij como el valor
correspondiente de la variable dependiente o caracterstica de calidad de la i-esima
observacin o replicacin bajo el tratamiento j, los resultados de un experimento de un
solo factor con k tratamientos y n replicas u observaciones por tratamiento seria:
Tratamiento
Observaciones
Totales
Promedios
(nivel)
1
Y11
Y12
...
Y1n
Y1.
Y..
Y21
Y22
...
Y2n
Y2.
Y 2.
Y31
Y32
...
Y3n
Y3.
Y 3.
...
...
...
...
...
...
...
Yk1
Yk2
...
Ykn
Yk.
Yk.
Este caso se puede representar mediante el modelo estadstico lineal:

Yij j ij
Donde representa la media general, j representa el efecto del tratamiento j, y ij es el

error aleatorio al hacer la observacin ij.
Esto es, se supone que todos los datos en general pertenecen a una misma poblacin
con media excepto que existan desviaciones para diferentes tratamientos del mismo
Pgina 160
factor. Por su parte ij representa el error aleatorio o medida de la variabilidad natural

dentro de cada tratamiento.
Generalmente se supone que:
n
0;
j 1
Y que el error aleatorio sigue una distribucin normal con media cero y varianza 2, esto
denota:
ij N(0, 2 )
Sean Yi. El total de las observaciones bajo el i-esimo tratamiento, y Yi. el promedio de
las observaciones bajo el i-esimo tratamiento. Similarmente sean Y.. La suma de todas las
observaciones y Y.. la media general de todas las observaciones.
Expresado matemticamente esto es:
Yi.
ij
i 1
Yi. Yi./n con i 1,2,..., n

Y..
i 1
j 1
ij
Y.. Y../n
N = kn es l numero total de observaciones

Las hiptesis en este caso son:
Ho: j = 0;para todo valor de j.
H1: j 0;para al menos un valor de j.
Ho significa que el factor (los niveles bajo estudio) no tiene efecto sobre la variable
dependiente y H1 que si lo tiene, esto es que existe diferencia, estadstica. Recuerde
Pgina 161
tambin que la hiptesis nula se asume como cierta a menos que los datos indiquen lo
contrario.
Descomposicin de la suma total de cuadrados
a denominacin de anlisis de varianza resulta de descomponer la variabilidad total

de los datos en sus partes componentes. La suma total de cuadrados corregida es:
Yij Y..
k
j 1 i 1
n Yi. Y.. Yij Yi.
j 1
j 1 i 1
SST SStr SSE
Donde:
La ecuacin anterior muestra la variabilidad total de los datos, medida por la suma total
corregida de los cuadrados. SStr se denomina suma de cuadrados debida a los
tratamientos (es decir, entre tratamientos), SS E es la suma de cuadrados debido al error
(es decir, dentro de los tratamientos)
SST = Suma de cuadrados total: con N -1 grados de libertad
SStr = Suma de cuadrados debido a los tratamientos, con k - 1 grados de libertad.
SSE = Suma de cuadrados debido al error aleatorio k grados de libertad.
Para simplificar los clculos:
SST
(Yij2
j 1 i 1
Y.. 2
Y.. 2 )
n
Yi.2 Y.. 2
n
N
j 1
SSE SST SStr
SStr
El anlisis de varianza ser:

Fuente
De error
Variacin
entre tratamientos
Variacin dentro de
Tratamientos o error
Total
SS
G.L.
MS F0
SStr k 1 MStr MStr/MSE

SSE N k MSE
SST N 1
Pgina 162
Si F0 > F,k-1,N-k, H0 debe ser rechazada. Donde F, k-1,N-k es el valor de la variable F

con un nivel de significancia (error tipo I), k-1 grados de libertad en el numerador y N-k
grados de libertad en el denominador. Bajo la hiptesis nula la relacin MS tr/MSE sigue
una funcin de densidad F, por lo tanto si F0 es mayor que F , k-1,N-k existir una diferencia
significativa y el factor afecta la respuesta de la caracterstica de calidad en los niveles
bajo estudio.
Si Ho no puede ser rechazada la conclusin es por lo tanto que el factor bajo estudio
no afecta la respuesta. Sin embargo, si Ho es rechazada y existe diferencia
significativa entre los diferentes tratamientos de un solo factor el siguiente paso es el
analizar en detalle cual de los tratamientos es el mejor y cuales son iguales.
Aplicando el ANOVA a los datos del ejemplo 10.2 se tiene:
Y
i.
Totales Promedios
I
II
III
IV
56
64
45
42
55
61
46
39
62
50
45
45
59
55
39
43
60
56
43
41
Y..=
Yij
Yi
292
286
218
210
58.4
57.2
43.6
42
1006
40.24
562 55 2 ... 41 2 51940
j1 i 1
Entonces, calculando las sumas de cuadrados tenemos que:

SST = 51,940 (10062)/20 = 1338.2
SStr = 2922/5 + 2862/5 + 2182/5 + 2102/5 10062/20 = 1,135.0
SSE = SST SStr = 1338.2 1135.0 = 203.2
MStr = SStr/(k-1) = 1135.0/(3 - 1) = 378.2
Pgina 163
Y.
MSE = SSE/(n-k) = 203.2/(20-4) = 12.70

Esto se resume en la siguiente tabla:
Fuente
De error
Factor o
tratamientos
Error
Total
SS
G.L.
MS
F0
MStr/MSE
SStr=1135
k 1 = 3 MStr =378.3
= 29.79
SSE=203.2 N k = 16 MSE=12.7
SST=1338.2 N 1 = 19
Donde F0= MStr/MSE = 378.3/12.70=29.79 con 3 grados de libertad en el numerador y 16

grados de libertad en el denominador.
Si el nivel de aceptacin (error tipo I) lo fijamos en 5%, esto es, = 0.05, de la tabla de la
funcin F se tiene que:
F,3,16 = 3.24
Dado que F0 = 29.79 > 3.24= F0.05,3,16
Se concluye que Ho se rechaza y el factor proveedor afecta la variable resistencia a la
traccin.
Un estimador puntual para i podra ser
i

i Yi. ahora
si se supone que los
errores estn distribuidos normalmente, las Yi. son NID(0,2/n), entonces podra usarse
la distribucin normal para definir el intervalo de confianza buscado si se conoce . Al
usar MSE como estimacin de, 2, el intervalo de confianza se debe basar en la
distribucin t., por tanto, un intervalo de confianza de (1-)100% para la media del i-simo
tratamiento, es:
Yi. t / 2, N
MSE
un intervalo de confianza del (1-)100% para la diferencia de las medias de dos

tratamientos cualesquiera, por ejemplo i-j, ser:
Pgina 164
Yi. Y j. t / 2, N
2MSE
n
Comparacin de medias de tratamientos individuales
upongamos que al efectuar un anlisis de variancia para un modelo de efectos fijos

la: hiptesis nula es rechazada. Se concluye que existe diferencia entre las medias,
aunque no se especifique exactamente cual de ellas es diferente. En esta situacin puede

ser til realizar comparaciones adicionales entre grupos de medias de los tratamientos. La
media del i-simo tratamiento se define mediante i = + i y su estimacin es Yi. . Las
comparaciones entre medias de tratamientos se realizan en trminos de los totales de
tratamientos Yi. O de los promedios de tratamientos Yi. . Los procedimientos para
efectuar estas comparaciones se conocen como mtodos de comparacin mltiple.
Comparacin de Parejas de Medias de Tratamientos
upongamos que lo que interesa es comparar todas las parejas de k medias de

tratamiento, y que las hiptesis nulas que se desean probar son Ho: i = j para
toda i j. A continuacin, se presentan cuatro mtodos para realizar estas comparaciones.
Mtodo de la Mnima Diferencia Significativa (LSD, del ingls least significant

difference)
upongamos que despus de haber rechazado la hiptesis nula, con base en una
prueba F de anlisis de variancia, se desea probar Ho: i = j para toda i j. Esto
puede hacerse empleando la estadstica t:

Yi. Yj.
to
1
1

ni nj
MSE
Suponiendo una hiptesis alterna bilateral, la pareja de medias i, j se consideran

diferentes
S
Yi. Yj. t / 2, N
MSE(1/ ni 1/ nj
La cantidad:
Pgina 165
1
1
nj
ni
LSD t/2, N k MSE
Se denomina mnima diferencia significativa. Si el diseo es balanceado, entonces n1 = n2

= nk = n.
Para usar el procedimiento de la LSD, simplemente se comparan las diferencias
observadas entre cada par de promedios con el valor correspondiente de la LSD. Si, se
concluye que las medias poblacionales i = j son diferentes.
La Prueba de Intervalos Mltiples de Duncan.
uando la hiptesis nula Ho: j = 0 para todo valor de j, no puede ser rechazada, se
concluye que los diferentes tratamientos no afectan la variable de respuesta y el
anlisis se termina. Sin embargo, cuando Ho es rechazada, se concluye que los

diferentes tratamientos afectan la variable de respuesta. Las siguientes preguntas son
lgicas: cul es mejor?, Todos los tratamientos son diferentes entre s?, Se puede
distinguir el segundo mejor del mejor?, Etc. Estas preguntas se pueden contestar
mediante una serie de pruebas sobre medias o promedios individuales.
Un procedimiento usado ampliamente para comparar todas las parejas de medias es el de
la prueba de intervalos mltiples desarrollada por Duncan (1955). Para aplicar dicha
prueba en muestras del mismo tamao, se disponen en orden ascendente los promedios
de tratamiento y se determina el error estndar de cada promedio, usando:
MSE
n
S Yi.
Para muestras de diferentes tamaos, n se debe reemplazar por la media armnica nh de

{ni} en la ecuacin anterior, en donde:
nh
/n
a
i1
Pgina 166
Hay que notar que nh = n s n1 = n2 =... na. A partir de la tabla de intervalos significativos
de Duncan (Tabla VII del Apndice del texto de Montgomery de Diseo y Anlisis de
experimentos, 2. edicin) se obtienen los valores de r (p, f), para p = 2, 3,..., a, en donde
es el nivel de significacin y f es el nmero de grados de libertad del error. Estos
intervalos deben transformarse en un conjunto de a - 1 mnimos intervalos significativos
(es decir, Rp para p = 2, 3,..., k, calculando:
Rp r(p, f )S Yi.
A continuacin, se prueban las diferencias observadas entre las medias, comenzando por
el valor ms alto contra el ms pequeo, comparando esta diferencia con el intervalo
mnimo significativo Ra. Despus se calcula la diferencia entre el valor ms alto y el
segundo ms pequeo y se compara con el intervalo significativo mnimo Ra-1. Este
procedimiento contina hasta que todas las medias han sido comparadas con la media
ms grande. A continuacin, la diferencia entre la segunda media ms grande y la ms
pequea se calcula y compara contra el intervalo mnimo significativo Ra-1. Este proceso
contina hasta que han sido consideradas las diferencias entre todos los a(a-1)/2 posibles
pares.
Si
una diferencia
observada
es mayor
que
el intervalo
mnimo
significativo
correspondiente, se concluye que la pareja de medias en cuestin es significativamente

diferente. Para evitar contradicciones, ninguna diferencia entre una pareja de medias se
considera significativa si las dos medias se encuentran entre otras dos que no difieran
significativamente.
Ejemplo 10.3: Suponga que se desea saber si los ejes que surten cuatro proveedores
tiene diferente resistencia a la traccin. Para ello se decide llevar a cabo un experimento
de un solo factor donde la variable dependiente es la resistencia a la traccin medida en
kg/cm2 y el factor es el proveedor. El factor tiene 4 niveles o tratamientos diferentes, una
para cada proveedor, (llmeseles I, II, III, IV) y se decide probar 5 ejes de cada proveedor
haciendo un total de 20 pruebas ejecutadas en la misma maquina de prueba y con el
mismo operario (recuerde que el resto de los factores se mantiene en un nivel fijo).
Y
i.
Totales Promedios
I
II
III
IV
56
64
45
42
55
61
46
39
62
50
45
45
59
55
39
43
Yi
60
292
56
286
Pgina
167
43
218
41
210
Y..=
1006
58.4
57.2
43.6
42
40.24
Y.
Con n = 5, k = 4 y N = 20
4
ij
56 2 55 2 ... 412 51,940
j1 i1
SST = 51,940 (1006) 2/20 = 1338.2

SStr = 2922/5 +2862/5 +2182/5 +2102/5 -(1006) 2/20 = 1135.0
SSE = 1338.2 1135.0 = 203.2
MStr = SStr/(k-1) = 1135.0/3 = 378.33
MSE = SSE/(N-k) = 203.2/(20-4) = 12.70
Fuente de variacin
SS G.L MSE Fo
Tratamientos
1135.0 3 378.3 29.29
Error
203.2 16 12.7
Total
1338.2
1. Ordene los promedios de cada tratamiento en orden ascendente
Y1. 58.4
Y 2. 57.20
Y 3. 43.60
Y 4. 42.00
Ordenados quedan:
Y1. 42.00
Y 2. 43.60
Y 3. 57.20
Y 4. 58.40
2. Calcular:
S Yi.
MSE
12.70
1.594
5
Pgina 168
3. De la tabla de rangos significantes, obtener los valores de (p,f), para p = 2,3,...,k y f =

N k, esto es, f son los grados de libertad asociados con MSE.
4. Calcular Rp r(p, f )S Yi. , en este caso se tiene que:
r.05(2,16) = 3.00
R2 = (3.00)(1.594) = 4.782
r.05(3,16) = 3.15
R3 = (3.15)(1.594) = 5.021
r.05(4,16) = 3.23
R4 = (3.23)(1.594) = 5.149
5. Efectu las siguientes comparaciones:

Compare las diferencias de medias en parejas como sigue:
Compare las diferencias del mayor vs. el menor Rk
Compare la diferencia del mayor vs El segundo menor y
Compare contra Rk-1 y as sucesivamente
En este caso:
4 vs. 1 58.40 - 42.00 = 16.40 > R4 = 5.149
3 vs. 1 58.40 - 43.60 = 14.80 > R3 = 5.021
2 vs. 1 58.40 - 57.20 = 1.20 < R2 = 4.782
4 vs. 2 58.40 43.60 = 15.20 > R3 = 5.021
3 vs 2 57.20 - 43.60 = 13.60 < R2 = 4.782
4 vs 3 43.60 - 42.00 = 1.60 < R2 = 4.782
6. Si la diferencia no excede el rango Rp estadsticamente no existe diferencia entre estas

medias o promedios.
10.3 Experimentos factoriales
Pgina 169
Principios y definiciones bsicas
uchos experimentos se llevan a cabo para estudiar los efectos producidos por
dos o ms factores. Puede mostrarse que en general los diseos factoriales son
los ms eficientes para este tipo de experimentos. Por diseo factorial se entiende aquel
en el que se investigan todas las posibles combinaciones de los niveles de los factores en
cada ensayo completo o rplica del experimento. Por ejemplo, si existen a niveles del
factor A y b niveles del factor B, entonces cada rplica del experimento contiene todas
las ab combinaciones de los tratamientos. A menudo, se dice que los factores estn
cruzados cuando stos se arreglan en un diseo factorial. El efecto de un factor se define
como el cambio en la respuesta producida por un cambio en el nivel del factor. Con
frecuencia, ste se conoce como efecto principal porque se refiere a los factores de
inters primordial del experimento. Por ejemplo, consideremos los datos de la tabla 1. El
efecto principal del factor A podra interpretarse como la diferencia entre la respuesta
promedio en el primer y segundo nivel de ese factor. Numricamente:
A
40 52
2
20 30
2
21
Factor B
B1
B2
A1
20
30
A2
40
52
Factor A
Tabla 10.3.1 Un experimento factorial

En otras palabras incrementar el factor A del nivel 1 al 2 produce un cambio en la
respuesta promedio de 21 unidades. Similarmente, el efecto principal de B es:
B
30 52
2
20 40
2
11
Si los factores tienen ms de dos niveles, el procedimiento anterior debe ser modificado
ya que las diferencias entre las respuestas promedio pueden expresarse de muchas
formas.
Pgina 170
En algunos experimentos puede encontrarse que la diferencia en la respuesta

entre los niveles de un factor no es la misma en todos los niveles de los otros
factores. Cuando esto ocurre existe una interaccin entre los factores. Por
ejemplo, considrense los datos de la Tabla 10.3.2.
Factor B
B1
B2
A1
20
40
A2
50
12
Factor A
Tabla 10.3.2 Un experimento factorial con interaccin

En el primer nivel del factor B, el efecto de A es:
A = 50 - 20 = 30
Mientras que en el segundo nivel de B, el efecto de A es:
A = 12 - 40 = 28
Puede observarse que existe una interaccin entre los factores A y B porque el efecto de
A depende del nivel elegido de B.
Estas ideas pueden ilustrarse grficamente. En la Fig. 1 se muestra una grfica de la
respuesta de los datos de la Tabla 1 contra los niveles del factor A para ambos niveles del
factor B. Se observa que las rectas B1 y B2 son, aproximadamente, paralelas. Esto indica
que no hay interaccin entre los factores. De manera similar, en la Fig. 2 se presenta una
60
grfica de la respuesta
de los datos de la Tabla 10.3.1.
B2
50
B1
40
30
20
10
B2
B1
Pgina 171
A1
Factor A
A2
Figura 10.3.1 Un experimento factorial sin interacciones

En este caso se ve que las rectas B1 y B2 no son paralelas. Esto muestra que existe una
interaccin entre A y B. Con frecuencia, estas grficas son muy tiles para interpretar
interacciones significativas y presentar resultados a gerentes con poco conocimiento
estadstico. Sin embargo, no debe ser la nica tcnica para analizar los datos, porque su
interpretacin es subjetiva y su apariencia, a menudo, es engaosa.
60
B1
50
B2
40
30
20
B1
10
A1
B2
Factor A
A2
Figura 10.3.2 Un experimento factorial con interacciones

Hay que notar que cuando una interaccin es grande los correspondientes efectos
principales tienen poco significado prctico. Una estimacin del efecto principal de A de
los datos de la Tabla 2 es:
50 12
2
20 40
2
El cual resulta ser muy pequeo corrindose el riesgo de concluir que no existe un efecto
debido a A. Sin embargo, cuando se examin el efecto de A en niveles diferentes de B se
concluy que ste no era el caso. El factor A tiene un efecto, pero depende del nivel del
factor B. En otras palabras, es ms til conocer la interaccin AB que el efecto principal.
Una interaccin significativa oculta a menudo el significado de los efectos principales.
Pgina 172
Esto se muestra claramente en los datos de la tabla 2. Usualmente, para obtener

conclusiones acerca del efecto principal de un factor, por ejemplo el A, en presencia de
una interaccin significativa, el experimentador debe examinar los niveles de dicho factor,
manteniendo fijos los niveles de los otros factores.
Ventajas de los diseos factoriales

as ventajas de los diseos factoriales pueden ilustrarse fcilmente. Supongamos que
se tienen dos factores, A y B, cada uno con dos niveles. Estos niveles se representan
mediante A1, A2, B1 y B1. La informacin acerca de ambos factores puede obtenerse
variando un factor a la vez como aparece en la tabla 10.3.3. El efecto de variar el factor A
est dada por A2B1 -A1B2. A causa de que existe error experimental, es conveniente
realizar, por ejemplo, dos observaciones de cada combinacin de tratamientos y hacer
una estimacin de los efectos de los factores usando las respuestas promedio. Por lo
tanto, se requiere un total de seis observaciones.
Factor B
B1
B2
A1
A1B1
A1B2
A2
A2B1
12
Factor A
Tabla 10.3.3 El mtodo de un factor a la vez

Si se hubiese realizado un experimento factorial, adicionalmente se habra recurrido a la
combinacin de tratamientos A1B1. As, usando slo cuatro observaciones pueden
calcularse dos estimaciones del efecto de A; A2B1 - A1B1 y A2B2 - A1B2. En forma similar, se
pueden hacer dos estimaciones del efecto de B.
Estas estimaciones podran promediarse para producir efectos principales promedio que
tienen la misma precisin que los del experimento de un factor, pero requieren tan slo de
cuatro observaciones y podra decirse que la eficiencia relativa del diseo factorial para el
3.56
experimento de un factor a la vez es:
4 1.5
. Por lo general esta eficiencia relativa
3.0 se observa en la figura 10.3.4.

aumenta con el nmero de factores, como
2.5
2.0
1.5
1.0Pgina
2
173
3
4
5
6
Numero de fac tores
Figura 10.3.4. Eficiencia relativa de un diseo factorial para un experimento de un

factor a la vez (niveles de dos factores)
Ahora supongamos que existe interaccin. Si el primer diseo considerado indica que
A1B1 y A2B2 dan mejor respuesta que A1B1; una conclusin lgica es que A2B2 sera an
mejor. Sin embargo, si hay interaccin, al hacer esta conclusin se incurre en un serio
error. Como ejemplo refirase a los datos de la tabla 10.3.2.
En resumen, se concluye que los diseos factoriales poseen algunas ventajas. Son
ms eficientes que los experimentos de un factor a la vez. Ms an, los diseos
factoriales son necesarios cuando alguna interaccin puede estar presente, con el
propsito de evitar hacer conclusiones que son engaosas. Finalmente, los diseos
factoriales permiten estimar los efectos de un factor en diversos niveles de los otros
factores, produciendo conclusiones que son vlidas sobre toda la extensin de las
condiciones experimentales.
Diseo factorial de dos factores
l primer diseo de la serie 22 es aquel en el que solo dos factores, A y B, cada uno
con dos niveles. Este diseo se conoce como diseo factorial 2 2. Arbitrariamente, los
niveles del factor pueden llamarse inferior y posterior.

Ejemplo 10.3.1 Considrese una investigacin llevada a cabo para estudiar el efecto que
tiene la concentracin de un reactivo y la presencia de un catalizador sobre el tiempo de
reaccin de un proceso qumico. Sea la concentracin del reactivo el factor A con dos
niveles de inters, 15% y 20%. El catalizador constituye el factor B; el nivel alto o superior
denota el uso de dos sacos de catalizador y el nivel bajo o inferior denota el uso de un
Pgina 174
solo saco. El experimento se realiza (replica o repite) tres veces, y los datos son como
sigue:
Combinacin de
tratamientos
A
baja, B baja
En la figura 10.3.5
A alta, B baja
grficamente
las A baja, B alta
tratamiento para este A alta, B alta
Replica
I
28
36
18
31
II
25
32
19
30
III Total
27 80 siguiente se presentan
32 100
de
23 60 combinaciones
29 90 diseo, el efecto de un
factor se denota por la letra latina minscula. De este modo, A se refiere al efecto del
factor A, y B se refiere al efecto del factor B, y AB se refiere a la interaccin entre
AB. En el diseo 22 los niveles bajo y alto de A y B se denotan por - y +
respectivamente, en los ejes A y B. As en el eje B representa el nivel bajo de catalizador
mientras que + denota el nivel alto.
Alto (2 sacos) +
bajo (1 saco) -
b = 60(18+19+23)
ab = 90(31+30+19)
(1) = 80(28+25+27)
a = 100(36+32+32)
bajo (15%)
Fig. 10.3.5
+
alto (20%)
Concentracion de reactivo A
Figura 1: Combinaciones de tratamiento en el diseo factoriall
Las cuatro combinaciones de tratamientos en el diseo pueden representarse por

letras minsculas, cono se muestra en la figura 10.3.5. En esta figura se aprecia que el
nivel superior de cualquier factor de una combinacin de tratamientos esta
representado por la presencia de la letra minscula correspondiente, mientras que la
ausencia de esta ultima representa el nivel inferior del factor. As a representa la
combinacin de tratamientos, en la que A se encuentra en el nivel superior y B en el
nivel inferior; b representa aquella en la que A se halla en el nivel inferior y B en el
superior, y ab representa a ambos factores en el nivel superior. Por convencin (1) se
usa para representar a ambos factores en el nivel inferior.
El efecto promedio de un factor se define como el cambio en la respuesta producida por

un cambio en el nivel de ese factor, promediado sobre los niveles del otro factor.
Como se ilustra en la figura 10.3.5, las letras minsculas (1), a, b y ab tambin se usan
para representar los totales de las n replicas de las combinaciones de tratamientos
Pgina 175
correspondientes. Ahora bien, el efecto de A en el nivel B es {a-(1)}/n. Mientras que el

nivel superior B es {ab-b}/n. Tomando el promedio de estas dos cantidades se obtiene:
1
2n
ab b a (1)
1
2n
ab a b (1)
El efecto promedio de B se determina a partir de su efecto en el nivel inferior de A (esto

es, {b-(1)}/n, y de su efecto en el nivel superior de A (que es igual a [ab-a]/n obtenindose:
1
2n
ab a b (1)
1
2n
ab b - a (1)
El efecto de la interaccin AB se define como la diferencia promedio entre el efecto de A

en el nivel superior de B y su efecto en el nivel inferior de B, as:
AB
1
2n
ab b a (1)
1
2n
ab (1) a (b)
Por otro lado se puede definir AB como la diferencia promedio entre el efecto de B en el
nivel superior de A y el efecto de B en el nivel inferior de A.
Las formulas para los efectos de A, B y AB pueden deducirse por otro mtodo. El
efecto de A puede hallarse como la diferencia en la respuesta promedio de las dos
combinaciones de tratamiento en la mitad derecha (que llamaremos Y
, puesto que es
A+
la respuesta promedio para las combinaciones de tratamientos a las que A que se

encuentra en el nivel alto) y las dos combinaciones de tratamientos en la mitad izquierda
(o Y A). Esto es,
A YA YA
ab a
2n
1
2n
b (1)
2n
ab a b (1)
Este es exactamente el mismo resultado, el efecto de B se encuentra como la diferencia

entre el promedio de las dos combinaciones de tratamientos en la parte superior del
cuadrado ( Y
) y el promedio de las dos combinaciones de tratamientos en la parte
B+
inferior ( Y B-), o
Pgina 176
B YB YB
ab b
2n
1
2n
a (1)
2n
ab b a (1)
Finalmente el efecto de interaccin AB es el promedio de las combinaciones de

tratamientos en la diagonal de derecha a izquierda del cuadrado ab y (1) menos el
promedio de las combinaciones de tratamientos en la diagonal de izquierda a derecha (a y
b), o
AB
1
2n
ab (1)
2n
ab
2n
ab (1) a b
Con los datos que aparecen en la figura 1, las estimaciones de los efectos promedio son:
1
2(3)
1
2(3)
AB
90 100 60 80
8.33
90 60 100 80
5.00
1
2(3)
90 80 100 60
1.67
El efecto de A (concentracin de reactivo) es positivo; esto sugiere que al elevar A del

nivel bajo (15%) al nivel alto (25%) incrementar el rendimiento. El efecto de B
(catalizador) es negativo; esto sugiere que elevar la cantidad del catalizador agregada al
proceso reducir el rendimiento. Al parecer, el efecto de interacciones es pequeo
comparado con los dos efectos principales.
En muchos experimentos que implican diseos 2K se examina la magnitud y la direccin
de los efectos de los factores para determinar cuales variables es probable que sean
importantes. Por lo general puede emplearse el anlisis de varianza para confirmar esta
interpretacin. En el diseo 2k existen algunos mtodos rpidos especiales para realizar
los clculos del anlisis de varianza.
Pgina 177
Consideremos la suma de cuadrados para A, B y AB. Obsrvese la primera ecuacin que

se utiliza un contraste para estimar A; esto es,
ContrasteA ab a b (1)
Este contraste suele llamarse efecto total de A. A partir de la segunda y tercera ecuacin,
puede apreciarse que tambin se utilizan contraste para estimar B y AB. Adems, estos
tres contrastes son ortogonales. La suma de cuadrados de cualquiera de ellos puede
calcularse usando la siguiente ecuacin:
aciyi.
SSc 1
2
n a
a ci
. Esta ecuacin establece que
la suma de cuadrados de contraste es igual al contraste elevado al cuadrado entre el

producto del nmero de las observaciones de cada total del contraste por la suma de
cuadrados de los coeficientes del mismo. En consecuencia, se obtiene que las sumas de
cuadrados de A, B y AB sean:
SSA
SSB
ab a b (1) 2
n* 4
ab b a (1) 2
SSAB
n* 4
ab (1) a b 2
n* 4
Con los datos de la figura 1, las sumas de cuadrados se pueden calcular aplicando las
ecuaciones anteriores, obtenindose:
SSA
SSB
50
2
208.33
4(3)
30
SSAB
4(3)
10
75.00
4(3)
8.33
La suma total de cuadrados se determina de la manera usual mediante:

2
Y ...
2
2
n
SST i2
1 j1 k 1 Y ijk
4n
En general SST tiene 4n 1 grados de libertad. La suma de cuadrados del error, con 4(n-1)
G.L. se puede calcular en la forma usual, por diferencia, mediante.
Pgina 178
2
2 2 3
Y
2
SS E Yijk
9398.00 9075.00 323.00
i1j1k 1
4(3)
SS E SS T SS A SS B SS AB
323.00 208.33 75.00 8.33 31.34
El anlisis de varianza completo se presenta en la tabla siguiente. Ambos efectos

principales son significativos al 1%.
A menudo se es conveniente escribir las combinaciones de tratamientos en el orden (1),

a, b, y ab. Este orden se conoce como orden estndar. Cuando se utiliza es posible
apreciar que los coeficientes de los contrastes usados para estimar los efectos son
Efectos (1) a b Ab
A:
-1 +1 -1 +1
B:
-1 -1 +1 +1
AB:
+1 -1 -1 +1
SS
G.L.
MS
Fo
208.33 1
208.33 53.15a
75.00 1
75.00 19.13a
8.33
1
8.33
2.13
31.34 8
3.92
323.00 11
a
significativo al 1%
A
B
AB
Error
Total
Signos algebraicos para calcular los efectos en un diseo 22

Combinacin Efecto Factorial
De
Tratamientos I A B AB
Ejemplo 10.3.2 de diseo bifactorial (con dos factores):

Considere el caso en que un ingeniero disea una batera para su uso en un dispositivo
que ser sometido a ciertas variaciones extremas de temperatura. El nico parmetro de
diseo que l puede seleccionar en este punto es el material de la cubierta de la batera, y
tiene tres alternativas. Cuando el dispositivo se manufactura y se enva al campo, el
ingeniero no tiene control sobre los extremos de temperatura a que ser expuesto el
Pgina 179
dispositivo, y sabe por experiencia que es probable que la temperatura influya en la

duracin efectiva de la batera. Sin embargo, s es posible controlar la temperatura en el
laboratorio de desarrollo de productos para los fines de ensayo.
El ingeniero decide probar los tres materiales de la cubierta a tres niveles de temperatura
(15, 70 y 125 F) consistentes en el entorno de uso final del producto. Se prueban cuatro
bateras a cada combinacin de material de la cubierta y temperatura, y las 36 pruebas se
ejecutan al azar.
En la tabla 3.4 se presentan el experimento y los datos resultantes de duracin observada

de las bateras.
En este problema, el ingeniero desea contestar las siguientes preguntas:

1. Qu efecto tienen el tipo de material y la temperatura sobre la duracin de la batera?
2. Existe una eleccin del material que d por resultado una duracin uniformemente
larga sin importar la temperatura?
Pgina 180
Temperatura F
material
15
70
125
1
130 155 34 40 20 70
74 180 80 75 82 58
3
150 188 126 122 25 70
159 126 106 115 58 45
3
138 110 174 120 96 104
168 160 150 139 82 60
Tabla 10.3.6. Datos de duracin en horas para el ejemplo del diseo de una batera
Esta ltima pregunta reviste particular importancia. Existe la posibilidad de hallar un
material que no sea muy afectado por la temperatura. De ser as, el ingeniero puede
hacer que la batera sea robusta a la variacin de temperatura en el campo. ste es un
ejemplo del uso del diseo experimental estadstico para el diseo de un producto
robusto (o consistente), un importante problema de ingeniera.
Este diseo es un ejemplo especfico del caso general de un diseo con dos factores
(bifactorial). Para pasar al caso general, sea Yijk la respuesta observada cuando el factor
A se encuentra en el i-simo nivel (i -1, 2,..., n). En general, los datos observados se vern
como en la tabla 3.5. El orden en el cual se toman las abn observaciones es aleatorio, de
modo que ste es un diseo completamente aleatorizado.
Factor B
Factor A
...
Y 111,Y 112,
...,Y 11n
Y 121,Y 122,
...,Y 12n
...
Y 1b1,Y1b2,
...,Y 1bn
Y 211,Y212, Y 221,Y 222,

...,Y 21n
...,Y 22n
...
Y 2b1,Y 2b2,
...,Y 2bn
...
...
...
...
...
Y a11,Ya12,
...,Y a1n
Y a21,Y a22,
...,Y a2n
...
Y ab1,Y ab2,
...,Y abn
Tabla 10.3.5. Disposicin general para un diseo bifactorial

Las observaciones pueden describirse mediante el modelo estadstico lineal:
Pgina 181
i 1,2,..., a
Yijk i j ij ijk j 1,2,..., b
k 1,2,..., n
En donde es el efecto medio general, i es el efecto del i-simo nivel del factor rengln
A, j es el efecto del j-simo nivel del factor columna B, ()ij es el efecto de la interaccin
entre i y j, ijk es el componente del error aleatorio. Inicialmente se supone que ambos
factores son fijos y que los efectos de tratamiento se definen como desviaciones de la
a
b
media general, por lo tanto. i1 i 0; j1j 0 Se supone que los efectos de interaccin
son fijos y que se definen d manera que: ia1 ij 0 . Hay un total de abn
observaciones porque se realizan n rplicas.
En un diseo factorial de dos factores, tanto los factores (o tratamientos) de rengln como
de columna tienen la misma importancia, especficamente el inters consiste en probar
hiptesis acerca de la igualdad de los efectos de tratamiento de rengln, es decir:
Ho :
1 2
...a 0
H1 : al menos una i 0
Y de la igualdad de los efectos de tratamiento de columna:
Ho :
1 2
...b 0
H1 : al menos una j 0
Tambin es interesante determinar s los tratamientos de rengln y columna

interaccionan. En otras palabras, resulta conveniente probar:
Ho : ()i 0 para toda i, j
H1 : al menos una ()i 0
Pgina 182
A continuacin, se muestra cmo pueden probarse estas hiptesis usando un anlisis de

variancia bifactorial o bidireccional (de dos factores o en dos sentidos).
Anlisis Estadstico del Modelo de Efectos Fijos
ea Yi..; el total de las observaciones bajo el i-simo nivel del factor A; Y.j. El total de
las observaciones bajo el j-simo nivel del factor B, Yij. El total de las observaciones
de la ij-sima celda, e Y... el total general de todas las observaciones. Se definen

Yi..; Y .j. y Yij.
y Y...
como los promedios de rengln, columna, celda y general,
respectivamente, matemticamente:
b n
Yi.. Yijk
j1k 1
Yi..
a n
Y.j. Yijk
i1k 1
Y.j.
n
Yij. Yijk
k 1
Yij.
Yi..
bn
; i 1,2,..., a
Y.j.
; j 1,2,..., b
an
Y...
n
i 1,2,..., a
j 1,2,..., b
a b n
Y...
Y... Yijk Y...
i1j1k 1
abn
La suma total de cuadrados corregida puede expresarse mediante:
a
i1
j1
k 1
a
b
i1 j1
a
b
i1 j1
bn
i1
Yij k
k 1
k 1
Y
i
. .
Y .. .
Yij k
Yij k
Y .. .
Y
i..
Y
ij .
Y .. .
Y . ..
an
Y .j .
Y . ..
Y
ij
.
Y . ..
Y .j
Y . ..
j1
Y. j
.
a
b
i1 j1
Y .. .
k 1
Yij
k
a
b
i1 j1
Y
ij .
Y
ij .
Y
i..
Porque los seis productos cruzados del segundo miembro de la ecuacin anterior son
iguales a cero. Se observa que la suma total de cuadrados se ha descompuesto en una
suma de cuadrados debida a los renglones o al factor A (SS A) en una suma de
cuadrados debida a las "columnas" o al factor B (SSB), en una suma de cuadrados debida
a la interaccin entre A y B (SSAB), y en una suma de cuadrados debida al error (SSE):
Analizando el ltimo trmino del miembro derecho de la Ecuacin anterior es posible
observar que es necesario tener al menos dos rplicas (n 2) para poder obtenerla suma
de cuadrados del error.
Simblicamente, la Ecuacin anterior puede expresarse mediante:
Pgina 183
Y .j .
Y. .
S T S A S B S AB S E
Los grados de libertad asociados a cada suma de cuadrados son:
Efecto
Grados de libertad
A
a-1
B
b-1
Interaccin AB
(a-1)(b-1)
Error
ab(n-1)
Total
abn-1
Esta descomposicin del total de abn -1 grados de libertad para las sumas de cuadrados
se puede justificar como sigue: Los efectos principales de A y B tienen a y b niveles,
respectivamente, por lo tanto, tienen a -1 y b -1 grados de libertad como se muestra. Los
grados de libertad de la interaccin simplemente corresponden a los grados de libertad de
cada celda (los cuales son iguales a ab -1) menos los grados de libertad de los dos
efectos principales A y B en otras palabras, ab -1 -(a -1) -(b -1) -(a- 1)(b -1). Dentro de
cada una de las ab celdas hay n -1 grados de libertad entre las n rplicas, por lo tanto,
hay ab(n -1) grados de libertad del error. Se observa que la suma de los grados de
libertad de los trminos del miembro derecho de la ecuacin anterior es igual al total de
los grados de libertad.
Cada suma de cuadrados dividida entre sus grados de libertad produce una media de
cuadrados. Los valores esperados de las medias de cuadrados son:
E(MSA)
SSA
SSB
b1
E(MSB) E
a 1
SSAB
(a 1)(b 1)
E(MSB) E
SSE
ab(n 1)
E(MSE) E
a
bn i
i1
a1
b
an j
j1
b1
a b
2
n ( ij
i1j1
(a 1)(b 1)
Pgina 184
Hay que notar, que si las hiptesis nulas, las cuales consisten en proponer que no hay
efectos de tratamiento de rengln, columna e interaccin, son verdaderas, entonces MS A,
MSB, MSAB y MSE son estimadores de 2. Sin embargo, si por ejemplo existen diferencias
entre los tratamientos de rengln, entonces MSA ser mayor que MSE. En forma similar, si
hay efectos de tratamiento de columna o interaccin, las medias de cuadrados
correspondientes sern mayores que MSE. Por lo tanto, para probar el significado de
ambos efectos principales, as como de su interaccin, simplemente deben dividirse las
medias de cuadrados correspondientes entre la media de cuadrados del error. Valores
grandes de estas razones implican que los datos no concuerdan con las hiptesis nulas.
Si se considera que el modelo estadstico es adecuado y que los trminos del error ijk
son independientes con distribuciones normales con variancia constante 2, entonces las
razones de las medias de cuadrados MS A/MSE, MSB/MSE y MSAB/MSE tienen distribucin
F con a -1, b- 1 y (a -1)(b -1) grados de libertad en el numerador, respectivamente, y ab(n
-1) grados de libertad en el denominador. Las regiones crticas corresponden al extremo
superior de la distribucin F. Usualmente la prueba se presenta en una tabla de anlisis
de variancia como la que aparece en la tabla 10.3.6.
Pgina 185
Fuente de
Variacin
SS
Tratamientos A SSA
Tratamientos B SSB
G.L.
a-1
MSA
MS
MSA
SS A
MSE
b-1
a 1
MSB
MSB
SS B
Interaccin
SSAB (a - 1)(b - 1)
b 1
MSAB
SSAB
Fo
MSE
MSAB
MSE
(a 1)(b 1)
Error
SSE
ab(n-1)
MSB
SSE
ab(n 1)
Total
SST
abn - 1
Tabla 10.3.6 ANOVA para el modelo bifactorial de efectos fijos

Es posible obtener las frmulas para calcular las sumas de cuadrados de la ecuacin
anterior. La suma total de cuadrados se calcula en forma usual mediante:
a b n
2
SST Y ijk
i1j1k 1
...
abn
Las sumas de cuadrados para los efectos principales son:

2
2
a Y i..
Y ...

i1 bn
abn
2
2
b Y .j.
Y ...
SSB
j1 an
abn
SSA
Es conveniente obtener SSAB en dos etapas. Primero se calcula la suma de cuadrados

entre los totales de las ab celdas, conocida como la suma de cuadrados debido a los
"subtotales":
2
2
a b Y ij.
Y ...
SSsubtotales
i1j1 n
abn
Pgina 186
Esta suma de cuadrados contiene a la SSA y SSB. Por lo tanto, la segunda etapa consiste
en calcular SSAB mediante:
SSAB SSsubtotales SSA SSB

La SSE se calcula por diferencia:
SSE SST SSAB SSA SSB

o bien :
SSE SST SSSubtotales

Ejemplo: Ms sobre el experimento de diseo de una batera. En la tabla 10.3.7 se
presenta la duracin efectiva (en horas) observada en el ejemplo de diseo de una batera
descrito en la anterior Los totales de rengln y de columna se indican en los mrgenes de
la tabla; los nmeros subrayados son los totales de celda.
Tipo
de
Mat.
1
2
Temperatura (F)
15
70
130 155
539 4
34
40
74
134.75
80
75
180
150 188
159 126
125
138 110
168 160
Y.j.= 1738
623
576
136 122
106 115
174 120
150 139
1291
229
479
583
20 70
82 58
25 70
58 45
96 104
82 60
770
Yi..
230 998
198 1300
342 1501
Y...=
3799
Tabla 10.3.7. Datos de duracin (en horas) para el experimento de diseo de una batera
Pgina 187
Las sumas de cuadrados se calculan a continuacin:

2
a b n
Y ...
2
SST Y ijk
i1j1 k 1
abn
130
155
74
... 60
3799
36
2
77,646.97
2
2
a Y i..
Y ...
SSmaterial
i1 bn
abn
2
2
2
2
998
1300
1501
3799
10,683.72
(3)(4)
36
2
2
b Y .j.
Y ...
SStemperat ura
j1 an
abn
2
2
2
2
1738
1291 770
3799
39,118.72
(3)(49
36
2
2
a b Y ij.
Y ...
SSinteracc ion
i1j1 n
abn
2
2
2
2
539
229
... 342
3799
10,683.72
4
36
39,118.72 9,613.78
SSE SST SSmaterial SStemperatura SSinteraccion

SSE 77,646.97 10,638.72 39,118.72 9,613.78
18,230.75
El anlisis de variancia aparece en la tabla 10.3.8. Se concluye que existe una interaccin
significativa entre el tipo de material y la temperatura porque F0.05,4.27 = 2.73. Adems,
tambin son significativos los efectos principales del tipo de material y de la temperatura,
porque FO.O5.2.27 = 3.35.
Fuente de variacin
Tipo de material
Temperatura
Interaccin
Error
Total
SS
10,683.72
39,118.72
9,613.78
18,230.75
77,646.97
G.L.
2
2
4
27
35
MS
Fo
5,341.86 7.91
19,558.36 28.97
2,403.44 3.56
675.21
175
Tabla 10.3.8 ANOVA para los datos de la duracin de la batera
150
Como auxiliar en la interpretacin de los resultados de este experimento resulta til la
125una grfica de las respuestas promedio de cada combinacin de

construccin de
Yij. Esta
100
tratamiento.
grfica se muestra en la figura 3.4.
75
Material tipo 3
Material tipo 1
Material tipo 2
50
25
15
Pgina 188
70
Tempera tura
125
Figura 10.3.6 Grfica de respuesta vs temperatura
El hecho de que las rectas no sean paralelas indica una interaccin significativa. En
general, a menor temperatura mayor duracin, independientemente del tipo de material. Al
variar la temperatura de baja a intermedia, la duracin aumenta con el material tipo 3,
mientras que disminuye con los materiales tipo 1 y 2, Cuando la temperatura vara de
intermedia a alta, la duracin disminuye con los materiales tipo 2 y 3, mientras que con el
tipo 1 esencialmente permanece sin cambio. Al parecer, el material tipo 3 da los mejores
resultados si lo que se desea es menor perdida de duracin efectiva al cambiar la
temperatura.
10.3 Diseos factoriales fraccionales

Replicacin fraccionada
medida que el nmero de factores involucrados experimento crece, el nmero de
casillas o condiciones experimentales (y por lo tanto el nmero de lecturas o
pruebas necesarias), crece exponencialmente en un experimento factorial. El nmero de

efectos a evaluar (interacciones principalmente) crece exponencialmente tambin.
El
nmero de efectos y casillas varia con el nmero de factores en una relacin como se
muestra en la tabla siguiente para un experimento factorial 2k.
Pgina 189
As por ejemplo cuando se tienen siete factores, existen 128 posibles
condiciones
experimentales, lo que implica que al hacer una replicacin por celda de todo el
experimento requiere un total de 128 observaciones. Si se decide tomar dos replicas por
celda, entonces serian necesarias 256 observaciones, lo cual es una cantidad excesiva de
pruebas para fines prcticos.
Por otro lado, se necesitan 128 observaciones para un experimento con 7 factores por
que se deben evaluar 127 posibles efectos (que son los grados de libertad totales en 128
observaciones) de estos efectos 7 son los factores principales, 21 interacciones de 2
factores, 35 de tres, 35 de cuatro, 27 de cinco en cinco, 7 de seis en seis y una
interaccin de 7 factores. En general el nmero de interacciones de k factores tomados r
en r es:
K!
r! (k r)!
El concepto de replicacin fraccionada parte de las siguientes hiptesis:
1. Las interacciones de tres o ms factores son sumamente raras en la prctica, por
lo que en general se pueden suponer como no existentes. Esto equivale a
aproximar la variable de respuesta con una serie de Taylor de la cual se
desprecian los trminos de tercer o mayor grado. Adems, si estos efectos existen,
son difciles de explicar y aprovechar para fines prcticos.
2. En un experimento de varios factores lo ms probable es que solo algunos de ellos
sean relevantes para la variable de respuesta.
Pgina 190
3. La mayor parte del efecto se debe a los factores principales y algunas

interacciones de dos factores.
Lo anterior implica que por ejemplo para siete factores son necesarios probablemente
solo 28 grados de libertad (7 factores principales y 21 interacciones de dos factores), y
esto equivale a solo 29 unidades de informacin y no 128 como en el experimento
original. Esto quiere decir que no es necesario el correr una replicacin completa de todo
el experimento cuando el nmero de factores crece, sino solamente algunas casillas o
condiciones experimentales.
Cuando solamente una parte de las posibles casillas se prueban, se dice que se tiene una
replicacin fraccionada del experimento.
Las preguntas que surgen son:
1. Cuntas y cuales casillas probar?
2. Cmo analizar los resultados?
3. Qu informacin se pierde?
El responder a estas preguntas es uno de los objetivos de la replicacin fraccionaria.
Fraccin un medio del diseo 2k
onsidrese el caso en el que se estudian tres factores de dos niveles cada uno, pero
en el que los experimentadores no pueden costear las 23 = 8 combinaciones de
tratamientos, sin embargo, si se puede costear 4 observaciones. Esto sugiere una

fraccin un medio, de un diseo 23. la fraccin un medio del diseo 23 se conoce tambin
como un diseo 23-1 por que tiene 23-1 = 4 combinaciones de tratamiento.
En la tabla 4.1 aparecen signos positivos y negativos del diseo 23. Supngase que para
componer la fraccin un medio, se seleccionan las combinaciones de tratamientos se usa
indistintamente la notacin convencional (a,b,c,...) y la de signos positivos y negativos. La
equivalencia de las dos notaciones se muestra a continuacin.
Notacin 1 Notacin 2
Pgina 191
a
b
c
abc
+--+--+
+++
Combinacin de Efecto factorial

Tratamientos
I
+
+
+
+
+
+
+
+
a
b
c
abc
ab
ac
bc
(1)
A
+
+
+
+
-
B
+
+
+
+
-
C
+
+
+
+
-
AB
+
+
+
+
AC
+
+
+
+
BC
+
+
+
+
ABC
+
+
+
+
-
Tabla 10.4.1 Signos positivos para el diseo 23

Ntese que el diseo 23-1 se forma al seleccionar solo las combinaciones de tratamientos
que producen un signo positivo sobre la columna ABC. Por esto ABC se denomina
generador de una fraccin particular. Algunas veces estos apuntes se llamaran palabra
generador como el ABC. Adems, la columna identidad I siempre es positiva, por lo cual:
I = ABC
Se denominara relacin definitoria de nuestro diseo, en general, la relacin definitoria de
un factorial fraccionario siempre es el conjunto de todas las columnas que son iguales a la
columna identidad I.
abc
bc
ac
C
a
(a) Fraccin principal I = ABC
ab
B
A
Pgina 192
(1)
(b) Fraccin alterna I = -ABC
Las combinaciones de tratamientos del diseo 23-1 producen 3 G.L. que pueden usase
para estimar los efectos principales. En la tabal 4.1 se muestra que las combinaciones
lineales de las observaciones que se utilizan para estimar los efectos principales A, B, y C
son:
LA 1/2(a b c abc)
LB 1/2( a b c abc)
LC 1/2( a b c abc)
LBC 1/2(a b c abc)
LAC 1/2( a b c abc)
LAB 1/2( a b c abc)
Por lo tanto LA = LBC, LB = LAC y LC = LAB. En consecuencia, es imposible distinguir

entre A y BC, entre B y AC y entre C y AB. De hecho, es posible mostrar que cuando se
estima A, B y C, en realidad, lo que s esta haciendo es estimar A + BC, CB + AC y C +
AB, respectivamente. Dos o ms efectos que tienen esta propiedad se conoce como
alias. En este ejemplo, A y BC, B y AC y C y AB son alias. Esto se indica empleando la
notacin:
LA A BC,
LB B AC
LC C AB
La estructura de los alias de este diseo pueden determinarse fcilmente con la relacin I
= ABC, multiplicando cualquier efecto por la relacin que define al diseo, modulo 2, da
como resultado los alias de dicho efecto. En el ejemplo anterior, los alias son:
A*I = A*ABC = A2BC
O dado que el cuadrado de cualquier columna es simplemente la identidad I.
A = BC
Pgina 193
De modo similar, se encuentra que los alias de B y C son:

B*I = B*ABC = AB2C = AC
C*I = C*ABC = ABC2 = AB
Esta fraccin un medio o semifraccin, con I = +ABC, suele llamarse fraccin principal.
Ahora supngase que se eligi la otra mitad de la replica. Esta se compone de las
combinaciones de tratamientos de la tabla 4.1 que tiene signo negativo asociado con
ABC. Esta fraccin un medio o alterna que consta de las siguientes corridas:
otacin 1 Notacin 2
(1)
--ab
++ac
+-+
abc
-++
La relacin definitoria de este diseo es:
I = -ABC
Usando la fraccin alterna, las combinaciones lineales de las observaciones, LA, LB y
LC, son:
L' A A BC
L' B B AC
L' C C AB
Por lo tanto, en realidad s esta estimando A BC, B AC y C AB al estimar A, B y C

con esta fraccin. En la practica, no importa cual de las dos fracciones se utilice.
Generalmente la fraccin asociada con I = +ABC se denomina fraccin principal. Ambas
fracciones pertenecen a la misma familia; en otras palabras, estas dos fracciones forman
el diseo 23 completo.
Supngase que despus de recopilar una de las fracciones de un medio del diseo 2 3,
tambin se recopila la otra fraccin. Por lo tanto, estn disponibles los 8 ensayos
Pgina 194
asociados con el diseo completo 23 en este caso pueden obtenerse las estimaciones de
todos los efectos, sin los alias, analizando los 8 ensayos en un diseo 2 3 completo con
dos bloques de cuatro ensayos cada uno. Esto tambin se logra sumando y restando la
combinacin lineal a los efectos de las dos fracciones individuales. Por ejemplo,
considrese: LA A BC y L' A A BC esto implica que:
1/2(LA L' A) 1/2(A BC A BC) A
1/2(LA L' A) 1/2(A BC A BC) BC
por lo tanto usando los tres pares de combinaciones lineales se obtiene lo siguiente:
i
A
B
C
De (Li+Li)
A
B
C
De (Li-Li)
BC
AC
AB
Resolucin del diseo
l diseo anterior 23-1 se conoce como diseo de resolucin III. En tal diseo los alias
de los efectos principales son interacciones de dos factores. Un diseo es resolucin
R si ningn efecto de p factores es alias de otro efecto que tenga menos R p factores.
Usualmente, se emplea el numeral romano como subndice para indicar la resolucin del
diseo. As, la fraccin un medio del diseo 23 definido por la relacin I = ABC (o bien I = 3 1
ABC) constituye un diseo 2III
.
Los diseos de resolucin III, IV y V son de importancia primordial. A continuacin, se

presenta la definicin de estos diseos junto con un ejemplo.
1.
Diseo resolucin III: stos son diseos en los que ningn efecto principal es alias
de otro, pero si lo son de las interacciones de dos factores; a su vez, estas ltimas
son alias entre s. El diseo 23-1 de la tabla 4.1 es de resolucin III.
Pgina 195
2.
Diseo resolucin IV: En estos diseo ningn efecto principal es alias de otro efecto
principal, o bien, de alguna interaccin de dos factores. Las interacciones de dos
4 1
factores son alias entre s. Un diseo 24-1 con I = ABCD es de resolucin IV ( 2IV
).
3.
Diseos resolucin V: Estos son diseos en los que ningn efecto principal o
interaccin de dos factores es alias de ningn efecto principal o interacciones entre
dos factores, un diseo 25-1 con I = ABCDE es de resolucin V ( 2 5V1 ).
En general, la resolucin de un diseo factorial fraccionario de dos niveles es igual al

mnimo nmero de letras de cualquier palabra de la relacin que define al diseo. En
consecuencia, los diseos anteriores, a menudo, se conocen como diseos de 3, 4 y 5
letras, respectivamente. Por lo general se deben usar diseos fraccionarios con la mayor
resolucin posible congruentes con el fraccionamiento requerido. A mayor resolucin, las
suposiciones relativas a las interacciones que deben despreciarse con el propsito de
hacer una interpretacin nica de los datos son menos restrictivas.
Construccin de Fracciones Un Medio
s posible construir una fraccin un medio de mayor resolucin, de un diseo 2k,

escribiendo primero las combinaciones de tratamientos del diseo 2 k-l completo y
agregando despus el k-simo factor identificando sus niveles positivos y negativos

mediante los signos positivos y negativos de la interaccin de mayor orden ABC..( k -1 ).
3 1
Por lo tanto, el diseo factorial fraccionario 2III
se obtiene escribiendo el diseo 22
completo e igualando despus el factor C con la interaccin AB. La fraccin alterna se

obtiene igualando el factor C con la interaccin -AB. Este enfoque aparece en la Tabla 4.2.
Obsrvese que el diseo bsico siempre tiene el nmero correcto de corridas (renglones),
pero que falta una columna. Entonces, en el generador I = ABC ...K se despeja la columna
faltante (K), de modo que K = ABC...(K- 1) define el producto de signos ms y menos por
usar en cada rengln a fin de producir los niveles para el k-simo factor.
Ntese que cualquier efecto de interaccin puede usarse para generar la columna del ksimo factor. Sin embargo, si no se utiliza el efecto ABC... (k- 1) no se produce el diseo
de mayor o ms alta resolucin.
Pgina 196
Otra manera de interpretar la construccin de una fraccin un medio del diseo consiste
en , ( asignar los ensayos a dos bloques, confundiendo la interaccin de mayor orden
ABC ...K. Cada bloque de 2k -1 ensayos es un diseo factorial fraccionario 2 k- 1 de mxima
resolucin.
Factorial 22
Corrida
1
2
3
4
Completa
(diseo bsico)
A
B
+
+
+
+
3 1
2III ,
3 1
= 2III
,
ABC
A
+
+
B
+
+
-ABC
C=AB
+
+
A
+
+
B
+
+
C=-AB
+
+
-
Tabla 10.4.2 Las dos fracciones un medio del diseo
Ejemplo 10.4.1:
Considrese el experimento de la rapidez de filtracin. El diseo original, mostrado en la
Tabla 4.3, consta de una rplica del diseo 24. En este estudio, los efectos principales A,
C, D, y las interacciones AC y AD, resultarn diferentes de cero. Ahora regresaremos a
este experimento y simularemos lo que habra ocurrido de haberse corrido una
semifraccin del diseo 24 en vez del factorial completo.
Utilizaremos el diseo 24-
con I = ABCD, y esta eleccin del generador dar por
resultado un diseo de la mxima resolucin posible (IV). Para construir el diseo, primero
se escribe el diseo bsico, que es 2 3, como se muestra en las primeras tres columnas de
la Tabla 4.3. Este diseo bsico tiene el nmero necesario de corridas (8), pero slo tres
columnas (factores). Para hallar los niveles del cuarto factor, se despeja D en I = ABCD, o
sea, D = ABC. As, el nivel de D en cada corrida es el producto de los signos ms y menos
en las columnas A, B y C. El proceso se ilustra en la Tabla 4.3. Dado que el generador
4 1
ABCD es positivo, este diseo 2 IV
es la fraccin principal. El diseo se presenta
grficamente en la Fig. 4.2.
Pgina 197
Diseo bsico
Corrida A
D =ABC
B
C
1
2
3
4
5
6
7
8
+
+
+
+
+
+
+
+
+
+
+
+
Combinacin de
tratamientos
(-)*(-)*(-) =
(1)
+
+
+
+
ad
bd
ab
cd
ac
bc
abcd
Rapidez de filtracin
45
100
45
65
75
60
80
96
Tabla 10.4.3 Diseo Fraccional

Utilizando la relacin definitoria, se observa que el alias de cada efecto principal es una
interaccin trifactorial; esto es, A = A2BCD = BCD, B = AB2CD = ACD, C =ABC2D = ABD, y
D = ABCD2 = ABC. Adems, el alias de cada interaccin bifactorial es otra interaccin
bifactorial. Estas relaciones de alias son AB = CD, AC = BD, y BC = AD. Los cuatro
efectos principales ms los tres pares de alias de interacciones bifactoriales explican los
siete grados de libertad del diseo.
En este punto, normalmente aleatorizaramos las ocho corridas y realizaramos el
experimento. Dado que ya hemos corrido el diseo 24 completo, simplemente elegimos
las ocho velocidades de filtracin observadas del Ejemplo anterior que corresponden a las
4 1
corridas en el diseo 2 IV
. Estas observaciones se muestran en la ltima columna de la
Tabla 4.3 y tambin se ilustran en la Fig. 10.4.2.
Pgina 198
4 1
Figura 10.4.3. Diseo 2IV
para el experimento de rapidez
de filtracin del ejemplo anterior
En la Tabla 10.4.4 se presentan las estimaciones de los efectos obtenidos a partir del
4 1
diseo 2 IV
. Para ilustrar los clculos, la combinacin lineal de las observaciones
asociadas con el efecto A es:

LA = 1/4(- 45 + 100 - 45 + 65 - 75 + 60 - 80 + 96) = 19.00 A + BCD
Estimacin
LA = 19.00
LB = 1.50
LC = 14.00
LD = 16.50
LAB = -1.00
LAC = -18.50
LBC = 19.00
Estructura de alias
LA A + BCD
LB B + ACD
LC C + ABD
LD D + ABC
LAB AB + CD
LAC AC + BD
LBC BC + AD
Tabla 10.4.4 Efectos estimados y alias del ejemplo 1

Mientras que para el efecto AB se tiene que:
LAB = (45 100 45 + 65 +75 60 80 + 96) = -1 AB + CD
Un anlisis de la tabla 3.4 muestra que no es irrazonable concluir que los efectos
principales A, C y D son grandes, y que las interacciones AC y AD tambin son
Pgina 199
significativas. Esto concuerda con las conclusiones del anlisis del diseo 2 4 completo del
ejemplo anterior 3.2.
4 1
Como el factor B es no significativo, puede eliminarse. En consecuencia el diseo 2 IV
puede proyectarse una replica de un diseo 23 con los factores A, C y D. Esto aparece en
la figura 4.3 la inspeccin visual de este diagrama de cubo nos da mayor tranquilidad en
cuanto a las conclusiones que se llego antes. Obsrvese que si la temperatura (A) se
encuentra en un nivel bajo, la concentracin (C) tiene un efecto positivo, mientras que si la
temperatura se mantiene en un nivel alto, el efecto de la concentracin es muy pequeo.
Esto se debe probablemente a un interaccin AC. Adems, si la temperatura esta en el
nivel bajo, el efecto de la velocidad de agitacin (D) es despreciable, pero si esta en el
nivel alto, dicha velocidad tiene un efecto positivo. Esto se debe tal vez a la interaccin AD
identificada tentativamente antes.
75
96
alto
60
80
45
1 00
alto
45
65
bajo
bajo
alto
bajo
A (temperatura)
4 1
Figura 10.4.3 Proyeccin del diseo 2 IV
en el diseo 23 con A, C y D para el ejemplo
anterior 3.2
Pgina 200
11. Diseo de experimentos de Taguchi
Pgina 201
11 Diseo de experimentos de Taguchi

11.1 Introduccin
qu hace el diseo de experimentos, durante un diseo de parmetros u optimizacin
del proceso?
Considere un proceso cualquiera. En este proceso se combinan una serie de insumos

para cumplir con ciertas caractersticas
Factores
Xi
Respuestas
Y1
Proceso
Y2
Y3
Suponga que la situacin de alguna de las caractersticas, digamos Y1 se muestra en la

figura siguiente:
LIE
Evidentemente,
LSE
el
proceso
est
generando
producto
con
caractersticas
no
satisfactorias. A fin de corregir la situacin es necesario:

1. Centrar el proceso, modificando la media o promedio del mismo.
2. Reducir la variabilidad del proceso eliminando causas comunes de variacin, dicho de
otra manera, el proceso est en control estadstico.
3. De ser posible reducir el costo del proceso.
Todos los factores x, que afectan este proceso, se pueden clasificar en cuatro grandes
grupos:
Pgina 202
Factores que afectan la media y/o la variabilidad.

Factores de ruido
Factores que afectan
Factores que no
la media sin afectar
afectan, ni la media
la variabilidad
ni la variabilidad
Los factores de ruido son aquellos que no podemos o deseamos controlar, en general,
se consideran tres tipos:
Ruido externo. Son los factores que estn fuera del mbito del producto, pero que
afectan el proceso en el mbito del cliente durante su uso.
Ruido interno. Son los factores que originan deterioro, o que las caractersticas de
calidad se degraden con el tiempo.
Ruido de producto a producto. Son los factores que en el centro de produccin

ocasionan variacin de un producto a otro.
Los factores que afectan la media y/o variabilidad, se utilizan para reducir la
variabilidad. Los que afectan solamente a la media, se utilizan para reducir la
variabilidad. Los que afectan solamente a la media, se utilizan para centrar el proceso,
o bien para maximizar o minimizar la respuesta. Por ltimo, los factores que no afectan
ni la media ni variacin se utilizarn para reducir el costo del proceso, esto es, se
ubicarn a su nivel ms econmico.
Recuerde, que el objetivo es fijar los factores que estn en nuestro control, a un nivel tal
que el producto sea robusto a los factores de ruido.
El problema es, que de antemano no sabemos dnde se ubica cada factor: el diseo de
experimentos es un grupo de herramientas que nos ayuda de una manera sistemtica y
eficiente, a ubicar cada factor y en un caso dado, como exactamente afecta a la variable
de respuesta.
Pgina 203
11.2 Procedimiento general para un estudio de ingeniera de calidad

Uno de los procedimientos que se pueden utilizar es el siguiente:
1. Identificar el problema y formar grupo de trabajo.

Este es quiz el paso ms importante, existe la posibilidad de que en este pase se
termine el experimento. En primer lugar, se debe de identificar un problema que sea
importante resolver para la empresa (no nicamente para el experimentador). Esto quiere
decir, que si el problema se resuelve, pondra en una mejor posicin al producto y
permitira a la empresa generar ms utilidades. Si esta condicin no se cumple, es
recomendable olvidarse por lo pronto del problema y buscar otro.
Una vez aprobado el problema, se debe definir por escrito cul es el problema a
resolver, qu tipo de solucin se busca, cul es la situacin actual y sobre todo, quin
sabe acerca del mismo o est directamente afectado, a fin de integrarlo dentro del grupo
de trabajo.
2. Lluvia de ideas
En esta fase, se pretende identificar como evaluar y/o cuantificar la caracterstica que
se desea mejorar. Asegurarse que realmente representa el problema que se quiere
resolver. Una vez definida,
se debe cuestionar si la puede medir de una manera
confiable sino es posible, busque alternativas.

Es posible que en un mismo problema existan dos o ms caractersticas de inters,
conviene sin embargo que usted, asigne prioridades y tome una como titular. La o las
caractersticas seleccionadas son las variables de respuesta para todo el estudio (Y).
En esta fase se deben identificar, el grupo de factores que potencialmente afecta la
variable de respuesta (las Xs). Se puede ayudar con un diagrama causa-efecto en el que
intervengan las personas que conocen el proceso; operadores, tcnicos, ingenieros, etc.
Una cosa importante es que busque en la literatura, en ocasiones el problema que
pretende resolver ha sido tratado en otras partes y esto le puede orientes sobre que
factores considerar.
Pgina 204
En un segundo paso, se debe seleccionar aquellos factores que se consideran con

mayores posibilidades y que entrarn al primer experimento, se debe hacer un juicio y
a falta de informacin, un pareto logstico puede ser de gran ayuda.
Considere tambin, que existen factores que no se pueden controlar y no tiene caso
que entren al experimento. Si an as, quedan muchos factores candidatos, inicie con lo s
que sea ms sencillo y menos costoso manipular.
Una vez seleccionados los factores, se debern proponer los niveles a estudiar para
cada factor. No sea demasiado conservador, considere dentro de que rangos varan
generalmente los factores y trate de cubrir estos rangos. Es probable que los resultados
que
obtenga se puedan interpolar sin embargo, ser muy riesgoso extrapolar
resultados.
1. Seleccionar el arreglo a usar.
Arreglo interno
Arreglo externo
Tamao de la muestra
2. Organizar el experimento
Hojas de datos
Quin hace qu
3. Correr el experimento
Recolectar datos
Analizar resultados.
4. Selecciona ndice seal a ruido
Hacer anlisis Anova
Encontrar para nominal es mejor
Factores que reducen variabilidad
Factores que ajustan la media
Factores que reducen costo
Encontrar para mayor es mejor o menor es mejor
Factores que mejoran la media y/o la variabilidad
Encontrar las mejores condiciones de operacin
Pgina 205
Predecir resultados esperados bajo las condiciones propuestas.

1. Hacer una corrida de comprobacin
Si los resultados no coinciden con lo esperado, identificar causas posibles
Evaluar la ganancia que se obtiene con las nuevas condiciones.
2. Implementar las condiciones propuestas.
Varios de los trminos mencionados sern estudiados a lo largo del material.
Aunque se ha hablado del concepto de la calidad, no se ha definido explcitamente en
trminos de ingeniera de calidad. Por otra parte necesitamos de alguna manera evaluar
econmicamente las posibles desviaciones del valor ideal de la variable de respuesta.
Esto se analiza en el siguiente captulo bajo el tema de la funcin de prdida.
11.2 La Funcin de Prdida

G. Taguchi propone el siguiente enunciado:
LA CALIDAD DE UN PRODUCTO SE PUEDE MEDIR, MEDIANTE LA (MINIMA)
PRDIDA QUE LE OCASIONA A LA SOCIEDAD, UN PRODUCTO DESDE EL
MOMENTO DE SER EMBARCADO
En esta definicin, se involucra a la sociedad entendida como el conjunto de clientes
incluyendo al productor. Esto es, que los problemas de calidad deben ser vistos de una
manera global para evitar que una parte se beneficie a costa de la otra.
Si el producto cumple exactamente con lo esperado, entonces no se ocasiona costo de
calidad alguno. Dicho de otra manera, no se ocasiona un costo adicional para el
consumidor aparte de su precio. Por eso en la definicin se aclara que es un costo
despus de embarcarlo.
Este desembolso adicional que el consumidor tiene que gastar sin tener porque hacerlo
es una prdida para l y para la sociedad en general, de la cual forma parte, si el producto
hubiese sido producido bien, nadie tendra porque hacer un costo adicional. De ah el
nombre de prdida.
Pero cmo es esta relacin prdida-desviacin. Suponga que desea adquirir un cierto
producto con un dimetro de 10 pulg. Dado que es imposible obtener siempre este
Pgina 206
dimetro, se asigna una cierta tolerancia de digamos 0.02 pulg. Tradicionalmente esto
quiere decir que si usted recibe un producto con un dimetro entre 9.98 y 10.02 pulg. todo
esta bien mientras el dimetro se encuentre en este intervalo,
esta igualmente contento.
Fuera de este rango el producto es completamente inaceptable.

Taguchi considera esta visin incorrecta. Para el cliente un producto que mide 9.9799
pulg. no es muy diferente a uno que mida 9.9801 pulg. De hecho, un producto aceptable
que mida 9.9801 es ms parecido a uno defectuoso que al deseado de 10.0000 pulg.
Lo anterior implica cosas como: no porque un producto est dentro de especificaciones,
necesariamente es un buen producto para el cliente.
puede incluso hacer una
inspeccin 100% para que todo producto quede dentro de especificaciones, y no por eso
su producto es considerado un buen producto por el cliente.
Por lo tanto, ms que una prdida sbita que se tenga cuando el producto sales de
especificaciones, se tiene un continuo de prdida tan pronto como el producto se desva
del valor idealmente deseado por el cliente.
En seguida se discutir este punto, con ejemplos ms especficos para
como cliente.
El nico valor aceptable de una caracterstica de calidad, es el valor deseado por el

cliente, llamelo en este caso m. El cliente realmente recibe un producto con una
caracterstica de calidad que llamaremos aqu y . Esta caracterstica y, no
necesariamente coincide con m de manera que, se puede tener una desviacin de (ym), la cual puede ser positiva o negativa. Ya sea que y>m y<m. Siempre que y es
diferente de m, se le ocasiona al cliente una prdida, llammosla L(y) con (y-m)?, si bien
existen un sin nmero de maneras, una para cada cliente Taguchi sugiere que en la gran
mayora de las veces esta relacin es descrita de manera cuadrtica. Esto es:
L(y)=k (y-m)2
Donde k es una constante especfica para cada consumidor, que grficamente queda
representado por:
L(y)
Pgina 207
Vale la pena observar lo siguiente:

-
Desviaciones pequeas del valor ideal, ocasionan una prdida pequea.
La prdida aumenta ms que linealmente conforme y se aleja del valor ideal m.
Cuando el valor de y coincide con el valor de m, la prdida es cero. Esto es, L(y=m)=
0.
La curva se ve afectada por el valor de la constante k.
Existe una funcin de prdida L(y) asociada con cada caracterstica de calidad del
producto. La prdida total que ocasiona el producto, es la suma de las prdidas de
cada una de sus caractersticas.
Un problema que surge de inmediato es cmo evaluar la constante k?

Considere una caracterstica de calidad, digamos un dimetro con un valor ideal de
10.0000 pulg. Si el dimetro de desva un poco el producto an se puede utilizar.
Conforme el dimetro se aleja aun ms del ideal, llegar un punto en el cual no se puede
utilizar el producto tal y como este. A este valor se le puede llamar yc y a la
desviacin(yc-m)= Tc. se le llama tolerancia del consumidor.
En este momento, se debe hacer algo para que el producto se pueda utilizar originando
un costo, llame a este costo Ac. Al sustituir en la frmula de L(y), se tiene que
Ac= k Tc2; k= Ac/ Tc2
La funcin de prdida se puede expresar tambin de la manera siguiente
L(y)= (Ac/ Tc2)(y-m) 2
Algunos autores, sugieren utilizar como Tc, lo que se considere como tolerancia actual o
de operacin, y entonces un buen valor de Ac es un 10% del precio del producto.
Como corolario podemos observar lo siguiente: corregir, arreglar o aun desechar un
producto es ms econmico siempre para el productor. Esto es, se le ocasiona un costo
menor. Si a este costo le llamamos Ap, donde siempre sucede que Ap < Ac, cul debe
ser entonces la tolerancia que debe manejar el productor en sus dibujos?.
Al sustituir en la funcin de prdida anterior esta prdida Ap y manejando la tolerancia
(yp-m)= Tp, se tiene:
Pgina 208
Ap
Ac
Ap= (Ac/ Tc2)Tp 2, y por lo tanto Tp=
Tc
Esto quiere decir, que la tolerancia del productor, debe siempre ser menor que la del
consumidor. La relacin viene representada por la raz cuadrada de la relacin entre la
prdida del producto y del consumidor para el mismo producto.
Funcin de prdida promedio

Si bien, la forma de la funcin de prdida anterior describe la situacin para una unidad
de producto en particular, el productor, probablemente este ms interesado en la prdida
promedio que su produccin induce al cliente. Para esto es suficiente obtener el promedio
para todos sus productos, esto es:
Lmedia=
k ( yi m) / n (k ( y
m ) k ( y 2 m ) ... k ( y n m )) / n
Si el nmero de productos es pequeo, el promedio se puede obtener directamente.

Si el valor no crece, se puede demostrar mediante un poco de manipuleo algebraico,
que el valor de Lmedia es
Lmedia= k 2 d 2 ; donde d= (-m)
y 2 representan la media y varianza del proceso respectivamente.

Si el productor desea disminuir la prdida que su producto ocasiona a sus
consumidores, deber por lo tanto, reducir su variabilidad (minimizar 2 ) y centrar su
proceso de manera que la media del mismo coincida con el ideal m, (disminuir d 2
Funcin de prdida para otro tipo de caractersticas

Una caracterstica de calidad, por lo general es de uno de los siguientes tipos:
Cualitativa. No se puede medir directamente sobre una escala continua
Cuantitativa. Se divide en tres:
1. Menor es mejor. Son aquellas caractersticas que el cliente desea sea mnima, m es
igual a cero y la caracterstica y no puede ser menor que esta ideal. Ejemplo: desgaste,
friccin, etc.
Pgina 209
2. Mayor es mejor. Son aquellas caractersticas en que el valor ideal parra el cliente tiende
a infinito. Por ejemplo: duracin, rendimiento, etc.
3. Nominal es mejor. Son aquellas caractersticas en que existe un valor nominal deseado
por el consumidor m y la caracterstica real y puede ser mayor o menor que este ideal.
Ejemplo: dimetro, longitud, etc.
Para cada una de las caractersticas cuantitativas, existe una funcin de prdida tanto
individual como promedio. Para el caso cualitativo dependiendo del caso, se puede
adaptar a una de ellas. Las expresiones son:
Tipo
Individual
Promedio
Nominal es mejor
L(y)= k(y-m)2
L(y)= k 2 d 2
Menor es mejor
L(y)=K y2
L(y)= K 2 2
Mayor es mejor
L(y)= K/ y2
L(y)= K 1
1 3 2

2
2
Cada una de estas expresiones, indica la direccin de mejora para un proceso

cualquiera.
Mediante la funcin de prdida podemos:
-
Cuantificar en dinero, los efectos de una calidad no adecuada
Interpretar los resultados de un experimento en base econmica
Evaluar el impacto econmico que sobre el cliente tiene alguna accin de mejora.
Pgina 210
11.3 ARREGLOS ORTOGONALES

Recuerde. que el problema es: identificar de los cientos de posibles factores que
afectan una caracterstica de calidad, cules de ellos afectan el promedio, cul es la
variacin y cules no la afectas.
En las fases iniciales de la experimentacin, se tienen una gran cantidad de factores
potenciales, de los cuales se selecciona un grupo inicial a probar, Ahora bien, si desea
saber si un factor afecta una caracterstica de calidad, es necesario que
vare el factor y
evale si esto tuvo algn impacto sobre la caracterstica de calidad.

El problema no es sencillo, sin embargo, ya que si
tiene digamos 10 factores a probar,
se tienen 1024 posibles condiciones diferentes que se pueden presentar. Este nmero de
pruebas es demasiado grande para casi cualquier situacin prctica.
Se necesita por lo tanto alguna alternativa que:
-
No permita hacer slo una pequea cantidad de las pruebas posibles en lugar de
1024, digamos unas 12 pruebas
Sin embargo, nos permita evaluar con cierta confianza el efecto de todos los factores
analizados.
Los resultados de estas pruebas se reproduzcan, esto es, que sean vlidas al
momento de implantar la decisin en condiciones reales de operacin y a plena
escala.
Sea algo sencillo y relativamente rpido como para concentrarse ms en entender el

proceso de produccin en s, que en los anlisis estadsticos.
EL OBJETIVO DE LOS ARREGLOR ORTOGONALES ES FACILITAR EL PROCESO DE

EXPERIMENTACIN. NUESTRO INTERS ES ENCONTRAR QU FACTORES
AFECTAN FUERTEMENTE LAS CARACTERSTICAS DE CALIDAD Y HACER
PREDICCIONES SOBRE LAS CONDICIONES PROPUESTAS DE OPERACIN.
De una manera grfica, el objetivo de los arreglos ortogonales es: (suponga por ejemplo
10 factores a dos niveles) 1, 024 pruebas posibles:
Pgina 211
Un arreglo ortogonal es un matriz experimental factorial fraccional que es ortogonal y

balanceada. El arreglo ms sencillo es el arreglo L4 de la tabla siguiente.
En esta seccin, se analiza qu son, cmo se usan y cules son los arreglos
ortogonales ms importantes para experimentos en los que cada factor toma dos niveles.
Un arreglo ortogonal es una tabla de nmeros. Ejemplo de un arreglo ortogonal es:
Factor
N
Resultado
Y1
Y2
Y3
Y4
Columna 3
Columna 2
Columna 1
Grfica lineal del arreglo ortogonal L4

Se tienen en este caso en particular cuatro renglones y 3 columnas. Bajo el
encabezado N se tiene el nmero de pruebas.
Se tienen tres columnas que consisten de nmeros 1 y 2. A cada columna se asigna
un factor o variable cuyo efecto en la variable de respuesta se desea investigar. Con este
arreglo se pueden investigar hasta tres factores.
Cada columna de un factor consiste de nmeros 1 y 2 donde el nmero 1 indica
que el factor se encuentra a su nivel inferior y el 2 a su nivel superior.
Se puede observar que cada columna tiene la misma cantidad de nmeros 1 que de
nmeros 2. Si tomamos cualquier pareja de columnas, existen cuatro posibles
combinaciones de sus valores,11, 12, 21 y 22. Como en cada pareja de columnas
Pgina 212
se presenta el mismo nmero de veces cada combinacin, se dice que el arreglo es

ortogonal o balanceado.
El resultado de cada condicin experimental se muestra con el encabezado resultado.
De acuerdo con la notacin empleada por Taguchi al arreglo mostrado como ejemplo.
se le llama un arreglo L4, por tener cuatro renglones.
Si en el arreglo anterior se cambia el 1 por el -1 y el 2 por el 1, el arreglo se transforma
claramente en un arreglo factorial fraccional
2 31 con la relacin que lo genera C = - AB
en la columna 3.
Factor
N
Resultado
-1
-1
-1
Y1
-1
+1
+1
Y2
+1
-1
+1
Y3
+1
+1
-1
Y4
Para cada arreglo ortogonal de Taguchi se tienen grficas lineales, usadas para ilustrar
las relaciones de interaccin en el arreglo ortogonal, en este caso la interaccin de las
columnas 1 y 2 estn confundidas con las columna 3.
Para arreglos ortogonales ms grandes no solo se cuenta con grficas lineales sino
adems con tabla de interacciones para explicar las interacciones entre columnas, por
ejemplo para el arreglo L8 se tiene:
Pgina 213
Exp. No.
1
2
3
4
5
6
7
8
COLUMNAS
2
1
1
2
2
1
1
2
2
1
1
1
1
1
2
2
2
2
3
1
1
2
2
2
2
1
1
4
1
2
1
2
1
2
1
2
5
1
2
1
2
2
1
2
1
6
1
2
2
1
1
2
2
1
7
1
2
2
1
2
1
1
2
Matriz o tabla
de
Columnas 1
1
(1)
2
3
4
5
6
7
interacciones
2
3
3
2
(2)
1
(3)
4
5
6
7
(4)
5
4
7
6
1
(5)
6
7
4
5
2
1
(1)
7
6
5
4
3
2
6
(7)
3 5
1
.7
6
2
(a)
(b)
Qu representa cada tabla?. En primer lugar, el arreglo ortogonal L8 es exactamente el

mismo que se utiliz en el caso experimental y cada columna un factor o interaccin cuyo
impacto sobre la variable de respuesta se desea conocer.
Pgina 214
La matriz
triangular nos representa las interacciones entre columnas. En el primer
rengln, con el titulo de columna, cada nmero corresponde a la columna con ese mismo
nmero del arreglo, al igual que los nmeros entre parntesis que se encuentran en la
diagonal inferior. Por ejemplo, si nosotros asignamos el factor A a la columna 3 y el factor
B a la columna 5, la interaccin de AxB aparecer en otra columna ya definida. En el
cruce de la columna nmero 5 y el rengln nmero 3 de la matriz, aparece el nmero 6
(marcado con * en la tabla), de manera que la interaccin de AxB se deber asignar a la
columna 6 del arreglo ortogonal.
Con ayuda de matriz de interacciones es factible, mediante prueba y error, asignar los
factores a las columnas. Sin embargo, para simplificar aun ms esta asignacin nos
podemos auxiliar de las grficas lineales (1) y (2) que se muestran.
En una grfica lineal:

a) un efecto principal se representa mediante un punto.
b) una interaccin se representa mediante una lnea.
c) los nmeros representan las columnas correspondientes del arreglo ortogonal a
donde se asignan los efectos principales y las interacciones.
En particular, el arreglo ortogonal L8 tiene dos alternativas de arreglo mostrados por las
grficas (1) y (2) respectivamente.
Por ejemplo, la grfica (1) indica que con este arreglo se pueden analizar, tres factores
principales, (puntos 1, 2 y 4) y las interacciones entre ellos, (lneas 3, 5 y 6), adems de
un cuarto factor, (punto 7), que no interacta con los otros tres.
Los nmeros indican que si deseamos lo anterior, los tres factores debern asignarse a
las columnas 1, 4 y 2. Las interacciones aparecen en las columnas 3, 5 y 6.
La grfica (2) indica cuatro factores, (puntos 1, 2, 4 y 7) con interacciones de uno de ellos
con los otros tres (lneas 3, 5 y 6).
Pgina 215
Por lo tanto, el factor que interacta con los otros tres se debe asignar a la columna 1 del
arreglo, los otros tres factores a las columnas 2, 4 y 7. Las interacciones quedarn en las
columnas 3, 5 y 6.
Si se desea analizar un nmero menor de interacciones y un nmero mayor de factores

en el mismo arreglo ortogonal, la columna de cualquier lnea representando una
interaccin que no es relevante, se puede utilizar para representar un factor adicional.
Si se cambian el 1 y 2 por -1 y +1 en el arreglo L8, es claro que representa un arreglo

factorial fraccional 2 7 4 donde la columna 4 del arreglo L8 corresponde a la columna A
del arreglo 2 7 4 , la columna 2 del arreglo L8 corresponde a la columna B del arreglo
2 7 4 , y la columna 1 del arreglo L8 corresponde a la columna C del arreglo 2 7 4 .

Tambin se puede ver que la columna 3 es equivalente a BC, la columna 5 es
equivalente a AC, la columna 6 es equivalente a BC, etc.
COLUMNAS C
B
-BC
Exp. No.
1
2
3
1
-1
-1
-1
2
-1
-1
-1
3
-1
+1
+1
4
-1
+1
+1
5
+1
-1
+1
6
+1
-1
+1
7
+1
+1
-1
8
+1
+1
-1
Las grficas lineales muestran donde se
A
-AC
-BC
4
5
6
7
-1
-1
-1
-1
+1
+1
+1
+1
-1
-1
+1
+1
+1
+1
-1
-1
-1
+1
-1
+1
+1
-1
+1
-1
-1
+1
+1
-1
+1
-1
-1
+1
confunden las interacciones, por ejemplo: la
interaccin entre columnas 1 y 2 se confunden con la columna 3, la interaccin entre

columnas 1 y 4 se confunde con la columna 5, la interaccin entre las columnas 2 y 4 se
confunde con la columna 6.
Sin embargo se sabe que el diseo 2 7 4 tiene 4 generadores, de manera que cada
efecto principal ser confundido con muchas interacciones de dos factores por tanto las
grficas lineales solo muestran un subconjunto de relaciones de interacciones. La tabla
lineal muestra otras alternativas adicionales, por ejemplo: muestra que la columna 3 se
confunde con la interaccin de las columnas 1 y 2, pero tambin se confunde con la
Pgina 216
interaccin entre las columnas 5 y 6 y las columnas 4 y 7, tomando la primera como

rengln y la segunda como columna identificando la interseccin (en este caso 3).
7
En la notacin de los arreglos ortogonales L8 ( 2 ) , el 2 significa dos niveles, el 8 indica
8 corridas experimentales y el 7 significa que se pueden acomodar hasta 7 factores o una

combinacin con sus interacciones.
Los arreglos ortogonales de Taguchi tambin incluyen arreglos de 3 niveles arreglos
mezclados. El ms simple es el L9. Su grfica lineal indica que las columnas 3 y 4 estn
confundidas con los efectos de la interaccin de las columnas 1 y 2.
COLUMNAS
Exp. No.
1
2
3
4
5
6
7
8
9
Columna 1
1
1
1
1
2
2
2
3
3
3
2
1
2
3
1
2
3
1
2
3
Columnas 3,4
3
1
2
3
2
3
1
3
1
2
4
1
2
3
3
1
2
2
3
1
Columna 2
Grfica lineal del arreglo ortogonal L9

En general, para un arreglo a dos niveles, el nmero de columnas, los efectos que se
pueden analizar, es igual al nmero de renglones menos 1.
Taguchi ha desarrollado una serie de arreglos para experimentos con factores a dos
niveles, los ms utilizados y difundidos se anexan en el apndice y segn el nmero de
factores a analizar son:
Si el nmero de factores que
Arreglo a utilizar
se desean analizar es
N de condiciones
a probar
Entre 1 y 3
L4
Entre 4 y 7
L8
Pgina 217
Entre 8 y 11
L12
12
Entre 12 y 15
L16
16
Entre 16 y 31
L32
32
Entre 32 y 63
L64
64
11.4 Diseos experimentales para factores con interacciones

Los diseos de experimentos de Taguchi son similares a los diseos de experimentos
clsicos, sin embargo en los de Taguchi solo se consideran los factores principales y
las interacciones de dos factores, se asume que las interacciones de mayor orden no
tienen efecto significativo. Adicionalmente los experimentadores deben utilizar su
experiencia para anticipar cuales interacciones pudieran ser significativas antes de
realizar los experimentos.
Posteriormente se deben determinar los grados de libertad, que son la cantidad relativa
de datos requeridos para estimar los efectos a ser analizados. Para los grados de
libertad se siguen las reglas siguientes:
1. La media general tiene un grado de libertad.
2. Para cada factor A, B, , sus grados de libertad son el nmero de niveles 1 (n1).
3. Para las interacciones, por ejemplo A y B, los grados de libertad son los (nA1)*(nB-1) .
Por ejemplo en un experimento hay un factor A con dos niveles, 6 factores (B, C, D, E, F,
G) con 3 niveles y una interaccin entre los factores A y B, los grados de libertad son los
siguientes:
Factores
Grados de libertad
Media
2-1 = 1
B, C, D, E, F, G
6 x (3-1) = 12
AB
(2-1)(3-1) = 2
Total
16
Pgina 218
Existe un fenmeno que se presenta en algunas situaciones en los procesos de

produccin. Este fenmeno se llama interaccin entre dos factores y se describen en esta
seccin.
En los casos anteriores se asumi que el efecto de un factor sobre la variable de

respuesta, no dependa del nivel de otros factores. Cuando el efecto de un factor depende
del nivel de otro factor, se dice que existe una interaccin entre los factores.
O sea, suponga 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 se usa el refrigerante I, al aumentar la
temperatura la planicidad aumenta. Pero si
usa la marca de refrigerante II, al aumentar
la temperatura, la planicidad disminuye.

Si se le pregunta cual es el efecto de la temperatura sobre la planicidad, lo nico que
puede contestar es Depende. Depende de qu? del tipo de refrigerante que use. En este
caso se dice que existe una interaccin entre la temperatura y el refrigerante.
Otro ejemplo es el caso de 2 medicamentos que al suministrarse en forma independiente,
provocan mejora en las condiciones del paciente. Por otro lado, cuando los dos
medicamentos son suministrados al mismo tiempo y la condicin del paciente empeora,
se dice que los dos medicamentos interactan.
Grficamente se puede observar si existe o no interaccin entre los factores:
B1
B1
B2
B2
Pgina 219
A1
A2
Las dos lneas son paralelas, no

existe interaccin entre los factores.
A1
A2
El efecto de A depende del nivel de B

y viceversa. El efecto de A no es consistente.
Existe interaccin.
Cmo se puede dar cuenta antes del experimento que existe una interaccin?, no lo
puede saber con certeza, pero una buena gua es la experiencia de experimentos previos,
por conocimiento del proceso y por la literatura.
Las interacciones existen en los procesos en mayor o menor grado. Sin embargo,
no
se preocupe demasiado si no puede identificar ninguna, al final de esta eleccin se le

indica que hacer.
En las secciones anteriores se analizaron aplicaciones de arreglos ortogonales, en los
cuales no existan interacciones entre los factores principales. En otros casos, podemos
estar interesados en analizar el efecto que algunas interacciones en particular tienen
sobre la variable de respuesta.
Pero qu sucede cuando se desea incluir interacciones en un arreglo ortogonal?, se
puede decir lo siguiente:
a) los arreglos ortogonales a utilizar para los casos con interacciones, son exactamente
los mismos que se usan para el caso sin interacciones.
b) al asignar dos factores, A y B por ejemplo, a ciertas columnas, automticamente la
interaccin de esos dos factores AxB se reflejar en otra columna del arreglo. Por lo
tanto, esta tercera columna ya no podr ser utilizada por algn otro factor o interaccin
a menos que se pueda suponer la interaccin AxB como inexistente.
c) una interaccin significante que se desee probar, tomar una columna y en
consecuencia un grado de libertad. Por lo tanto, isi deseamos analizar el efecto de 6
factores y 4 de las interacciones entre ellos, requerimos por lo menos de 10 grados de
libertad, esto es de 10 columnas, o sea un arreglo L 16 y no un arreglo L8, que sera
suficiente sin interacciones.
Pgina 220
d) se deber tener cuidado especial, en la manera como se asignan los factores a las
columnas, para que sus interacciones no se confundan con otros factores principales u
otras interacciones que tambin deseamos probar.
Una condicin que existe para el manejo de las interacciones mediante procedimientos de
arreglos ortogonales Taguchi, es que se tenga una definicin a priori de cules
interacciones especficamente sospechamos que existen. Esto es, debemos definir de
antemano qu interacciones creemos son relevantes, a fin de incluirlas en nuestro
anlisis.
Diseos experimentales
El diseo experimental de Taguchi sigue un proceso de tres pasos:
1. Determinar los grados de libertad totales (Df)
2. Seleccionar un arreglo ortogonal estndar por medio de las dos reglas siguientes:
Regla 1. El nmero de experimentos o corridas en el arreglo ortogonal >= Total Df.
Regla 2. El arreglo ortogonal seleccionado deber poder acomodar las combinaciones
de niveles de factores en el experimento.
3. Asignar factores a las columnas apropiadas usando las reglas siguientes:
Regla 1. Asignar interacciones de acuerdo a la grfica lineal y tabla de interacciones.

Regla 2. Usar tcnicas especiales, tales como niveles artificiales y construccin de
columnas, cuando el arreglo ortogonal original no puede acomodar los niveles de los
factores en el experimento.
Regla 3. Mantener algunas columnas vacas is no pueden ser asignadas todas las
columnas.
Se puede usar la tabla siguiente como referencia:
Arreglo
Nmero
Factores
Mximo
Nmero
De cols.
En niveles
ortogonal
De exper.
Mximos
L4
L8
L9
L12
12
11
4
11
Pgina 221
L16
16
15
15
L16
16
L18
18
L25
25
L27
27
13
L32
32
31
31
L32
32
10
L36
36
23
11
12
L36
36
16
13
L50
50
12
L54
54
26
L64
64
63
63
L64
64
21
L81
81
40
5
1
7
6
13
9
11
21
40
Para ayudar en la asignacin de factores a un arreglo, se han desarrollado grficas

lineales. Su aplicacin se muestra mediante un ejemplo:
NOTA: En los ejemplos que siguen, para denotar una interaccin entre dos factores, A y B
por ejemplo, se utiliza indistintamente la notacin AB o AxB.
Grficas lineales
En el apndice se muestra un arreglo L8 junto con una matriz triangular y dos grficas
lineales. Estas se reproducen aqu para explicacin.
L8
Exp. No.
1
2
3
4
5
6
7
Col.1 Col.
1
1
1
1
2
2
2
Col.
Col.
Col.
Col.
Col.
1
1
2
2
1
1
2
1
1
2
2
2
2
1
1
2
1
2
1
2
1
1
2
1
2
2
1
2
1
2
2
1
1
2
2
1
2
2
1
2
1
1
Pgina 222
Pgina 223
Matriz o tabla
de
Columnas 1
1
(1)
2
3
4
5
6
7
interacciones
2
3
3
2
(2)
1
(3)
4
5
6
7
(4)
5
4
7
6
1
(5)
6
7
4
5
2
1
(1)
7
6
5
4
3
2
6
(7)
3 5
1
.7
6
2
(a)
(b)
La aplicacin de grficas lineales se muestra mediante una serie de ejemplos.
Ejemplo 11.1:
Supongamos que queremos analizar el efecto de cuatro factores A, B, C y D, adems de
las interacciones AxB, AxC y AxD.
1) Como primer paso, seleccionamos un arreglo ortogonal tentativo. Esto depende del
nmero de efectos totales a analizar.
4 factores + 3 interacciones= 7 efectos o columnas
Pgina 224
2) Despus de seleccionar un arreglo ortogonal tentativo, un L8 en este caso, el siguiente

paso es desarrollar la grfica lineal que deseamos, de acuerdo con las reglas
mencionadas anteriormente:
a) un efecto individual se representa con un punto.
b) una interaccin se representa mediante una lnea que une los dos
efectos
individuales.
En nuestro caso esto procede como sigue:
Primero dibujamos cuatro puntos, uno para cada efecto.
A.
C.
B.
D.
En seguida mostramos las interacciones que
nos interesan, mediante lneas. Para
nuestro caso tenemos (grfica de la izquierda):

AxB
AxC
AxD
5
6
3) Identificamos la grfica mostrada en el apndice que ms se parece a la grfica

deseada, y vemos que esta es la grfica (2), (dibujada a la derecha de la anterior). Por
lo tanto, podremos asignar el factor A a la columna 1, el factor B a la columna 2, la
interaccin AxB a la columna 3, el factor D a la columna 4, la interaccin AxD a la
columna 5, el factor C a la columna 7 y la interaccin AxC a la columna 6.
Esto es:
Pgina 225
Exp. No.
1
2
3
4
5
6
7
8
Columna
Columna
Columna
Columna
Columna
Columna
Columna 7
1
A
1
1
1
1
2
2
2
2
2
B
1
1
2
2
1
1
2
2
3
AxB
1
1
2
2
2
2
1
1
4
D
1
2
1
2
1
2
1
2
5
AxD
1
2
1
2
2
1
2
1
6
AxC
1
2
2
1
1
2
2
1
C
1
2
2
1
2
1
1
2
Supongamos que ahora queremos analizar un factor ms, el factor E y creemos que la
interaccin AxC realmente no es relevante. La grfica lineal que requerimos es:
B
AxB
A
.E
AxD
D
Esta grfica es parecida a la grfica lineal (2) excepto por la interaccin de AxC, por lo
tanto, una asignacin lgica es:
Factor A a la columna 1, factor B a la columna 2, interaccin AxB a la columna 3, el factor
C a la columna 4, el factor D a la columna 7, la interaccin AxD a la columna 6. Por ltimo,
a la columna 5 que de otra manera sera la interaccin AxC, se le asigna el factor E.
Observe que en este ltimo caso, tambin se pudo utilizar la grfica lineal (1).
Si por alguna razn, la grfica que deseamos, no puede quedar incluida en las grficas
lineales (1) (2) es necesario usar otro arreglo ortogonal de mayor tamao.
Ejemplo 11.2:
Pgina 226
Si deseamos analizar los factores A, B, C, D, E y F, adems de la interaccin AxB, una

posible asignacin es:
Efecto
Columna
Columna
Columna
Columna
Columna
Columna
Columna 7
1
A
2
D
3
C
4
B
5
AxB
6
E
Ejemplos adicionales 11.3:

a) En un experimento hay 7 factores, se consideran slo los efectos principales. Los
grados de libertad son Df = 1 + 7(-1) = 8. El arreglo ortogonal seleccionado debe tener
al menos 8 corridas experimentales, en este caso puede ser un L8.
b) En un experimento hay un factor A de dos niveles y 6 factores de 3 niveles, B, C, D, E,
F, G. Los grados de libertad son: Df = 1 + (2-1) +6(3-1) = 14. Por tanto se debe usar un
arreglo ortogonal que la menos tenga 14 corridas experimentales. El L16 tiene
experimentos pero no puede acomodar 6 columnas de tres niveles. El arreglo ortogonal
L18 tiene una columna para un factor de dos niveles y 7 columnas de 3 niveles, por
tanto es el arreglo a usar. La columna 8 se deja vaca.
L18
Col.1 Col.
Exp. No.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
A
1
1
1
1
1
1
1
1
1
2
2
2
2
2
2
2
2
2
B
1
1
1
2
2
2
3
3
3
1
1
1
2
2
2
3
3
Col.
Col.
Col.
Col.
Col.
Col. 8
3
C
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
1
2
4
D
1
2
3
1
2
3
2
3
1
3
1
2
2
3
1
3
1
5
E
1
2
3
2
3
1
1
2
3
3
1
2
3
1
2
2
3
6
F
1
2
3
2
3
1
3
1
2
2
3
1
1
2
3
3
1
7
G
1
2
3
3
1
2
2
3
1
2
3
1
3
1
2
1
2
e
1
2
3
3
1
2
3
1
2
1
2
3
2
3
1
2
3
Pgina 227
18
c) En un experimento hay 9 factores de dos niveles, A, B, C, D, E, F, G, H, I y las

interacciones AB, AC, AD y AF se piensa que pueden presentarse.
Los experimentos necesarios son al menos Df = 1 + 9(2-1) + 4(2-1)(2-1) = 14
El diseo L16 tiene 16 corridas experimentales y puede acomodar hasta 15 factores o
sus interacciones en dos niveles. Usando la grfica lineal para identificar las columnas
de las cuatro interacciones se tiene:
A(1)
C(6)
13
B(2)
10
D(12)
G(11)
15
F(8)
I(14)
E(4)
H(5)
Las columnas 3, 7, 9 y 13 se dejan vacas para evitar confundir los efectos principales con
las interacciones de dos factores.
El arreglo queda como sigue:
L16
Exp.
No.
1
2
.
2
B
4
AB E
5
H
6
C
10 11 12 13 14 15
AC F
AF e
1 1
G
1
D
1
AD I
1
1
E
1
1 1 1
1 1 1 1
1
1 1 1
1 1 1 1
1 2 2 2 2 2
2 2
. . . . . . . . . . . . . . .
d) En un experimento hay 6 factores con 3 niveles A, B, C, D, E, F y las interacciones

probables AB, AC, y BC.
Pgina 228
Los experimentos necesarios son: Df = 1 + 6(3-1) + 3(3-1)(3-1) = 25. El arreglo L27

tiene 27 corridas experimentales y puede acomodar 13 factores de 3 niveles. En base
a su grfica lineal se tiene:
A(1)
D(9)
3,4
E(10)
F(12)
e(13)
6,7
B(2)
C(5)
Las columnas 3, 4, 6, 7, 8, y 11 se dejan vacas para evitar confusin de efectos

principales con las interacciones AB, AC, y BC.
Tcnicas especiales
Algunas veces se requiere tener algunos factores con diferentes niveles en el mismo
experimento, por ejemplo cuatro o ms niveles, para esto se utilizan algunas tcnicas
especiales.
Combinacin de columnas
Se pueden combinar varias columnas de bajo nivel en una columna de mayor nivel.
a) Creacin de una columna de cuatro niveles usando columnas de dos niveles:
Se requieren tres columnas de dos niveles para crear una columna de 8 niveles, como
cada columna tiene un grado de libertad, y una de cuatro niveles tiene tres grados de
libertad, se requieren tres columnas, que se forman con dos columnas y la columna de su
interaccin.
Por ejemplo si se hay dos factores en un experimento A y B, con A un factor de cuatro
niveles y B un factor de dos niveles. La interaccin AB puede ser significativa. Calculando
los grados de libertad se tiene:
Df = 1 + (4-1) + (2-1) + (4-1)(2-1) = 8
Por lo que se puede utilizar el arreglo L8 como sigue:
Pgina 229
L8
Col.1 Col.
Exp. No.
1
2
3
4
5
6
7
8
1
1
1
1
2
2
2
2
Col.
Col.
Col.
Col.
Col.
1
1
2
2
1
1
2
2
1
1
2
2
2
2
1
1
1
2
1
2
1
2
1
2
1
2
1
2
2
1
2
1
1
2
2
1
1
2
2
1
1
2
2
1
2
1
1
2
Combinando las columnas 1, 2 y 3 se tiene:
1
3
AB(5)
2 B(4)
AB(6)
Pgina 230
L8
Exp. No.
1
2
3
4
5
6
7
8
L8
Exp. No.
1
2
3
4
5
6
7
8
Col.1 Col.
Col.
Nueva
1
1
1
1
2
2
2
2
1
1
2
2
1
1
2
2
1
1
2
2
3
3
4
4
Col.
Col.
Col.
Col.
Col.
nueva 4
1
1
2
2
3
3
4
4
1
2
1
2
2
1
2
1
1
2
2
1
1
2
2
1
1
2
2
1
2
1
1
2
1
2
1
2
1
2
1
2
Calculando los grados de libertad de AB se tiene Df = (4-1)(2-1) = 3, por tanto se deben

utilizar tres columnas; las columnas 5 y 6 estn relacionadas con la interaccin de AB;
tambin su columna 3 al interaccionar con la columna 4 (AB) la interaccin se presenta en
la columna 7 de la grfica lineal L8 siguiente:
Matriz o tabla
de
Columnas 1
1
(1)
interacciones
2
3
3
2
4
5
5
4
Pgina 231
6
7
7
6
2
3
4
5
6
7
(2)
1
(3)
6
7
(4)
7
6
1
(5)
4
5
2
1
(1)
5
4
3
2
6
(7)
Y la grfica lineal queda como sigue:
1
3 AB(5)
2
B(4)
AB(6)
AB(7)
El arreglo ortogonal resultante es el siguiente:

L8
Exp. No.
1
2
3
4
5
6
7
8
1
1
2
2
3
3
4
4
B
1
2
1
2
1
2
1
2
AB
1
2
1
2
2
1
2
1
AB
1
2
2
1
1
2
2
1
AB
1
2
2
1
2
1
1
2
Tcnica de nivel artificial

Se utiliza para asignar un factor con m niveles a una columna con n niveles, donde n > m.
Se puede aplicar la tcnica de nivel artificial para asignar un factor de 3 niveles a un
arreglo ortogonal de 2 niveles.
Por ejemplo, si en un experimento hay 1 factor de 2 niveles A, y 3 factores de 3 niveles B,
C, D. Los grados de libertad son los siguientes:
Df = 1 + (2-1) + 3(3-1) = 8
Pgina 232
El arreglo L8 no puede acomodar este diseo porque solo tiene columnas de 2 niveles, se
requiere un arreglo mayor como el L9 que puede acomodar hasta 4 factores de tres
niveles, de esta forma se puede utilizar una columna para el factor A en 2 niveles y los
factores B, C, y D a otras 3 columnas como sigue:
El arreglo L9 original es:
L9
Exp. No.
1
2
3
4
5
6
7
8
9
Col.1 Col.
A
1
1
1
2
2
2
3
3
3
2
B
1
2
3
1
2
3
1
2
3
Col.
Col.
3
C
1
2
3
2
3
1
3
1
2
4
D
1
2
3
3
1
2
2
3
1
En este caso los 1 indican que se asign el nivel 1 en lugar del nivel 3 en la columna 1,
tambin se pudo haber asignado el nivel 2. El nivel seleccionado a duplicarse debe ser el
nivel del cual nos gustara obtener ms informacin.
Y el arreglo modificado queda como:
Pgina 233
L9
Col.1 Col.
Exp. No.
1
2
3
4
5
6
7
8
9
A
1
1
1
2
2
2
1
1
1
2
B
1
2
3
1
2
3
1
2
3
Col.
Col.
3
C
1
2
3
2
3
1
3
1
2
4
D
1
2
3
3
1
2
2
3
1
Por ejemplo en otro experimento se tiene un factor A en 3 niveles, 7 factores en 2 niveles

B, C, D, E, F, G, H as como sus interacciones BC, DE y FG.
Determinado los grados de libertad se tiene:
Df = 1 + (3-1) + 7(2-1) + 3(2-1)(2-1) = 13
El arreglo L16 tiene 16 corridas experimentales y puede acomodar hasta 15 factores de 2
niveles. La columna A se formar tomando 3 columnas que se pueden ser seleccionar de
sus correspondientes grficas lineales.
El arreglo original es:
L16
Exp. No.
1
2
3
4
5
6
7
8
9
10
11
12
13
10
11
12
13
14
15
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
1
1
2
1
1
2
1
1
2
1
2
1
1
2
1
1
2
1
1
2
1
2
2
2
2
2
2
2
2
2
2
2
2
1
1
1
1
2
2
2
2
2
2
2
2
2
1
2
1
1
2
2
1
1
2
2
2
2
1
1
2
2
2
2
1
1
1
1
2
2
2
2
2
2
1
1
2
2
1
1
1
2
1
2
1
2
2
1
2
1
2
1
2
1
2
2
2
1
2
1
1
2
1
2
2
2
2
1
2
1
2
1
2
1
1
1
1
2
2
1
1
2
2
1
1
1
1
2
2
1
2
1
1
2
2
1
2
1
1
2
1
2
2
1
2
1
2
1
1
2
2
1
1
2
1
2
2
2
2
2
2
1
1
2
2
1
2
1
2
1
2
1
Pgina 234
14
15
16
2
2
2
2
2
2
1
1
1
1
2
2
2
1
1
2
1
1
1
2
2
2
1
1
2
1
1
2
1
2
1
2
2
2
1
1
1
2
1
1
2
2
2
1
Sus grficas lineales son las siguientes:

1
B(4)
D(5)
F(7)
H(6)
G(9)
11
BC(12)DE(15)FG(14)13
C(8)
E(10)
A
Las columnas 1, 2 y 3 se pueden combinar para formar la columna A y todos los dems
factores e interacciones.
Despus se pude utilizar la tcnica de la variable artificial para acomodar al factor A.
L16
1, 2, 3
Exp. No.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
A
1
1
1
1
2
2
2
2
3
3
3
3
1
1
1
1
4
B
1
1
2
2
1
1
2
2
1
1
2
2
1
1
2
2
10
11
12
D
1
1
2
6
H
1
1
2
F
1
1
2
C
1
2
1
G
1
2
1
E
1
2
1
e
1
2
1
BC e
1
1
FG DE
1
1
2
2
2
2
2
2
2
2
2
1
1
2
2
2
2
1
1
2
2
1
1
2
2
2
1
1
1
1
2
2
2
2
1
1
2
2
2
1
1
2
2
1
1
1
1
2
2
2
1
2
1
2
2
1
2
1
2
1
2
1
2
1
2
1
2
2
1
2
1
1
2
1
2
2
1
2
1
2
2
1
2
1
2
1
2
1
1
2
1
2
1
1
2
2
1
1
2
2
1
1
2
2
1
1
1
2
2
1
2
1
1
2
2
1
1
2
1
2
1
1
2
1
2
2
1
2
1
1
2
1
2
1
1
2
2
1
1
2
1
2
2
1
2
1
2
1
2
1
2
1
2
Pgina 235
13
14
15
Mtodo del factor compuesto

Este mtodo se usa cuando el nmero de factores excede al nmero de columnas en el
arreglo ortogonal.
Por ejemplo si se quieren 2 factores de 2 niveles A y B y 3 factores C, D y E en 3 niveles,
y la direccin slo permite 9 experimentos. Suponiendo que se ha seleccionado el arreglo
L9, slo 4 factores pueden asignados en el arreglo l9, de modo que estamos tratando de
asignar estos factores de 2 niveles A y B en 1 columna de 3 niveles.
Hay cuatro combinaciones para A y B: A1B1, A1B2, A2B1 y A2B2, dado que la columna
tiene slo 3 niveles, slo se pueden seleccionar 3 combianciones tales como (AB)1 =
A1B1, (AB)2 = A1B2 y (AB)3 = A2B1. El factor compuesto AB puede ser asignado a la
columna de 3 niveles.
El arreglo original es:
L9
Col.1 Col. Col. Col.
Exp.
2
B
3
C
4
D
No.
1
2
3
4
5
6
7
8
9
1
1
1
2
2
2
3
3
3
1
2
3
1
2
3
1
2
3
1
2
3
2
3
1
3
1
2
1
2
3
3
1
2
2
3
1
El arreglo modificado queda como:

L9
Col.1
Col. Col. Col.
Exp.
AB
2
C
3
D
4
E
No.
1
2
3
4
(AB)1
(AB)1
(AB)1
(AB)2
1
2
3
1
1
2
3
2
1
2
3
3
Pgina 236
5
6
7
8
9
(AB)2
(AB)2
(AB)3
(AB)3
(AB)3
2
3
1
2
3
3
1
3
1
2
1
2
2
3
1
Se pierde cierta ortogonalidad, los factores compuestos no son ortogonales entre s, pero
si lo son con los otros factores.
Un ejemplo completo con una rplica se muestra a continuacin:
Ejemplo 11.5: Diseo experimental L8 completo:

Se desea analizar un nuevo tipo de carburador. La variable de respuesta de inters es el
porcentaje de hidrocarburos no quemados que arroja el motor. Cuatro diferentes factores
y tres interacciones parecen afectar esta variable:
Nivel
Efecto
A
B
Descripcin
Nivel bajo 1 2
Tensin del diafragma Baja
Alta
Entrada para aire
Estrecha
Abierta
Apertura
para
C
D
AxC
AxB
BxC
combustible
Flujo de gasolina
Interaccin
Interaccin
Interaccin
Pequea
Lento
Grfica lineal que se desea es:

A
AxC
AxB
.D
CxB
Pgina 237
Grande
Rpido
alto
Esta grfica se ajusta a la grfica lineal (1) del arreglo ortogonal L8, por lo que una
asignacin apropiada de efectos es:
L8
Col.1 Col.
Exp.
No.
1
1
2
1
3
1
4
1
5
2
6
2
7
2
8
2
Total = 71.6
Col.
Col.
Col.
Col.
Col.
2
C
3
AxC
4
B
5
AxB
6
BxC
7
D
1
1
2
2
1
1
2
2
1
1
2
2
2
2
1
1
1
2
1
2
1
2
1
2
1
2
1
2
2
1
2
1
1
2
2
1
1
2
2
1
1
2
2
1
2
1
1
2
Tensin
Tipo I
Tipo I
Tipo I
Tipo I
Tipo II
Tipo II
Tipo II
Tipo II
Apertura
5%
5%
10%
10%
5%
5%
10%
10%
Entrada
10 seg
10 seg
15 seg
15 seg
15 seg
15 seg
10 seg
10 seg
Flujo
3%
5%
3%
5%
3%
5%
3%
5%
El resultado se expresa en porcentaje de hidrocarburos sin quemar.

Observe que al tomar las lecturas, (efectuar las pruebas), se ignoran las columnas donde
se asignaron interacciones.
El anlisis utilizado ANOVA es:
A
AxC
AxB
BxC
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:

Efecto
SS
G.l.
0.0800*
0.6050 1
0.6050 8.85
AxC
22.4450
0.5000 1
0.5000 7.32
AxB
0.0800*
BxC
0.1250 1
0.1250 1.83
0.0450*
(e)
0.2050 3
0.0638
Total
23.8800
Fexp
0.0800 22.4450
328.46
0.0800 0.0450 -
Pgina 238
Yi
0.49
0.42
0.38
0.3
0.21
0.24
0.32
0.28
El error aleatorio (e) se estima usando los efectos ms pequeos marcados con *.
Resulta significante la interaccin AxC, el factor C y el factor B.
Dado que el factor B resulta significante, pero no son significantes alguna de sus
interacciones, su mejor nivel se puede decidir de manera independiente al igual que se
realiz en secciones anteriores. Esto es, se obtienen los promedios:
B1= B1 /4= 36.8/4= 9.20; B2 = B2/4=8.70
Como es un caso de menor es mejor, se selecciona el nivel 2.
El factor C tambin resulta significante. Sin embargo, tambin lo es su interaccin con el

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

cuatro posibles combinaciones de
nmeros: 1 1; 1 2; 2 1; 2 2
As la combinacin 1 1 se presenta en los renglones N 1 y 2, lo que da un total de

lecturas de 11.2 + 10.8= 22.00 con un promedio de 22.0/2= 11.00
La combinacin 1 2, se presenta en los renglones N 3 y 4, con un total de 7.2 + 7.0=
14.2, con un promedio de 14.2/2= 7.10
La combinacin 2 1 se presenta en los renglones N 5 y 6, con un total de 8.0 + 6.9=
14.9, con un promedio de 7.45
Pgina 239
Por ltimo la combinacin 2 2, se presenta en los renglones N 7 y 8 con un total de 10.4

+ 10.1= 20.5 y un promedio de 10.25
En resumen
Combinacin 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:
Pgina 240
11.0
10.0
9.00
8.00
7.00
A1
A2
En resumen, las condiciones propuestas son: factor A a su nivel 1, factor C a su nivel 2,

factor B a su nivel 2. El resto a su nivel ms econmico.
El efecto respecto al promedio de cada factor o interaccin es:
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 interaccin, se le resta el efecto de los factores individuales

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

Hay muchas similaridades entre el anlisis de experimentos de Taguchi y el mtodo
clsicoEn el mtodo Taguchi lo siguiente es muy importante:
1. Anlisis de varianza
2. Grfica de efectos principales y grfica de interacciones.
Pgina 241
3. Optimizacin y prediccin de la respuesta esperada.

Anlisis de varianza - ANOVA
No hay diferencia real entre el ANOVA clsico y el de Taguchi. Primero se determinan las
sumas de cuadrados (SS), despus los cuadrados medios (MS) dividiendo los SS entre
los grados de libertad correspondientes.. En Taguchi la prueba F no es tan importante
como en el mtodo clsico, algunas veces la importancia relativa de cada factor se
determina por su porcentaje de contribucin a la suma de cuadrados total.
Para cada columna, la suma de cuadrados es:
SS
k
k
T2
2
T
t
Nxn t 1
Nxn
Donde:
K = nmero de niveles
Tt = Suma de respuestas en el nivel t
N = Nmero total de corridas experimentales
n = Nmero de rplicas
Ejemplo 3.8: Uso de Minitab
Se estudia el efecto de varios factores en la porosidad:
Factores
Bajo
A Temperatura del Molde A1
B
Temperatura
del
Alto
A2
qumico
C Rendimiento
E ndice
G Tiempo de curado
B2
C2
D2
G2
B1
C1
D1
G1
Se deben considerar las interacciones AB y BD.

L8
Col.1 Col.
2
Col.
Col.
Col.
Col.
Col.
Pgina 242
Porosidad
Exp. No.
1
2
3
4
5
6
7
8
A
1
1
1
1
2
2
2
2
B
1
1
2
2
1
1
2
2
AxB
1
1
2
2
2
2
1
1
D
1
2
1
2
1
2
1
2
E
1
2
1
2
2
1
2
1
BD
1
2
2
1
1
2
2
1
G
1
2
2
1
2
1
1
2
Y1
26
16
3
18
0
0
4
5
Y2
38
6
17
16
5
1
5
3
Entonces se determina SSA:
SS A
2
T2
(TA21 TA22 )
8x2
8x2
TA1 = 26 + 38 + 16 + 6 + 3 + 17 = 140
TA2 = 0 + 5 + 0 + 1 + 4 + 5 + 5 + 3 = 23
T = suma total = 163

SSA = 2/16 ( 140^2 + 23^2 ) 163^2 / 16 = 27.56
De manera similar:
SSB = 27.56
SSAB = 115.56
SSE = 33.06
SSBD = 217.56
SSG = 175.56
N
SST y ij2
i 1 j 1
T2
Nxn
SST = (26^2+38^2+.+5^2+3^2)-163^2/16 = 1730.44

De Minitab se tiene:
General Linear Model: Y1 versus A, B, D, E, G
Factor
Type
fixed
Levels
2
Values
1, 2
Pgina 243
fixed
1, 2
fixed
1, 2
fixed
1, 2
fixed
1, 2
Analysis of Variance for Y1, using Adjusted SS for Tests

Model
Source
DF
Reduced DF
Seq SS
855.56
49.44%
27.56
1.59%
68.06
3.93%
33.06
1.91%
175.56
10.15%
A*B
115.56
6.68%
B*D
0+
0.00
10.15%
Error
455.06
13.72%
Total
15
15
1730.44
% de contribucin
Rank deficiency due to empty cells, unbalanced nesting, collinearity, or an undeclared

covariate. No storage of results or further analysis will be done.
S = 7.11073 R-Sq = 73.70% R-Sq(adj) = 56.17%
En Taguchi normalmente se utilizan los porcentajes de las contribuciones de las sumas de

cuadrados para evaluar la importancia relativa de cada efecto, como sigue:
SST SSA SSB SSAB SSD SSE SSBD SSG SSerror

SSA SSB
SSerror
......
100%
SST SST
SST
Pgina 244
Los efectos que tienen el porcentaje de contribucin ms alto se consideran que tienen
ms influencia en la respuesta, en este caso:
A
con 49%
BD
con 12.57%
con 10.15%
AB
con 6.68%.
Grficas factoriales de efectos principales y de interacciones.

Se calculan los promedios de las respuestas correspondientes a cada nivel o combinacin
de factores, se ilustra con el ejemplo:
Para las grficas de efectos principales e interacciones se calculan los promedios en cada
nivel de cada factor:
26 38 16 6 3 17 18 16
17.5
8
0 5 0 1 4 5 5 3
2.875
8
Y A1
YA2
Y as se calculan los promedios para los otros factores.

Least Squares Means for Y1
Mean
SE Mean
A
1
2
B
1
2
AxB
1
2
D
1
2
E
1
2
BD
1
2
17.500
2.875
1.926
1.926
11.500
8.875
1.926
1.926
12.875
7.500
1.926
1.926
12.250
8.125
1.926
1.926
11.625
8.750
1.926
1.926
13.875
6.500
1.926
1.926
Pgina 245
G
1
2
13.500
6.875
1.926
1.926
Main Effects Plot (data means) for Means

A
15
Mean of Means
10
5
1
15
10
5
1
Para el caso de la interaccin significativa BD se analiza la respuesta promedio en cada

una de sus diferentes combinaciones:
26 38 0 5
17.25
4
16 6 0 1
5.75
4
3 17 4 5
7.25
4
18 16 5 3
10.5
4
YB1D1
YB1D 2
YB 2 D1
YB 2 D 2
Obteniendo la siguiente grfica de interaccin:
Pgina 246
Interaction Plot (data means) for Means

1
A
1
2
20
10
0
20
B
1
2
10
E
1
2
20
10
0
1
Optimizacin y prediccin de la respuesta esperada

La Optimizacin implica encontrar la combinacin de los niveles de los factores
significativos que proporcione la respuesta ptima, la cual depende del objetivo buscado:
Menor es mejor (como en el ejemplo)
Mayor es mejor
Nominal es mejor
De la grfica anterior, se observa que A y G deben estar en nivel 2, B debe estar en 1 y D

en nivel 2.
La prediccin de la respuesta de este problema es:
y y A 2 y G 2 y B1D 2 2T
T T /( Nn )
Yest = 2.875 + 6.875 + 5.75 3x10.188 + 10.188 = -4.873
Ejemplo 11.6: Experimentos con 3 niveles
Pgina 247
Tres fertilizantes se aplican a la soya (N, P2O5) y K2O), la respuesta de inters es el

rendimiento promedio en Kg. Por rea, los factores son asignados como sigue:
Factores
1
A Nitrgeno
0.5
B
cido
fosfrico
C Potasa
0.03
0.04
Niveles
2
1
3
1.5
0.6
0.7
0.9
1
Se usa el arreglo L9 con un arreglo como el siguiente:

L9
Col.1
Exp. No.
1
2
3
4
5
6
7
8
9
A
1
1
1
2
2
2
3
3
3
Col. 2
B
1
2
3
1
2
3
1
2
3
Col. 3
e
1
2
3
2
3
1
3
1
2
Otra vez utilizando las frmulas:
SS
k
k
T2
2
T
t Nxn
Nxn t 1
SST y ij2
i 1 j 1
T2
Nxn
Se obtienen los resultados siguientes:

SSA = 158
SSB = 2.667
SSC = 18.667
SST = 180
Pgina 248
Col. 4
C
1
2
3
3
1
2
2
3
1
Respuesta
Rendim.
8
12
9
11
12
15
21
18
20
Los porcentajes de contribucin de cada factor son:

A
con 87.78%
con 10.37%
con 1.48%
Para la obtencin de las grficas factoriales se estiman los promedios en los diferentes
niveles de los factores como sigue:
8 12 9
9.67
3
11 12 15
12.67
3
21 18 20
19.67
3
Y A1
YA2
Y A3
Se sigue el mismo procedimiento para el caso de B y C.

Response Table for Means
Level
1 9.667 13.333 13.333

2 12.667 14.000 16.000
3 19.667 14.667 12.667
Delta 10.000
1.333
3.333
Rank
1
3
2

A
20.0
17.5
Mean of Means
15.0
12.5
10.0
1
20.0
17.5
15.0
12.5
Pgina 249
10.0
1
12. Diseo de parmetros

con relacin Seal a Ruido (S/N)
2. DISEO DE PARMETROS CON ANLISIS DE SEAL A RUIDO
El objetivo fundamental de la ingeniera de calidad, es disear productos y procesos
robustos, esto es, que consistentemente realicen la funcin que deben hacer con poca
variabilidad, a pesar del impacto de factores de ruido o no controlables.
Se mencion tambin, que de todos los factores que afectan un proceso, se pueden
extraer dos grupos:
Factores de ruido. Son aquellos que no podemos, queremos o deseamos controlar, y
ms bien deseamos que nuestros procesos y productos sean insensibles a su

Factores controlables
impacto.
x1 x2 x3 x4 ... xp
Factores de diseo. Son aquellos que si podemos controlar en nuestro proceso de
produccin, y deseamos encontrar a qu nivel operarlos, a fin de optimizar el producto
o proceso, esto es, que los productos sean de alta calidad y bajo costo.
Entradas
Salida
Proceso
y
z1 z2 z3 z4 ... Pgina
zq
250
Factores incontrolables
Figura 1. Modelo general de un proceso o sistema
Fig. 1.1
Esto quiere decir que en lugar de tratar de eliminar un factor de ruido (variabilidad en la
materia prima del proveedor, por ejemplo) deseamos identificar factores que controlamos
(velocidad de alimentacin, por ejemplo) y fijarlos a un nivel tal, que el impacto de los
factores de ruido sean mnimos.
Dentro de los factores de diseo a su vez, recuerde que estamos interesados en

identificar diferentes tipos de factores.
Un estudio en el cual se desarrolla un anlisis de este tipo, se llama anlisis seal ruido o
diseo directo de productos.
El estudio procede como sigue:
1. Dentro de los factores a estudiar, separe los de ruido y los de diseo o control.
2. Dentro de los factores de diseo, identifique aquellos que afectan la variabilidad del
proceso. Utilcelos para minimizar la variabilidad.
3. Dentro de los factores de diseo, identifique aquellos que afectan la media, sin afectar
la variabilidad. Utilcelos para optimizar la media.
4. Identifique aquellos factores de diseo que no afectan ni media ni variabilidad.
Utilcelos para reducir costos.
Para ilustrar lo anterior, suponga que la temperatura afecta la variabilidad del proceso, y la
presin afecta la media del
proceso, pero sin afectar la variabilidad. Si inicialmente
estamos en el nivel 1 de cada factor, la situacin es:
Pgina 251
Temperatura a su nivel I
Presin a su nivel I
LIE
LSE
Si la temperatura se fija a su nivel 2 afectando la variabilidad, obtenemos:
LIE
LSE
Si la presin, que afecta la media sin afectar la variabilida, la variamos a su nivel de dos,
obtenemos:
LIE
LSE
Por lo tanto, podemos utilizar la presin, manteniendo la temperatura a su nivel II, para
ajustar o sincronizar la media.
ndices seal ruido
Pgina 252
Una vez que podemos medir la caracterstica de calidad que nos interesa, podemos
evaluar su media y su variabilidad. La media la podemos evaluar directamente, usando
una lectura o el promedio si son varias lecturas.
Para medir la variabilidad de una caracterstica de calidad, se requiere de varias lecturas,
y se tienen diferentes opciones, el rango y la varianza son las medidas ms populares.
Sin embargo, es deseable tener una cantidad o expresin que de alguna manera,
involucre media y variacin, o que por lo menos, ayude a que nuestras conclusiones sean
ms confiables.
Esta cantidad ya existe y se llama ndice seal ruido, denotado como SN o SR de aqu en
adelante.
La forma de calcular el ndice SN depende del tiempo de caracterstica de que se trate.

SIN EMBARGO, EL NDICE SE DISE DE TAL MANERA, QUE PRODUCTOS MS
ROBUSTOS SIEMPRE TENGA UN MAYOR VALOR DEL NDICE SN.
En seguida se muestran los tres casos:
Caso nominal es mejor

Suponga que se tienen r lecturas, y1,y2,y3,yr, el ndice SN a utilizar es:
SN= 10 log Sm Vm / r Vm donde Sm= (y1 + y2 + y3 +,yr,)2/r
Vm=
y2 y3 ... yr Sm / r 1
2
reconocer a Vm como la varianza de los r datos. Sn estima el logaritmo de base 10 de

la relacin (media/desviacin estndar)2.
La funcin de prdida para nominal es mejor es:
L(Y )k ( T ) 2 k 2
1 n
y i
n i 1
Pgina 253
s 2
1 n
( yi y ) 2
n 1 i 1
Para un grupo de caractersticas dadas, y1, y2, ., yn, la relacin seal a ruido S/N es:
2
2

S / N 10 log
y2
2
s
10 log
20 log
Caso menor es mejor

La funcin de prdida est dada por:
L(Y ) kE Y 2
Para un grupo de caractersticas dadas, y1, y2, ., yn, el estimador estadstico de E(Y 2)
es:
MSD
1 n 2
yi
n i 1
MSD = Mean squared deviation = Desviacin cuadrtica promedio con relacin a la

media.
La relacin seal a ruido correspondiente es:
1 n 2
yi
n i 1
S / N 10 log
Esta cantidad estima el logaritmo de base 10 de (media2 + varianza).

Maximizar la relacin S/N equivale a minimizar la funcin de prdida.
Caso mayor es mejor

La funcin de prdida est dada por:
1
2
Y
L(Y ) kE
Para un grupo de caractersticas dadas, y1, y2, ., yn, el estimador estadstico de E(1/Y 2)
es:
MSD
1 n 1
n i 1 y i2
Pgina 254
La relacin seal a ruido S/N correspondiente es:
1 n 1
S / N 10 log 2
n i 1 y i
Esta cantidad funciona de una manera similar al caso anterior, pero con el inverso.
Maximizar una cantidad es equivalente a minimizar la funcin de prdida.
El uso de logaritmos pretende hacer la respuesta ms lineal y el signo negativo es para
que siempre se maximize el ndice SN. Se multiplica por 10 para obtener decibeles.
Taguchi propone un procedimiento de optimizacin en dos pasos:
1. Ajustar los parmetros de diseo para maximizar la relacin S/N.
2. Identificar otros parmetros de diseo que no afecten la relacin S/N pero que si
tengan efecto en la media de Y, E(Y), el cual es el parmetro de ajuste al a media, y
utilizarlo para ajustar la media del proceso a su media meta de acuerdo a
especificaciones.
Pgina 255
Diseo de parmetros con anlisis seal a ruido
En un experimento seal ruido, generalmente se incluye un grupo de factores de ruido,

contra los que especficamente se desea hacer robusto el producto, y que se pueden
controlar durante un experimento.
Un diseo de experimentos para un anlisis seal a ruido consiste de dos partes, un

arreglo ortogonal o matriz de diseo o interno y un arreglo ortogonal o matriz de ruido o
externo. Las columnas de una matriz de diseo representan parmetros de diseo. Las
columnas de la matriz de ruido representan factores de ruido.
Caso nominal es mejor:
Los pasos del diseo de parmetros es como sigue:

1. Seleccionar una caracterstica de calidad de salida a ser optimizada.
2. Seleccionar factores de control y sus niveles, identificando
sus posibles
interacciones.
3. Seleccionar los factores de ruido y sus niveles; si son demasiados combinarlos en
dos o tres factores combinados.
4. Seleccionar los arreglos interno y externo adecuados; asignar los factores de
control al arreglo interno y los factores de ruido al arreglo externo.
5. Realizar los experimentos.
6. Realizar anlisis estadstico con base en S/N para identificar los niveles de los
factores de control ptimos
Algunas veces ayuda realizar un estudio de la
interaccin entre factores de control y de ruido.

7. Realizar anlisis estadstico con base en las medias para identificar los niveles de
los factores de control ptimos que ajustan a la respuesta promedio en el nivel
deseado. Si hay conflicto entre los niveles de los factores para maximizar la
relacin S/N y ajustar la media, dar prioridad a los que sirven para maximizar la
relacin S/N.
8. Predecir el desempeo de salida ptimo con base en una combinacin ptima de
niveles de factores de control y realiza un experimento confirmatorio.
Pgina 256
La metodologa en detalle se muestra mediante el ejemplo siguiente:
Ejemplo: Caso nominal es mejor
Una caracterstica de calidad importante para un cierto producto metlico es el terminado,

que se mide segn su planicidad en milsimas de pulgada (mmplg).
Esta caracterstica se piensa es afectada por los siguientes factores:
Pgina 257
Factor
A
B
C
Descripcin
Temperatura del horno
Presin de prensado
Velocidad de recocido
Velocidad de alimentacin
Nivel 1
1500 F
200 psi
8 seg
Nivel 2
1600 F
220 psi
12 seg
D
G
H
AxC
AxD
ref.
Tipo de modelo
Templabilidad del material
Interaccin
Interaccin
80 gal/min
chico
25 Rc
100gal/min
grande
30 Rc
Los factores G y H son factores que no se pueden controlar durante el proceso, ya que el
tipo de modelo depende del requerimiento especfico del cliente y la templabilidad es una
caracterstica de la materia prima. Estos dos factores se consideran al menos inicialmente
como factores de ruido.
Por lo tanto, se consideran como factores de diseo a los factores A, B, C y D.

De acuerdo con esto, lo que se desea saber es cules deben ser las condiciones de
operacin o niveles de los factores de diseo A, B, C y D, que lleven el producto a la
caracterstica objetivo y adems con la mnima variabilidad, a pesar de las variaciones en
los factores G y H.
Arreglo interno
Considere nicamente los factores de diseo, se desea detectar 6 efectos en total, y para
ello, se requiere de un arreglo ortogonal L8. La grfica lineal requerida es:
Pgina 258
3
1 A
.2
5 A xC
4 C
AxD
6
7
La columna correspondiente a la lnea punteada se utilizar para cuantificar el error. Una

posible asignacin es:
A
1
B
2
e
3
C
4
AxC
5
AxD
6
D
7
Este ser el arreglo

interno y consiste de 8
condiciones
experimentales/renglones
Arreglo externo
Considere ahora nicamente los factores de ruido G y H. Se requieren de dos columnas,
de manera que un arreglo ortogonal L4 es suficiente. El arreglo, al que llamaremos arreglo
externo es:
G
Observe que no se asigna efecto alguno a la columna 3, la cual queda libre.
Pgina 259
Arreglo total
Los dos arreglos anteriores se mezclan o combinan en un solo arreglo total, tal y como
se muestra:
1
A B
2
e
3
C
4
AxC
5
AxD
6
D
7
Y11
Y12
Y13
Y14
Y21
Y22
Y23
Y24
Y31
Y32
Y33
Y34
Y41
Y42
Y43
Y44
Y51
Y52
Y53
Y54
Y61
Y62
Y63
Y64
Y71
Y72
Y73
Y74
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 tambin que existen 8x4= 32 posibles
lecturas, tomadas bajo diferentes condiciones todas ellas (valores de Y ij ). En general, si
el arreglo interno tiene M renglones y el externo tiene N renglones, entonces existen un
total de MxN lecturas, que pueden ser tomadas bajo condiciones diferentes.
Por eso se recomienda que el nmero de factores de ruido (valor de N) no sea mayor que
3.
Pero, cmo se toman exactamente cada una de las 32 lecturas? suponga que
inicialmente, deseamos tomar las lecturas Y11, Y12, Y13, Y14 . Para esto, se fijan todos los
factores de diseo de acuerdo con los niveles indicados por el rengln N 1 del arreglo
interno, esto es, todos los factores de diseo a su nivel 1.
Pgina 260
Sin embargo, si bien las cuatro lecturas Y11, Y12, Y13, Y14 se toman a los mismos niveles
de los factores de diseo, cada una se toma a diferentes niveles de los factores de ruido.
En resumen se tiene:
Todos los factores de
diseo a su nivel 1
Lectura
Factores de ruido
Temperatura 1500 F
Y11
Modelo chico y 25 Rc
Presin de 200 Psi, 8 seg
Y12
Modelo chico y 30 Rc
de tiempo de recorrido y
Y13
Modelo grande y 25 Rc
velocidad de alimentacin
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 tomarn al mismo nivel de los factores de diseo y estos niveles sern indicados por el
rengln N 2 del arreglo interno. Manteniendo estas condiciones, los factores de ruido se
varan a sus cuatro combinaciones indicadas por el arreglo externo.
De esta manera se van obteniendo todas las 32 lecturas. Se fijan los factores de diseo
segn un rengln del arreglo interno y se mantienen fijos mientras se varan los factores
de ruido de acuerdo con el arreglo interno.
Como ejemplo, la lectura Y73 , se obtendr bajo las condiciones siguientes: factor A, 1600
F, 220 psi, factor C. 8 seg, factor D, 80 gal/min; factor G, tipo grande; y factor H, 25 Rc.
Las 32 lecturas son las siguientes:
L8
Col.1 Col.
Exp. A
2
B
Col.
Col.
Col.
Col.
Col.
3
e
4
C
5
AxC
6
AxD
7
D
Pgina 261
1
1
2
2
2
1
1
2
1
y1
1
y2
2
y3
2
y4
G
Total
1
2
3
4
5
6
7
8
1
1
1
1
2
2
2
2
1
1
2
2
1
1
2
2
1
1
2
2
2
2
1
1
1
2
1
2
1
2
1
2
1
2
1
2
2
1
2
1
1
2
2
1
1
2
2
1
1
2
2
1
2
1
1
2
1.1
1.2
2.0
2.1
1.0
1.2
1.6
1.5
11.7
1.2
1.3
2.1
2.2
1.4
1.3
2.1
2.0
13.6
1.3
1.2
2.2
2.1
1.2
1.5
2.4
2.3
14.2
1.1
1.3
2.1
2.0
1.3
1.0
2.0
2.5
13.3
4.7
5.0
8.4
8.4
4.9
5.0
8.1
8.3
52.8
Suponga que por alguna razn para este ejemplo en particular, se tiene un valor deseado
de m= 2 mmplg.
Para obtener conclusiones a partir de un experimento seal a ruido se puede usar la tabla
ANOVA, o bien, a travs de grficas.
Inicialmente se muestra el anlisis usando ANOVA.
Anlisis con el ndice S/N

Para responder a la pregunta de a qu niveles fijar los factores de diseo, a fin de
minimizar la variabilidad en la caracterstica de respuesta, ignoramos el arreglo externo
conservando las 32 lecturas, especficamente, el arreglo para anlisis es:
L8
Col.1 Col.
Exp.
1
2
3
4
5
6
7
8
A
1
1
1
1
2
2
2
2
2
B
1
1
2
2
1
1
2
2
Col.
Col.
Col.
Col.
Col.
3
e
1
1
2
2
2
2
1
1
4
C
1
2
1
2
1
2
1
2
5
AxC
1
2
1
2
2
1
2
1
6
AxD
1
2
2
1
1
2
2
1
7
D
1
2
2
1
2
1
1
2
Total
Pgina 262
y1
1.1
1.2
2.0
2.1
1.0
1.2
1.6
1.5
11.7
y2
1.2
1.3
2.1
2.2
1.4
1.3
2.1
2.0
13.6
y3
1.3
1.2
2.2
2.1
1.2
1.5
2.4
2.3
14.2
y4
1.1
1.3
2.1
2.0
1.3
1.0
2.0
2.5
13.3
Total
4.7
5.0
8.4
8.4
4.9
5.0
8.1
8.3
52.8
En Minitab se genera el arreglo:

Stat > DOE > Taguchi
Create Taguchi Design > 2 leveles > 4 factors
Factors A col. 1; B col. 2; C col. 4; D col. 7
To allow estimation of interactions AxC AxD
OK
--- modificar las columnas para C y D a que correspondan a las anteriores:
L8
Exp.
1
2
3
4
5
6
7
8
A
1
1
1
1
2
2
2
2
B
1
2
2
1
1
2
2
1
C
1
2
1
2
1
2
1
2
D
1
2
2
1
2
1
1
2
y1
1.1
1.2
2
2.1
1
1.2
1.6
1.5
y2
1.2
1.3
2.1
2.2
1.4
1.3
2.1
2
y3
1.3
1.2
2.2
2.1
1.2
1.5
2.4
2.3
y4
1.1
1.3
2.1
2
1.3
1
2
2.5
Lo que observamos en esta ltima tabla es un arreglo L8 con 4 lecturas para cada
condicin o rengln.
Estamos interesados en analizar la variabilidad de las 4 lecturas tomadas bajo cada

condicin. Para esto, nos ayudamos del ndice S/N, o sea, la variabilidad de las cuatro
lecturas que se tomaron bajo cada condicin, la resumiremos en un ndice seal a ruido.
Al hacerlo, en lugar de 32 lecturas individuales tendremos 8 valores del ndice SN, uno
para cada rengln o condicin experimental.
Como estamos en un caso de nominal es mejor, el ndice apropiado es:
SN= 10 log Sm Vm / r * Vm ;
donde Sm= Yi / r y Vm=
2
Sm / r 1
Pgina 263
En este caso en particular, r= 4, cada ndice se calcula a partir de 4 lecturas individuales.
Para la primera condicin experimental o rengln N 1, se tienen las lecturas siguientes:

1.1, 1.2, 1.3, 1.1, con un total de 4.7
El clculo del ndice es:
Sm= (1.1+1.2+1.3+1.1)2/4= 5.5225

Vm= [ (1.12+1.22+1.32+1.12) 5.5225 ]/ (4-1) =[ 5.55 5.5225] / 3 = 0.00916
SN= 10 log
5.5225 0.00916 / 4 * 0.00916 = 21.7714
Para el rengln o condicin experimental N 2 se tienen las lectural: 1.2, 1.3, 1.2, 1.3, con
un total de 5.0
El clculo del ndice SN es:

Sm= (1.2 +1.3+1.2+1.3) 2/4= 6.2500
Vm= (1.22 + 1.32 + 1.22 + 1.32 6.2500)/3= 0.0033
SN= 10 log
6.2500 0.0033 / 4 * 0.0033
= 26.7071
Los ocho ndices son:

N
Sm
Vm
Sn (dB)
5.5225
0.00916
21.771
6.2500
0.00333
26.707
17.6400
0.00666
28.203
17.6400
0.00666
28.203
6.0025
0.02916
17.092
6.2500
0.04333
15.539
16.4025
0.10916
15.718
17.2225
0.18916
13.524
Pgina 264
Nuestro arreglo es ahora:

A
B e
AxC
AxD
SN
dB
21.771
26.707
28.203
28.203
17.092
15.539
15.718
13.524
Para el factor A se tiene:

A1
= Total de las lecturas tomadas bajo el nivel 1 del factor A

= 21.7714+26.7071+28.2036+28.2036= 104.8857
A2

=17.0927+15.5397+15.7186+13.5420= 61.8750
SSA
= (A2 A1)^2 /Nmero total de lecturas SN

=(61.8750 107.8857)2/8= 231.2413, con 1 g.l.
La tabla ANOVA total es:

Factor
SS
Gl
A
B
C
231.2413
2.5751 1
0.1764 1
1
2.5751
0.1764
231.2413
00.16
00.01
AxC
9.4284 1
9.4284
00.59
AxD
3.8880 1
3.8880
00.24
2.3047 1
2.3047
00.14
16.0135
16.0135
Pgina 265
Fexp
14.44
El factor A, temperatura del horno, es el factor que estadsticamente afecta el ndice seal
a ruido, y que por consiguiente afecta la variabilidad. De acuerdo con los niveles del
factor A, se tiene:
A1
= SN promedio= 104.8857/4= 26.22
A2
= SN promedio= 61.8750/4= 15.47
Dado que siempre deseamos maximizar el ndice seal a ruido, el factor A se fija en su
nivel 1, esto es, la temperatura del horno se fija en 1500 F.
Qu hacer con el resto de los factores? antes de contestar esta pregunta, se deben
identificar de entre los factores que NO AFECTARON el ndice SN, cules afectan la
media. Esto se muestra en lo que sigue.
Anlisis usando los promedios

Despus de identificar los factores que afectan la variabilidad, el siguiente paso es
identificar qu factores, dentro de los que no afecta la variabilidad, afectan la media del
proceso. Estos factores llamados factores de seal, nos permitirn ajustar la media del
proceso hacia su valor nominal, sin incrementar la variabilidad del proceso.
Para el anlisis, se utilizan las 32 lecturas iniciales. Para ello se obtiene el promedio de
cada rengln.
Pgina 266

A
C AxC AxD D
Total
Promedio
4.7
1.175
1.2 1.3 1.2 1.3
5.0
1.250
2.0 2.1 2.2 2.1
8.4
2.100
2.1 2.2 2.1 2.0
8.4
2.100
1.0 1.4 1.2 1.3
4.9
1.225
1.2 1.3 1.5 1.0
5.0
1.250
1.6 2.1 2.4 2.0
8.1
2.025
1.5 2.0 2.3 2.5
8.3
2.075
4
1
5
1
7
1
1.1 1.2 1.3 1.1
Totales
13.200
Considerando nicamente los promedios, tendremos un arreglo L8 con una lectura. El

anlisis en base a los promedios es:
A1

=1.175+1.250+2.100+2.100= 6.625
A2

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

= (6.625 6.575)2/8= 0.0003
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 as sucesivamente
SSC
= 0.0028 , SSAxC= 0.0000, SSAxD= 0.0003
SSD
= 0.0013 , SSe= 0.0028
Pgina 267
La tabla ANOVA es:

Efecto
SS G.l.
Fexp
0.0003 1
0.0003
0.11
1.4450 1
1.4450
513.75
0.0028 1
0.0028
1.00
AxC
0.0000 1
0.0000
0.00
AxD
0.0003 1
0.0003
0.11
0.0013 1
0.0013
0.44
0.0028 1
0.0028
Totales1.4525 8
Analysis of Variance for Means

Source
A
B
C
D
A*C
A*D
Residual Error
Total
DF
1
1
1
1
1
1
1
7
Seq SS
0.00031
0.00031
0.00281
0.00281
1.44500
0.00000
0.00125
1.45250
Adj SS
0.00031
0.00031
0.00281
0.00281
1.44500
0.00000
0.00125
Adj MS
0.00031
0.00031
0.00281
0.00281
1.44500
0.00000
0.00125
F
0.25
0.25
2.25
2.25
1156.00
0.00
P
0.705
0.705
0.374
0.374
0.019
1.000
El factor B, presin de prensado, es el nico factor significante. Mediante este factor se

puede ajustar la media del proceso, y llevarla lo ms cerca posible a su valor ideal de 2.
Tambin se debe hacer la observacin, de que si el factor A hubiera resultado significante

en este segundo anlisis, no podramos utilizarlo, ya que result significante en el anlisis
con el ndice SN.
En particular, la respuesta promedio para cada nivel del factor B es:
B1 = 4.9/4= 1.225; B2= 8.3/4= 2.075
Pgina 268
Si se desea aumentar la planicidad, se deber incrementar la presin de prensado. Si se

desea disminuir la planicidad, se deber reducir la presin.
Se puede interpolar para conocer el valor al que se debe fijar la presin. La respuesta
promedio a 200 psi es de 1.225 y a 220 psi es 2.075
2.0
1.5
1.0
B
200
220
Anlisis utilizando grficas

Como se mencion anteriormente, una alternativa a la ANOVA son las grficas de
promedios, ya sea del ndice SN o de las lecturas individuales.
Por ejemplo, para el factor A encontramos el promedio a cada uno de sus niveles, tanto
del ndice seal a ruido como de las lecturas individuales.
Para el ndice seal a ruido se tiene:
A1
= (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:
Pgina 269
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
Response Table for Signal to Noise Ratios

Nominal is best (10*Log(Ybar**2/s**2))
Level
A
B
C
D
1 26.22 20.17 19.45 20.71
2 15.50 21.56 22.27 21.01
Delta 10.72
1.39
2.82
0.30
Rank
1
3
2
4
Response Table for Means
Level
A
B
C
D
1 1.656 1.644 1.631 1.631
2 1.644 1.656 1.669 1.669
Delta 0.013 0.012 0.038 0.038
Rank
3
4
1.5
1.5
Las grficas de estos promedios se muestran ms adelante, en estas grficas, la
importancia de cada efecto se observar segn la inclinacin de cada lnea, de hecho, los
efectos se encuentran graficados de acuerdo con su importancia.
Las conclusiones que se obtienen son las mismas, esto es, el factor A es el que ms
afecta el ndice seal a ruido, y lo hace mayor a su nivel A 1. El factor B es el que ms
afecta la respuesta promedio sin afectar el ndice SN, la respuesta promedio aumenta al
aumentar el factor B de su nivel 1 al 2.
Pgina 270
Main Effects Plot (data means) for SN ratios

A
25.0
Mean of SN ratios
22.5
20.0
17.5
15.0
1
2
D
25.0
22.5
20.0
17.5
15.0
1
Signal-to-noise: Nominal is best (10*Log(Ybar* * 2/s* * 2))

A
1.67
1.66
Mean of Means
1.65
1.64
1.63
1
1.67
2
D
1.66
1.65
1.64
1.63
1
Pgina 271
I nteraction Plot (data means) for SN ratios

1
A
1
2
25
A
20
15
C
1
2
25
C
20
15
D
1
2
25
D
20
15
1
Signal-to-noise: Nominal is best (10* Log(Ybar* * 2/s* * 2))
Interaction Plot (data means) for Means

1
A
1
2
2.0
1.6
1.2
2.0
C
1
2
1.6
1.2
D
1
2
2.0
1.6
1.2
1
Pgina 272
Conclusiones generales del experimento

De acuerdo con los resultados que se han obtenido de los anlisis, las conclusiones
generales son:
a) El factor A afecta la variabilidad y se debe de fijar a su nivel 1.

b) El factor B afecta la media del proceso, aumenta la media del proceso.
c) El resto de los factores de diseo, (factores C y D), se fijarn al nivel en que sea ms
econmico para el proceso, ya que no afectan sustancialmente ni la media, ni la
variabilidad del proceso.
En cuanto a la funcin de prdida se tiene lo siguiente:
Suponga que se incurre en un costo de $8,000. Cuando la desviacin del valor objetivo es
de 0.5 mmpl. Adems suponga que el nivel 1 de todos los factores representa la situacin
actual. De acuerdo con estos datos la funcin de prdida indica un valor de:
L(y)= k 2 d 2 ; donde K= 8000/.52= 32000
SI el proceso se encuentra actualmente con todos los factores a su nivel 1, esta situacin
est representada por las cuatro lecturas del rengln 1. Por lo tanto, Vm para el rengln 1
estima la varianza y es:
Vm= 2 = 0.00916
La media estimada es (1.1+1.2+1.3+1.1)/4= 1.175 y;

d2= (2.0-1.175)2= 0.680625
L(y)= 32000(0.00916+0.680625)= 22073.124/unidad
Pgina 273
Si se fijan el factor A a su nivel 1 y B a su nivel 2, se tienen dos renglones en el

experimento bajo esta condicin, (ignorando el resto de los factores que no afectan) que
son el N3 y el N4. Los datos son: 2.0, 2.1, 2.2, 2.1, 2.1, 2.2, 2.1 y 2.0, por lo tanto se
tendr que para esta nueva condicin:
Y= 2.1 ; 2 = 0.005714
L(y)= 32000 ( 0.005714 + (2-2.1)2) = 502.85 $/unidad
Por lo tanto, se tendr un ahorro de 22073.12 502.85= $21,570.3 por cada unidad de
producto.
En caso de que no se tenga ningn rengln bajo las condiciones propuestas, recuerde
que se puede estimar el valor tanto del promedio como del ndice S/N tal y como se
mostr en captulos anteriores.
Sin embargo, en cualquier caso, es recomendable el ejecutar una corrida de confirmacin

antes de aceptar la propuesta de una forma definitiva.
Pgina 274
13. Validacin del diseo
Pgina 275
13. VALIDACIN DEL DISEO

La validacin del diseo es un proceso que verifica si el diseo del producto o
proceso optimizado se desempea en un nivel que es consistente con las
especificaciones generados por el cliente. Se incluyen tres tareas principales:
1. Validacin del diseo del producto

Es
necesario verificar el diseo del producto con respecto a los siguientes
aspectos:
1. Validacin funcional. Verifica si el producto puede desarrollar todos sus
requerimientos funcionales, por ejemplo un TV.
2. Validacin de requerimientos de operacin ambiental. Verifica si el producto
puede desarrollar sus funciones bajo diversas condiciones ambientales, tales
como: altas y bajas temperaturas, golpes y vibraciones, humedad, sal, polvo, etc.
3. Validacin de requerimientos de confiabilidad. Verifica si el producto puede
realizar sus funciones en un periodo extendido de uso. Se incluye la validacin de
pruebas de vida y de degradacin funcional.
4. Validacin de requerimientos de uso. Verifica si el producto puede realizar sus
funciones bajo diferentes condiciones de uso y abuso.
5. Validacin de requerimientos de seguridad. Verifica si el producto puede cumplir
las condiciones de seguridad. Por ejemplo que los juguetes no provoquen daos a
los nios.
6. Validacin de interfase y compatibilidad. Si un producto debe trabajar en
conjunto con otros, se debe verificar que haya compatibilidad.
7. Validacin de requerimientos de mantenabilidad. Verifica que el trabajo de
mantenimiento necesario se pueda realizar convenientemente, tiempo medio entre
mantenimientos adecuado, tiempo adecuado de mantenimiento correctivo, tiempo
medio para mantenimiento preventivo, etc.
No todos los productos requieren todas las validaciones, su aplicacin es variable
dependiente del producto.
Pgina 276
Los pasos para realizar la validacin del diseo del producto son:
0. Validacin temprana. A nivel de generacin del concepto, con modelos de
simulacin, mtodo robusto de Taguchi con factores de ruido (ambientales, de uso
y efectos de degradacin).
1. Revisin de diseo y anlisis de requerimientos de diseo.
2. Construir uno ms prototipos (Beta).
3. Realizar verificaciones de diseo con pruebas en prototipos, incluyendo
validacin del desempeo funcional y validacin de los requerimientos de
confiabilidad.
4. Evaluar y verificar el desempeo de los prototipos.
5. Resolver problemas de desempeo y construir ms prototipos.
6. Liberar el diseo (Sing Off).
2. Validacin del proceso de manufactura

Su propsito es verificar si el proceso de manufactura puede producir el producto
que cumpla con el intento de diseo con suficiente capacidad de proceso. Incluye
las actividades siguientes:
1. Validacin de especificaciones del producto. Verifica si el proceso de
manufactura puede producir el intento del diseo.
2. Validacin de la capacidad del proceso. Verifica si el proceso de manufactura
puede producir el producto con una capacidad de proceso satisfactoria.
Los pasos a seguir son los siguientes:
0. Validacin temprana. La prctica de diseo para ensamble / manufactura (DFE,
DFM) y la ingeniera concurrente son de mucho apoyo.
1. Realizar el anlisis de los requerimientos de validacin del proceso. Es la base
de las pruebas de validacin en proceso.
2. Instalar mquinas en planta y completar el entrenamiento a operadores.
3. Realizar la validacin del proceso de pruebas.
4. Mejorar los procesos.
5. Avanzar al lanzamiento del producto
Pgina 277
3. Validacin del producto

Sirve para confirmar que la produccin normal puede generar productos buenos,
con bajo costo, alta eficiencia, y alta calidad, incluye las siguientes actividades:
1. Validacin de la capacidad del proceso. Verifica que la capacidad del proceso
se pueda lograr durante la produccin normal.
2. Validacin de la capacidad de produccin. Verifica que durante la produccin
normal se pueda producir el producto con suficiente costo bajo.
Los pasos a seguir son los siguientes:
0. Validacin temprana. Usar simulacin como modelo de variacin de la
variabilidad para modelar la variabilidad de los parmetros de bajo nivel.
1. Desarrollar un plan de lanzamiento. Planes de apoyo de Ingeniera de
manufactura y mantenimiento y equipo de lanzamiento.
2. Desarrollo de un plan de lanzamiento de mercadotecnia.
3. Desarrollo de un plan para servicio posventa.
4. Implementar un plan de lanzamiento de produccin.
5. Realizar la produccin normal realizando la confirmacin del diseo y
evaluacin de la capacidad del proceso.
6. Mejora continua del producto y del proceso a mayor velocidad que la
competencia.
Pgina 278

Dise o para Six Sigma

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Dise o para Six Sigma

Încărcat de

Drepturi de autor:

Formate disponibile

DISEO PARA SEIS SIGMA

P. Reyes / Enero 2007

DISEO PARA SEIS SIGMA

P. Reyes / Enero 2007

2. Diseo para Seis Sigma Metodologa

3. Diseo para Seis Sigma Desarrollo de Proyectos

4. Funciones de transferencia y tableros

5. Despliegue de la funcin de calidad (QFD)

7. Teora de la solucin inventiva de problemas (TRIZ)

9. Anlisis del Modo y Efecto de Falla (FMEA)

10. Diseo de Experimentos

11. Diseo de experimentos de Taguchi

13. Validacin del diseo

DISEO PARA SEIS SIGMA

P. Reyes / Enero 2007

1. Diseo para Seis Sigma

DISEO PARA SEIS SIGMA

P. Reyes / Enero 2007

1. Diseo para Six Sigma - Mapa de desarrollo del

Funciones de transferencia, incluyen las relaciones matemticas claras entre

El mtodo de despliegue de la funcin de calidad (QFD), es una gua y plan para

El mtodo de diseo axiomtico proporciona algunas guas importantes (axiomas)

DISEO PARA SEIS SIGMA

P. Reyes / Enero 2007

complicadas, acoplamiento, no independencia y complejidad excesiva. Los buenos

La teora de solucin creativa de problemas (TRIZ) tiene una base amplia de

Los mtodos de Diseo para X, incluyen diseo para manufactura y ensamble,

Los mtodos estadsticos de diseo de experimentos (DOE), pueden ser usados

Los mtodos de Taguchi se basan en arreglos ortogonales y anlisis de datos.

Otros mtodos de Taguchi incluyen funciones ideales, relacin seal a ruido

Los mtodos de Taguchi de diseo de tolerancias o diseo de especificaciones,

DISEO PARA SEIS SIGMA

P. Reyes / Enero 2007

1.2 Aseguramiento de Calidad y Ciclo de Vida del Producto / Servicio

DISEO PARA SEIS SIGMA

P. Reyes / Enero 2007

Modelado, simulacin, diseo inicial en computadora o papel

Etapa 3: Diseo de prototipos de producto / servicio

Fig. 1.1 Ciclo de vida del producto o servicio

DISEO PARA SEIS SIGMA

P. Reyes / Enero 2007

De acuerdo con la definicin de calidad de la

ASQ anteriormente mencionada, las

DISEO PARA SEIS SIGMA

P. Reyes / Enero 2007

DISEO PARA SEIS SIGMA

P. Reyes / Enero 2007

1.2.6 Etapa 5: Produccin

DISEO PARA SEIS SIGMA

P. Reyes / Enero 2007

La quinta etapa es la produccin a escala completa. En esta etapa, el producto deber

DISEO PARA SEIS SIGMA

P. Reyes / Enero 2007

DISEO PARA SEIS SIGMA

P. Reyes / Enero 2007

1.2.8 Etapa 7: Disposicin

1.3 Diseo axiomtico

DISEO PARA SEIS SIGMA

P. Reyes / Enero 2007

En resumen, los mtodos de calidad modernos y el sistema de aseguramiento de calidad

DISEO PARA SEIS SIGMA

P. Reyes / Enero 2007

2. Diseo para Seis Sigma