Documente Academic
Documente Profesional
Documente Cultură
CURSO DE
DISEO PARA SEIS SIGMA (DFSS)
Pgina 1
CONTENIDO
1. Diseo para Seis Sigma Mapa de desarrollo del producto
14
23
41
55
6. Diseo Axiomtico
71
79
8. Diseo para X
105
116
130
240
266
Pgina 2
Pgina 3
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.
Pgina 4
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 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.
Pgina 6
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.
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.
Pgina 10
Pgina 11
Pgina 12
Pgina 13
Pgina 14
Pgina 15
o downstream.
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.
-
Pgina 16
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
Obtener necesidades y deseos del cliente y transformarlos en una lista de voz del
cliente (VOC).
Finalizar requerimientos:
o
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
Anlisis Kano
Anlisis de riesgo
Pgina 19
TRIZ
QFD
Diseo Axiomtico
Diseo robusto
Diseo para X
Revisin de diseo
CAD/CAE
Pgina 20
Simulacin
Administracin de proceso
Herramientas de diseo/simulacin
Diseo de experimento
Evaluacin de robustez
Pgina 21
DOE
Prueba de liberacin
Anlisis de confiabilidad
Capacitacin
Pgina 22
Pgina 23
Pgina 24
Pgina 25
Pgina 26
Importancia establecida
Importancia revelada
Mtodo indirecto
Mtodo directo
Muy importante
No importante
Dbil
Esperada
Bajo impacto
Fuerte
Alto impacto
Escondida
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
Realizar la fase 1 del QFD mapeando los atributos del cliente a requerimientos
crticos para la satisfaccin (CTSs).
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:
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)
Concepto inicial
Concepto reducido
Reduccin
Adicin
Concepto seleccionado
Mtodo de convergencia controlada
Pgina 30
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
Obtener las sumas de (+), (-) y similares (S), estos nmeros solo son una gua
relativa para apoyar la toma de decisiones.
Pgina 31
Axiomas de diseo
Axioma 1. Axioma de independencia
Debilidades de diseo
Violacin
Pgina 32
Acoplamiento
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
CAs
.
.
FRs
DPs
PVs
CTQs.
Y=f(x)
Mapeo fsico
Y=f(x)
Mapeo de proceso
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:
Documentar el proceso.
Pgina 36
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
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.
Ambiente externo
Degradacin
Fallas aleatorias
Desgaste
Pgina 38
Pgina 39
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:
Mejorar los productos y procesos a una velocidad mayor que los competidores.
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
Pgina 42
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:
Pgina 44
Factor de seal
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
1 2 3
1 2 A11
{FR3}
3A22
A33
'
M1
DP1
DP2
DP3
Entidad de
funcin 1
Seal de
Entrada M1
DP2
Entidad de
funcin 2
DP3
Entidad de
funcin 3
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
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 caracterstica Crtica para la Satisfaccin CTS y al final para cada
atributo del cliente.
Pgina 48
DFMEA
Pgina 49
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.
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
2
E L( FR, T ) K FR
FR
E L( FR, T ) K
FR
FR
`2FR
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
Mi
i 1
i 1
2
h(Tablero ) h( FRi) ln 2e FR
Pgina 55
h(estruct ) h(Tablero )
n 1
Pgina 56
Efectos potenciales: Cules son los efectos en las funciones de alto nivel?
FR1 10 DP1
FR2 01DP2
FR3 10 DP3
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
Acciones recomendadas
Resultados de acciones:
Acciones tomadas
Frecuencia
Pgina 59
Pgina 60
Pgina 61
Pgina 62
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.
Pgina 64
Peso normalizado
Peso Ponderado
punto de venta
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
Correlaciones
Tcnicas
Pgina 65
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
Importancia absoluta:
Importancia ponderada:
Pgina 67
Importancia relativa:
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
Pgina 68
RELACION DE MEJORAMIENTO
META
DESEMPEO ACTUAL
peso ponderado
Pgina 69
PESO NORMALIZADO:
peso normalizado
peso ponderado
suma de pesos ponderados individuales
Pgina 70
Pgina 71
Peso normalizado
Peso ponderado
punto de venta
Relacin de mejoramiento
Prioridades
Meta
Desempeo actual
Relaciones
entre las necesidades
del cliente y los req.
del sistema
Necesidades
del cliente
Caractersticas de
diseo del producto
Desempeo de la competencia
Correlaciones
Tcnicas
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
Pgina 72
Peso normalizado
Peso ponderado
punto de venta
Relacin de mejoramiento
Prioridades
Meta
Relaciones
entre las necesidades
del cliente y los req.
del sistema
Desempeo actual
Caractersticas de
diseo del producto
Desempeo de la competencia
Correlaciones
Tcnicas
Necesidades
del cliente
Cmo
se satisfacen
y cubren las
necesidades
del cliente
Direccin de
Mejoramiento
Peso normalizado
Peso Ponderado
punto de venta
Relacin de mejoramiento
Prio ridades
Meta
Pgina 73
Desempeo actual
Relaciones
entre las necesidades
del cliente y las car act.
de diseo del producto
Necesidades
del cliente
Caractersticas de diseo
del producto
Desempeo de la competencia.
Correlaciones
Tcnicas
Relaciones:
Determinar el grado de relacin entre las necesidades del cliente y las
caractersticas de diseo del producto.
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
Peso normalizado
Peso Ponderado
punto de venta
Relacin de mejoramiento
Nmeros de Prioridad
Meta
Relaciones
entre las necesidades
del cliente y las caract.
de diseo del producto
Desempeo de la competencia.
Necesidades
del cliente
Caractersticas de diseo
del producto
Desempeo actual
Correlaciones
Tcnicas
Pgina 75
Peso normalizado
Peso Ponderado
punto de venta
Meta
Desempeo actual
Relacin de mejoramiento
Nmeros de Prioridad
Especs. de la empresa
Especs. de la competencia
Meta de la empresa
Relaciones
entre las necesidades
del cliente y las caract.
de diseo del producto
Desempeo de la competencia.
Caractersticas de diseo
Necesidades
del cliente
Correlaciones
CORRELACIONES TCNICAS:
Muestran las caractersticas que estn estrechamente relacionadas
Muestran el impacto de una caracterstica en cualquier otra
Pgina 76
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:
Pgina 79
Apagar fuegos: resolver los problemas de forma que los sistemas puedan
vivir con mnimas vulnerabilidades operacionales. Esto consume muchos
recursos innecesariamente.
Pgina 80
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.
CTSs
FRs
DPs
PVs
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
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
Zig
FRs
Zag
DPs
PVs
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
Pgina 86
Pgina 87
Pgina 88
Pgina 89
7.2 TRIZ
Es una forma de pensar para lograr excelencia en diseo e innovacin. Sus principios
filosficos son los siguientes:
Pgina 90
Resultado final ideal: es el lmite virtual del sistema. No puede alcanzarse pero
sirve de gua, ayudando a pensar fuera de la caja.
Pgina 91
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
Desperdicio
Productos secundarios
2. Recursos de campos
Energa en el sistema
3. Recursos de espacio
Espcaio vaco
4. Recursos de tiempo
Pgina 93
Conocimientos pasados
Conocimiento en la operacin
6. Recursos funcionales
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).
Pgina 95
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
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
Paso 3. Identificar las zonas de conflicto. Hay dos zonas de conflicto, espacial y
temporal.
o
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.
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.
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.
Cmo
puede
ser
mejorado
este
atributo
por
los
mecanismos
convencionales?
o
Pgina 98
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
Hacer que la funcin de cada parte del objeto sea ms adecuada para su
operacin.
5. Combinacin (consolidacin)
Pgina 99
Si es necesario realizar una accin con los efectos tiles y dainos, esta accin
debe reemplazarse despus con acciones para controlar los efectos dainos.
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.
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.
Dividir un objeto en partes capaces de moverse una contra otra en forma relativa.
Pgina 101
23. Retroalimentacin
25. Autoservicio
Pgina 102
Hacer que un objeto se pueda servir por si mismo realizando funciones auxiliares
de apoyo.
26. Copiando
Usar campos en conjunto con partculas activados por campos (vgr. Partculas
ferromagnticas).
Aislar los objetos del medio ambiente externo usando cubiertas flexibles y capas
delgadas.
Pgina 103
Si un objeto es ya poroso, usar los poros para introducir una sustancia o funcin
til.
33. Homogeneidad
Hacer que los objetos interacten con un objeto del mismo material ( o un material
con propiedades idnticas).
Cambiar la temperatura.
(vgr. Cambios de
Pgina 104
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:
Pgina 105
27. Confiabilidad
Pgina 106
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.
Sujeto
Accin /
Campo
Objeto
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
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
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
Pgina 109
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.
Sujeto
Objeto
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.
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.
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
Pgina 113
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
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,
Pgina 116
entidades
fsicas
estndar
como:
componentes,
partes
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
Aplicar los principios de ensamble por partes y factores tales como: manejo
y alimentacin de partes, orientacin, identificacin, posicionamiento,
tolerancias permitidas y montaje.
Finalizar
Materiales,
proceso y
estimados de
costos iniciales
Seleccionar la
mejor estructura
de proceso de
ensamble
Diseo para
manufactura
Prototipo
Pgina 119
Pgina 120
funcionales
(FRs)
durante
un
periodo
intencionado
bajo
Pgina 121
Pgina 122
Proporcionar fcil acceso a las DPs reparables con inspeccin visual fcil.
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:
El costo de manufactura.
Pgina 123
Pgina 124
Pgina 125
Pgina 126
Pgina 127
Pgina 128
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
Pgina 129
Al cambiar
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.
Tipos de AMEFS
Pgina 131
Pgina 132
Seleccin de Material
Tolerancias / valores objetivo
Configuracin
Componente de Modos de Falla a nivel de Componente
Mecanismos de Falla
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
Pgina 133
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
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
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
1 124
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
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
Pgina 140
Pgina 141
Pgina 142
Entradas
Fig. 10.1
Salida
Proceso
z1 z2 z3 z4 ... zq
Factores incontrolables
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:
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.
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?
Pgina 144
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.
F2
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
Diseo de experimentos
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.
2.
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
Pgina 147
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.
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
Cuantitativa
Precisa.
Pgina 149
cualitativo. Por ejemplo tres proveedores, tres turnos, dos procesos diferentes, etc.
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.
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
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.
Pgina 152
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
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.
muchas
ocasiones
termino
experimento
se
considera
asociado
aplicaciones prcticas.
proveedores producen
Es necesario tener claros y en todo caso revisar los siguientes conceptos estadsticos
antes de seguir:
Pgina 154
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
2
17.92 kgf/cm del cemento original.
Hiptesis:
H0 : 1 2
H1 : 1 2
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
S12
n1 1 S12 n2 1 S22
n1 n2 2
y S22 son las dos variancias mustrales individuales. Hay que comparar t0 con
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
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
IV
42
39
45
43
41
El proveedor = factor
Pgina 159
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.
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
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
i 1
j 1
ij
Y.. Y../n
Pgina 161
tambin que la hiptesis nula se asume como cierta a menos que los datos indiquen lo
contrario.
Yij Y..
k
j 1 i 1
j 1
j 1 i 1
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
SS
G.L.
MS F0
Pgina 162
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.
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
j1 i 1
Pgina 163
Y.
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
i
i Yi. ahora
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
Pgina 164
Yi. Y j. t / 2, N
2MSE
n
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
to
1
1
ni nj
MSE
Yi. Yj. t / 2, N
MSE(1/ ni 1/ nj
La cantidad:
Pgina 165
1
1
nj
ni
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
S Yi.
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
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
j1 i1
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
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
Pgina 169
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
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
B2
A1
20
40
A2
50
12
Factor A
B1
40
30
20
10
B2
B1
Pgina 171
A1
Factor A
A2
60
B1
50
B2
40
30
20
B1
10
A1
B2
Factor A
A2
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
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
4 1.5
173
3
4
5
6
Numero de fac tores
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
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
Pgina 175
1
2n
ab b a (1)
1
2n
ab a b (1)
1
2n
ab a b (1)
1
2n
ab b - a (1)
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+
A YA YA
ab a
2n
1
2n
b (1)
2n
ab a b (1)
B+
inferior ( Y B-), o
Pgina 176
B YB YB
ab b
2n
1
2n
a (1)
2n
ab b a (1)
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
Pgina 177
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
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
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
-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
Pgina 179
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.
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 2b1,Y 2b2,
...,Y 2bn
...
...
...
...
...
Y a11,Ya12,
...,Y a1n
Y a21,Y a22,
...,Y a2n
...
Y ab1,Y ab2,
...,Y abn
Pgina 181
i 1,2,..., a
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
Ho :
1 2
...b 0
H1 : al menos una j 0
Pgina 182
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
y Y...
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
2
SST Y ijk
i1j1k 1
...
abn
i1 bn
abn
2
2
b Y .j.
Y ...
SSB
j1 an
abn
SSA
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:
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
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
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
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
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.
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
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
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
Pgina 191
a
b
c
abc
+--+--+
+++
a
b
c
abc
ab
ac
bc
(1)
A
+
+
+
+
-
B
+
+
+
+
-
C
+
+
+
+
-
AB
+
+
+
+
AC
+
+
+
+
BC
+
+
+
+
ABC
+
+
+
+
-
abc
bc
ac
C
a
ab
B
A
Pgina 192
(1)
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)
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
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
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
.
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 ).
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
+
+
-
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-
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
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
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
Estructura de alias
LA A + BCD
LB B + ACD
LC C + ABD
LD D + ABC
LAB AB + CD
LAC AC + BD
LBC BC + AD
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
Pgina 201
Factores
Xi
Respuestas
Y1
Proceso
Y2
Y3
LIE
Evidentemente,
LSE
el
proceso
est
generando
producto
con
caractersticas
no
Pgina 202
Factores que no
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.
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
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,
Pgina 204
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
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
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,
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.
L(y)
Pgina 207
Cuando el valor de y coincide con el valor de m, la prdida es cero. Esto es, L(y=m)=
0.
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.
Pgina 208
Ap
Ac
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.
k ( yi m) / n (k ( y
m ) k ( y 2 m ) ... k ( y n m )) / n
proceso de manera que la media del mismo coincida con el ideal m, (disminuir d 2
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
Evaluar el impacto econmico que sobre el cliente tiene alguna accin de mejora.
Pgina 210
vare el factor y
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.
Pgina 211
Resultado
Y1
Y2
Y3
Y4
Columna 3
Columna 2
Columna 1
Pgina 212
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)
Pgina 214
La matriz
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.
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.
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
Pgina 216
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
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
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
B1
B1
B2
B2
Pgina 219
A1
A2
A1
A2
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
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:
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
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)
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
efectos
individuales.
En nuestro caso esto procede como sigue:
Primero dibujamos cuatro puntos, uno para cada efecto.
A.
C.
B.
D.
AxC
AxD
5
6
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
Efecto
Columna
Columna
Columna
Columna
Columna
Columna
Columna 7
1
A
2
D
3
C
4
B
5
AxB
6
E
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
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
. . . . . . . . . . . . . . .
Pgina 228
A(1)
D(9)
3,4
E(10)
F(12)
e(13)
6,7
B(2)
C(5)
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
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
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)
1
3 AB(5)
2
B(4)
AB(6)
AB(7)
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
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
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
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
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
Col.1
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:
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
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%
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
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
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
Pgina 239
Promedio
A1 C1
22.0
11.00
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.
Pgina 240
11.0
10.0
9.00
8.00
7.00
A1
A2
A1C2
= (A1 C2 - Y) ( A1 Y) - ( C2 - Y)
= (7.10 8.95) (9.05 8.95) (8.675 8.95)= -1.675
= 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
Pgina 241
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
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
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
SST y ij2
i 1 j 1
T2
Nxn
Type
fixed
Levels
2
Values
1, 2
Pgina 243
fixed
1, 2
fixed
1, 2
fixed
1, 2
fixed
1, 2
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
......
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%.
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
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
15
Mean of Means
10
5
1
15
10
5
1
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
Pgina 246
A
1
2
20
10
0
20
B
1
2
10
E
1
2
20
10
0
1
Mayor es mejor
Nominal es mejor
y y A 2 y G 2 y B1D 2 2T
T T /( Nn )
Pgina 247
0.03
0.04
Niveles
2
1
3
1.5
0.6
0.7
0.9
1
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
SS
k
k
T2
2
T
t Nxn
Nxn t 1
SST y ij2
i 1 j 1
T2
Nxn
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
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
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
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.
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
Pgina 251
Temperatura a su nivel I
Presin a su nivel I
LIE
LSE
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.
y2 y3 ... yr Sm / r 1
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
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
1 n 2
yi
n i 1
S / N 10 log
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
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
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
Pgina 256
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.
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
A
1
B
2
e
3
C
4
AxC
5
AxD
6
D
7
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
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
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.
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.
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.
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
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.
SN= 10 log Sm Vm / r * Vm ;
donde Sm= Yi / r y Vm=
2
Sm / r 1
Pgina 263
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
= 26.7071
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
B e
AxC
AxD
SN
dB
21.771
26.707
28.203
28.203
17.092
15.539
15.718
13.524
A2
SSA
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
A2
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.
Para el anlisis, se utilizan las 32 lecturas iniciales. Para ello se obtiene el promedio de
cada rengln.
Pgina 266
C AxC AxD D
Total
Promedio
4.7
1.175
5.0
1.250
8.4
2.100
8.4
2.100
4.9
1.225
5.0
1.250
8.1
2.025
8.3
2.075
4
1
5
1
7
1
Totales
13.200
A2
SSA
= 1.175+1.250+1.225+1.250= 4.900
B2
= 2.100+2.100+2.025+2.075= 8.300
SSB
Y as sucesivamente
SSC
SSD
Pgina 267
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
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
Pgina 268
2.0
1.5
1.0
B
200
220
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.
A1
= (21.7714+26.7071+28.2036+28.2036)/4= 26.2214
A2
= (17.0927+15.5397+15.7186+13.5240)/4= 15.4687
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
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
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
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
A
1
2
25
A
20
15
C
1
2
25
C
20
15
D
1
2
25
D
20
15
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
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:
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
Pgina 273
Y= 2.1 ; 2 = 0.005714
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.
Pgina 274
Pgina 275
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).
Pgina 277
Pgina 278