Documente Academic
Documente Profesional
Documente Cultură
Febrero 2004
RESUMEN
Los orgenes del diseo experimental se remontan a las primeras dcadas del siglo XX,
cuando Ronald Fisher introdujo el concepto de aleatorizacin y el anlisis de varianza. En
estos ltimos aos, la teora y aplicaciones del diseo de experimentos se consolidaron y
expandieron y, en varias industrias, las contribuciones de Gen'ichi Taguchi, abrieron el
camino de aplicaciones rutinarias.
El trabajo est organizado del siguiente modo. La seccin I destaca el papel del diseo
experimental en la mejora de los procesos y la importancia bsica del anlisis de varianza.
La seccin II es una revisin del anlisis de varianza que, a travs de ejemplos numricos,
procura dar una perspectiva intuitiva de los conceptos. La seccin III introduce los
experimentos factoriales, con aplicaciones farmacuticas de diseo y de servicio. El
enfoque de Taguchi se esboza en la seccin IV y se lo compara con los mtodos
tradicionales. La seccin V brinda breves recomendaciones para el uso de estos mtodos.
1
I. INTRODUCCIN
El diseo experimental tiene sus orgenes en los trabajos de Ronald Fisher (1890-1962),
desarrollados en la Estacin Agrcola Experimental de Rothamsted, en el Reino Unido,
donde introdujo el concepto de aleatorizacin y el anlisis de varianza. A lo largo de varias
dcadas, la teora del diseo de experimentos y sus aplicaciones se consolidaron y
expandieron, y, en aos recientes, recibieron un fuerte impulso por las contribuciones de
Gen'ichi Taguchi, un estadstico japons ampliamente conocido en Occidente.
El diseo experimental estudia procesos. Puede considerarse a un proceso como una caja
negra a la cual ingresan diversas variables que interactan para producir un resultado. Las
variables que ingresan al proceso se denominan variables de entrada, y el resultado,
variable de salida. El nivel de la variable de salida depende de los niveles que adopten las
variables de entrada, y los gerentes y tcnicos se benefician al saber qu combinacin de
variables de entrada produce la variable de salida ptima.
Comenzaremos este trabajo, por lo tanto, con una revisin del anlisis de varianza. Por
razones de espacio, la presentacin no ser rigurosa, y se dejarn de lado temas importantes
como algunos de los supuestos del anlisis y frmulas de clculo, la derivacin de los
resultados y el estudio de los residuos. Nuestro objetivo inmediato es comprender qu
significa la tabla del anlisis de varianza (tabla ANOVA, por sus siglas inglesas), y preparar
as el terreno para entender el concepto de los experimentos factoriales. Estos experimentos
estudian la respuesta para todas las combinaciones posibles de los factores de entrada y
permiten investigar sistemticamente las interacciones entre los factores.
2
Llamaremos a las tres mquinas A, B, y C. En un perodo determinado se toman cinco
muestras al azar del nmero de blisters defectuosos producidos en cada mquina en una
jornada. Las muestras se toman al azar para eliminar el efecto de la fluctuacin aleatoria del
rendimiento de las mquinas a lo largo de los das. Los resultados se muestran en la Tabla
1, donde se indica el promedio de cada muestra y su varianza. La varianza mide el grado de
fluctuacin de los datos correspondientes a cada mquina.
Supongamos que tomamos 15 muestras aleatorias de una misma mquina y formamos tres
muestras al azar de cinco valores muestrales cada una. Los resultados se presentan en la
Tabla 2. Los valores promedio de la Tabla 2 tambin fluctan, a pesar de tratarse de la
misma mquina, pero vale la pena preguntarse si la fluctuacin de estos valores es del
mismo orden de magnitud que la de la Tabla 1, o, por el contrario, si es menor. Si fueran
del mismo orden, entonces, la variacin del resultado entre las mquinas de la Tabla 1
tambin se podra atribuir al azar. De lo contrario, se podra pensar que efectivamente hay
diferencias entre las mquinas.
Tabla 2. Tres muestras de cinco valores cada una que evalan a la misma mquina. La
varianza de los promedios de las tres muestras es Spromedios2 = 1.00. El promedio de las
varianzas es Spromediada2 = 8.00.
Podemos plantear un test de hiptesis que nos brinde una medida numrica del grado al
cual las muestras son distintas. Por ejemplo,
3
H0: P = P = P
+P i distinto
de j para
P
algn par i distinto de j (2)
sera un test adecuado para este fin. La ecuacin (1) se denomina hiptesis nula e indica
que el comportamiento de las tres mquinas es, hipotticamente, el mismo para todas (las
diferencias en los promedios de las Tablas 1 y 2 se atribuiran al azar). La ecuacin (2) es la
hiptesis alternativa. En estos anlisis se supone que todas las muestras se obtienen a partir
de poblaciones normales con la misma varianza.
F0 = n Spromedios2/Spromediada2 (3)
4
donde el factor n se agrega para que el valor de F0 sea aproximadamente 1 cuando los
promedios del numerador y denominador sean iguales. Si los promedios no son iguales,
entonces el numerador n Spromedios2 ser, en general, relativamente grande comparado con el
denominador Spromediada2 y el ratio F0 tender a ser mayor que 1. Cun grande debe ser F0
para rechazar la hiptesis de que los promedios de las diversas mquinas no son iguales?
La respuesta la da formalmente la estadstica con el test F. Por razones de brevedad, no
detallamos el test F, pero basta para nuestros fines decir que, para cada nivel de
"significancia", el test nos permite determinar cun importante (o poco importante) es el
ratio F0 de la ecuacin (3); si el ratio es importante, los promedios entre las mquinas son
estadsticamente distintos, y viceversa.
La primera fila resume el clculo del numerador de la ecuacin (3); la segunda, el clculo
del denominador; la tercera, presenta los valores totales (los clculos no se muestran). La
variacin entre mquinas se explica como si las filas de la tabla de datos (Tabla 1)
provinieran de distintas poblaciones (es decir, de mquinas que producen distinto nmero
de blisters defectuosos). La variacin entre las filas de la Tabla 1 se indica como no
explicada pues es la variacin aleatoria que no puede explicarse sistemticamente por
diferencias en las blisteras.
Las seis columnas son: fuente de variacin, variacin, grados de libertad, varianza, ratio F0,
y valor probabilstico. Por razones de brevedad, no mostramos los pasos del clculo de los
valores de la tabla (el lector puede consultar Wonnacott et al. (1977) o cualquier otro texto
de estadstica introductoria), pero nos interesa volver a examinar el ratio F0. Este ratio puede
interpretarse como el cociente entre la varianza explicada y la varianza no explicada, es
decir:
La varianza explicada es, como vimos, la varianza entre filas, y est explicada por que las
muestras provienen de distintas mquinas. La varianza no explicada, por otra parte, es la
varianza dentro de las filas, y no est explicada pues no se debe a la pertenencia de los
datos a distintas mquinas, sino al azar, a la variacin no sistemtica entre los datos sobre
errores producidos por una misma blistera. El valor probabilstico de la sexta columna se
obtuvo de la planilla de clculo Microsoft Exceliv; indica que la probabilidad de obtener por
efecto del azar el valor del ratio F0 = 5.83 (o mayor, con los grados de libertad 2 y 12
indicados en la tabla) es del orden de 1,7%; en palabras ms concretas, si repitiramos este
experimento un nmero arbitrariamente grande de veces con blisteras que produjeran, cada
una, en promedio, el mismo nmero de defectosv, slo en el 1,7% de los casos
obtendramos un ratio F0 = 5.83 o mayor; en la gran mayora de los casos, el valor del ratio
sera menor. As es que podemos rechazar la hiptesis nula (los promedios de blisters
defectuosos son iguales para todas las mquinas) y aceptar la hiptesis alternativa (al
menos dos blisteras producen distinto nmero de artculos defectuosos).
5
Fuente de Variacin; suma Grados de Varianza; Ratio F0 Valor
variacin de cuadrados libertad suma de probabilstico
cuadrados
promedio
Entre mquinas 93,33 2 46,67 5.83 0.017
(EXPLICADA)
Dentro de cada 96 12 8
mquina (NO
EXPLICADA)
Total 189.33 14
La Tabla 5 nos indica que no podemos rechazar fcilmente la hiptesis nula. Es decir,
suponiendo que los promedios de las blisteras fueran iguales, y si repitiramos el muestreo
un nmero arbitrariamente grande de veces, en ms de la mitad de los casos obtendramos
un valor probabilstico del orden del ratio F0 o mayor por la simple accin del azar.
Sabemos que las muestras no difieren en sus promedios, pues todas provienen de la misma
mquina. En la Tabla 6, por el contrario, las muestras provienen de distintas mquinas
(Tabla 3), cuyos promedios son tan dispares como los de la Tabla 1. Sin embargo, la
variabilidad dentro de la muestra de cada mquina es tan grande que la disparidad de los
6
promedios entre las mquinas podra atribuirse al azar, como lo sugiere el valor
probabilstico del 46%.
Tabla 7. Reorganizacin de los datos de la Tabla 1. Los datos del nmero de blisters
defectuosos se clasifican por operador y por mquina.
El resultado indica que hay razones para rechazar la hiptesis de que las mquinas no
difieren entre s, pues solo en el 1,4% de las repeticiones de este experimento se obtendra
un valor de F0 mayor que 7,67. Por el contrario, el valor de F0 para las diferencias entre
operadores es de 1.94 y este valor se supera en aproximadamente el 20% de las
realizaciones del experimento, por lo cual no hay demasiada evidencia estadstica para
rechazar la hiptesis de que los operarios son todos igualmente eficientes.
7
Fuente de Variacin Grados de Varianza; Ratio F0 Valor
variacin libertad suma de probabilstico
cuadrados
promedio
Entre mquinas 93.33 2 46,67 7.67 0.014
(EXPLICADA)
Con estas explicaciones concluimos esta breve y rpida recorrida por el anlisis de
varianza. Es importante comprender la filosofa de esta tcnica e interpretar la tabla
ANOVA, dado que se utiliza frecuentemente en el anlisis de experimentos, al cual
entramos ahora con el estudio de un tipo especial de experimento, muy utilizado en
aplicaciones diversas de diseo, manufactura y servicios.
Un experimento factorial permite investigar todas las combinaciones posibles de los niveles
de los factores o condiciones en cada prueba completa. El objetivo es investigar los
resultados experimentales en casos donde interesa estudiar el efecto de diversas
condiciones de experimentacin y sus interacciones. En la industria farmacuticavi las
condiciones pueden ser, por ejemplo, la dureza de una tableta y la concentracin del
aglutinante utilizado en su frmula, y el efecto de inters el tiempo de desintegracin de la
tableta. Alternativamente, en una aplicacin de calidad de servicio, los factores
investigados podran ser la amplitud del horario de atencin de una farmacia, el nivel
tcnico del personal que atiende al pblico y la variedad del inventario del negocio,
mientras que el efecto medido podra ser la percepcin de la calidad de la atencin por parte
del pblico. Los experimentos factoriales son importantes para comprender mejor el
enfoque de diseo experimental propuesto por Gen'ichi Taguchi, que estudiaremos en una
seccin posterior de este artculo.
8
y la correspondiente al segundo nivel (+). La respuesta se indica con los nmeros situados
en los vrtices del cuadrado y se mide en unidades de tiempo.
4 6
+
Concentracin del
aglutinante (B)
-
3 5
- +
Dureza de la tableta (A)
As tenemos:
Es decir, al cambiar la dureza de la tableta del nivel (-) al nivel (+), el tiempo de su
desintegracin se incrementa en promedio en 2 unidades. De modo anlogo, al cambiar la
concentracin del aglutinante de (-) a (+), el tiempo de desintegracin se eleva en promedio
en 1 unidad.
Si la diferencia en la respuesta entre los dos niveles de un factor no es la misma a todos los
niveles del otro factor, estamos en presencia de una interaccin entre los factores.
Consideremos la Figura 2. En el nivel (-) de dureza de la tableta, un aumento en la
concentracin del aglutinante hace aumentar en una unidad el nivel de la respuesta. En el
nivel (+) de dureza de la tableta, por otra parte, el aumento en la concentracin del
aglutinante hace aumentar en dos unidades el nivel del tiempo de respuesta; algo anlogo
ocurre con el otro factor. Grficamente obtenemos la Figura 3.
9
3 7
+
Concentracin del
aglutinante (B)
-
2 5
- +
Dureza de la tableta (A)
B2
7 B2 7 ...........................................
6 .................................... 6
5 .................................... 5 ............................................
4 ....... B2 B1 4 B2 B1
3 ........ 3 ...............
2 B1 2 ...............
1 1 B1
A1 A2 A1 A2
Dureza de la tableta (A) Dureza de la tableta (A)
(a) Sin interaccin (segmentos paralelos) (b) Con interaccin (segmentos no paralelos)
Figura 3. Comparacin de las respuestas a dos factores cuando no existe interaccin (a) y
cuando existe interaccin (b).
Es importante considerar las interacciones entre factores, y vale destacar que los
experimentos factoriales son la nica forma de detectarlas. El mtodo (incorrecto) de
modificar los factores de a uno no toma en cuenta las interacciones.
10
aseguramiento, que consiste en librar de cuidado o temor al cliente, tranquilizarlo e
infundirle confianza, se controla con la seleccin del personal de atencin al pblico: el
nivel bajo de aseguramiento corresponde a una atencin al pblico por parte de personas
muy jvenes sin formacin tcnica en farmacia (atencin no profesional); el nivel alto, a la
atencin por parte de farmacuticos profesionales de mediana edad (el hecho de estar la
farmacia atendida por farmacuticos se informa claramente en el local; adems, el personal
farmacutico es instruido para que brinde a todos los clientes la informacin bsica sobre el
uso del medicamento adquirido, aunque el cliente no la solicite). Los factores tangibles se
establecen a tres niveles: instalacin de lujo (amplios espacios, iluminacin rica,
escaparates atractivos); instalacin standard (la que prevalece en la cadena de farmacias en
el momento del experimento); e instalacin minimalista, con elementos bsicos de
decoracin y funcionamiento. Tres clientes son asignados al azar a cada combinacin de
factores, y se les pide que evalen la calidad de la atencin en una escala del 1 al 100. Los
resultados obtenidos estn en la Tabla 9.
Tabla 9. Datos del experimento de la farmacia. Se realizan tres encuestas al azar para cada
combinacin de factores, cuyos resultados se indican separados por barras. El total de cada
combinacin se indica en cada clula. El total de las filas se indica como yi.., y el de las
columnas como y.j.. El total general es y....
Los resultados de tres encuestas al azar para cada combinacin de factores se muestran en
la tabla, separados por barras. El total de cada combinacin se indica en cada clula: por
ejemplo, el total de 128 en la interseccin de Atencin no profesional e Instalacin de
lujo es la suma de las tres evaluaciones 40, 48, y 40. El total de las filas se indica como yi..
, (suma de los totales de las clulas, horizontalmente) y el de las columnas como y.j. (suma
de los totales de las clulas, verticalmente). El total general es y..., 897 en este caso.
11
generaliza entonces como en la Tabla 10.
Factor B
1 2 ... b
1 y111, y112, ..., y121, y122, ..., ... y1b1, y1b2, ..., y1..
y11n y12n y1bn
Factor A
2 y211, y212, ..., y221, y222, ..., ... y2b1, y2b2, ..., y2..
y21n y2n y2bn
... ... ... ... ... ...
a ya11, ya12, ..., ya21, ya22, ..., ... yab1, yab2, ..., ya..
ya1n ya2n yabn
y.1. y.2. ... y.b. y...
donde:
a b n
y...2
SSTotal = y 2
ijk = SS A + SS B + SS AB + SS E (6)
i =1 j =1 k =1 abn
donde las sumatorias se toman para todos los valores de i, j, y k y los smbolos significan:
12
SSAB: Suma de los cuadrados de las interacciones entre A y B.
SSE: Suma de los cuadrados de los errores.
yi2.. y...2
a
286 2 339 2 272 2 897 2
SS instalacin = = + + = 416.3 (8)
i =1 bn abn 2 * 3 2 * 3 2 * 3 3 * 2 * 3
b y.2j .
y...2 897 2
SS atencin = = 401 + 496
2 2
= 501.4 (9)
j =1 an abn 3* 2 * 3
SS int eraccin = SS subtotal SS instalacin SS atencin = 937.2 416.3 501.4 = 19.4 (11)
SS error = SS Total SS instalacin SS atencin SS int eraccin = 1046.5 416.3 501.4 19.4 = 109.3 (12)
Los resultados del anlisis de varianza se presentan como Tabla 11. El mtodo de
construccin de la tabla es anlogo al presentado antes, al igual que la interpretacin de los
resultados. As, podemos afirmar con una gran dosis de seguridad que ambos factores--
instalacin y atencin--son significativos, mientras que la interaccin entre ellos es poco
probable: en aproximadamente el 37% de las realizaciones de este experimento
obtendramos por efecto del azar valores de F0 iguales o superiores al obtenido en esta
realizacin.
Tabla 11. Tabla del anlisis de varianza del ejemplo de la farmacia. El efecto de los
factores es estadsticamente significativo, no as la interaccin entre los factores.
Dado que la falta de interaccin entre los factores se manifiesta en lneas paralelas,
comprobemos en el grfico de la Figura 4 esta falta de interaccin.
13
Promedio Atencin profesional
de yij. 60.7
42.7
38.7
En la figura se observa que, cualquiera sea el tipo de instalacin en la que recibimos a los
clientes, el resultado es mejor cuando la atencin est a cargo de profesionales.
El DISEO FACTORIAL 2k
En el ejemplo anterior se consideraron tres tipos distintos de local, es decir, tres niveles del
factor instalacin. Sin embargo, es usual considerar slo dos niveles de los factores, a fin de
mantener acotado el nmero de ensayos necesarios para obtener informacin de los efectos
y sus interacciones. Esto da lugar a los llamados diseos factoriales 2k. Comencemos
estudiando el diseo 22, en el cual se analiza el efecto de dos factores a cada uno de dos
niveles. El diseo se esquematiza en la Figura 5.
Siguiendo una prctica standard, una corrida se presenta en el esquema por una serie de
letras minsculas, como "a" o "ab". Si la letra est presente, el factor se pone en el nivel
alto. La ausencia de una letra indica, entonces, que el factor est en el nivel bajo. Si ambos
factores son bajos, se utiliza el smbolo "(1)". Los smbolos (1), a, b, y ab significan
tambin la suma de los totales de las n observaciones que se toman en cada uno de los
casos. Nos interesa estudiar los efectos principales A y B y la interaccin entre ambos, AB.
Alto b ab
(+)
Factor B
Bajo
(-) 2 5
(1) a
Factor A
14
As, podemos considerar:
a + ab b + (1) 1
A= = [a + ab b (1)] (13)
2n 2n 2n
b + ab a + (1)
B= =
1
[b + ab a (1)] (14)
2n 2n 2n
ab + (1) a + b
AB = =
1
[ab + (1) a b] (15)
2n 2n 2n
En las ecuaciones (13), (14), y (15), las expresiones entre parntesis cuadrados se
denominan contrastes. Obsrvese que los coeficientes de los elementos que constituyen
contrastes son +1 -1 en todos los casos. Consideremos la Tabla 12. Es una tabla de
signos, til para determinar los signos de cada corrida en un determinado contraste.
Efecto factorial
Corrida I A B AB
1 (1) + - - +
2 a + + - -
3 b + - + -
4 ab + + + +
La Tabla 12 sirve para generar contrastes especficos. Por ejemplo, para generar el
contraste A, multiplicamos los signos de la columna A por las corridas de las cuatro filas y
sumamos los resultados. As:
SS = Contraste 2 (17)
n (coeficiente de contraste )2
15
SSA =
[a + ab b (1)]2 (18)
4n
SSB =
[b + ab a (1)]
2
(19)
4n
SSAB =
[ab + (1) a b]2 (20)
4n
Para completar el anlisis de varianza debe calcularse la suma de cuadrados totales, SST,
con 4n-1 grados de libertad y la suma de cuadrados de los errores, SSE, con 4(n-1) grados
de libertad. La suma de cuadrados de los errores se obtiene por substraccin.
EJEMPLO DE DISEO 22
Recordando que los smbolos (1), a, b, y ab significan tambin la suma de los totales de las
n observaciones, calculamos el efecto de los factores y las interacciones, A, B, y AB.
As:
A=
1
[a + ab b (1)] = 1 [4.9 + 6.1 5.3 4.0] = 0.425 (21)
2n (2)(2)
B=
1
[b + ab a (1)] = 1 [5.3 + 6.1 4.9 4.0] = 0.625 (22)
2n (2)(2)
16
AB =
1
[ab + (1) a b] = 1 [6.1 + 4.0 4.9 5.3] = 0.025 (23)
2n (2)(2)
Factor B
(-) (+) yi..
(-) 2.1/1.9 2.7/2.6 9.3
Factor A
Tabla 14. Preparacin de los datos del diseo 22 para su posterior procesamiento.
2 2 2
y...2
SST = yijk2 =
i =1 j =1 k =1 abn
20.32
= 2.12 + 1.92 + 2.52 + 2.4 2 + 2.7 2 + 2.62 + 3.0 2 + 3.12 = 1.17875 (24)
2*2*2
2
yi2.. y2 9.32 11.0 2 20.32
SS A = ... = + = 0.36125 (25)
i =1 bn abn 2 * 2 2 * 2 2 * 2 * 2
2 y.2j .
y...2 8.9 2 11.42 20.32
SS B = = + = 0.78125 (26)
j =1 an abn 2 * 2 2 * 2 2 * 2 * 2
17
SS E = SST SS A SS B SS AB = 1.1785 0.36125 0.78125 0.00125 = 0.035 (29)
A partir de estas sumas de cuadrados y las consideraciones usuales sobre los grados de
libertad, se construye la tabla ANOVA de la Tabla 15.
Tabla 15. Tabla del anlisis de varianza del ejemplo de diseo 22.
Consideremos un experimento en el cual se consideran tres factores, cada uno de ellos a dos
niveles: esto es lo que se llama un diseo factorial 23. Contiene ocho combinaciones de
niveles de factores, tres efectos principales (A, B, y C), tres interacciones de dos factores
(AB, AC, y BC), y una interaccin de tres factores (ABC). Grficamente podemos
esquematizarlo como en la Figura 6.
bc abc
+1 c ac
C b ab
(1) a +1
-1 B
-1
-1 +1
A
3
Figura 6. Esquema del diseo 2 .
Designemos como antes los totales de las n rplicas de cada una de las ocho corridas del
diseo: (1), a, b, ab, c, ac, bc, abc. Obtendremos los factores extendiendo el razonamiento
anterior, es decir:
18
A=
1
[a + ab + ac + abc (1) b c bc] (30)
4n
B=
1
[b + ab + bc + abc a c ac (1)] (31)
4n
C=
1
[c + ac + bc + abc a b ab (1)] (32)
4n
AB(C alto ) =
1
[abc bc] 1 [ac c] (34)
2n 2n
AB(Cbajo ) =
1
[ab b] 1 [a (1)] (33)
2n 2n
Sobre esta base se calcula la interaccin AB como el promedio entre los dos valores de (33)
y (34):
A+ B
AB = =
1
[ab + (1) + abc + c b a bc ac] (35)
2 4n
De modo anlogo:
A+C
AC = =
1
[ac + (1) + abc + b a c ab bc] (36)
2 4n
B+C
BC = =
1
[bc + (1) + abc + a b c ab ac] (37)
2 4n
ABC =
1
{[abc bc] [ac c] [ab b ] + [a (1) =]} (38)
4n
ABC =
1
[abc bc ac + c ab + b + a (1)] (39)
4n
19
En las expresiones anteriores, los parntesis cuadrados son contrastes, que se obtienen en la
prctica de tablas como la Tabla 16. La tabla permite obtener los signos de A, B, y C
asociando un signo + con un nivel alto y un signo con un nivel bajo. Establecidos los
signos de las columnas A, B y C, las otras columnas se obtienen con el producto de los
signos de las interacciones correspondientes, fila por fila. Por ejemplo, AB tiene los signos
de A x B. La tabla presenta caractersticas importantes. En primer lugar, a excepcin de la
columna I, todas las columnas tienen igual nmero de signos + y -. En segundo lugar, las
columnas son ortogonales, es decir que la suma de los productos de los signos en dos
columnas cualesquiera es cero.
+1 1 1 +1 + 1 1 1 +1 = 0 (40)
Contraste
Efecto =
(41)
n2k 1
Contraste 2
SS = (42)
n2k
son expresiones generales vlidas para valores positivos de k. Destacamos que los diseos
ortogonales son importantes en la metodologa de Taguchi. Notemos tambin que la
complejidad de los diseos crece con el nmero de factores.
20
EJEMPLO DE DISEO FACTORIAL 23
Las aplicaciones industriales del diseo experimental tuvieron inicialmente mucho mayor
xito en el Japn que en las economas occidentales. Se afirma que en gran parte el xito de
calidad de los productos japoneses se debe a estas aplicaciones, y los experimentos
multifactoriales parecen ser una parte integral del proceso de diseo de las compaas de
ese pas (Box et al. (1988)). En empresas occidentales tambin estn difundindose las
tcnicas de Taguchi, que prestan especial atencin a las consideraciones de ahorro de
costos: en efecto, segn algunos autores como Sullivan (1987), empresas de la talla de ITT,
que han capacitado a ms de mil ingenieros en estos mtodos, miden el xito de la calidad
en sus estudios de casos en trminos de ahorro y no de nmero de unidades defectuosas.
21
Fuentes de SS Grados MS F0 Valor
variacin de probabilstico
libertad
Amabilidad 1139.1 1 1139.1 27,00 0,0008
Factura 451.56 1 451.56 10,70 0,01
Tiempo 76.563 1 76.563 1,81 0,21
Interaccin 351.5625 1 351.5625 8,33 0,02
amab.-factura
Interaccin 1.5625 1 1.5625 0,03 0,85
Amab.-tiempo
Fact-tiempo 1.5625 1 1.5625 0,03 0,85
Interaccin 39.0625 1 39.0625 0,92 0,36
Am.-fac.-t.
Error 337.5 8 42.1875
Total 2398.4 15
Genichi Taguchix realiz un gran esfuerzo para llevar a un terreno prctico el diseo
experimental. Introdujo, adems, conceptos revolucionarios que afectaron la forma de
medir la calidad y su costo. Para Taguchi, la calidad, antes que por la satisfaccin de
especificaciones, debe medirse en trminos de la as llamada funcin de prdida, que
establece la prdida que la sociedad sufre como consecuencia de la mala calidad. Un
producto de calidad es para el cliente aqul que cumple con las expectativas de
performance o rendimiento cada vez que lo utiliza, sin fallas y en cualquier condicin o
circunstancia. Los productos que no cumplen con dichas expectativas causan prdidas,
tanto para los clientes y los productores, como para, eventualmente, el resto de la sociedad.
Por esto, para Taguchi, la calidad debe medirse en funcin de la prdida que causa:
mientras mayor es la prdida que se produce, menor es la calidad.
22
cuadrticamente cuando los valores de los productos fabricados se acercan a los lmites de
tolerancia. En otras palabras, los productos cercanos a los lmites de tolerancia son
productos casi defectuosos y los gerentes deben trabajar para reducir la variabilidad de sus
procesos de produccin. La funcin de prdida se define como:
L( y ) = k ( y T ) 2 (43)
donde:
En contraste con el pensamiento tradicional sobre la calidad, que solo penaliza los valores
de y que superan los lmites de tolerancia, Taguchi considera que todo apartamiento del
valor objetivo es un costo para la sociedad y como tal debe ser penalizado.
Para Taguchi, es posible incorporar la calidad en los productos desde su diseo, sin
aumentar su costo; los problemas deben eliminarse en el laboratorio de diseo, no en la
fbrica o en el campo. Segn esta perspectiva, es necesario disear productos robustos que
toleren variaciones en el proceso de produccin y durante el servicio de mantenimiento.
Los mtodos estadsticos deben seleccionar los factores importantes que afectan el diseo.
23
los bloques 1 y 2, la de midstream, en los bloques 2, 3, 4, y 5, y la de downstream, en los
bloques 5 y 6. El bloque 2, de desarrollo de tecnologa, acta como perno entre el upstream
y el midstream. El bloque 5, manufactura, cumple el mismo papel entre el midstream y el
downstream. La ingeniera de la calidad ensea que las actividades para la mejora de la
calidad deberan ser empujadas hacia el upstream, alejndolas del proceso de manufactura.
El diseo experimental, y las tcnicas de Taguchi en particular, apuntan a este fin.
DE LA INNOVACIN AL CLIENTE
1. Invencin y UPSTREAM
tecnologa innovadora
2. Desarrollo de
tecnologa
MIDSTREAM
5. Manufactura
DOWNSTREAM
6. Cliente
Figura 7. Esquema de actividades de una empresa desde la invencin del producto hasta su
llegada al mercado. Fuente: Adaptado de Ealey (1992).
La Figura 7 nos permite reflexionar sobre la responsabilidad de los gerentes en los temas de
calidad. Por ejemplo, es importante destacar su papel en el diseo y la manufactura de los
productos, pues all se concentran las consecuencias del costo y la calidad de los procesos.
Adems, dado que los acontecimientos que ocurren en el upstream tiene consecuencias en
las etapas inferiores, cuando se intenta mejorar la calidad, y en definitiva ahorrar en
terminos de costos, se debe mejorar la tecnologa genrica, en vez de estudiar las formas de
mejorar producto por producto. De esta manera, los avances tecnolgicos son aplicables a
cualquier tipo de producto que se quiera fabricar, y no derrochan recursos innovando en
cada producto nuevo que se lance al mercado. Los ingenieros, en suma, deben desarrollar
tecnologas robustas en la etapa de investigacin y desarrollo, tecnologas que sean
fcilmente transferibles a nuevos procesos y productos. Entonces, las innovaciones ms
valiosas son las que se producen upstream; no hay que descuidar la prevencin de
24
problemas de calidad downstream pues es aqu--y no en el laboratorio--donde aparecen los
factores no controlables.
EL ENFOQUE DE TAGUCHI
Para llevar a la prctica sus conceptos, Taguchi recomienda mtodos que se apartan
parcialmente de los usados en el diseo de experimentos clsico; la terminologa que utiliza
tambin es algo distinta. En primer lugar, Taguchi divide los factores de un experimento en
factores controlables y factores incontrolables, o ruido.xii
25
presentada anteriormente. Se consideran ptimos los niveles de los factores que maximicen
un ratio seal-ruido adecuado. Estos ratios difieren segn que el objetivo del experimento
sea reducir la variabilidad alrededor de un valor objetivo determinado, o producir un efecto
resultante lo mayor posible, o, inversamente, producir el menor efecto posible.xiii
Para Taguchi, el uso de los ratios seal-ruido elimina en general la necesidad de examinar
las interacciones entre los factores controlables y los factores de ruido, si bien el examen de
estas interacciones puede ocasionalmente mejorar la comprensin de los procesos
estudiados. Finalmente, dado que los arreglos no siempre se corren completos, por razones
de economa, es posible realizar experimentos confirmatorios.
Tambin han sido criticados algunos aspectos del anlisis de datos propuesto por Taguchi.
Sin entrar en detalle en los aspectos tcnicos, corresponde destacar que incluso una
innovacin tpica de esta metodologa, cual es el ratio seal-ruido, ha sido criticada por su
ineficiencia para detectar los efectos de dispersin, aunque pueda servir para identificar los
factores que afectan al promedio de una variable de inters.
Pero... si los mtodos son malos, por qu se recomiendan tanto? Sucede que muchas
compaas con poca experiencia en diseo experimental han informado de sus xitos. En
general, eran compaas que empleaban mtodos rudimentarios (como la variacin de los
niveles de a un factor por vez) que no toman en cuenta las interacciones entre los factores.
Por lo tanto, al comenzar a aplicar los mtodos de Taguchi, a pesar de su ineficiencia,
dieron un salto importante en la calidad de sus resultados. Los diseos factoriales son muy
26
eficientes e, incluso cuando se los utiliza ineficientemente dan resultados mejores que otros
mtodos. Por otra parte, muchas de las aplicaciones exitosas se dieron en contextos
manufactureros en donde el costo de cada corrida de un experimento es relativamente bajo
y por lo tanto la relativa ineficiencia de los mtodos de Taguchi no era demasiado
relevante. Otras consideraciones que ponen en perspectiva la adecuacin de las aplicaciones
de Taguchi se presentan en la seccin siguiente.
Tanto el diseo de experimentos como los mtodos de Taguchi sirven para optimizar
procesos que tienen entradas controlables y salidas medibles. Ambas metodologas trabajan
con multiples entradas que afectan a la salida por medir. Su diferencia fundamental radica
en la forma en que cada mtodo maneja las interacciones entre los factores de entrada.
Mientras en el diseo experimental clsico se prueba con todas las combinaciones de
niveles de entrada, o una fraccin simtrica de las mismas, con el mtodo de Taguchi se
trabaja con una porcin pequea de las posibles combinaciones de factores de entrada, pero
de una manera que permite calcular los efectos de todos los factores de entrada en el
resultado de inters.
Las Figuras 8 y 9 resumen las caractersticas principales del diseo de experimentos y los
mtodos de Taguchi. La Tabla 19 compara las fortalezas y debilidades de ambos mtodos.
Mtodos de Taguchi
Suponen que los usuarios de estos mtodos poseen cierto entendimiento del
proceso estudiado y de las interacciones subyacentes entre las entradas.
Fueron inventados "por ingenieros para ingenieros".
Segn Taguchi, algunas variables estn bajo control, y otras no (factores de
ruido). Uno de los primeros pasos en los mtodos de Taguchi es el uso de los
conocimientos previos del proceso para identificar los factores controlables y de
ruido ms significativos.
Taguchi recomienda un ratio seal-ruido para representar la robustez, (aunque un
simple anlisis de la varianza o el desvo standard bastara).
En contraste con el diseo de experimentos clsico, Taguchi sugiere una ronda
final de experimentos de confirmacin.
Mientras que el diseo de experimentos clsico puede ignorar o no considerar
explcitamente los factores de ruido, el diseo Taguchi los usa para contrastar la
robustez del sistema, as como para encontrar las entradas ptimas.
27
Diseo de experimentos
Supone que los usuarios no tienen un conocimiento profundo de los mecanismos que
gobiernan el proceso investigado.
Fue inventado "por cientficos para cientficos".
Presupone que todos los inputs deben interactuar entre s. Por esto, cuando no se tiene
definido de antemano qu interacciones son las relevantes, el diseo experimental es
la opcin que conviene elegir.
En el diseo de experimentos, no slo se estudian todas las interaccionesxvi, sino que
ellas se estudian al mismo tiempo, en una misma ronda de pruebas.
V. CONCLUSIONES
En este artculo hemos presentado los conceptos fundamentales del diseo experimental,
incluyendo la metodologa de Taguchi. A los conceptos los hemos ilustrado con ejemplos
hipotticos de la industria farmacutica, vinculados con las actividades de produccin,
diseo y servicio al cliente. Son mtodos muy tiles para mejorar la calidad y llevar las
fuentes de la calidad aguas arriba (upstream) en el proceso empresarial.
Recomendamos sin dudas el empleo de estos mtodos, cada uno de ellos en las mejores
condiciones de aplicacin. Surge aqu la pregunta "qu mtodo conviene usar: el diseo
experimental tradicional o los enfoques de Taguchi?". Si no se conocen los procesos
28
fundamentales del sistema que se quiere estudiar ni las interacciones entre los diferentes
factores, o bien si los experimentos que se deben hacer son tan largos que deben hacerse
necesariamente bien de entrada, el diseo de experimentos es la herramienta recomendada.
Si, por el contrario, se conocen los rudimentos de los procesos subyacentes al sistema
estudiado, no se pueden probar todas las combinaciones posibles de factores, y la robustez
y consistencia del resultado es tan importante como el resultado mismo, entonces conviene
usar los mtodos de Taguchi.
BIBLIOGRAFA
Cesatrone, John (2001). "The Power of Taguchi", IIE Solutions, November, pp. 36-40.
Ealey, Lance (1992). "The "methods" of a quality master: An interview with Genichi
Taguchi, father of Quality Engineering", The McKinsey Journal, No. 4, pp. 3-17.
Montgomery, Douglas C. (1976). Design and Analysis of Experiments, John Wiley &
Sons, Inc., New York.
Montgomery, Douglas C. (1991). Introduction to Statistical Quality Control. John Wiley &
Son, Inc., New York.
Rao, Ashok, Lawrence P. Carr, Ismael Dambolena, Robert J. Kopp, John Martin, Farshad
Rafii y Phyllis Fineman Schlesinger (1996), Total Quality Management: A Cross
Functional Perspective, John Wiley & Sons, New York.
Sullivan, Lawrence P. (1987). "The Power of Taguchi Methods", Quality Progress, June,
pp. 77-83.
29
NOTAS
i
Una versin preliminar de este trabajo se publicar prximamente en Pharmaceutical Management. Los
autores agradecen al editor de la publicacin mencionada la autorizacin para reproducirlo.
ii
La presentacin del anlisis de varianza sigue en lneas generales a Wonnacott et al. (1977), pginas 277-
289.
iii
Los resultados de los clculos se indican en general con dos cifras decimales. Eventualmente, esto puede
dar lugar a errores de redondeo.
iv
Tambin puede trabajarse con las tablas de la distribucin F que aparecen en los textos de estadstica.
v
Tcnicamente se expresa esta situacin diciendo: suponiendo que es vlida la hiptesis nula.
vi
Ver, por ejemplo, Bolton (1997).
vii
Ver Clemes et al. (2001).
viii
Las secciones sobre diseo experimental de este documento de trabajo siguen de cerca la presentacin de
Montgomery (1976 y 1991), especialmente su tratamiento matemtico.
ix
Los detalles de estos desarrollos pueden consultarse en cualquier texto de anlisis y diseo de experimentos,
como Montgomery (1991).
x
Genichi Taguchi (1924- ) perteneci al Instituto de Estadstica Matemtica del Ministerio de Educacin del
Japn (1948-1950) y al Laboratorio de Comunicaciones Elctricas de la empresa Nippon Telephone and
Telegraph. Public libros sobre diseo experimental (Experimental Design and Life Test Analysis y Design of
experiments) y combin una carrera acadmica de profesor universitario (Aoyama Gakuin University) con
desarrollos en el mbito privado norteamericano, como Director Ejecutivo del American Supplier Institute,
iniciados en 1983. Recibi el premio Deming Individual en cuatro ocasiones y un doctorado de la Universidad
de Kyushu, en 1962.
xi
Montgomery (1991, p. 533).
xii
Si bien los factores de ruido no pueden controlarse durante la operacin rutinaria, s pueden controlarse
durante la etapa de experimentacin.
xiii
El nombre tcnico de estos ratios es, respectivamente, nominal the best (el nominal es el mejor,
simbolizado SNN), larger the better (el mayor es el mejor, simbolizado SNL), y smaller the better (el menor es
el mejor, simbolizado SNS). Los ratios se expresan en escalas de decibeles. Ver por ejemplo, Taguchi et al.
(1989).
xiv
Esta crtica se basa fundamentalmente en Montgomery (1991).
xv
Un experimento factorial fraccionario no considera todas las combinaciones de factores posibles, sino
solamente algunas. De este modo se reducen las exigencias y costos del experimento, pero se obtiene
informacin sobre los efectos principales y las interacciones de menor orden, solamente. En estas aplicaciones
de experimentos fraccionales se supone que las interacciones de mayor orden son despreciables.
xvi
Como indicamos en la llamada anterior, no todas las investigaciones basadas en el diseo de experimentos
tienen en cuenta todas las interacciones posibles. Las que lo hacen son llamadas diseos factoriales
completos, mientras que a las que no lo hacen se las llama diseos factoriales fraccionarios.
30