Diseño ejemplos

Serie Documentos de Trabajo
UNIVERSIDAD DEL CEMA

EL DISEÑO EXPERIMENTAL Y LOS
MÉTODOS DE TAGUCHI:
CONCEPTOS Y APLICACIONES EN LA
INDUSTRIA FARMACÉUTICA

Enrique Yacuzzi (Universidad del CEMA)
Fernando Martín (Aventis Pharma)
Hugo Marcelo Quiñones (Universidad del CEMA)
Matías Julián Popovsky (Universidad del CEMA)

Febrero 2004

WEB DE PUBLICACIONES DE LA UCEMA
click aquí

EL DISEÑO EXPERIMENTAL Y LOS MÉTODOS DE TAGUCHI: CONCEPTOS
Y APLICACIONES EN LA INDUSTRIA FARMACÉUTICA

Enrique Yacuzzi (Universidad del CEMA)
Fernando Martín (Aventis Pharma)
Hugo Marcelo Quiñones (Universidad del CEMA)
Matías Julián Popovsky (Universidad del CEMA)

RESUMEN

Los orígenes del diseño experimental se remontan a las primeras décadas del siglo XX,
cuando Ronald Fisher introdujo el concepto de aleatorización y el análisis de varianza. En
estos últimos años, la teoría y aplicaciones del diseño de experimentos se consolidaron y
expandieron y, en varias industrias, las contribuciones de Gen'ichi Taguchi, abrieron el
camino de aplicaciones rutinarias.

En este documento de trabajoi se presentan ejemplos hipotéticos del empleo de estas
técnicas en la industria farmacéutica, tanto en situaciones de diseño como de manufactura y
de servicios. El objetivo es motivar y consolidar el interés de los profesionales por estos
temas, así como difundir las ideas de Taguchi sobre el diseño robusto y la función de
pérdida cuadrática.

El trabajo está organizado del siguiente modo. La sección I destaca el papel del diseño
experimental en la mejora de los procesos y la importancia básica del análisis de varianza.
La sección II es una revisión del análisis de varianza que, a través de ejemplos numéricos,
procura dar una perspectiva intuitiva de los conceptos. La sección III introduce los
experimentos factoriales, con aplicaciones farmacéuticas de diseño y de servicio. El
enfoque de Taguchi se esboza en la sección IV y se lo compara con los métodos
tradicionales. La sección V brinda breves recomendaciones para el uso de estos métodos.

1

I. INTRODUCCIÓN

El diseño experimental tiene sus orígenes en los trabajos de Ronald Fisher (1890-1962),
desarrollados en la Estación Agrícola Experimental de Rothamsted, en el Reino Unido,
donde introdujo el concepto de aleatorización y el análisis de varianza. A lo largo de varias
décadas, la teoría del diseño de experimentos y sus aplicaciones se consolidaron y
expandieron, y, en años recientes, recibieron un fuerte impulso por las contribuciones de
Gen'ichi Taguchi, un estadístico japonés ampliamente conocido en Occidente.

El diseño experimental estudia procesos. Puede considerarse a un proceso como una caja
negra a la cual ingresan diversas variables que interactúan 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 técnicos se benefician al saber qué combinación de
variables de entrada produce la variable de salida óptima.

La busca de combinaciones óptimas de las variables de entrada da lugar al diseño
experimental, que es una prueba (o un conjunto de pruebas) durante la cual se realizan
cambios sistemáticos y controlados a las variables de entrada para medir el efecto sobre la
variable de salida. El diseño experimental utiliza técnicas como la regresión múltiple, la
respuesta superficial y varias extensiones del análisis de varianza.

Comenzaremos este trabajo, por lo tanto, con una revisión del análisis de varianza. Por
razones de espacio, la presentación no será rigurosa, y se dejarán de lado temas importantes
como algunos de los supuestos del análisis y fórmulas de cálculo, la derivación de los
resultados y el estudio de los residuos. Nuestro objetivo inmediato es comprender qué
significa la tabla del análisis de varianza (tabla ANOVA, por sus siglas inglesas), y preparar
así 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 sistemáticamente las interacciones entre los factores.

Algunos esquemas de experimentos factoriales se aplican en la metodología de Taguchi,
que enriquece el concepto de calidad y la idea de robustez de los sistemas. Este trabajo, por
lo tanto, dedica algunas páginas a esta metodología y la compara con el diseño
experimental tradicional. Finalmente, se ofrecen algunas recomendaciones para optar entre
el diseño experimental o la metodología de Taguchi.

II. BREVE REVISIÓN DEL ANÁLISIS DE VARIANZA

Supongamos que trabajamos en una planta de acondicionamiento de productos medicinales.
Junto a un sinnúmero de equipos se instalan tres blisteras recientemente reacondicionadas.
El gerente de la planta quiere determinar si el rendimiento de las máquinas reparadas,
medido en número de blisters defectuosos producidos por turno de trabajo, es el mismo
para las tres máquinas o si, por el contrario, el rendimiento de las blisteras es desparejo. Las
máquinas tuvieron, históricamente, un rendimiento fluctuante, debido a factores como la
calidad de los insumos y el tipo de los blisters procesados.ii

2

Llamaremos a las tres máquinas A, B, y C. En un período determinado se toman cinco
muestras al azar del número de blisters defectuosos producidos en cada máquina en una
jornada. Las muestras se toman al azar para eliminar el efecto de la fluctuación aleatoria del
rendimiento de las máquinas a lo largo de los días. 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
fluctuación de los datos correspondientes a cada máquina.

Máquina Número de blisters defectuosos en Promedio Varianza
cada jornada muestreada de la intra-
muestra muestra
A 48 50 51 47 54 50 7.5
B 56 53 59 60 52 56 12.5
C 55 51 53 51 50 52 4.0

Tabla 1. Resultados de la evaluación de tres máquinas a través de muestras aleatorias
de cinco jornadas laborales elegidas al azar. La varianza de los promedios de las tres
muestras es Spromedios2 = 9.33. El promedio de las varianzas es Spromediada2 = 8.00.iii

Aparentemente, la máquina A produce mejores resultados que la máquina C, a juzgar por el
menor número promedio de errores. Las máquinas A y C parecen producir ambas menos
errores que la máquina B. Ahora bien, ¿es realmente peor el rendimiento de la máquina B?
¿O la diferencia de los promedios podría deberse simplemente al azar?

Supongamos que tomamos 15 muestras aleatorias de una misma máquina 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 también fluctúan, a pesar de tratarse de la
misma máquina, pero vale la pena preguntarse si la fluctuación 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 variación del resultado entre las máquinas de la Tabla 1
también se podría atribuir al azar. De lo contrario, se podría pensar que efectivamente hay
diferencias entre las máquinas.

Muestra Valores muestrales Promedio Varianza
de la intra-
muestra muestra
1 51 54 50 53 47 51 7.5
2 52 51 54 59 49 53 14.5
3 51 53 53 53 50 52 2.0

Tabla 2. Tres muestras de cinco valores cada una que evalúan a la misma máquina. 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 hipótesis que nos brinde una medida numérica del grado al
cual las muestras son distintas. Por ejemplo,

3

+P i distinto

de j para
P
algún par i distinto de j (2)

sería un test adecuado para este fin. La ecuación (1) se denomina hipótesis nula e indica
que el comportamiento de las tres máquinas es, hipotéticamente, el mismo para todas (las
diferencias en los promedios de las Tablas 1 y 2 se atribuirían al azar). La ecuación (2) es la
hipótesis alternativa. En estos análisis se supone que todas las muestras se obtienen a partir
de poblaciones normales con la misma varianza.

Una idea de la variabilidad de los tres números de la columna de promedios de la Tabla 1
nos la da su varianza (la varianza de 50, 56, y 52 es Spromedios2 = 9.33). Pero esta varianza
podríamos obtenerla también con máquinas de funcionamiento más errático, como en la
Tabla 3. Las máquinas de esta tabla producen en promedio el mismo número de defectos
que las de la Tabla 1 (50, 56, y 52 defectos), pero la variabilidad entre las jornadas
muestreadas, indicada por su varianza promedio (Spromediada2 = 56.83), es mayor que la de
las máquinas de la Tabla 1 (Spromediada2 = 8.00). Como vemos, para comparar las varianzas
intramuestra de las Tablas 1, 2, y 3 se toma el promedio de los valores de las columnas
tituladas Varianza. Así, los resultados que se obtienen son 8, 8, y 56.8 para las Tablas 1,
2, y 3, respectivamente.

Máquina Número de blisters defectuosos en Promedio Varianza
cada jornada muestreada de la intra-
muestra muestra
A 58 45 52 37 58 50 81.5
B 46 59 64 61 50 56 58.5
C 58 58 49 47 48 52 30.5

Tabla 3. Resultados de la evaluación de tres máquinas a través de muestras aleatorias de
tamaño n = 5 (distintas a las de la Tabla 1). La varianza de los promedios de las tres
muestras es Spromedios2 = 9.33. El promedio de las varianzas es Spromediada2 = 56.83.

Comparando estos valores podemos juzgar mejor la situación. Se puede comenzar a
sospechar (o a inferir) que en la Tabla 1 los promedios de las muestras provenientes de
distintas máquinas difieren estadísticamente pues la varianza de estos promedios es grande
comparada con la fluctuación aleatoria promedio dentro de cada muestra (es decir,
comparamos 9.33 con 8), mientras que en las máquinas de la Tabla 3 los errores se
producen tan erráticamente que todas las muestras podrían provenir de la misma población
(comparamos 9.3 con 56.8). Esta comparación que estamos realizando es un tanto intuitiva,
pero existen modos numéricos de realizarla.

En efecto, numéricamente la comparación se realiza cotejando el promedio de las varianzas
intra-muestras, Spromediada2, con la varianza de los promedios, Spromedios2. Definimos:

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 será, en general, relativamente grande comparado con el
denominador Spromediada2 y el ratio F0 tenderá a ser mayor que 1. ¿Cuán grande debe ser F0
para rechazar la hipótesis de que los promedios de las diversas máquinas no son iguales?
La respuesta la da formalmente la estadística 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 cuán importante (o poco importante) es el
ratio F0 de la ecuación (3); si el ratio es importante, los promedios entre las máquinas son
estadísticamente distintos, y viceversa.

Estos resultados, aplicados a la Tabla 1, se indican en la Tabla 4, denominada tabla del
análisis de varianza, o tabla ANOVA, por sus siglas inglesas. Examinemos cómo está
compuesta. Tiene tres filas y seis columnas.

La primera fila resume el cálculo del numerador de la ecuación (3); la segunda, el cálculo
del denominador; la tercera, presenta los valores totales (los cálculos no se muestran). La
variación entre máquinas se explica como si las filas de la tabla de datos (Tabla 1)
provinieran de distintas poblaciones (es decir, de máquinas que producen distinto número
de blisters defectuosos). La variación entre las filas de la Tabla 1 se indica como “no
explicada” pues es la variación aleatoria que no puede explicarse sistemáticamente por
diferencias en las blisteras.

Las seis columnas son: fuente de variación, variación, grados de libertad, varianza, ratio F0,
y valor probabilístico. Por razones de brevedad, no mostramos los pasos del cálculo de los
valores de la tabla (el lector puede consultar Wonnacott et al. (1977) o cualquier otro texto
de estadística 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:

F0 = varianza explicada / varianza no explicada (4)

La varianza explicada es, como vimos, la varianza entre filas, y “está explicada” por que las
muestras provienen de distintas máquinas. La varianza no explicada, por otra parte, es la
varianza dentro de las filas, y “no está explicada” pues no se debe a la pertenencia de los
datos a distintas máquinas, sino al azar, a la variación no sistemática entre los datos sobre
errores producidos por una misma blistera. El valor probabilístico de la sexta columna se
obtuvo de la planilla de cálculo 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 más concretas, si repitiéramos este
experimento un número arbitrariamente grande de veces con blisteras que produjeran, cada
una, en promedio, el mismo número de defectosv, sólo en el 1,7% de los casos
obtendríamos un ratio F0 = 5.83 o mayor; en la gran mayoría de los casos, el valor del ratio
sería menor. Así es que podemos “rechazar” la hipótesis nula (los promedios de blisters
defectuosos son iguales para todas las máquinas) y “aceptar” la hipótesis alternativa (al
menos dos blisteras producen distinto número de artículos defectuosos).

5

Fuente de Variación; suma Grados de Varianza; Ratio F0 Valor
variación de cuadrados libertad suma de probabilístico
cuadrados
promedio
Entre máquinas 93,33 2 46,67 5.83 0.017
(EXPLICADA)
Dentro de cada 96 12 8
máquina (NO
EXPLICADA)
Total 189.33 14

Tabla 4. Tabla ANOVA correspondiente a los datos de la Tabla 1.

Las tablas ANOVA correspondientes a las Tablas 2 y 3 se presentan como Tablas 5 y 6,
respectivamente.

Fuente de Variación; suma Grados de Varianza; Ratio F0 Valor
variación de cuadrados libertad suma de probabilístico
cuadrados
promedio
Entre máquinas 10 2 5 0.625 0.55
(EXPLICADA)
Dentro de cada 96 12 8
máquina (NO
EXPLICADA)
Total 106 14


Fuente de Variación Grados de Varianza; Ratio F Valor
variación libertad suma de probabilístico
cuadrados
promedio
Entre máquinas 93.33 2 46.67 0.82 0.46
(EXPLICADA)
Dentro de cada 682 12 56.83
máquina (NO
EXPLICADA)
Total 775.33 14


La Tabla 5 nos indica que no podemos rechazar “fácilmente” la hipótesis nula. Es decir,
suponiendo que los promedios de las blisteras fueran iguales, y si repitiéramos el muestreo
un número arbitrariamente grande de veces, en más de la mitad de los casos obtendríamos
un valor probabilístico del orden del ratio F0 o mayor por la simple acción del azar.
Sabemos que las muestras no difieren en sus promedios, pues todas provienen de la misma
máquina. En la Tabla 6, por el contrario, las muestras provienen de distintas máquinas
(Tabla 3), cuyos promedios son tan dispares como los de la Tabla 1. Sin embargo, la
variabilidad dentro de la muestra de cada máquina es tan grande que la disparidad de los

6

promedios entre las máquinas podría atribuirse al azar, como lo sugiere el valor
probabilístico del 46%.

CONSIDERACIÓN DE OTROS FACTORES EN EL ANÁLISIS DE VARIANZA

En la sección anterior hemos considerado diferencias en los promedios de errores
producidos solamente por las máquinas. Sin embargo, otros factores podrían estar actuando,
como la calidad de los operadores o el tipo de insumos utilizados. Consideremos, por
ejemplo, que los operadores difieren en su grado de entrenamiento y que producen por lo
tanto resultados disímiles entre ellos. Como para juzgar la calidad de los resultados nos
basamos en muestras aleatorias, la comparación es de naturaleza estadística. Supongamos
que reorganizamos la información de la Tabla 1 como en la Tabla 7.

Operadores Promedio de cada máquina
Máquinas 1 2 3 4 5
1 48 50 54 47 51 50
2 56 53 59 60 52 56
3 53 51 55 51 50 52
Promedio de 52.3 51.3 56.0 52.7 51.0 Promedio general = 52.67
cada
operador

Tabla 7. Reorganización de los datos de la Tabla 1. Los datos del número de blisters
defectuosos se clasifican por operador y por máquina.

Nos proponemos reducir la magnitud de la varianza no explicada en la Tabla 4 tomando en
cuenta la diferencia entre los operadores. En la Tabla 7, se muestra que cada operador
realizó las tareas que dieron lugar a una de las observaciones muestrales en cada máquina;
así, el operador 1 realizó tareas en la máquina 1 que dieron lugar a 48 blisters defectuosos
en el intervalo de la primera muestra, tareas en la máquina 2 con 56 artículos defectuosos
en la segunda muestra, y tareas en la máquina 3 con 53 productos defectuosos en la tercera
muestra. La tabla indica los promedios de defectos por máquina y por operador, así como el
promedio general de los blisters defectuosos. Los promedios de las máquinas se mantienen
en sus valores anteriores, mostrando un cierto grado de fluctuación. Los promedios de los
operadores parecen del mismo orden, excepto el del operador 3. ¿Existe entre ellos una
diferencia estadísticamente significativa? El análisis de varianza, que se realiza de modo
similar al del ejemplo anterior, se presenta en la Tabla 8.

El resultado indica que hay razones para rechazar la hipótesis de que las máquinas no
difieren entre sí, pues solo en el 1,4% de las repeticiones de este experimento se obtendría
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 estadística para
rechazar la hipótesis de que los operarios son todos igualmente eficientes.

7

Fuente de Variación Grados de Varianza; Ratio F0 Valor
variación libertad suma de probabilístico
cuadrados
promedio
Entre máquinas 93.33 2 46,67 7.67 0.014
(EXPLICADA)

Entre 47,33 4 11,83 1.94 0.20
operadores
(EXPLICADA)
Fluctuación 48,67 8 6.08
residual (NO
EXPLICADA)
Total 189.33 14

Tabla 8. Análisis de varianza con dos factores: máquinas y operadores.

Con estas explicaciones concluimos esta breve y rápida recorrida por el análisis de
varianza. Es importante comprender la “filosofía” de esta técnica e interpretar la tabla
ANOVA, dado que se utiliza frecuentemente en el análisis de experimentos, al cual
entramos ahora con el estudio de un tipo especial de experimento, muy utilizado en
aplicaciones diversas de diseño, manufactura y servicios.

III. EXPERIMENTOS FACTORIALES

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 experimentación y sus interacciones. En la industria farmacéuticavi las
condiciones pueden ser, por ejemplo, la dureza de una tableta y la concentración del
aglutinante utilizado en su fórmula, y el efecto de interés el tiempo de desintegración de la
tableta. Alternativamente, en una aplicación de calidad de servicio, los factores
investigados podrían ser la amplitud del horario de atención de una farmacia, el nivel
técnico del personal que atiende al público y la variedad del inventario del negocio,
mientras que el efecto medido podría ser la percepción de la calidad de la atención por parte
del público. Los experimentos factoriales son importantes para comprender mejor el
enfoque de diseño experimental propuesto por Gen'ichi Taguchi, que estudiaremos en una
sección posterior de este artículo.

UN EJEMPLO DE EXPERIMENTO FACTORIAL

Examinemos un diseño factorial de dos niveles en el que se considera el efecto de dos
factores, la dureza de una tableta y la concentración del aglutinante, sobre el tiempo de
desintegración de una tableta. Cada uno de los factores puede estar en dos niveles, bajo y
alto. Definimos en primer lugar el efecto principal de un factor como el cambio en la
respuesta (tiempo de desintegración) producido por un cambio en el nivel de un factor
(dureza o concentración del aglutinante). Por ejemplo, en la Figura 1, el efecto principal de
la dureza de la tableta es la diferencia entre la respuesta correspondiente al primer nivel (-)

8

y la correspondiente al segundo nivel (+). La respuesta se indica con los números situados
en los vértices del cuadrado y se mide en unidades de tiempo.

4 6
+

Concentración del
aglutinante (B)
-
3 5

- +
Dureza de la tableta (A)

Figura 1. Magnitud de la respuesta ante distintas combinaciones de los factores de entrada
(no hay interacción). La respuesta se indica en los vértices del cuadrado y se mide en
unidades de tiempo.

Así tenemos:

Efecto principal de la dureza de la tableta = A = ((5+6)/2) - ((4+3)/2) = 5.5 - 3.5 = 2 (5)

Es decir, al cambiar la dureza de la tableta del nivel (-) al nivel (+), el tiempo de su
desintegración se incrementa en promedio en 2 unidades. De modo análogo, al cambiar la
concentración del aglutinante de (-) a (+), el tiempo de desintegración 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 interacción entre los factores.
Consideremos la Figura 2. En el nivel (-) de dureza de la tableta, un aumento en la
concentración 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 concentración del
aglutinante hace aumentar en dos unidades el nivel del tiempo de respuesta; algo análogo
ocurre con el otro factor. Gráficamente obtenemos la Figura 3.

La Figura 3 (a) muestra en el eje horizontal la dureza de la tableta (factor A) y en el eje
vertical el tiempo de desintegración (respuesta) para dos valores de la concentración del
aglutinante (factor B). Los segmentos que indican el cambio en la respuesta para los dos
niveles del factor B, B1 y B2, son paralelos entre sí, por no existir interacción entre los
factores. Por el contrario, en la Figura 3 (b) se presenta un caso en el que existe interacción
y los segmentos no son paralelos entre sí.

9

3 7
+

Concentración del
aglutinante (B)
-
2 5

- +
Dureza de la tableta (A)

Figura 2. Magnitud de la respuesta ante distintas combinaciones de los factores de entrada
(hay interacción).
Tiempo Tiempo

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 interacción (segmentos paralelos) (b) Con interacción (segmentos no paralelos)

Figura 3. Comparación de las respuestas a dos factores cuando no existe interacción (a) y
cuando existe interacción (b).

Es importante considerar las interacciones entre factores, y vale destacar que los
experimentos factoriales son la única forma de detectarlas. El método (incorrecto) de
modificar los factores de a uno no toma en cuenta las interacciones.

OTRO EJEMPLO DE EXPERIMENTO FACTORIAL

Se quiere mejorar el servicio de atención de una cadena de farmacias. Sobre la base de un
estudio de marketing en instituciones de saludvii, el analista desea considerar la evaluación
que los clientes de una farmacia típica de la cadena realizan sobre la base de distintas
condiciones de atención. Los factores potenciales son: confiabilidad, respuesta,
aseguramiento, empatía, y factores tangibles, como el aspecto general del negocio. Se
eligen para el experimento dos factores: aseguramiento y tangibles. El nivel de

10

aseguramiento, que consiste en librar de cuidado o temor al cliente, tranquilizarlo e
infundirle confianza, se controla con la selección del personal de atención al público: el
nivel bajo de aseguramiento corresponde a una atención al público por parte de personas
muy jóvenes sin formación técnica en farmacia (atención no profesional); el nivel alto, a la
atención por parte de farmacéuticos profesionales de mediana edad (el hecho de estar la
farmacia atendida por farmacéuticos se informa claramente en el local; además, el personal
farmacéutico es instruido para que brinde a todos los clientes la información básica sobre el
uso del medicamento adquirido, aunque el cliente no la solicite). Los factores tangibles se
establecen a tres niveles: instalación de lujo (amplios espacios, iluminación rica,
escaparates atractivos); instalación standard (la que prevalece en la cadena de farmacias en
el momento del experimento); e instalación minimalista, con elementos básicos de
decoración y funcionamiento. Tres clientes son asignados al azar a cada combinación de
factores, y se les pide que evalúen la calidad de la atención en una escala del 1 al 100. Los
resultados obtenidos están en la Tabla 9.

Atención no Atención yi..
profesional profesional
Instalación de 40/48/40 54/49/55 286
lujo Total = 128 Total = 158
Instalación 55/49/53 59/61/62 339
standard Total = 157 Total = 182
Instalación 38/37/41 55/51/50 272
minimalista Total = 116 Total = 156
y.j. 401 496 y... = 897

Tabla 9. Datos del experimento de la farmacia. Se realizan tres encuestas al azar para cada
combinación de factores, cuyos resultados se indican separados por barras. El total de cada
combinación se indica en cada célula. 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 combinación de factores se muestran en
la tabla, separados por barras. El total de cada combinación se indica en cada célula: por
ejemplo, el total de 128 en la intersección de “Atención no profesional” e “Instalación 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 células, horizontalmente) y el de las columnas como y.j. (suma
de los totales de las células, verticalmente). El total general es y..., 897 en este caso.

Nuestro objetivo es determinar qué combinación de tipo de instalación y estilo de atención
produce la mejor impresión en los clientes; queremos saber, además, si hay interacción
entre ambos factores. La ausencia de interacción daría a la gerencia mayor flexibilidad para
la atención de los compradores. Examinemos el análisis estadístico del experimento
factorial de dos factores, que es, como adelantamos, una extensión al análisis de varianza.

ANÁLISIS DEL DISEÑO EXPERIMENTAL DE LA FARMACIAviii

Se trata de un diseño completamente aleatorio de dos factores A y B, cada uno con a y b
niveles, respectivamente. Cada combinación se replica n veces. La Tabla 9 de los datos se

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...

Tabla 10. Esquema de los datos de un diseño factorial de dos factores.

Las observaciones se describen por el modelo siguiente:

yijk = PW i E WE

j ij H
ijk (5)

donde:

i = 1, 2, ..., a; j = 1, 2, ..., b; k = 1, 2, ..., n
P = efecto promedio general
W i = efecto del nivel i-ésimo del factor A
E j = efecto del nivel j-ésimo del factor B
WE

ij = efecto de la interacción entre A y B
H ijk = componentes de error aleatorio independientes distribuidos normalmente
con media nula y varianza V

La hipótesis nula es la siguiente:

H0: No existe un efecto significativo de A, ni de B, sobre el resultado
del experimento, ni tampoco existen interacciones significativas
entre A y B.

Recordemos que el análisis de varianza descompone la variabilidad de las respuestas en
diversos componentes. En general, decimos que el análisis descompone en sus partes
constitutivas la suma corregida total de los cuadradosix, es decir:

a b n 2
= ∑∑∑ y −
y...
SSTotal 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 símbolos significan:

SSA: Suma de los cuadrados de la fuente de variación A.
SSB: Suma de los cuadrados de la fuente de variación B.

12

SSAB: Suma de los cuadrados de las interacciones entre A y B.
SSE: Suma de los cuadrados de los errores.

Aplicando estos resultados a nuestro ejemplo, tendremos:
2
a b n
897 2
SSTotal = ∑∑∑ yijk −
y...
2
= 40 2 + 482 + ... + 50 2 − = 1046.5 (7)
i =1 j =1 k =1 abn 3* 2 *3

yi2.. y... 286 2 339 2 272 2
a 2
897 2
SS instalación =∑ − = + + − = 416.3 (8)
i =1 bn abn 2 * 3 2 * 3 2 * 3 3 * 2 * 3
b y.2j .2
y... 897 2
SS atención = ∑ − = 401 + 496 −
2 2
= 501.4 (9)
j =1 an abn 3* 2 * 3

2 2
a b yij . y... 128 2 158 2 156 2 897 2
SS subtotal = ∑∑ − = + + ... + − = 937.2 (10)
i =1 j =1 n abn 3 3 3 3* 2 * 3

SS int eracción = SS subtotal − SS instalación − SS atención = 937.2 − 416.3 − 501.4 = 19.4 (11)

SS error = SS Total − SS instalación − SS atención − SS int eracción = 1046.5 − 416.3 − 501.4 − 19.4 = 109.3 (12)

Los resultados del análisis de varianza se presentan como Tabla 11. El método de
construcción de la tabla es análogo al presentado antes, al igual que la interpretación de los
resultados. Así, podemos afirmar con una gran dosis de seguridad que ambos factores--
instalación y atención--son significativos, mientras que la interacción entre ellos es poco
probable: en aproximadamente el 37% de las realizaciones de este experimento
obtendríamos por efecto del azar valores de F0 iguales o superiores al obtenido en esta
realización.

Fuente de Variación Grados de Varianza F0 Valor
variación libertad probabilístico
Instalación 416.3 2 208.2 22.8 0.00008
Atención 501.4 1 501.4 55.0 0.000008
Interacciones 19.4 2 9.7 1.1 0.37
Error 109.3 12 9.1
Total 1046.5 17

Tabla 11. Tabla del análisis de varianza del ejemplo de la farmacia. El efecto de los
factores es estadísticamente significativo, no así la interacción entre los factores.

Dado que la falta de interacción entre los factores se manifiesta en líneas paralelas,
comprobemos en el gráfico de la Figura 4 esta falta de interacción.

13

Promedio Atención profesional
de yij. 60.7

52.7 Atención standard
52.3 52

42.7
38.7

De lujo Standard Minimalista
Tipo de instalación

Figura 4. Comprobación de la falta de interacción entre los dos factores de diseño de la
atención farmacéutica. Las líneas del efecto de la atención, para tres niveles del estilo del
local, son, en líneas generales, paralelas.

En la figura se observa que, cualquiera sea el tipo de instalación en la que recibimos a los
clientes, el resultado es mejor cuando la atención está a cargo de profesionales.

El DISEÑO FACTORIAL 2k

En el ejemplo anterior se consideraron tres tipos distintos de local, es decir, tres niveles del
factor instalación. Sin embargo, es usual considerar sólo dos niveles de los factores, a fin de
mantener acotado el número de ensayos necesarios para obtener información de los efectos
y sus interacciones. Esto da lugar a los llamados diseños factoriales 2k. Comencemos
estudiando el diseño 22, en el cual se analiza el efecto de dos factores a cada uno de dos
niveles. El diseño se esquematiza en la Figura 5.

Siguiendo una práctica standard, una corrida se presenta en el esquema por una serie de
letras minúsculas, como a o ab. Si la letra está presente, el factor se pone en el nivel
alto. La ausencia de una letra indica, entonces, que el factor está en el nivel bajo. Si ambos
factores son bajos, se utiliza el símbolo (1). Los símbolos (1), a, b, y ab significan
también 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 interacción entre ambos, AB.

Alto b ab
(+)

Factor B
Bajo
(-) 2 5
(1) a

Bajo (-) Alto (+)

Factor A

Figura 5. Esquema del diseño 22.

14

Así, 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 paréntesis cuadrados se
denominan contrastes. Obsérvese que los coeficientes de los elementos que constituyen
contrastes son +1 ó -1 en todos los casos. Consideremos la Tabla 12. Es una tabla de
signos, útil 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 + + + +

Tabla 12. Signos de los contrastes para el experimento factorial 22.

La Tabla 12 sirve para generar contrastes específicos. 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. Así:

Contraste A = [− (1) + a − b + ab] = [a + ab − b − (1)] (16)

Para obtener la suma de cuadrados para A, B, y AB utilizamos la expresión siguiente:

SS = Contraste 2 (17)
n ∑ (coeficiente de contraste )2

Con la expresión (17) podemos obtener las siguientes sumas de cuadrados:

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 análisis 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 substracción.

EJEMPLO DE DISEÑO 22

Examinemos un ejemplo, similar al del caso de la tableta cuya dureza y concentración de
aglutinante se hacía variar entre dos niveles. El efecto de interés es el tiempo de
desintegración, o respuesta. Para cada combinación de niveles se realizan dos mediciones
del tiempo de respuesta, como se indica en la Tabla 13.

Corrida Factores Medición Total
A B 1 2
1 (1) - - 2.1 1.9 4.0
2 a + - 2.5 2.4 4.9
3 b - + 2.7 2.6 5.3
4 ab + + 3.0 3.1 6.1

Tabla 13. Datos del ejemplo de diseño factorial 22.

Recordando que los símbolos (1), a, b, y ab significan también la suma de los totales de las
n observaciones, calculamos el efecto de los factores y las interacciones, A, B, y AB.

Así:

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)

A simple vista, los factores A y B parecen importantes, no así la interacción AB, por su
escasa magnitud relativa. Sin embargo, es conveniente confirmar esta primera impresión
con un análisis de varianza. Los datos están reproducidos en la Tabla 14.

Factor B
(-) (+) yi..
(-) 2.1/1.9 2.7/2.6 9.3
Factor A

Total = 4.0 Total = 5.3

(+) 2.5/2.4 3.0/3.1 11.0
Total = 4.9 Total = 6.1

y.j. 8.9 11.4 y... = 20.3

Tabla 14. Preparación de los datos del diseño 22 para su posterior procesamiento.

Los cálculos de las sumas de cuadrados son los siguientes:

2 2 2 2
y...
SST = ∑∑∑ yijk −
2
=
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 .
2
y... 8.9 2 11.42 20.32
SS B = ∑ − = + − = 0.78125 (26)
j =1 an abn 2 * 2 2 * 2 2 * 2 * 2

2 2
2 2 yij .y... 42 4.92 5.32 6.12 20.32
SS subtotal = ∑∑ − = + + + − = 1.14375 (27)
i =1 j =1 n abn 2 2 2 2 2*2*2

SS AB = SS subtotal − SS A − SS B = 1.14375 − 0.36125 − 0.78125 = 0.00125 (28)

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.

Fuente de SS Grados de MS F0 Comparar
variación libertad con F
Factor A 0.36125 1 0.36125 41.2857143 0.00301638
Factor B 0.78125 1 0.78125 89.2857143 0.00069958
Interacción 0.00125 1 0.00125 0.14285714 0.72465864
Error 0.035 4 0.00875
Total 1.17875 7

Tabla 15. Tabla del análisis de varianza del ejemplo de diseño 22.

La tabla confirma las afirmaciones anteriores, es decir, se confirma la significatividad de
los factores A y B, y se comprueba también la falta de interacción entre ellos.

EL DISEÑO FACTORIAL 2k CON k = 3

Consideremos un experimento en el cual se consideran tres factores, cada uno de ellos a dos
niveles: esto es lo que se llama un diseño 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 interacción de tres factores (ABC). Gráficamente 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 diseño 2 .

Designemos como antes los totales de las n réplicas de cada una de las ocho corridas del
diseño: (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

La interacción AB se calcula considerando que, cuando C está en el nivel bajo, AB es la
diferencia promedio en el efecto A a los dos niveles de B y que, cuando C está en su nivel
alto, AB es también la diferencia promedio en el efecto A a los dos niveles de B;
matemáticamente tenemos:

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 interacción 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 análogo:

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

La interacción ABC se obtiene promediando AB a los dos niveles de C:

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 paréntesis cuadrados son contrastes, que se obtienen en la
práctica 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 características importantes. En primer lugar, a excepción de la
columna I, todas las columnas tienen igual número 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.

Tratamiento Efecto factorial
I A B AB C AC BC ABC
(1) + - - + - + + -
a + + - - - - + +
b + - + - - + - +
ab + + + + - - - -
c + - - + + - - +
ac + + - - + + - -
bc + - + - + - + -
abc + + + + + + + +

Tabla 16. Signos de los efectos en el diseño 23.

Por ejemplo, dados A y B, tenemos:

+1 −1 −1 +1 + 1 −1 −1 +1 = 0 (40)

En tercer lugar, la columna I corresponde al elemento identidad, I. Por lo tanto, si
multiplicamos el signo de I por cualquier otra columna, ésta no cambia. Finalmente, si
multiplicamos dos columnas cualesquiera, obtenemos otra columna: A x B = AB. Las
ecuaciones:

Contraste
Efecto = −
(41)
n2k 1

Contraste 2
SS = (42)
n2k

son expresiones generales válidas para valores positivos de k. Destacamos que los diseños
ortogonales son importantes en la metodología de Taguchi. Notemos también que la
complejidad de los diseños crece con el número de factores.

20

EJEMPLO DE DISEÑO FACTORIAL 23

Supongamos un experimento factorial 23 para determinar las condiciones en que se
maximiza la satisfacción de los clientes de una farmacia sobre la base de la variación en los
niveles de tres atributos, cada uno de ellos a dos niveles. Los atributos son:

1. Amabilidad de los empleados
2. Corrección de la factura
3. Tiempo entre el acceso a la farmacia y el comienzo de la atención.

El número de réplicas, n, es 2. Los clientes evalúan para cada combinación de atributos el
nivel de servicio en una escala del 1 al 100, con los resultados de la Tabla 17.

Corridas Atributos del servicio Evaluación Totales
por los
clientes
Amabilidad Factura Tiempo
1 (1) -1 -1 -1 45, 35 80
2 a 1 -1 -1 45, 55 100
3 b -1 1 -1 45, 45 90
4 ab 1 1 -1 60, 75 135
5 c -1 -1 1 45, 50 95
6 ac 1 -1 1 50, 55 105
7 bc -1 1 1 50, 40 90
8 abc 1 1 1 80, 70 150

Tabla 17. Datos del ejemplo de diseño 23.

La tabla ANOVA correspondiente, cuya forma de confección es análoga a la de ejemplos
anteriores, se muestra como Tabla 18. Se desprende que la amigabilidad y la corrección de
la factura son factores estadísticamente significativos. Además, la interacción entre
amabilidad y corrección de la factura también es significativa. Con este ejemplo
concluimos la presentación de los diseños factoriales, concepto importante para
comprender mejor los enfoques de Gen'ichi Taguchi, que estudiamos a continuación.

IV. LOS ENFOQUES DE GEN´ICHI TAGUCHI EN EL DISEÑO EXPERIMENTAL

Las aplicaciones industriales del diseño experimental tuvieron inicialmente mucho mayor
éxito en el Japón que en las economías occidentales. Se afirma que en gran parte el éxito de
calidad de los productos japoneses se debe a estas aplicaciones, y los experimentos
multifactoriales parecen ser una parte integral del proceso de diseño de las compañías de
ese país (Box et al. (1988)). En empresas occidentales también están difundiéndose las
técnicas de Taguchi, que prestan especial atención a las consideraciones de ahorro de
costos: en efecto, según algunos autores como Sullivan (1987), empresas de la talla de ITT,
que han capacitado a más de mil ingenieros en estos métodos, miden el éxito de la calidad
en sus estudios de casos en términos de ahorro y no de número de unidades defectuosas.

21

Fuentes de SS Grados MS F0 Valor
variación de probabilístico
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
Interacción 351.5625 1 351.5625 8,33 0,02
amab.-factura
Interacción 1.5625 1 1.5625 0,03 0,85
Amab.-tiempo
Fact-tiempo 1.5625 1 1.5625 0,03 0,85
Interacción 39.0625 1 39.0625 0,92 0,36
Am.-fac.-t.
Error 337.5 8 42.1875
Total 2398.4 15

Tabla 18. Tabla del análisis de varianza del diseño 23.

En la industria farmacéutica los métodos de Taguchi se emplean, por ejemplo, en la
optimización de herramientas de medición analítica (HPLC) o en la calibración de
dispositivos complejos con múltiples entradas y salidas que deben ser optimizadas.

LA FUNCIÓN DE PÉRDIDA Y EL CONCEPTO DE CALIDAD

Gen´ichi Taguchix realizó un gran esfuerzo para llevar a un terreno práctico el diseño
experimental. Introdujo, además, conceptos revolucionarios que afectaron la forma de
medir la calidad y su costo. Para Taguchi, la calidad, antes que por la satisfacción de
especificaciones, debe medirse en términos de la así llamada función de pérdida, que
establece la pérdida que la sociedad sufre como consecuencia de la mala calidad. Un
producto de calidad es para el cliente aquél que cumple con las expectativas de
performance o rendimiento cada vez que lo utiliza, sin fallas y en cualquier condición o
circunstancia. Los productos que no cumplen con dichas expectativas causan pérdidas,
tanto para los clientes y los productores, como para, eventualmente, el resto de la sociedad.
Por esto, para Taguchi, la calidad debe medirse en función de la pérdida que causa:
mientras mayor es la pérdida que se produce, menor es la calidad.

Pero, aunque en un sentido más exigente que en el concepto tradicional, las
especificaciones también son clave para Taguchi, y calidad significa conformidad con las
especificaciones. Apartarse de las especificaciones equivale a ocasionar al cliente y, en
última instancia, a la sociedad, una pérdida. Taguchi se apartó de la sabiduría convencional,
que suponía que calidad equivalía a producir dentro de los márgenes de tolerancia, y
postuló que el costo de la mala calidad se incrementa con el alejamiento del valor de
diseño, produciendo una pérdida para el cuerpo social. La función de pérdida vale cero
cuando el desvío con respecto al parámetro objetivo es nulo y se incrementa

22

cuadráticamente cuando los valores de los productos fabricados se acercan a los límites de
tolerancia. En otras palabras, los productos cercanos a los límites de tolerancia son
productos casi defectuosos y los gerentes deben trabajar para reducir la variabilidad de sus
procesos de producción. La función de pérdida se define como:

L( y ) = k ( y − T ) 2 (43)
donde:

• L(y) indica la pérdida (en unidades monetarias) que sufre la sociedad;
• k es una constante específica de cada caso considerado;
• T es un valor objetivo que la dimensión de interés debe tener (T mide la
calidad nominal o de diseño); y
• y es el apartamiento que la dimensión de interés presenta con respecto al
valor objetivo, T.

En contraste con el pensamiento tradicional sobre la calidad, que solo penaliza los valores
de y que superan los límites de tolerancia, Taguchi considera que todo apartamiento del
valor objetivo es un costo para la sociedad y como tal debe ser penalizado.

IMPORTANCIA DEL DISEÑO ROBUSTO

Para Taguchi, es posible incorporar la calidad en los productos desde su diseño, sin
aumentar su costo; los problemas deben eliminarse en el laboratorio de diseño, no en la
fábrica o en el campo. Según esta perspectiva, es necesario diseñar productos robustos que
toleren variaciones en el proceso de producción y durante el servicio de mantenimiento.
Los métodos estadísticos deben seleccionar los factores importantes que afectan el diseño.

Taguchi establece su metodología para:

1. Diseñar productos y procesos robustos a las condiciones
ambientales;
2. Diseñar y desarrollar productos robustos a la variación en sus
componentes;
3. Minimizar la variación alrededor de un valor objetivo xi.

La ingeniería de la calidad de Taguchi combina métodos estadísticos y de ingeniería para
optimizar los procesos de diseño y fabricación de modo que aumente la calidad y se
reduzcan los costos de los productos. El diseño de experimentos juega un papel esencial en
el enfoque de Taguchi, pues ayuda a identificar los factores que más intervienen en la
generación de problemas de calidad o, alternativamente, los factores que más contribuyen a
lograr resultados positivos. A lo largo de este proceso, se fortalece la cooperación entre
diversos niveles y áreas de la empresa.

La Figura 7 muestra un esquema de actividades de las firmas desde la invención del
producto hasta su llegada al mercado. El flujo se divide en tres etapas, conocidas por las
expresiones inglesas upstream, midstream, y downstream. La etapa de upstream consiste en

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 tecnología, actúa como perno entre el upstream
y el midstream. El bloque 5, manufactura, cumple el mismo papel entre el midstream y el
downstream. La ingeniería de la calidad enseña que las actividades para la mejora de la
calidad deberían ser empujadas hacia el upstream, alejándolas del proceso de manufactura.
El diseño experimental, y las técnicas de Taguchi en particular, apuntan a este fin.

DE LA INNOVACIÓN AL CLIENTE

1. Invención y UPSTREAM
tecnología innovadora

2. Desarrollo de
tecnología

MIDSTREAM

3. Diseño del producto 4. Diseño del proceso

5. Manufactura

DOWNSTREAM

6. Cliente

Figura 7. Esquema de actividades de una empresa desde la invención 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 diseño y la manufactura de los
productos, pues allí se concentran las consecuencias del costo y la calidad de los procesos.
Además, 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 tecnología genérica, en vez de estudiar las formas de
mejorar producto por producto. De esta manera, los avances tecnológicos 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
tecnologías robustas en la etapa de investigación y desarrollo, tecnologías que sean
fácilmente transferibles a nuevos procesos y productos. Entonces, las innovaciones más
valiosas son las que se producen upstream; no hay que descuidar la prevención de

24

problemas de calidad downstream pues es aquí--y no en el laboratorio--donde aparecen los
factores no controlables.

EL ENFOQUE DE TAGUCHI

Taguchi presenta tres etapas en el diseño de un producto o de un proceso:

1. Diseño del sistema
2. Diseño de los parámetros y
3. Diseño de las tolerancias.

En el diseño del sistema se determina la configuración básica de los componentes. Por
ejemplo, en una línea de acondicionamiento de comprimidos, el diseño del sistema incluye
la determinación de los materiales y el diseño del sistema de líneas que realizarán el
empaque, con todos sus componentes. En el diseño de los parámetros, se determinan los
niveles o valores de los factores controlables (parámetros de diseño, como la presión
aplicada en las blisteras) para minimizar el efecto de los factores incontrolables en las
características del producto terminado, es decir, en nuestro ejemplo, los comprimidos
envasados, con su prospecto y caja. Finalmente, el diseño de las tolerancias apunta a
reducir la varianza en las características del producto terminado cuando la reducción
lograda en el diseño de los parámetros no es suficiente.

El diseño experimental debería aplicarse fundamentalmente al diseño de los parámetros y al
diseño de las tolerancias. Fue un logro de Taguchi el haber destacado la importancia de
aplicar el diseño experimental en las etapas upstream del proceso de creación, fabricación y
puesta en el mercado de un nuevo producto. También es clave en su enfoque (aunque no
haya sido inventado por él) el concepto de robustez; un producto es robusto cuando se
comporta bien aún en condiciones no controlables.

MÉTODOS RECOMENDADOS POR TAGUCHI

Para llevar a la práctica sus conceptos, Taguchi recomienda métodos que se apartan
parcialmente de los usados en el diseño de experimentos clásico; la terminología que utiliza
también es algo distinta. En primer lugar, Taguchi divide los factores de un experimento en
factores controlables y factores incontrolables, o ruido.xii

Según la metodología de diseño de los parámetros, Taguchi recomienda seleccionar dos
diseños experimentales, uno para los factores controlables y otro para el ruido. En general,
estos diseños son del tipo ortogonal, descripto anteriormente. Los diseños se combinan en
el layout del diseño de los parámetros, un esquema de dos componentes:

• el arreglo de los factores controlables (arreglo interior);
• y el arreglo de los factores no controlables (arreglo exterior).

Para el análisis de datos, Taguchi recomienda evaluar en el arreglo interior la respuesta
promedio de cada corrida del experimento y analizar la variación de los resultados con un
ratio señal-ruido apropiado. Estos ratios se derivan de la función de pérdida cuadrática

25

presentada anteriormente. Se consideran óptimos los niveles de los factores que maximicen
un ratio señal-ruido adecuado. Estos ratios difieren según 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

En definitiva, el objetivo principal de la ingeniería en general es alcanzar mejoras de
rendimiento sostenibles ante cualquier condición downstream. Esto es lo que se llama
robustez. Quizás uno de los mayores desafíos para Taguchi consista en cómo medir la
robustez ya que, sólo si logramos hacerlo, podremos desarrollar tecnologías “a prueba de
ruido. Taguchi mide la robustez con el ratio señal-ruido. Mientras más robusta es una
tecnología, más fuerte es la señal que emite contra cualquier ruido externo que trate de
inhibir la fuerza de la señal.

Para Taguchi, el uso de los ratios señal-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 comprensión de los procesos
estudiados. Finalmente, dado que los arreglos no siempre se corren completos, por razones
de economía, es posible realizar experimentos confirmatorios.

CRITICA DE LOS DISEÑOS EXPERIMENTALES Y EL ANÁLISIS DE DATOSxiv

Una primera crítica a la metodología de Taguchi se vincula con la complejidad de sus
diseños experimentales. En efecto, los enfoques de Taguchi para el diseño de parámetros
utilizan diseños ortogonales, muchos de los cuales son experimentos factoriales
fraccionalesxv de dos niveles. Otros diseños, sin embargo, son del tipo factorial fraccional
de tres niveles (alto-medio-bajo) y tienen estructuras muy complejas. Una segunda crítica
apunta a la falta de un mecanismo para tratar con la interacción potencial entre los factores
controlables de un proceso. Una tercera crítica es que la estructura de arreglos internos y
externos lleva generalmente a experimentos muy grandes que, con los enfoques
tradicionales, podrían realizarse más eficientemente. Autores como Montgomery (1991)
sostienen que el enfoque de arreglos internos y externos es innecesario, y podría
reemplazarse con un único diseño que incluya tanto a los factores controlables como a los
no controlables. El diseño único reduce en general el tamaño del experimento y, además,
puede aportar una mejor comprensión del proceso subyacente.

También han sido criticados algunos aspectos del análisis de datos propuesto por Taguchi.
Sin entrar en detalle en los aspectos técnicos, corresponde destacar que incluso una
innovación típica de esta metodología, cual es el ratio señal-ruido, ha sido criticada por su
ineficiencia para detectar los efectos de dispersión, aunque pueda servir para identificar los
factores que afectan al promedio de una variable de interés.

Pero... si los métodos son malos, ¿por qué se recomiendan tanto? Sucede que muchas
compañías con poca experiencia en diseño experimental han informado de sus éxitos. En
general, eran compañías que empleaban métodos rudimentarios (como la variación 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 métodos de Taguchi, a pesar de su ineficiencia,
dieron un salto importante en la calidad de sus resultados. Los diseños factoriales son muy

26

eficientes e, incluso cuando se los utiliza ineficientemente dan resultados mejores que otros
métodos. 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 métodos de Taguchi no era demasiado
relevante. Otras consideraciones que ponen en perspectiva la adecuación de las aplicaciones
de Taguchi se presentan en la sección siguiente.

COMPARACIÓN ENTRE EL DISEÑO EXPERIMENTAL CLÁSICO Y LOS
MÉTODOS DE TAGUCHI

Tanto el diseño de experimentos como los métodos de Taguchi sirven para optimizar
procesos que tienen entradas controlables y salidas medibles. Ambas metodologías trabajan
con multiples entradas que afectan a la salida por medir. Su diferencia fundamental radica
en la forma en que cada método maneja las interacciones entre los factores de entrada.
Mientras en el diseño experimental clásico se prueba con todas las combinaciones de
niveles de entrada, o una fracción simétrica de las mismas, con el método de Taguchi se
trabaja con una porción pequeña 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 interés.

Las Figuras 8 y 9 resumen las características principales del diseño de experimentos y los
métodos de Taguchi. La Tabla 19 compara las fortalezas y debilidades de ambos métodos.

Métodos de Taguchi

• Suponen que los usuarios de estos métodos poseen cierto entendimiento del
proceso estudiado y de las interacciones subyacentes entre las entradas.
• Fueron inventados por ingenieros para ingenieros.
• Según Taguchi, algunas variables están bajo control, y otras no (factores de
ruido). Uno de los primeros pasos en los métodos de Taguchi es el uso de los
conocimientos previos del proceso para identificar los factores controlables y de
ruido más significativos.
• Taguchi recomienda un ratio señal-ruido para representar la robustez, (aunque un
simple análisis de la varianza o el desvío standard bastaría).
• En contraste con el diseño de experimentos clásico, Taguchi sugiere una ronda
final de experimentos de confirmación.
• Mientras que el diseño de experimentos clásico puede ignorar o no considerar
explícitamente los factores de ruido, el diseño Taguchi los usa para contrastar la
robustez del sistema, así como para encontrar las entradas óptimas.

Figura 8. Características principales de la metodología de Taguchi.

27

Diseño ejemplos

Más contenido relacionado

La actualidad más candente (20)

Destacado (7)

Similar a Diseño ejemplos (20)

Último (20)

Diseño ejemplos