Lean Seis Sigma

Programa de certificacin
de Black Belts
VII. Lean Seis Sigma - Mejora
P. Reyes / Abril 2010

Seis Sigma - Mejora

A. Diseo de experimentos
1.
2.
3.
4.

Introduccin y terminologa
Tipos de experimentos
Planeacin de experimentos
Experimentos de un factor ANOVA

Una va o direccin
Una variable de bloqueo, dos vas o direcciones
Dos variables de bloqueo CUADRADO LATINO
Tres variables de bloqueo CUADRADO GRECOLATINO

5. Experimentos factoriales 2K de dos niveles

H. Implementacin de soluciones

Fase de mejora

Propsito:

Desarrollar, probar e implementar soluciones que

atiendan a las causas raz

Salidas

Acciones planeadas y probadas que eliminen o

reduzcan el impacto de las causas raz identificadas

Comparaciones de la situacin antes y despus para

identificar la dimensin de la mejora, comparar los
resultados planeados (meta) contra lo alcanzado

FASE DE MEJORA
Causas
raz
Diseo de
experimentos
Ideas

Optimizacin

Efecto de X's
en las Y =
CTQs

Tcnicas de
creatividad
Tormenta de
ideas
Metodologa
TRIZ

Generacin de soluciones

Evaluacin de soluciones
(Fact., ventajas, desventajas)

No

Solucin
factible?
Si

Implementacin de
soluciones y verificacin
de su efectivdad

Soluciones
verificadas

VII.A Diseo de
Experimentos (DOE)

VII.A Diseo de experimentos

1. Introduccin y terminologa
2. Principios de diseo
3. Planeacin de experimentos
4. Experimentos de un factor
5. Experimentos fraccionales de dos niveles
6. Experimentos factoriales completos
6

VII.A.1 Introduccin y
terminologa

Perspectiva histrica

Ronald Fisher los desarrolla en su estacin

agrcola experimental de Rothamsted en
Londres (ANOVA) 1930

Otros que han contribuido son: F. Yates, G.E.P.

Box, R.C. Bose, O. Kempthorne, W.G. Cochran,
G. Taguchi

Se ha aplicado el DOE en la agricultura y

ciencias biolgicas, industria textil y lana, en
los 1930s

Despus de la II Guerra mundial se8

Introduccin

El cambiar un factor a un tiempo presenta las

desventajas siguientes:

Se requieren demasiados experimentos para el

estudio
No se puede encontrar la combinacin ptima
de variables
No se puede determinar la interaccin
Se puede llegar a conclusiones errneas
Se puede perder tiempo en analizar las
variables equivocadas

Por qu no probar
un factor a la vez?

PRESION

Zona Mxima

TEMPERATURA

PRESION

TEMPERATURA

Conclusin de la Prueba

Optimo
Respuesta Mxima
TEMPERATURA

PRESION

PRESION

Conclusin de la Prueba
TEMPERATURA

10

Introduccin

El DOE varia varios factores simultneamente

de forma que se puede identificar su efecto
combinado en forma econmica:

Se identifican los Factores que son

significativos
No es necesario un alto conocimiento
estadstico

Las conclusiones obtenidas son confiables

11niveles de
Se pueden encontrar los mejores

Qu es un diseo de
experimentos?
Cambios deliberados y sistemticos de las variables de entrada
(factores) para observar los cambios correspondientes en la
salida (respuesta).
Entradas

Salidas (Y)

Proceso

Entradas

Salidas (Y)

Diseo de
Producto

12

Diseo de experimentos

Proceso proactivo y estructurado para

investigar las relaciones entre los factores de
entrada (xs) y salida (y) de un proceso.

Los mltiples factores de entrada se

consideran y controlan al mismo tiempo para
asegurar que el efecto en la(s) respuesta(s) es
causal y estadsticamente significativo.

13

Diseo de experimentos
Factores conocidos no controlados
w1 w2 w3 w4

E
N
T
R
A
D
A
S

...

ws

x1

y1

x2

y2

..
.

PROCESO

..
.

ym

xa

S
A
L
I
D
A
S

Variables de respuesta (ys)

(CTQs)

Factores con niveles

(xs)

z1

z2 z3

z4

...

zn

Factores desconocidos

14

Planeacin emprica
versus planificada
Planear
E
S
F
U
E
R
Z
O

N
I
V
E
L
D
E
E
S
F
U
E
R
Z
O

Fase 1
Experimentar
Analizar

Tiempo

PlanearTrabajar a Analizar
prueba
y error

E
S
F
U
E
R
Z
O

Planear Experimentar

Fase 2
Analizar

Tiempo

15

El Diseo de experimentos tiene

como objetivos determinar:

Las Xs con mayor influencia en las Ys

Cuantifica los efectos de las principales Xs

incluyendo sus interacciones

Produce una ecuacin que cuantifica la

relacin entre las Xs y las Ys

Se puede predecir la respuesta en funcin de

cambios en las variables de entrada

16

Trminos

Obtencin de rplicas: repeticin del

experimento (5 resultados en cada corrida
experimental)

Aleatorizacin: hacer en forma aleatoria:

Permite confundir el efecto de los factores no

controlables

La asignacin de los materiales utilizados en la

experimentacin
El orden en que se realizan los experimentos

Bloqueo
- Orden de corridas aleatorio en cada
17 bloque

Trminos

Bloques:
Unidades experimentales homogneas

Bloqueo
Cuando se estructuran experimentos factoriales
fraccionales, el bloqueo se usa para agrupar las
variables que desea evitar. Un bloque puede ser
un factor artificial que no interacta con los
factores reales

18

Trminos

Error experimental

Fraccional

Un arreglo con menos experimentos que el

arreglo completo (1/2, , etc.)

Factorial completo

Variacin en respuesta bajo las mismas

condiciones de prueba. Tambin se denomina
error residual.

Arreglo experimental que considera todas las

combinaciones de factores y niveles

Interaccin

Ocurre cuando el efecto de un factor de entrada

19
en la respuesta depende del nivel de otro factor

Trminos

Nivel o Tratamiento

Efecto principal

Un valor especfico para un factor controlable de

entrada (100C, 120C, 140C)

Un estimado del efecto de un factor

independientemente del efecto de los dems

Optimizacin

Hallar las combinaciones de los factores que

maximizen o minimizen la respuesta

20

Trminos

Colinealidad

Ocurre cuando 2 variables estn completamente

correlacionadas

Confundidos

Cuando el efecto de un factor no se puede

separar del efecto de alguna de sus
interacciones (A y BC, B y AC)

21

Trminos

Correlacin
Un nmero entre -1 y +1 que indica el grado de
relacin lineal entre dos conjuntos de nmeros.
El cero indica que no hay relacin

Covarianza
Cosas que cambian durante los experimentos
pero no fueron planeadas a cambiar, como
temperatura o humedad. Con la aleatorizacin
se alivia este problema. Registrar los valores del
covariado para su posible uso en anlisis de
regresin

22

Trminos

Curvatura

Grados de libertad (DOF, DF, df o )

Comportamiento no lineal que requiere un

modelo de al menos segundo grado

Nmero de mediciones independientes para

estimar un parmetro poblacional (vg. la media
con n-1)

EVOP (Evolutive operations)

Describe una forma secuencial de

experimentacin haciendo pequeos
23 cambios

Trminos

Error experimental

Variacin en respuesta bajo las mismas

condiciones de prueba. Tambin se denomina
error residual.

Primer orden

Se refiere a la potencia a la cul un factor

aparece en el modelo. Si la X representa un
factor y B su efecto, entonces el siguiente
modelo es de primer orden para X1 y X2:

Y = Bo + B1*X1 + B2*X2 + error

24

Trminos

Factorial completo

Arreglo experimental que considera todas las

combinaciones de factores y niveles

Fraccional

Un arreglo con menos experimentos que el

arreglo completo (1/2, , etc.)

25

Factoriales completos
vs fraccionales

Un diseo factorial completo es el que contiene

todos los niveles de todos los factores, no se omite
ninguno
Un diseo factorial fraccional es un diseo
experimental balanceado donde que contiene
menos combinaciones de todos los niveles y
factores. Por ejemplo para 3 factores y 2 niveles se
tiene:

26

Trminos

Experimento con mezclas

Experimentos aleatorios

Experimentos en los cuales las variables se

expresan como proporciones del todo sumando
1.0

Reduce la influencia de variables extraas en la

experimentacin

Error residual (e o E)

Es la diferencia entre los valores observados y

los estimados por un modelo determinado
empricamente. Puede ser la variacin en
27
resultados de condiciones de prueba

Trminos

Resolucin I

Resolucin II

Experimentos donde algunos efectos principales

se confunden, es indeseable

Resolucin III- Exp. fraccionales

Experimentos donde se varia slo un factor a la

vez

Experimentos fraccionales donde no se

confunden los efectos principales entre s, slo
con sus interacciones de dos factores

Resolucin IV- Exp. fraccionales

No se confunden los efectos principales ni con

28
sus interacciones pero si lo hacen las

Trminos

Resolucin V Exp. Fraccionales

Resolucin VI - Exp. Factorial completo V+

Slo puede haber confusin entre interacciones

de dos factores con interacciones de tres
factores o de mayor orden

Experimentos sin confusin, factoriales

completos o dos bloques de 16 experimentos

Resolucin VII Exp. Factoriales completos

Experimentos en 8 bloques de experimentos

29

Factores y niveles

Los factores son los elementos que cambian durante

un experimento para observar su impacto sobre la
salida. Se designan como A, B, C, etc.
- Los factores pueden ser cuantitativos o cualitativos
- Los niveles se designan como alto / bajo (-1, +1) o
(1,2)
Factor cuantitativo,
dos niveles

Factor
Niveles
B. Temp. de Moldeo
600
700
E. Tipo de Material
Nylon Acetal

Factor cualitativo,
dos niveles
30

VII.A.2 Tipos de experimentos

31

Tipo de Diseo de Experimentos

Experimentacin
posible

No es posible
experimentar

Factores
Interdependientes

Se tiene
Informacin
Histrica

Diseos
Activos

Factores
Independientes

Diseos
Factoriales
Con
Restricciones

Dependencia
Parcial
InterdependenciaData
(B depende
de algunos
de A, pero
Todos los
A no depende
Sin
factores
de B)
Restricciones

Diseos
Pasivos
No se tiene
Informacin
Histrica

MinningCaracterizacin

Diseos
Diseos
Diseos Diseos de
D-Optimal Ortogonales Anidados
Mezclas

b
32

Diseos
Ortogonales

De filtraje
Diseos a 2 niveles
> 15
Factores

Ejecucin
2k-p
Bloqueado en partes

2k-p no
Ejecucin
BloqueadoIninterrumpida

2k
Ejecucin
Bloqueado en partes

2k no
Ejecucin
BloqueadoIninterrumpida

Diseos
Diseos
Factorial
Factorial
Completo Fraccionado
(2k-p)
(2k)

<4
Factores
Diseos
Factorial completo

4-15
Factores

Diseos
Plackett-Burman

<5
Factores

Factores
con ms de
2 niveles

De Optimizacin
De Caracterizacin

>4
Factores
Diseos
Taguchi

Diseos
con
Punto
Central

33

Diseos de
Superficie de
Respuesta

Diseos Factorial
Completo
Con punto central
4-15
Factores
> 15
Factores

Diseos Factorial
Fraccionado
Con punto central

Diseos
Todos los factores
Plackett-Burman Con 2 niveles
Con punto central

2k-p con punto

Ejecucin
Central
en partes
Bloqueado

<5
Factores

2k-p con punto

Ejecucin
Central no
Ininterrumpida
Bloqueado

2k con punto
Ejecucin
Central
Bloqueado en partes

2k con punto Ejecucin

Central no Ininterrumpida
Bloqueado

g
Diseos de
caracterizacin

34

2
Factores

>2
Factores

Diseo Central Factorial

Diseo Centrado en las caras
(CCF)

CCF no
Ejecucin
BloqueadoIn-interrumpida

CCD
Ejecucin
Bloqueado en partes

CCD no
Ejecucin
BloqueadoIn-interrumpida

Diseo Central
Compuesto
Diseo axial
(CCD)

Hay factores
discretos

35

Diseo
Box-Behnken

Todos los factores

son continuos

CCF
Ejecucin
Bloqueado en partes

Diseos de
Superficie de Respuesta

Vrtices Extremos
+ Factorial 2k
<5
F.I.*

Vrtices Extremos
+ Factorial 2k-p

<5
F.I.*

Simplex-Lattice
+ Factorial 2k-p
>3
F.I.*

<5
F.I.*

S.L.** Aumentado
+ Factorial 2k-p

>3
F.I.*

36

Algunos
factores son
Independientes

Todos los
Diseo
Simplex-Centroidefactores son
Sin factores dependientes
de Proceso
<5
F.I.*
Simplex-Centroide
+ Factorial 2k-p

De Optimizacin

Simplex-Centroide
+ Factorial 2k

Diseos Simplex-Lattice Diseos Simplex

Aumentado
Centroide
Algunos
factores son
Independientes

De filtraje

Simplex-Lattice Todos los

Aumentado factores son
Sin factores dependientes
de Proceso

Con
Restricciones

S.L.** Aumentado
+ Factorial 2k

Diseos
Simplex-Lattice

Algunos
factores son
Independientes

Diseo
Todos los
Simplex-Latticefactores son
Sin factores dependientes
de Proceso

>3
F.I.*

Simplex-Lattice
+ Factorial 2k

Diseos
Vrtices
Extremos

Algunos
factores son
Independientes

Diseo
Todos los
Vrtices Extremosfactores son
Sin factores dependientes
de Proceso

b
Diseos de
Mezclas
Sin Restricciones

Diseos Simplex
De Caracterizacin

>3
F.I.*

Aplicacin del DOE

Seleccin entre diversas alternativas

Seleccin de los factores clave que afectan la

respuesta

Modelado de la superficie de respuesta para:

Llegar al objetivo
Reducir la variabilidad
Maximizar o minimizar la respuesta
Hacer un proceso robusto
Buscar objetivos mltiples

37

VII.A.3 Planeacin de
experimentos

38

Pasos del DOE

Establecer objetivos
Seleccionar variables del proceso
Seleccionar un diseo experimental
Ejecutar el diseo

Verificar que los datos sean consistentes con

los supuestos experimentales

Analizar e interpretar los resultados

Usar / presentar los resultados

39

Objetivos experimentales
La seleccin de un diseo experimental depende
de los objetivos del experimento y del nmero
de factores a ser investigados:
Objetivo comparativo
Objetivo de filtraje de factores
Objetivo del mtodo de superficie de
respuesta
Optimizar las respuestas cuando los factores
son proporciones en un objetivo de mezclas
Ajuste ptimo en un objetivo de modelo de
regresin
40

Seleccin y escala
de variables del proceso
Las variables de proceso incluyen ambas
entradas y salidas, es decir factores y
respuestas. La seleccin de estas variables
debe:
Incluir todos los factores relevantes
Ser brillantes en seleccionar los niveles de
factores bajos y altos
Evitar ajustes de factores para combinaciones
imprcticas o imposibles
Incluir todas las respuestas relevantes
Evitar usar respuestas que combinen dos o
ms mediciones de proceso
Evitar valores extremos en los factores
41 de

Guas de diseo
Nmero de
factores

Objetivo
comparativo

Objetivo de
filtraje de
factores

Objetivo de
superficie de
respuesta

1- factor
completamen
te
aleatorizado

2-4

Diseo
aleatorizado
por bloques

Factorial
completo o
fraccional

Diseo
central
compuesto o
Box-Behnken

5 o ms

Diseo
aleatorizado
por bloques

Factorial
fraccional o
Placket
Burman

Fltrar primero
para reducir
el nmero de
42
factores

Supuestos experimentales
Son capaces los sistemas de medicin para todas
las respuestas?
Es estable el proceso?
Los residuos se comportan adecuadamente?
Modelo X1
La varianza se
Requiere un
trmino
Adecuado incrementa con X2 cuadrtico agregado
a X2

43

Interacciones

Interaccin

Ocurre cuando el efecto de un factor de entrada

en la respuesta depende del nivel de otro factor
de entrada diferente

44

Interacciones

Una interaccin ocurre cuando el efecto de un

factor de entrada en la salida depende del nivel de
otro factor de entrada. A veces se pierden con los
diseos factoriales fraccionales

Sin interaccin Interaccin

Interaccin
Interaccin
moderada
fuerte
fuerte

45

Lista de verificacin
tpica del DOE

Definir los objetivos del experimento

Aprender acerca del proceso antes de la

tormenta de ideas

Tormenta de ideas para definir la lista de las

variables clave dependientes e independientes

Correr experimentos preliminares para afinar

el equipo y obtener resultados preliminares
46

Lista de verificacin
tpica del DOE

Asignar niveles a cada variable independiente

en funcin del conocimiento sobre el proceso

Seleccionar un plan estndar de DOE o

desarrollar uno

Correr los experimentos en orden aleatorio y

analizar los resultados peridicamente

Establecer conclusiones
47

El mtodo iterativo del DOE

Mientras que un experimento puede dar un

resultado til, es ms comn realizar dos o
tres o ms experimentos antes de dar una
respuesta completa. Esto es mejor y ms
econmico.

48

Pasos para Disear y Realizar un

Diseo de Experimentos
1. Observar datos histricos y/o recolectar datos para
establecer la capacidad actual del proceso debe estar
en control estadstico.
2. Determinar el objetivo del experimento (CTQs a
mejorar).
Por medio de un equipo de trabajo multidisciplinario
3. Determinar qu se va a medir como resultado del
experimento.
4. Identificar los factores de control y de ruido que
pueden afectar el resultado.
49

Pasos para Disear y Realizar un

Diseo de Experimentos
5. Determinar el nmero de niveles de cada factor y sus
valores reales.
6. Seleccionar un esquema experimental que acomode
los factores y niveles seleccionados y decidir el
nmero de replicas.
7. Verificar todos los sistemas de medicin (R&R < 10%)
8. Planear y preparar los recursos (gente, materiales,
etc.) para llevar a cabo el experimento. Hacer un plan
de prueba.

50

Pasos para Disear y Realizar un

Diseo de Experimentos
9. Realizar el experimento, identificar
muestras con la condicin experimental
que la produce

Medir las unidades experimentales.

11. Analizar los datos e identificar los factores

significativos.
12.Determinar la combinacin de niveles de
factores que mejor alcance el objetivo.

51

Pasos para Disear y Realizar un

Diseo de Experimentos
13. Correr un experimento de confirmacin con esta
combinacin "ptima".
14. Asegurar que los mejores niveles para los factores
significativos se mantengan por largo tiempo mediante
la implementacin de Procesos de Operacin Estndar
y controles visuales.
15. Re evaluar la capacidad del proceso.

52

Ejemplo: Proceso de atencin a

clientes en un Call Center

Objetivos de los experimentos

Caracterizar el proceso (identificar los factores

que influyen en la ocurrencia de errores)

Optimizar, identificar el nivel ptimo de los

factores crticos para reducir el nmero de errores

Identificar los factores controlables que pueden

afectar a la respuesta Y = Tiempo de solucin de
problema

Identificar los factores de ruido que no podemos

53
o queremos controlar

Ejemplo: Proceso de atencin a

clientes en un Call Center

Variables de control Xs

Nmero de lneas telefnicas

Nivel del Personal

Tiempo de acceso a bases de datos

Horas laboradas al da

Horas de atencin

54

Ejemplo: Proceso de atencin a

clientes en un Call Center

Variables que no se pueden o desean controlar

Zs Variables de ruido

Edad del ejecutivo de cuenta

Distribucin del Call Center
Da del ao
Medio ambiente
Horarios de comida

55

Los Factores Pueden

Afectar...
1. La Variacin del Resultado
Banda ancha

3. La Variacin y el Promedio
Con
Entren.
Sin
entren.

Banda
angosta

Tiempo del servicio

2. El Resultado Promedio
Pocos ejecutivos

Tiempo del servicio

Tiempo del servicio

Suficientes
ejectuvos

4. Ni la Variacin ni el Promedio
Ambos sexos
Toman el mismo
tiempo

Tiempo del servicio

56

Tipos de Salidas
Las salidas se clasifican de acuerdo con nuestros objetivos.
Objetivo
Ejemplos de Salidas
1. El Valor Meta es el Mejor

Lograr un
valor meta con
variacin mnima

Tiempo de atencin
Tiempo de conexin

Meta

2. El Valor Mnimo es el Mejor

Tendencia de
salida hacia cero

Tiempo de Ciclo
Tiempo de
conexin

Confiabilidad
Satisfaccin

3. El Valor Mximo es el Mejor Tendencia de salida

hacia arriba

57

Estrategia cuando
el Valor Meta es Mejor
Paso 1: Encuentra los factores que
afectan la variacin. Usa estos
factores para reducir al mnimo
la variacin.
Paso 2: Encuentra los factores que
desplazan el promedio (y no
afectan la variacin). Usa estos
factores para ajustar la salida
promedio con la meta deseada.
58

Meta

Estrategia cuando el
Valor Mnimo es Mejor
Tendencia de
salida baja

El objetivo en este caso es encontrar los factores que

afectan la salida promedio (tiempo). Usa estos factores para
hacer que la tendencia del promedio sea baja.
Cuando se reduce la variacin en la salida al mnimo,
tambin se mejora la salida al detectar los factores que
contribuyen en gran medida a la variacin.
59

Respuesta de Salida

Y =Tiempo de
conexin

La salida que se mide como resultado del experimento

y se usa para juzgar los efectos de los factores.

Factores
Las variables de entrada de proceso que se
establecen a diferentes niveles para observar
su efecto en la salida.

Niveles
Los valores en los que se establecen los factores.

Interacciones
El grado en que los factores dependen unos de otros.
Algunos experimentos evalan el efecto de las
interacciones; otros no.

Pruebas o Corridas Experimentales

Las combinaciones de pruebas especficas de factores y
niveles que se corren durante el experimento.

A.
B.
C.
D.

Tiempo de llamada
LOcalizacin
Experiencia
Tipo de Material usado

Factor (Xs)
A. Tiempo llamada
B. Localizacin
C. Experiencia
D. Material usado

Niveles
30 60 min.
1
2
1
3
A B

Experiencia x Material
usado:
El mejor nivel de Material
depende de la experiencia.
Corridas

A
-1

-1

-1

-1

-1

-1

+1

-1

+
1

+
1
-1

.
.

-1=Nivel Bajo

+1

60+1=Nivel Alto

Dato
s

VII.A.4 Experimentos de un factor

61

Contenido

ANOVA de un factor, una va o una direccin

ANOVA de un factor y una variable de bloqueo,

dos vas o dos direcciones

ANOVA de un factor y dos variables de bloqueo

CUADRADO LATINO

ANOVA De un factor y tres variables de

bloqueo CUADRADO GRECOLATINO
62

ANOVA para un factor

o direccin

63

para probar la igualdad de

medias de varias poblaciones
para un factor
Se trata de probar si el efecto de un factor o
Tratamiento en la respuesta de un proceso o sistema es
Significativo, al realizar experimentos variando
Los niveles de ese factor (Temp. 1, Temp. 2, Temp.3, etc.)

Ho : 1 2 3 ......... a
Ha : A lg unas. ' s.son.diferentes
64

ANOVA - Condiciones

Todas las poblaciones son normales

Todas las poblaciones tiene la misma

varianza

Los errores son independientes con

distribucin normal de media cero

La varianza se mantiene constante para

todos los niveles del factor
65

ANOVA Ejemplo de datos

veles del Factor Peso % de algodn y Resistencia de te

Peso porc.
de algodn
15
20
25
30
35

Respuesta
Resistencia de la tela
7
7
15
12
17
12
14
18
18
19
25
22
7
10
11

11
18
19
19
15
66

9
18
19
23
11

ANOVA Suma de
cuadrados total
Xij
Gran media
Xij

SCT

i 1

j 1

( Xij X )
67

ANOVA Suma de cuadrados

de renglones (a)tratamientos
Media Trat. 1

Media Trat. a

a renglones
Gran media

Media trat. 2

SCTr b( X i X )
i 1

68

ANOVA Suma de cuadrados

del error
X2j

X1j

X3j

Media X1.

Media
X3.

Media X2.
Muestra 1

Muestra 2
a

SCE
i 1

(X
j 1

ij

Muestra

X i)

69

ANOVA Suma de cuadrados

del error
X2j

X1j

X3j

Media X1.
Media X2.
Muestra 1

Muestra 2

Media
X3.

Muestra

SCE SCT SCTr

70

ANOVA Grados de libertad:

Totales, Tratamientos, Error

gl.SCT n 1
gl.SCTr a 1
gl.SCE (n 1) (a 1) n a
71

ANOVA Cuadrados medios:

Total, Tratamiento y Error

MCT SCT /( n 1)
MCTr SCTr /( a 1)
MCE SCE /( n a )
72

ANOVA Clculo del

estadstico Fc y Fexcel

MCTr
Fc
MCE
Fexcel FINVALFA, gl. SCTr , gl.SCE

73

Tabla final de ANOVA

TABLA DE ANOVA
FUENTE DE VARIACIN

SUMA DE GRADOS DE CUADRADO

CUADRADOS LIBERTAD MEDIO

Entre muestras (tratam.)

SCTR

a-1

CMTR

Dentro de muestras (error)

SCE

n-a

CME

Variacin total

SCT

n-1

CMT

VALOR F

CMTR/CME

Regla: Rechazar Ho si la Fc de la muestra es mayor que la F de Excel para una cierta alfa
o si el valor p correspondiente a la Fc es menor al valor de alfa especificado

74

ANOVA Toma de decisin

Distribucin F

Fexcel

Alfa
Zona de no rechazo de Ho
O de no aceptar Ha

Zona de rechazo
De Ho o aceptar Ha

Fc
75

ANOVA Toma de decisin

Si Fc es mayor que Fexcel se rechaza Ho
Aceptando Ha donde las medias son
diferentes
O si el valor de p correspondiente a Fc es
menor de Alfa se rechaza Ho
76

ANOVA Identificar las

medias diferentes por Prueba
de Tukey T

T q , a , n a

CME
b

Para diseos balanceado

(mismo nmero de
columnas en los
tratamientos) el valor
de q se determina por
medio de la tabla en el

77

ANOVA Identificar las

medias diferentes por Prueba
de Tukey T
Se calcula la diferencia Di entre cada par de Medias Xis:
D1 = X1 X2

D2 = X1 X3 D3 = X2 X3 etc.

Cada una de las diferencias Di se comparan con el

valor de T, si lo exceden entonces la diferencia es
Significativa de otra forma se considera que las medias
Son iguales

78

diferentes por Prueba de

Diferencia Mnima Significativa
DMS

2(CME ) F ,1,n a
DMS
b
Para diseos balanceados (los
tratamientos tienen igual no. De
columnas), se calcula un factor DMS
contra el que se comparan las
diferencias Xi Xi. Significativas
79 si lo

Prueba DMS para Diseos no

balanceados

DMS j ,k

1 1
(CME ) F ,a 1,n a
b j bk

Para diseos no balanceados (los

tratamientos tienen diferente no. De
columnas), se calcula un factor DMS
Para cada una de las diferencias Xi
Xi
80

ANOVA Para un factor

principal y una variable de
bloqueo
Planes aleatorizados bloqueados

81

Diseos aleatorizados
bloqueados

Cuando cada grupo homogneo del

experimento contiene exactamente una
medicin en cada tratamiento, el plan
experimental se denomina plan aleatorizado
bloqueado. Ver el ejemplo siguiente:

82

Diseos aleatorizados
bloqueados

Un ejemplo de diseo de bloques incompleto

para la respuesta a la tensin es:

83

para probar la igualdad de

medias de varias poblaciones
con dos vas
Se trata de probar si el efecto de un factor o
Tratamiento en la respuesta de un proceso o sistema es
Significativo, al realizar experimentos variando
Los niveles de ese factor (Temp.1, Temp.2, etc.)
POR RENGLON
Y
Considerando los niveles de otro factor que se piensa
Que tiene influencia en la prueba VARIABLE DE BLOQUEO
POR COLUMNA
84

para probar la igualdad de

medias de varias poblaciones
con dos vas
Para el tratamiento en renglones

Ho : 1 2 3 ......... a
Ha : A lg unas. ' s.son.diferentes
Para la variable de bloqueo en columnas

Ho : '1 '2 '3 ......... 'a

Ha : A lg unas. ' s.son.diferentes
85

ANOVA de 2 vas - Ejemplo

Maquinas
Maq 1
Maq 2
Maq 3

Experiencia en aos de los operadores

1
2
3
4
5
27
31
42
38
45
21
33
39
41
46
25
35
39
37
45
86

ANOVA Dos vas o

direcciones

La SCT y SCTr (renlgones) se determina de la

misma forma que para la ANOVA de una
direccin o factor

En forma adicional se determina la suma de

cuadrados del factor de bloqueo (columnas) de
forma similar a la de los renglones

La SCE = SCT SCTr - SCBl

87

cuadrados, gl. y Cuadrado

medio para el factor de
bloqueo (en cols)
b

SCBl a ( X j X )

j 1

gl.SCBl b 1
CMBl SCBl /(b 1)
88

ANOVA de 2 vas Suma de

cuadrados, gl. y Cuadrado
medio para el error

SCE SCT SCTr SCBl

gl.SCE (n a )( n b)
CME SCBl /( n a )( n b)
89

ANOVA Clculo del

estadstico Fc y Fexcel

MCTr
Fc
MCE
Fexcel FINVALFA, gl. SCTr , gl.SCE

90

ANOVA de 2 vas Clculo del

estadstico Fcbl y Fexcel bloques
(columnas)

MCBl
Fc
MCE
Fexcel FINVALFA, gl. SCBl , gl .SCE

91

Tabla final ANOVA 2 vas

FUENTE DE VARIACIN

SUMA DE GRADOS DE CUADRADO

CUADRADOS LIBERTAD MEDIO

VALOR F

Entre muestras (tratam.)

SCTR

a-1

CMTR

CMTR/CME

Entre Bloques (Factor Bl)

SCBl

b-1

CMBL

CMBL/CME

Dentro de muestras (error)

SCE

(a-1)(b-1)

CME

Variacin total

SCT

n-1

CMT

Regla: No rechazar si la F de la muestra es menor que la F de Excel para una cierta alfa

92

ANOVA 2 vas Toma de

decisin
Distribucin F

Fexcel

Alfa
Zona de no rechazo de Ho
O de no aceptar Ha
Fc
Tr o Bl

Zona de rechazo
De Ho o aceptar Ha
93

ANOVA 2 vas Toma de

decisin
Si Fc (Tr o Bl) es mayor que Fexcel se
rechaza Ho Aceptando Ha donde las
medias son diferentes
O si el valor de p correspondiente a Fc (Tr
o Bl) es menor de Alfa se rechaza Ho
94

Clculo de los residuales

y
ij yi . y. j y..

Y estimada

eij yij y
ij

Error o residuo

s yi .

MSE
b

Error estndar

Rk r0.05, k , gl . MSE * s yi . Factor de comparacin

Si la diferencia de medias excede a Rk es significativa
95

Adecuacin del modelo

Los residuales deben seguir una recta en la

grfica normal

Deben mostrar patrones aleatorios en las

grficas de los residuos contra el orden de las
Yij, contra los valores estimados y contra los
valores reales Yij

96

ANOVA para un factor

principal y dos o tres
variables de bloqueo
CUADRADO LATINO Y
GRECOLATINO
97

ANOVA 3, 4 y 5 vas

El diseo de Cuadrado latino utiliza dos

variables de bloqueo adicionales al factor de
Tratamiento

EL diseo de Cuadrado Grecolatino utiliza tres

variables adicionales al factor de Tratamiento

El diseo de Cuadrado Hipergrecolatino utiliza

cuatro variables de bloqueo adicionales al
factor de tratamiento
98

ANOVA Diseo de Cuadrado

Latino

Este diseo es til para incluir dos fuentes de no

homogeneidad en las condiciones que afectan los
resultados de las pruebas

Una tercera variable, que es el tratamiento

experimental se aplica a las variables fuente de manera
balanceada

Un diseo de cuadrado latino es un experimento

factorial fraccional restringido por dos condiciones:
El nmero de columnas, filas y tratamientos debe ser
la misma
No debe hacer interacciones esperadas entre los
factores de filas y columnas

99

ANOVA Diseo de Cuadrado

Latino

Se prueban 5 autos, con 5 carburadores

diferentes para determinar el consumo de
gasolina con 5 chferes en un cuadrado latino
de 5 x 5.

100

ANOVA Cuadrado Latino:

Factor principal (A,B,C,D)
b

SCTr a ( X Tr X )

j 1

gl.SCTr a 1 b 1
CMTr SCTr /(b 1)
101

ANOVA Cuadrado Latino:

Clculo del error
SCE SCT SCTcol SC Re ng SCTr
gl.SCE (a 2)( a 1)
CME SCE /( a 2)( a 1)

102

ANOVA Clculo del

estadstico Fc y Fexcel

MCTr
Fc
MCE
Fexcel FINVALFA, gl. SCTr , gl.SCE

103

ANOVA Cuadrado Latino Reng /

Col

MC Re ng
Fcreng
MCE
MCCols
Fcols
MCE
Fexcel FINVALFA, gl.SCBl , gl.SCE
104

Tabla final ANOVA vas

Factores
FUENTE DE VARIACIN

SUMA DE GRADOS DE CUADRADO

CUADRADOS LIBERTAD MEDIO

VALOR F

Renglores

SCRen

a-1

CMRen

CMRen/CME

Columnas

SCCol

b-1

CMCol

CMCol/CME

Tratamiento

SCTr

a-1

CMTr

CMTr/CME

Dentro de muestras (error)

SCE

(a-2)(a-1)

CME

Variacin total

SCT

n-1

CMT

105

Cuadrado Latino
Aos exp.
Empleado
1

Maana
B=15

Turno
Tarde
A=18

Noche
C=11

C=12

B=20

A=9

3
A=17
A, B, C = Mquinas 1, 2 y 3

C=19

B=10
106

Cuadrado Latino
Maqui
na
B
A
C
A
B
C
A
C
B

Emple Respu
Turno ado
esta
M
1
15
T
1
18
N
1
11
M
2
12
T
2
20
N
2
9
M
3
17
T
3
19
N
3
10
107

Cuadrado Latino - Minitab

Stat>ANOVA> General Linear Model

108

Cuadrado Latino - Minitab

Results
Factor
Maquina
Turno
Empleado

Type
fixed
fixed
fixed

Levels
3
3
3

Values
A, B, C
M, N, T
1, 2, 3

Analysis of Variance for Respuesta, using Adjusted SS for

Tests
Source
Maquina
Turno
Empleado
Error
Total

DF
2
2
2
2

Seq SS
11.556
111.422
4.222
11.022

138.222

Adj SS
1.422
111.422
4.222
11.022

Adj MS
0.711
55.711
2.111
5.511

F
0.13
10.11
0.38

P
0.886
0.090
0.723

109

Cuadrado Latino - Minitab

Turno significativo
Main Effects Plot for Respuesta
Fitted Means
Maquina

Turno

18
16
14

Mean

12
10
A

B
Empleado

18
16
14
12
10

110

Diseo de cuadrado Greco

Latino

Es una extensin del diseo Cuadrado Latino

con una variable de bloqueo extra para tener 3
variables de bloqueo, por ejemplo si se agrega
el da se tiene:

111

ANOVA Cuadrado
Grecolatino
b

SCG a ( X m X )

m 1

gl.SCG b 1
CMG SCG /( b 1)
112

ANOVA de 4 vas Suma de

cuadrados, gl. y Cuadrado
medio para el error
SCE SCT SCTr SCG SC Re n SCCol
gl.SCE (a 3)( a 1)
CME SCE /( a 3)( a 1)

113

ANOVA Clculo del

estadstico Fc y Fexcel

MCG
Fc
MCE
Fexcel FINVALFA, gl. SCTr , gl.SCE

114

ANOVA Cuadrado Grecolatino

MCTr
Fc
MCE
Fexcel FINVALFA, gl. SCBl , gl .SCE

115

Tabla final ANOVA 2 Factores

FUENTE DE VARIACIN

SUMA DE GRADOS DE CUADRADO

CUADRADOS LIBERTAD MEDIO

VALOR F

Renglores

SCRen

a-1

CMRen

CMRen/CME

Columnas
Letras griegas
Tratamiento

SCCol
SCG
SCTr

b-1
a-1
a-1

CMCol
CMG
CMTr

CMCol/CME
CMG/CME
CMTr/CME

Dentro de muestras (error)

SCE

(a-3)(a-1)

CME

Variacin total

SCT

n-1

CMT

116

Cuadrado Greco Latino

Experiencia de los operadores
Lotes MP

Aa=-1

Bc=-5

Ce=-6

Db=-1

Ed=-1

Bb=-8

Cd=-1

Da=5

Ec=2

Ae=11

Cc=-7

De=13

Eb=1

Ad=2

Ba=-4

Dd=1

Ea=6

Ac=1

Be=-2

Cb=-3

Ee=-3

Ab=5

Bd=-5

Ca=4

Dc=6

a, b, c y d son 5 diferentes tipos de montaje

A, B, C, D y E son las 5 formulaciones a probar

117

Cuadrado Greco latino en

Minitab

Se introducen las respuestas en una columna C1

Se introducen los subndices de los renglones en
una columna C2
Se introducen los subndices de las columnas en
una columna C3
Introducir los subndices del factor adicional de
letras griegas con letras latinas minsculas
(a,b,c,d,e) en C4
Se introducen las letras maysculas que indican
el nivel del factor (A, B, C, D, etc.)
118
correspondientes a cada respuesta en
la

Cuadrado Greco latino en

Minitab

Opcin: ANOVA General linear model

En Response indicar la col. de Respuesta,

En Model indicar la columna del factor e indicar

las variables adicionales al del efecto principal a
probar (A, B, C, D). Tambin se pueden indicar
interacciones entre factores x-y con Cx * Cy

Pedir grfica de residuales Normal y vs fits y

orden
119

Diseo de cuadrado
hipergrecolatino

Permite el estudio de tratamientos con ms de

tres variables de bloqueo, por ejemplo:

120

VII.A.5 Experimentos factoriales 2K

121

Diseos factorial completo 2K

ALTO
ALTO

Representacin Grfica BB

B
ALTO
BAJO
BAJO

BAJO
BAJO

AA

Representacin Tabular

2
3
4

ALTO BAJO

Factor

ALTO

Prueba

AA

BB

+
+

+
+

1
2
3
4
5
6
7
8

+
+
+
+

+
+
+
+

+
+
+
+

122

Experimentos de Factoriales
Completos- todas las combinaciones
Niveles
Factores
Bajo
Alto
Temperatura
350
400
Tiempo
1min. 2min.

Todas las combinaciones

Corrida 1:
Corrida 2:
Corrida 3:
Corrida 4:

Temperatura
Tiempo
350
1min.
350
2min.
400
1min.
400
2min.

123

Nmero de Niveles

En Dos Niveles nos permite considerar nicamente

los efectos lineares.

En Tres Niveles hay la necesidad de ejecutar ms

pruebas, sin embargo, nos permite buscar la curvatura,
es decir, los efectos cuadrticos.
y

2
2 Niveles

3
3 Niveles

124

Diseos de Dos Niveles

Una estrategia que frecuentemente se emplea es

la de considerar un gran nmero de factores,
cada uno dispuesto en dos niveles para identificar
los factores que son significativos.

125

Determinacin del Nmero de

Combinaciones de Prueba
El nmero de combinaciones de prueba para
un factorial completo con factores k, cada uno
en dos niveles es:

k
n2
Por lo tanto, a estos diseos se les
conoce como diseos 2k .
126

Codificacin de los
Niveles de los Factores
Los niveles de los factores para los diseos 2k
se codifican como: Nivel bajo = -1 Nivel alto = +1
Diseo 22:
Corrida

1
2
3
4

A
-1
+1
-1
+1

Diseo 23:
B
-1
-1
+1
+1

Minitab puede manejar

diseos hasta 27 .

Corrida

1
2
3
4
5
6
7
8

A
-1
+1
-1
+1
-1
+1
-1
+1

B
-1
-1
+1
+1
-1
-1
+1
+1

C
-1
-1
-1
-1
+1
+1
+1
+1

127

Experimento factorial
completo sin interaccin

Un experimento factorial completo es un experimento

donde se prueban todas las posibles combinaciones de los
niveles de todos los factores.

Factor A:

+1

Factor B:

-1

-1

+1

30

52

20

40

Y = Respuesta

Efecto del factor A = (52+40)/2 - (30+20)/2 = 21

Efecto del factor B = (30+52)/2 - (20+40)/2 = 11
Efecto de A*B = (52+20)/2 (30+40)/2
=1

128

Experimento sin interaccin

B = +1

30

52
Respuesta
Promedio

B = -1

40

20
A = -1
+1

A=
129

Experimento sin interaccin

Respuesta

B=

30

+1

1
=-

52
40

20
A = -1
+1

A=
130

Modelo de regresin lineal

y 0 1 x1 2 x2 12 x1 x2
(20 40 30 52) / 4 35.5
0

1 21/ 2 11
2 11/ 2 5.5
12 1/ 2 0.5
35.5 10.5 x1 5.5 x2 0.5 x1 x2
y
El coeficiente 0.5 es muy pequeo dado que no hay interaccin

131

Grfica de contornos
Experimentos sin interaccin
1

Direccin
De ascenso
rpido

49
40

.5

X2

46

34
0

28
22

-.5
-1

X1

-1 -.6

-.4 -.2 0.0 +.2 +.4 +.6 +.8

+1

132

Superficie de respuesta
Experimentos sin interaccin
Y = respuesta
Superficie de respuesta
Grfica del modelo de regresin

X1
X2

133

Experimento factorial
completo con interaccin

Un experimento factorial completo es un experimento

donde se prueban todas las posibles combinaciones de los
niveles de todos los factores.

Factor A = X1 :

Factor B = X2:

-1

+1

+1

40

12

-1

20

50

Y = Respuesta

Efecto de A*B = {(12+20)-(40+50)}/2 = -29

134

Experimento con interaccin

B = +1

40

12
Respuesta
Promedio

B = -1

50

20
A = -1
+1

A=
135

Modelo de regresin lineal

y 0 1 x1 2 x2 12 x1 x2
(20 40 30 52) / 4 30.5
0

1 2 / 2 1
2 18 / 2 9
12 58 / 2 29
30.5 1x1 9 x2 29 x1 x2
y
El coeficiente -29 es muy grande representando la interaccin

137

Grfica de contornos
1

Direccin
De ascenso
rpido

49
25

43

.5

40

X2

31
0

34

28

-.5
-1

X1

-1 -.6

-.4 -.2 0.0 +.2 +.4 +.6 +.8

+1

138

Superficie de respuesta
Experimentos con interaccin

Superficie de respuesta
Grfica del modelo de regresin

139

Experimento factorial con

rplicas

Un experimento factorial con rplicas tiene varios

resultados bajo la misma combinacin de niveles
Factor A :
Horas
entrenamiento
70
90

Factor B:
Acceso al
sistema

30
60

y1
y2
y3

y5
Y6
y7

y4

y8

Y = Tiempo de
respuesta
140

Anlisis del efecto de la

media
Factor A :
Horas de entrenam.
70

90

30 min.

90
87

84
87

60 min.

95
92

79
78

Factor B:
Acceso al
sistema

Y = Tiempo de
conexin

El tiempo de entrenamiento afecta el tiempo de

conexin?

El tiempo de acceso afecta el tiempo de conexin?

Qu efecto tiene la interaccin entre las horas de

entrenamiento y la hora del da sobre el tiempo de
141
conexin?

El Efecto del entrenamiento

Factor A :
Horas
de
entrenamiento
A1 =
70
A2 = 90

B1 = 30 min.

90
87

B2 = 60 min.

95
92

A1 = 90 + 87 + 95 + 92 = 91
4
A2 =

84 + 87 + 79 + 78 = 82
4

84
87
79
78

Tiempo de conexin

Factor B :
Tiempo de
acceso

95
90

91

85

82

80
70

90

El tiempo de entrenamiento parece cambiar el

tiempo de conexin Y?
142

acceso
Factor A : Horas de
entrenamiento
A1 = 70

A2 = 90

B1 = 30 min.

90
87

B2 = 60 min.

95
92

84
87
79
78

B1 = 90 + 87 + 84 + 87 = 87
4
B2 =

95 + 92+ 79 + 78 = 86
4

Tiempo de conexin

Factor B :
Tiempo de
acceso

95
90

87

85

86

80
30 min. 60 min.

El cambio de tiempo de acceso parece cambiar

el tiempo de atencin promedio del Call Center?
143

El Efecto de la Interaccin
Factor A : Horas de entrenamiento

A1 = 70

A2 = 90

B1 = 30
min.

90
87

84
87

B2 = 60
min.

95
92

79
78

A1

A2

B1

88.5

85.5

B2

93.5

78.5

A,B, = 90 + 87 = 88.5
2

Tiempo de conexin

Factor B : Tiempo
de acceso

95

70

90
85

90

80
30 min. 60 min.

En una grfica de interaccin, las lneas paralelas indican que no hay interaccin. Por qu?
Las horas de entrenamiento y el tiempo de acceso parecen interactuar?
Qu niveles de los factores deben usarse para reducir al mnimo la dureza de
144
las partes?

Corrida con Minitab Creacin del

diseo para 2 factores 2 niveles
Stat > DOE > Factorial > Create Factorial Design
o Two level
Designs: Number of center points 0
Number of Replicates 2
Number of blocks
1 OK
Options

Non randomize runs OK

Factors Introducir el nombre real de los factores

y en forma opcional los niveles reales
Results

Summary table, alias table OK

146

Corrida con Minitab Anlisis

del diseo factorial

Hacer una columna de RESPUESTAS e introducir los

datos correspondientes a cada celda

Stat > DOE > Factorial > Analyze Factorial Design

Response Seleccionar la columna de las respuestas
Residuals Estandardized
Terms
Pasar todos los trminos a Selected con >> OK
Graphs
Seleccionar Effects Plots Normal y Pareto
Seleccionar Residual plots: Normal y vs fits OK
Results
Full table of fits and residuals
Seleccionar todos los trminos con >> OK
OK
147

Corrida con Minitab

Interpretacin de grficas
MAIN EFFECTS
La grfica de EFFECTS PLOT debe indicar fuera de la
recta los factores e interacciones que son significativas

La grfica EFFECTS PARETO debe indicar en sus barras

principales ms all de la recta de 0.1 o 0.05 los
factores e interacciones significativas

RESIDUALS
La grfica NORMAL PLOT de residuos debe mostrar los
puntos cerca de la recta
La grfica de residuos RESIDUALS vs FITS debe mostrar
aleatoriedad en los residuos

148

Corrida con Minitab

Interpretacin de resultados
Estimated Effects and Coefficients for Res (coded units)

Term
0.1)

Effect

Constant

Coef

SE Coef

86.500

0.6614

130.78

0.000

-9.000

-4.500

0.6614

-6.80

0.002

-1.000

-0.500

0.6614

-0.76

0.492

A*B

-6.000

-3.000

0.6614

-4.54

0.011

Variables significativas (p < 0.05,

Modelo de regresin Y = 86.5 4.5 A 3 AB (incluyendo slo las variables significativas)

Analysis of Variance for Res (coded units)
Source

DF

Seq SS

Adj SS

Adj MS

Main Effects
modelo

164.00

164.00

82.000

23.43

0.006

2-Way Interactions

72.00

72.00

72.000

20.57

0.011

Residual Error

14.00

14.00

3.500

Pure Error

14.00

14.00

3.500

250.00

Total

Existencia del

149

Tabla ANOVA Experimento de

Tiempo de respuesta
Origen

DF

SS Sec

SS Aj

MS Aj

Temp

162.000

162.00

162.00

46.29

0.002

Tiempo

2.000

2.000

2.000

0.57

0.492

Temp*
Tiempo

72.000

72.000

72.000

20.57

0.011

Error

14.000

Total

250.000

14.000

3.500

Las horas de
entr. son
significativas.
El Tiempo de
acceso, no es
significativo.
La interaccin
del tiempo de
acceso y horas
de entr. es
significativa.

150

Corridas con Minitab

Grficas factoriales
Crear las grficas factoriales y de interaccin:
Stat > DOE > Factorial > Factorial Plots
Seleccionar Main effects e Interaction Plots
Setup para ambas: Seleccionar columna Respuesta
y con >> seleccionar todos los factores OK
Seleccionar Data Means OK

151

Interpretacin de grficas

Si la interaccin es significativa, entonces los

mejores niveles de operacin del proceso ya
sea para maximizar o para minimizar la
respuesta Y, se seleccionan de la Grfica de
Interaccin

Si no es significativa la interaccin, entonces

los mejores niveles de los factores se
seleccionan de las grficas de efectos
principales
152

Grfica de efectos principales

Main Effects Plot (data means) for Res

90

Res

88

86

84

82
A

153

Grfica de interacciones
Interaction Plot (data means) for Res
A
-1
1

Mean

90

85

80

-1

154

Corridas con Minitab Grficas de

contorno y superficie de respuesta
Crear las grficas de contorno y superficies de respuesta:
Stat > DOE > Factorial > Contour/Surface Plots
Seleccionar Contour / Surface Plots
Setup para ambas: Entrar a opcin y dar OK
Seleccionar OK

155

Grfica de contorno
Contour Plot of Res

82.5
85.0
87.5
90.0
92.5

-1
-1

Permite identificar la direccin de experimentacin

de ascenso rpido perpendicular a los contornos
156

Grfica superficie de
respuesta
Surface Plot of Res

95

90

Res

85

80
0
-1

-1

0
1

157

Diseos de experimentos de
tres factores dos niveles

158

Factorial Completo con 3 Factores

Diseo 23, Factores A, B, C.
Permite la evaluacin de todos los efectos:
Efectos
Principales

A
B
C

Interacciones con
2 factores

AB
AC
BC

Interacciones con
3 factores

ABC

159

Factorial completo con 3 factores

Corrida

1
2
3
4
5
6
7
8

A
-1
+1
-1
+1
-1
+1
-1
+1

B
-1
-1
+1
+1
-1
-1
+1
+1

C
-1
-1
-1
-1
+1
+1
+1
+1

160

Diseo 23 con Columnas

de Interaccin

Fila
1
2
3
4
5
6
7
8

A
-1
+1
-1
+1
-1
+1
-1
+1

B
-1
-1
+1
+1
-1
-1
+1
+1

C
-1
-1
-1
-1
+1
+1
+1
+1

AB
+1
-1
-1
+1
+1
-1
-1
+1

AC
+1
-1
+1
-1
-1
+1
-1
+1

BC ABC
+1
-1
+1
+1
-1
+1
-1
-1
-1
+1
-1
-1
+1
-1
+1
+1

Las columnas de interaccin se obtienen multiplicando

los datos ingresados en la columna factor.
Las columnas de interaccin no se usan para ejecutar
las pruebas.
Estas se usan en el anlisis de los datos resultantes.
161

Anlisis de los Datos

1. Anlisis de las Medias
Determina los factores que afectan la
respuesta promedio.
2. Anlisis de Desviacin Estndar
Determina los factores que afectan la
variabilidad en la respuesta.
En ambos casos, se analizan los datos
usando
- Tablas y Grficas de Respuesta
- Los valores P para significancia de los
coeficientes.
162

Experimento Factorial - 2
niveles
Leyenda:
- : Nivel bajo de un factor
+ : Nivel alto de un factor
Factor
A. Perfil #1
B. Angulo
C. Presin

+
Posicin 1 Posicin 2
90
105
Baja
Alta
Esta distribucin
experimental muestra todas
las combinaciones posibles
de 3 factores en 2 niveles

1.
2.
3.
4.
5.
6.
7.
8.

A
+
+
+
+
163

B
+
+
+
+

C
+
+
+
+

La Distribucin Experimental
1.
2.
3.
4.
5.
6.
7.
8.

A
+
+
+
+

B
+
+
+
+

Las corridas experimentales

estn dadas por las filas. Por
ejemplo, la corrida #1 nos
dice que todos los factores
deben posicionarse en sus
niveles bajos (-).

C
+
+
+
+

Muestra 1 Muestra 2 Muestra 3

19.18 19.02 19.09

Entonces, tres piezas se

manufacturan con el proceso
establecido en los niveles bajos de
A, B y C. La dimensin interna se
mide y se registra.

164

Datos Experimentales
Completos
1.
2.
3.
4.
5.
6.
7.
8.

A
+
+
+
+

B
+
+
+
+

C
+
+
+
+

Muestra 1 Muestra 2 Muestra 3

19.18
19.15
19.41
19.89
18.73
19.17
18.40
18.54

19.02
19.40
18.82
18.94
18.63
18.76
18.73
19.46

19.09
19.62
19.14
19.40
18.79
18.94
19.04
18.97

Se estableci cada una de las 8 combinaciones de la

prueba y se manufacturaron tres piezas en cada
combinacin.
165

Bsqueda de los Factores que

Afectan al Dimetro Promedio
1.
2.
3.
4.
5.
6.
7.
8.

A
+
+
+
+

B
+
+
+
+

C
+
+
+
+

Muestra 1 Muestra 2 Muestra 3

19.18
19.15
19.41
19.89
18.73
19.17
18.40
18.54

19.02
19.40
18.82
18.94
18.63
18.76
18.73
19.46

19.09
19.62
19.14
19.40
18.79
18.94
19.04
18.97

Para identificar cules son los factores que afectan la

dimensin promedio de las piezas, primero
calculamos el promedio de cada una de las
combinaciones de prueba.

Prom.
19.10
19.39
19.12
19.41
18.72
18.96
18.72
18.99

166

Evaluacin del Efecto del

Factor C
1.
2.
3.
4.
5.
6.
7.
8.

A
+
+
+
+

B
+
+
+
+

C
+
+
+
+

Prom.
19.10
19.39
19.12
19.41
18.72
18.96
18.72
18.99

Prom. en C 19 .10

19 .39 19.12 19 .41

4

19 .26

Prom. en C 18 .72 18.96 18.72 18 .99 18 .85

4

El Factor C tiene un efecto en la respuesta promedio si

la dimensin promedio en el nivel C difiere de la
dimensin promedio en el nivel C+.

167

Tabla de Respuesta
para las Medias
1.
2.
3.
4.
5.
6.
7.
8.

A
+
+
+
+

B
+
+
+
+

C
+
+
+
+

Prom.
19.10
19.39
19.12
19.41
18.72
18.96
18.72
18.99

A
B
C
18.92 19.04 19.26
+ 19.19 19.06 18.85
0.27 0.02 -0.41
Tambin es un
Efecto significativo

168

Es el Efecto
ms Grande

Grficas de los Efectos de los

Factores (Medias)
Grfica de Efectos Principales (medias de los
datos) para Dimensin

19.25

-1

1 -1

1 -1

Dimensin

19.15

19.05

18.95

18.85

C
169

La Interaccin AB
1.
2.
3.
4.
5.
6.
7.
8.

+
+

+
+

C AB = ( A x B) = AB
+ = (-1 x -1) = +1
= (+1 x -1) = -1
= (-1 x +1) = -1
+ = (+1 x +1) = +1
+ + = (-1 x -1) = +1
+ = (+1 x -1) = -1
+ = (-1 x +1) = -1
+ + = (+1 x +1) = +1
170

El Efecto de la Interaccin AB
A
1.
2.
3.
4.
5.
6.
7.
8.

AB
+
+
+
+

Prom.
19.10
19.39
19.12
19.41
18.72
18.96
18.72
18.99

19.34 19.12 18.96 18.72

19.05
Prom. en AB
4
Prom. en AB

A
18.92
19.19
0.27

19.10 19.41 18.72 18.99

19.05
4

B
19.04
19.06
0.02

C
19.26
18.85
-0.41
171

AB
19.05
19.05
0.00

Columnas de interacciones
1
2
3
4
5
6
7
8

+
+

+
+

+
+
+
+

AB
+

+
+

AC
+

BC ABC Muestra 1 Muestra 2 Muestra 3

+

19.18
19.02
19.09
+
+
19.15
19.40
19.62

+
19.41
18.82
19.14

19.89
18.94
19.40

+
18.73
18.63
18.79

19.17
18.76
18.94
+

18.40
18.73
19.04
+
+
18.54
19.46
18.97

Las columnas de interaccin AC, BC y ABC

Se obtienen multiplicando las columnas A,B,C.
172

Prom.
19.10
19.39
19.12
19.41
18.72
18.96
18.72
18.99

Tabla de Respuesta para Medias

A
B
C
AB
AC
BC ABC
18.92 19.04 19.26 19.05 19.06 19.05 19.05
+ 19.19 19.06 18.85 19.05 19.04 19.05 19.06
0.27 0.02 -0.41 0.00 -0.02 0.00 0.01

173

Efectos principales e Interacciones

Grfica de Interaccin (medias de los datos)
para Dimensin

Grfica de Interaccin (medias de los datos)

para Dimensin
A
-1
1

A
-1
1

19.4
19.3
19.2

19.1

Media

Media

19.2

19.0

19.1
19.0
18.9
18.8

18.9
-1

-1

Grfica de Interaccin (medias de los datos)

para Dimensin

B
-1
1

19.25

Media

19.15
19.05

Las lneas paralelas significan

que no hay interaccin.

18.95
18.85
-1

174

Ecuacin de Prediccin
y y (
y =
A
2
B
2
y

A
2

)A (

B
2

)B (

AB
2

) AB ...

Respuesta predicha
Mitad del efecto para el factor A
Mitad del efecto para el factor B
Promedio de todos los datos

En la ecuacin de prediccin se incluyen nicamente los efectos que

se consideran importantes (cuyo valor de P es menor o igual a 0.05).

175

Factores que Afectan la

Variacin

Se identifican los factores que afectan la variacin

en la respuesta.
Se calcula la desviacin estndar de cada uno de
los conjuntos de replicas.
Se analiza dicha columna de la misma manera
que se analiz el promedio:
- Tabla de Respuesta (las deltas grandes muestran los
factores o interacciones que estn afectando la variacin).
- Grficas (El eje vertical representa la desviacin
estndar).
- Los valores P para la prueba de los coeficientes (generar
un modelo s-hat usando los trminos significativos).
176

Factores que Afectan la Variacin

1.
2.
3.
4.
5.
6.
7.
8.

A
+
+
+
+

B
+
+
+
+

C
+
+
+
+

Desviacin
Muestra 1 Muestra 2 Muestra 3 Estndar

19.18
19.15
19.41
19.89
18.73
19.17
18.40
18.54

19.02
19.40
18.82
18.94
18.63
18.76
18.73
19.46

19.09
19.62
19.14
19.40
18.79
18.94
19.04
18.97

Para identificar cuales son los factores que

afectan la variacin en la dimensin de los
rieles, primero calculamos la desviacin
estndar de cada una de las corridas.

0.080
0.235
0.295
0.475
0.081
0.206
0.320
0.460

177

Tabla de Respuesta de
la Desviacin Estndar
A
B
C
AB
AC
BC ABC
0.194 0.150 0.271 0.264 0.278 0.264 0.270
+ 0.344 0.388 0.267 0.274 0.260 0.274 0.268
0.150 0.237 -0.005 0.010 -0.018 0.010 -0.002

Se gener una tabla de respuesta, con las

desviaciones estndar, que muestre la fuerza
que tiene cada factor e interaccin sobre la
variacin de la dimensin
178

Grficas de los Efectos de los

Factores (Variacin)
Desviacin Estndar

Grfica de Efectos Principales (medias de

los datos) de la Desviacin Estndar

-1

-1

-1

0.39

0.33

0.27

0.21

0.15

A
B
C
Las grficas muestran el efecto de cada factor
sobre la variacin.
179

Mejoramiento en Dos Pasos

Paso 1: Usar el anlisis de desviacin

estndar para reducir la variabilidad.

Paso 2: Usar el anlisis de la media para

ajustar el proceso o producto con la meta
establecida, sin aumentar la variacin.

Si se tiene conflicto con el nivel de algn

factor, se debe dar preferencia al nivel que
reduzca la variabilidad
180

Efectos de las Variables de Ruido

Las variables no controladas durante un experimento (tales como las
condiciones ambientales) pueden producir cambios en la respuesta de la
salida. Si una variable de fondo cambia un factor de la misma forma que
nuestro experimento lo cambia, entonces, nuestra conclusin es
incorrecta cuando decimos que el factor est produciendo el efecto.
Presin
de
Inyeccin

1.
2.
3.
4.
5.
6.
7.
8.

+
+
+
+

1.4
1.6
1.0
0.9
1.1
0.7
0.6
0.5

Datos

Prom.= 1.23
Por qu
la diferencia?

Prom.= 0.73

Las Corridas 1 a 4 se ejecutaron

en la maana cuando la
temperatura ambiental en la
planta es templada.
Las Corridas 5 a 8 se ejecutaron
en la tarde cuando hace calor.
La diferencia observada en la
salida, se debe al cambio en la
presin de inyeccin o al cambio
en la temperatura ambiental?

181

Orden Aleatorio de las

Corridas
Una estrategia para protegerse de las variables de ruido es
aleatorizar el orden de las corridas experimentales.

1.
2.
3.
4.
5.
6.
7.
8.

+
+

+
+

+
+
+
+

Orden Estndar

A
2.
6.
4.
7.
3.
8.
5.
1.

+
+
+

+
+
+
+

+
+

Orden Aleatorio

Ejecutar el
experimento en orden
aleatorio promediar,
los efectos de las
variables de ruido.
Sin embargo, por lo
general es mejor
tratar las variables
de ruido como un
FACTOR DE RUIDO
y as, lograr una
fuerza contra el
ruido!

182

Ecuacin de Prediccin
EA
EB
EAB
Y = Y + 2 A + 2 B + 2 AB
^

183

Regin ptima con puntos

centrales
EA
EB
EAB
Y = Y + 2 A + 2 B + 2 AB
^

184

VII.B Implementacin de soluciones

Esquemas de negocio B2C y B2B

185

Generar y evaluar las

soluciones

Generar soluciones para eliminar la causa raz

o mejora del diseo

Probar en pequeo la efectividad de las

soluciones

Evaluar la factibilidad, ventajas y desventajas

de cada una de las diferentes soluciones, con
un diagrama de rbol

Por cada causa raz generar varias soluciones

ver sus ventajas, desventajas, factibilidad,
impacto y costo
186

Generar y evaluar las

soluciones

Realizar una definicin analtica y seleccin

cuantitativa de las alternativas de solucin,
adems de analizar y evaluar cada una de
ellas.

Hacer un plan de implementacin de las

soluciones (Gantt o 5W 1H)

187

Implantacin de soluciones
PUNTO CRITICO
ACTIVIDADES
* Realizar las medidas como se habian acordado
* Antes de aplicar las medidas correctivas
* Verificar si no hay efectos secundarios
* Probar las ideas de mejora, investigar efectos
* Dar capacitacion y entrenamiento.
secundarios que puedan afectar al producto o reas* Los
equipos implantan las acciones correctivas y despus poner en prctica las soluciones.
* Obtener la aprobacin de las reas relacionadas, turno o puesto, Jefe inmediato etc. Es decir,
Comunicar a todos los involucrados de la mejora a realizar.
EJEMPLO 1
LISTADO DE LAS MEDIDAS CORRECTIVAS

NO CUANDO

A QUE? - COMO?
TOPE

DONDERESUL
PROC. DE
TADO

JUICIO

QUIEN

LIMPIEZA
1 JULIO 97

BARRA DE
APLICACION

2 JULIO 97

PARA LOS
MOLDES

AUNQUE SE DA
J. PREZ
EFECTO
NO ES PERSISTENTE
EXISTE POCO
DEFECTO

188

L.TORRES

Calendario de las actividades

qu?

por qu?

cmo?

cund
o?

dnd
e?

quin
?

1
Tacogenerad
or de motor
embobinador

1.1 Por variacin

de voltaje durante
el ciclo de cambio

1.1.1 Tomar dimensiones de ensamble

entre coples.
1.1.2 Verificar estado actual y
especificaciones de escobillas.
1.1.3 tomar valores de voltaje de salida
durante el ciclo de cambio.

Abril
04

1804
Embob
.

J. R.

2 Sensor
circular y de
velocidad de
linea.

2.1 Por que nos

genera una varin
en la seal de
referencia hacia el
control de
velocidad del
motor
embobinador

2.1.1 Tomar dimensiones de la

distancia entre poleas y sensores.
2.1.2 Tomar valores de voltaje de salida
de los sensores.
2.1.3 Verificar estado de rodamientos
de poleas.

Abril
04

1804
Embob
.

U. P.

3 Ejes
principales
de
transmisin.

3.1 Por vibracin

excesiva durante
el ciclo de cambio

3.1.1 Tomar lecturas de vibracin en

alojamientos de rodamientos
3.1.2 Comparar valores de vibraciones
con lecturas anteriores.
3.1.3 Analizar valor lecturas de
vibracin tomadas.

Abril04

1804
Embob
.

F. F.

4 Poleas de
transmisin
de ejes
embobinador
es.

4.1 Puede generar

vibracin excesiva
durante el ciclo de
cambio.

4.1.1 Verificar alineacin, entre poleas

de ejes principales y polea de
transmisin del motor.
4.1.2 Tomar dimensiones de
poleas(dientes de transmisin).
4.1.3 Tomar dimensiones de bandas
(dientes de transmisin)

Abril04

1804
Embob
.

J. R.
U. P.

189

Implantacin de soluciones
HACERLO

15

190
GUOQCSTORY.PPT

Prueba e implantacin de
soluciones

Probar las soluciones investigando los efectos

secundarios que puedan afectar a otras reas
y despus ponerlas en practica.

Planear la implantacin de las alternativas

seleccionadas.

Ejecutar las acciones del plan de acciones,

comprobando su efectividad con: diagramas,
fotos, cartas de control, Paretos, histogramas,
etc.
191

Implementation Plan Components

1. Actions

Describes the specific actions & tasks to be

taken for each root cause

2. Responsibilities

Describes who is responsible for each action

3. Schedule

Indicates when the actions & tasks will be

completed

4. Cost/Benefit
Analysis

Predicts direct & indirect costs & benefits

associated with each action

5. Measures

Indicates whether the actions (solutions) are

successful
Assesses what could go wrong if the actions
are implemented

6. Risk
Assessment
7. Contingency
Plan
8. Change
Strategy

9. Communication Plan

10. Education
Plan

Includes a back-up plan for each action based

on a risk assessment
Identifies potential organizational barriers to
actions and strategies for addressing them
Details who must be informed as well as how they
will be informed and involved, before the actions are
taken

Identifies who needs to be trained for the

implementation to be successful as well as
the source, scheduling, method and content
of that training

192

Verificacin de soluciones
PUNTO CRITICO
ACTIVIDADES
* Verificar hasta obtener efectos estables ampliando * Hacer anlisis comparativo antes y despus
los datos histricos en grficas de la etapa de
* En caso de aplicar varias medidas correctivas
"razn de seleccin del tema"
, Verificar los efectos intangibles sin omisiones
* Comparar el efecto en grfica entre antes y despus
de DMAIC respecto al objetivo.
confirmar el efecto sobre cada concepto de
(relacin humana, capacidad, trabajo en equipo,
contramedidas.
entusiasmo, rea de trabajo alegre).
* Determinar los beneficios monetarios, indirectos e intangibles.Investigar si existen reas y operaciones
similares tanto dentro como fuera de la planta, para aplicar las mismas contramedidas. Dar reconocimiento.

%
D
E
F
E
C
T
U
S
O

Ejemplo 1.
%D < 1 %

Comprobar efec_
tividad de las
Soluciones con
Pruebas de Hiptesis

193

Verificacin de resultados

Verificar hasta obtener efectos estables

ampliando los datos histricos como
confirmacin inicial.

Comparar el efecto antes y despus del

proyecto Seis Sigma respecto al objetivo.

Verificar los efectos intangibles sin

omisiones(relacin humana, capacidad,
trabajo en equipo, entusiasmo, rea de trabajo
alegre).

Convertirlo en monto de ahorro en194

lo posible

Verificacin de resultados

195

QFD

FASE DE ANLISIS

Diagrama
Causa Efecto
Definicin
Y=X1 + X2+. .Xn
CTQs = Ys
Operatividad

Diagrama de
relaciones
Diagrama de
Ishikawa
Diagrama
de rbol

Medicin Y,
X1, X2, Xn

Anlisis del Modo y Efecto de

Falla (AMEF)

Llenar las ltimas

Columnas del FMEA
y comprobar Hiptesis

Pruebas
de
hiptesis
Diagrama
de Flujo
del
proceso

X's
Causas
potenciales

X's vitales
No

Causa
Raz?

Si

Causas raz
validadas

196