Revista de la IngenieriaIndustrial

ISSN 1940-2163

AcademiaJournals.com
Volumen 5, 2011

Aplicacin del Diseo de Experimentos utilizando Anlisis de Varianza Multivariado para la disminucin de rechazo en un proceso del ramo automotriz
Dr. Federico Zertuche Luis fzertuche@prodigy.net.mx (autor corresponsal) Ing. Adriana del Roco Valencia Mireles val_adriana@hotmail.com Ing. Ruth Berenice Rodrguez Rubio berenisse21@hotmail.com ResumenEn la actualidad el grado de competitividad industrial es muy alto, por lo que la solucin de las problemticas a las que se enfrenta la industria requiere del conocimiento y dominio de diversas tcnicas y mtodos estadsticos para realizar anlisis, tanto univariados como multivariados, buscando lograr la mejora continua de un proceso. Actualmente son ms conocidas las tcnicas univariadas, las cuales son aplicadas en problemticas donde se contempla una sola respuesta como salida. Sin embargo, la falta de conocimiento de herramientas estadsticas multivariadas ha llevado a utilizar mtodos de anlisis inapropiados en problemticas con mltiples respuestas, incrementando consigo el error de definir el efecto de la variable o variables cuando se realiza un diseo de experimento con mltiples respuestas y ocasionando prdidas tanto para el cliente como para la empresa que proporciona el producto y/o servicio. El Anlisis de Varianza Multivariado (MANOVA) es una de estas tcnicas y mediante el desarrollo de un Diseo de Experimentos permite evaluar con un mnimo error estadstico los efectos que producen los factores operativos sobre las mltiples respuestas en forma conjunta, siendo la finalidad de este trabajo aplicar un modelo que optimice significativamente dicho anlisis. Palabras claves Diseo de Experimentos, Anlisis de Varianza Multivariado, Anlisis de mltiples respuestas. Instituto Tecnolgico de Saltillo Blvd. Venustiano Carranza 2400 Departamento de Posgrado de Ingeniera Industrial Saltillo, Coahuila, Mxico

Introduccin
El anlisis multivariado se refiere a todos los mtodos estadsticos que analizan simultneamente dos o ms variables de respuesta de un proceso o sistema sometido a investigacin (Johnson y Wichern 2007). Un anlisis multivariado requiere que todas las respuestas a evaluar estn correlacionadas entre s para poder analizar el efecto de las variables de entrada del proceso, conocidos como factores operativos, sobre las respuestas en forma conjunta, al igual que tambin requiere que los datos sean aleatorios e independientes y que puedan ser modelados por una distribucin normal multivariada (Ho 2006). Hacer uso del anlisis multivariado trae consigo importantes ventajas sobre los anlisis univariados, tales como minimizar el error estadstico de prediccin, considerar las correlaciones entre las respuestas e identificar diferencias importantes entre los grupos o niveles de tratamiento de cada uno de los factores operativos (Stevens 2002). En los ltimos aos las tcnicas multivariadas empezaron a ser ampliamente aplicadas en diferentes campos, tales como ingeniera, medicina, biologa, administracin, y centros de investigacin, entre otros, gracias al impacto de la revolucin informtica facilitando los recursos necesarios para resolver un problema de cualquier dimensin,

Revista de la Ingeniera Industrial

35

(Rencher 2002). Una de las temticas multivariadas, y sobre la cual hace referencia el presente trabajo es el Anlisis de Varianza Multivariado (MANOVA, por sus siglas en ingls), cuyos estudios se remontan a los aos 30s y 40s, pero su aplicacin inici en los aos 80s en la ciencias sociales principalmente (Bray y Maxwell 1985). El MANOVA es una extensin del Anlisis de Varianza Univariado (ANOVA, por sus siglas en ingls) al campo multivariado. Uno de sus objetivos es demostrar la existencia de diferencias entre grupos, que afecten significativamente el rendimiento del proceso considerando dos o ms variables de respuesta correlacionadas entre s y su anlisis consiste en medir la varianza dentro y entre grupos con respecto a las salidas, con el fin de determinar la varianza atribuible a los diferentes factores operativos mediante la obtencin de un estadstico , con el cual se aprueba o rechaza la hiptesis de diferencia o hiptesis alterna, demostrando as, si existen o no existen efectos importantes de los factores sobre la eficiencia total de las diversas variables de respuesta (Anderson et al. 1999). El MANOVA tiene dos objetivos principales,. El primero es reducir el error estadstico de prediccin al hacer un solo anlisis en lugar de mltiples pruebas individuales que incrementen el error tipo I o error alfa, que en un caso industrial es conocido tambin como error del productor al rechazar produccin buena. El segundo es evaluar el efecto de los factores operativos sobre las respuestas con el fin de proponer un modelo que mejore los resultados del proceso y que estos resultados sean sostenibles a travs del tiempo (Carey 1998). El MANOVA se realiza mediante el desarrollo de un Diseo de Experimentos (DOE, por sus siglas en ingls), el cual es una metodologa sistemtica para investigar un sistema o proceso mediante un conjunto de pruebas estructuradas que son diseadas para planear cambios en los factores operativos y posteriormente evaluar los efectos de estos cambios sobre las respuestas de salida (Jiju 2003). El DOE puede llevarse a cabo bajo el concepto de diseo factorial completo que consiste en analizar todos los efectos principales e interacciones entre factores al evaluar los resultados de todas las posibles pruebas experimentales, es utilizado cuando se tienen pocos factores y se cuenta con suficientes recursos para realizar el experimento (Saderra 1993). De lo contrario, el DOE se debe llevar a cabo bajo el concepto de diseo factorial fraccionado que consiste en analizar los principales efectos e interacciones en un reducido nmero de pruebas experimentales (Gonzlez y Ruiz 1994). Una vez que se lleva a cabo el diseo experimental, se realiza el Anlisis de Varianza Multivariado y si las pruebas estadsticas indican que existen diferencias entre los grupos o niveles de tratamiento, se deben analizar las grficas de efectos principales e interacciones entre los factores del diseo experimental para determinar los niveles ptimos de estos factores operativos que optimicen los resultados del proceso. En el presente artculo mostramos la resolucin de una problemtica presente en la industria de la fundicin automotriz correspondiente al proceso de fabricacin de blocks y cabezas para motores diesel en donde se involucran tres importantes tipos de rechazo en el sistema de arenas del rea de moldeo y mediante el desarrollo de un Diseo de Experimentos utilizando Anlisis de Varianza Multivariado se pretendi determinar los efectos de los factores operativos sobre las respuestas en conjunto para proponer un modelo de mejora que reduzca significativamente el rechazo cumpliendo con los requerimientos del cliente y con los objetivos de la organizacin.

Metodologa
El desarrollo de un Diseo de Experimentos utilizando Anlisis de Varianza Multivariado debe llevarse a cabo a travs de una metodologa adecuada que permita dar un apropiado seguimiento al problema desde su definicin hasta llegar a una solucin ptima en el menor tiempo posible y con los menores costos. En la figura 1 mostramos una metodologa propuesta, la cual est basada en la estrategia DMAIC1 de Lean Seis Sigma, gracias al impacto positivo que dicha estrategia genera en el desarrollo de cualquier proyecto donde sea aplicada correctamente y posteriormente se describen los pasos que conforman esta metodologa.

Siglas en ingls de la metodologa con los pasos Definir, Medir, Analizar, Mejorar y Controlar. ( Define, Measure, Analyze, Improve, Control)

Revista de la Ingeniera Industrial

36

Definicin del problema Planteamiento de Hiptesis Experimentacin Anlisis de datos (MANOVA) Interpretacin de datos (Pruebas estadsticas)
SI NO

Existen efectos significativos?

Seleccin de mejora Implementacin y control Figura 1. Metodologa para el desarrollo de un Diseo de Experimentos.

Paso 1. Definicin del problema

En esta primera etapa se define la problemtica que se va a estudiar, determinando las variables de respuesta que se desean mejorar y los factores operativos ms representativos que intervienen en el proceso y que afecten a dichas respuestas, esto se logra siguiendo algunas de las herramientas estadsticas y de manufactura esbelta, tales como Diagrama Proveedor-Entradas-Proceso-Salidas-Cliente (PEPSC), Diagrama de Flujo del Proceso, Diagrama CausaEfecto, Anlisis de Modo y Efecto de Fallas (AMEF) y Anlisis de Capacidad, entre otros (Pries 2009). En esta etapa es importante asegurar que exista correlacin entre las variables a estudiar y que los datos puedan ser modelados por una distribucin normal multivariada. Para validar la correlacin entre las variables se deben seguir pruebas de igualdad de matrices de varianza y covarianza (homocedasticidad), tales como la prueba de Levene, la cual es la razn del ANOVA comparando los grupos o niveles de tratamiento y se calcula sobre las desviaciones absolutas a la media del grupo (Pacheco 2009); y para validar la normalidad multivariada se puede seguir la prueba de Mardia, la cual se basa en las medidas de asimetra y curtosis de las poblaciones multivariadas (Doornik y Hansen 1994) y (Acua 2000). Posteriormente se determina el tipo de diseo factorial dependiendo de la problemtica y de la disponibilidad de recursos (diseo factorial completo o diseo factorial fraccionado , donde es el nmero de factores y la base representa el nmero de niveles), se define el nmero de rplicas a realizar y el error alfa con el que se desea hacer el estudio.

Paso 2. Planteamiento de Hiptesis

El planteamiento de hiptesis representa el punto de partida para cualquier prueba, y en la mayor parte de las pruebas estadsticas inferenciales existen dos hiptesis que deben definirse antes de hacer el anlisis correspondiente: Es la hiptesis de igualdad o de no diferencia significativa entre los grupos o variables que estn siendo comparadas en funcin del efecto que tienen sobre una o varias respuestas. Es la hiptesis de diferencia y representa aquello que se pretende probar mediante la evidencia estadstica.

Revista de la Ingeniera Industrial

37

En general las pruebas de hiptesis son tiles para identificar una regin de rechazo para controlar el error alfa que consiste en rechazar la hiptesis nula cuando esta es verdadera (Hardle y Simar 2007).

Paso 3. Experimentacin
Consiste en hacer una planeacin y ejecucin cuidadosa de la serie de pruebas experimentales de acuerdo a los principios bsicos del diseo de experimentos, al tipo de diseo factorial seleccionado (diseo factorial completo o diseo factorial fraccionado) y al nmero de rplicas acordadas, durante esta etapa se lleva a cabo la recoleccin de datos con los cuales se analizar posteriormente el caso de estudio.

Paso 4. Anlisis de Varianza Multivariado

El MANOVA consiste en determinar la varianza entre y dentro de grupos. Al tratarse de un caso multivariado se tendr como resultado una matriz para la varianza dentro de grupos, donde es el nmero de respuestas; y se obtendr una matriz para la varianza entre grupos por cada uno de los factores operativos, Rencher (2002). Matriz de varianza o suma de cuadrados y productos cruzados entre grupos:

Matriz de varianza del error o suma de cuadrados y productos cruzados dentro de grupos:

Donde

es el nmero de grupos o niveles de tratamiento es el nmero de observaciones , es el vector de medias del grupo -simo del factor operativo (3), es el vector de medias totales (4) y son cada unas de las observaciones.

Paso 5. Anlisis de datos mediante las pruebas estadsticas

Existen cuatro pruebas para llevar a cabo el anlisis estadstico del Anlisis de Varianza Multivariado: Wilks Lambda (5), Pillais Trace (6), Hotelling-Lawley Trace (7) y Roys Largest Root (8). El objetivo de las cuatro pruebas es evaluar la existencia de diferencias importantes entre los grupos o niveles de tratamiento mediante la determinacin de un estadstico en funcin de los valores propios de la matriz , donde , Huberty y Olejnik (2006).

Revista de la Ingeniera Industrial

38

Una de las pruebas que ms comnmente se utiliza es la de Wilks Lambda. Enseguida se muestra cmo se obtiene su estadstico .

donde:

Paso 6. Interpretacin de resultados

La interpretacin de resultados puede hacerse en funcin solamente del estadstico o en funcin del valor que tambin se determina en base al estadstico y a los grados de libertad y : si o si el , no se rechaza la hiptesis nula ya que no hay suficiente evidencia estadstica para asegurar que existe efecto sobre las respuestas. De lo contrario, se acepta la hiptesis de diferencia o hiptesis alterna ya que si habra evidencia estadstica para afirmar que existe efecto significativo sobre las respuestas y en este ltimo caso, el siguiente paso es la seleccin de la mejora a implementar.

Paso 7. Seleccin de mejora

En caso de que resulte ser aprobada la hiptesis de diferencia se procede a evaluar los resultados del Diseo de Experimentos mediante el anlisis de las grficas de los efectos principales y de interacciones y considerando la naturaleza de la respuesta: mayor-mejor, menor- mejor, nominal-mejor, se determina la combinacin de niveles para cada factor que mejore el rendimiento del proceso.

Aplicacin de la metodologa
Siguiendo la metodologa antes mencionada, en esta seccin se muestra el desarrollo de un Diseo de Experimentos utilizando el Anlisis de Varianza Multivariado en un caso industrial.

Paso 1. Definicin del problema

Figura 2. Cabeza.

Revista de la Ingeniera Industrial

39

Para realizar el estudio se seleccion una reconocida industria de clase mundial, la cual tiene como giro la fundicin automotriz, teniendo como productos principales blocks y cabezas de hierro gris para motores diesel. A continuacin se muestra un ejemplo de cada tipo de producto: Cabezas (Figura 2) y Blocks (Figura 3).

Figura 3. Block. El anlisis se desarroll en el rea de moldeo en el sistema de arenas, en donde se originan tres importantes tipos de rechazo debido al posible efecto de tres principales factores (Tabla 1). Para determinar estas variables se hicieron las pruebas respectivas que muestran que las variables estn correlacionadas y que los datos pueden ser modelados por una distribucin normal multivariada.

Compactabilidad

FACTORES OPERATIVOS Resistencia a la Tensin (RT)

Arcilla

VARIABLES RESPUESTAS Rechazo por soplado (SOP) Rechazo por costra de molde (CM) Rechazo por poro de molde (PM)

Tabla 1. Factores operativos y respuestas a evaluar del sistema de arenas. El personal del rea de procesos de la planta, en conjunto defini 2 niveles de tratamiento para cada factor operativo definidos anteriormente (Tabla 2).
FACTOR Compactabilidad RT Arcilla NIVEL 1 36 - 38.8 0.3 - 0.42 10.8 - 10.9 NIVEL 2 38.9 - 40 0.43 - 0.7 11.0 - 11.2

Tabla 2. Niveles de tratamiento de los factores operativos. Al inicio del anlisis el rechazo global era de 2.30%, por lo que se plante como objetivo reducirlo por lo menos en un 50%, para lo que como primer paso se requiri determinar si los factores operativos afectaban significativamente a las respuestas en forma conjunta. En caso de detectar efectos importantes, el siguiente paso sera analizar los efectos principales e interacciones entre factores, lo anterior para definir la combinacin ptima con la que se lograr una reduccin considerable en el rechazo global. Para este anlisis se determin un error y se llev a cabo mediante el desarrollo de un diseo factorial completo con tres rplicas para evaluar en su totalidad los efectos principales e interacciones entre factores.

Revista de la Ingeniera Industrial

40

Paso 2. Planteamiento de Hiptesis

De acuerdo al objetivo planteado en la definicin del problema, se establecieron la hiptesis nula e hiptesis alterna para probar la existencia o no existencia de efectos significativos de los factores operativos sobre las variables de respuestas: No existe efecto de los factores sobre las tres respuestas en conjunto (13). Si existe efecto significativo de los factores sobre las tres respuestas en conjunto (14).

Paso 3. Experimentacin
Al haber seleccionado un diseo factorial completo con tres rplicas como se determin en la definicin del problema, el experimento const de 24 pruebas experimentales totales, las cuales se planearon y llevaron a cabo teniendo como resultados los que hemos incluido en la Tabla 3.

PRUEBA 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Tabla 3. Resultados del Diseo de experimentos

con

rplicas.

Revista de la Ingeniera Industrial

FACTORES OPERATIVOS Compact RT Arcilla 1 1 1 1 1 1 1 1 1 1 1 2 1 1 2 1 1 2 1 2 1 1 2 1 1 2 1 1 2 2 1 2 2 1 2 2 2 1 1 2 1 1 2 1 1 2 1 2 2 1 2 2 1 2 2 2 1 2 2 1 2 2 1 2 2 2 2 2 2 2 2 2

SOP 0.36 0.91 0.65 0.46 0.66 0.41 0.4 0.93 1.74 1.13 1.27 0.72 2.4 1.67 0.64 2.3 2.4 1.62 2.9 1.5 1.6 1.1 1.1 1

RESPUESTAS CM 0 0.19 0 0 0.25 0.16 0.7 0.2 0 0 0 0.33 0.2 0 0.4 1.7 4 0.82 0 0.3 0 0.3 0 0.25

PM 0.53 0.97 0.3 0.36 0.73 0.45 0.7 0.34 0.71 0.52 1.39 1 0.7 1.04 0 0.2 0.2 0.23 1.6 0.9 1.9 2.2 0.9 1.5

41

Paso 4. Anlisis de Varianza Multivariado

1. En este paso se definieron los vectores de medias (3) y el vector de medias totales (4): Compactabilidad Nivel 1 Compactabilidad Nivel 2 RT Nivel 1 RT Nivel 2 Arcilla Nivel 1 Arcilla Nivel 2 Vector de medias totales 2. Despus se determin la matriz de varianza entre grupos para cada uno de los factores operativos (1). Debido a que se tienen 3 variables de respuesta se obtuvieron matrices de

Para explicar cmo se determin la matriz desarrollo para definir el elemento 1,2:

al utilizar el factor de compactabilidad, mostramos enseguida el

Continuando con este mismo procedimiento se obtuvieron el resto de los elementos de la matriz compactabilidad, quedando de la siguiente forma:

para el factor de

Para obtener la matriz

para el resto de los factores se sigui el procedimiento anterior:

3. Siguiendo la metodologa, posteriormente se determin la matriz de varianza dentro de grupos se tienen tres variables de respuesta se obtuvo una matriz de

(2). Debido a que

Revista de la Ingeniera Industrial

42

Para explicar cmo se determin la matriz

se muestra el desarrollo del elemento 1,2:

Continuando con el mismo procedimiento se obtuvieron el resto de los elementos de la matriz

Paso 5. Anlisis de datos mediante la prueba estadstica Wilks Lambda

A continuacin se muestra el desarrollo del anlisis estadstico de los datos solamente mediante la prueba Wilks Lambda para el factor de Compactabilidad. 1. Se defini el valor Lambda (5):

2. Considerando que respuestas y niveles de tratamiento, variables necesarias para obtener el estadstico (10), (11) y (12).

, se determinaron las

3. Una vez que se determinaron las variables

, se obtuvo el estadstico

(9).

Revista de la Ingeniera Industrial

El estadstico se convirti a un y se compar con el error para aceptar o rechazar la hiptesis de diferencia o hiptesis alterna: Para el MANOVA de Compactabilidad se obtuvo un valor , por lo que se acepta , concluyendo que s existe efecto significativo del factor operativo de Compactabilidad sobre las tres respuestas en forma conjunta. Para los factores de Resistencia a la Tensin y Arcilla se siguieron los pasos 5 y 6 correspondientes al anlisis estadstico y a la interpretacin de datos mostrando los siguientes resultados: Para el MANOVA de Resistencia a la Tensin se obtuvo un valor , por lo que se acepta concluyendo que s existe efecto significativo del factor operativo de Resistencia a la Tensin sobre las tres respuestas en forma conjunta. Para el MANOVA de Arcilla se obtuvo un valor , por lo que no se rechaza , concluyendo que no existe evidencia estadstica suficiente para asegurar que existe efecto significativo del factor operativo de la Arcilla sobre las tres respuestas en forma conjunta.

43

Paso 6. Interpretacin de datos

Paso 7. Seleccin de mejora

Debido a que el MANOVA indic que dos factores operativos afectan a las variables de respuesta en conjunto se procedi a seleccionar la combinacin de factores y niveles que mejoren el rendimiento del proceso. Haciendo uso del software estadstico MINITAB se analizan los efectos principales e interacciones entre factores y mediante el Optimizador de respuesta de DOE se selecciona la combinacin ptima (Figura 4).

Figura 4. Optimizador de respuestas del Diseo de Experimentos en MINITAB.

Con los resultados obtenidos en el Optimizador de respuesta de DOE, se concluye que el modelo propuesto para mejorar los resultados del proceso, es el siguiente (Tabla 4):

FACTOR OPERATIVO COMPACTABILIDAD RTH ARCILLA

NIVEL 1 1 2

PARAMETRO 36 - 38.8 0.3 - 0.42 11.0 - 11.2

Tabla 4. Modelo de mejora propuesto. La combinacin optima resultante del DOE, se implemento en lnea, obteniendo una muestra representativa del proceso de produccin, con la finalidad de observar los efectos de los cambios de los factores operativos, en las mltiples respuestas, las conclusiones de los cambios son presentados en la siguiente seccin.

Resultados y conclusiones
Antes de iniciar el anlisis, el sistema de arenas del rea de moldeo registraba un rechazo global de 2.30% considerando las 3 respuestas: rechazo por soplado (SOP), rechazo por costra de molde (CM) y rechazo por poro de molde (PM). Al llevar a cabo el Diseo de Experimentos utilizando Anlisis de Varianza Multivariado se determin la mejor combinacin de factores y sus respectivos niveles. Despus de la implementacin en lnea de los cambios, se obtuvo un 1.16% como rechazo global, logrando una reduccin aproximadamente de un 50% y cumpliendo el objetivo planteado en el inicio del proyecto. Para que esto se lograra se requiri de un estricto seguimiento en la etapa de implementacin para confirmar que los factores operativos estuvieran trabajando de acuerdo a los nuevos parmetros definidos y de esta forma poder verificar que los resultados del proceso fueran los esperados, despus de implementar la mejora, la ltima etapa es el control, el cual debe darse durante al menos tres meses para asegurar que los buenos resultados sean sostenibles a travs del tiempo, actualmente se est trabajando en esta etapa.

Revista de la Ingeniera Industrial

44

En base a los resultados anteriores, se concluye que el conocimiento de temticas estadsticas multivariadas, como lo es el caso del Anlisis de Varianza Multivariado, es fundamental para tener la capacidad de seleccionar la metodologa adecuada en problemticas con mltiples respuestas como salida, lo cual nos permite conocer oportunamente con un mnimo error las causas que originan los problemas dentro de un proceso con caractersticas multivariadas, incrementando la posibilidad de tomar decisiones de manera correcta, vindose beneficiados tanto la empresa como el cliente al tener la capacidad de producir productos y/o servicios de alta calidad que cumplan y sobrepasen los requerimientos del cliente, ahorrando tiempos y costos.

Referencias
Acua, E, Anlisis discriminante lineal pp. 12, 14. Direccin de internet: http://math.uprm.edu/~edgar/disc2.pdf Anderson, R. E., Hair, J.F., Tatham, R.L., Black, W.C. Anlisis Multivariante. 5a ed. Prentice Hall, 1999, pp. 48,347 348 Bray, J. H., & Maxwell, S. E. Multivariate analysis of variance. Newbury Park, CA: Sage Publications, 1985, pp. 5-8. Carey, G. Multivariate Analysis of Variance (MANOVA): I. Theory, 1998, pp. 1. Direccin de internet: http://ibgwww.colorado.edu/~carey/p7291dir/handouts/manova1. Doornik, J.A., Hansen, H., An omnibus test of univariate and multivariate normality University of Copenhagen, Denmark, (1994), pp. 4 Gonzlez Camino, R.J. Mtodo para identificar la estructura de confusin en diseos 2 k-p. Estadstica Espaola. Vol. 36, No. 137, 1994, pp. 445-458. Hardle W., Simar L., Applied Multivariate Statistical Analysis. 2a ed. Springer, 2007, pp. 171. Ho, R.. Handbook of Univariate and Multivariate Data Analysis and Interpretation with SPSS. Chapman & Hall/CRC, 2006, pp. 86. Huberty C.J., Olejnik, S. . Applied MANOVA and Discriminant Analysis. 2a ed. Wiley-Interscience, 2006, pp. 48. Jiju, A. Design of Experiments for Engineers and Scientists. Elsevier Science & Technology Books, 2003, pp. 1-4, 54, 73. Johnson R.A., Wichern D.W. Applied Multivariate Statistical Analysis. 6a ed. Prentice Hall, 2007, pp. 1-2.

Rencher A. Methods of Multivariate Analysis. 2a ed. Brigham Young University, 2002, pp. 1-2,161-166. Saderra L.. El secreto de la calidad japonesa: el diseo de experimentos clsico . Marcombo, 1993, pp. 75. Stevens J. P. Applied Multivariate Statistics for de social sciences. 4a ed. Lawrence Erlbaum Associates Inc., 2002, pp. 174. Vargas Sabadas, A. Estadstica Descriptiva e Inferencial. 2a ed. Universidad de Castilla, 1995, pp. 411-413.

Revista de la Ingeniera Industrial

Pries, K.H. Six sigma for the new millennim. 2a ed. American Society for Quality, Quality press, Milwaukee, 2009, pp 18, 184-186, 238-239, 296-300.

45

Pacheco, M.J., Prueba de Levene multivariada para la comparacin de matrices de covarianza en presencia de datos faltantes, Universidad Nacional de Colombia, Escuela de Estadstica, 2009, pp. 5

El Dr. Federico Zertuche Luis realiz la licenciatura en Ingeniera Industrial en el Instituto Tecnolgico de Saltillo en 1992. El I.T.E.S.M (Campus Monterrey) en 1994 le otorgo el grado de Maestro en Ciencias en Ingeniera Industrial. En el 2008 obtuvo el Doctorado en Ciencia y Tecnologa con especialidad en Ingeniera Industrial y Manufactura, en el Programa Interinstitucional en Ciencia y Tecnologa (PNPC). Desde 1996 se desempea como profesor investigador en el Instituto Tecnolgico de Saltillo, en el departamento de posgrado en Ingeniera Industrial. Desde el 2003 es miembro del sistema de investigacin del estado de Coahuila. La I.S.S.S.P. en el 2005 le otorgo la certificacin Master Black Belt en la metodologa Seis sigma. En el ao 2009 obtuvo el reconocimiento, por parte del Sistema Nacional de Investigadores (CONACYT), como Candidato a Investigador Nacional. Dentro de sus actividades profesionales, el Dr. Federico Zertuche Luis ha participado en la implementacin de la metodologa Seis Sigma en las plantas: Mabe (Saltillo y Monterrey), Lear (Saltillo, Ramos Arizpe ySilao), Deacero (Saltillo y Celaya), FEMSA, IBM (Planta Sanmina Apodaca), ZF-Sachs, Xerox, Benteler y Siemens. La Ing. Adriana del Roco Valencia Mireles estudi la licenciatura en Ingeniera Industrial con especialidad en Manufactura en el Instituto Tecnolgico de Saltillo en 2007 y actualmente en 2011 se encuentra estudiando en la misma institucin la Maestra en Ingeniera Industrial dentro del Programa Nacional de Posgrados de Calidad (PNPC) desde 2009. Ha laborado para la industria de la fundicin de hierro gris del ramo automotriz en el Grupo Industrial Saltillo en donde particip en el desarrollo de diversos proyectos de mejora continua bajo la metodologa DMAIC, Lean Seis Sigma. La Ing. Ruth Berenice Rodrguez Rubio estudi la licenciatura en Ingeniera en Sistemas Computacionales en el Instituto Tecnolgico de Saltillo en 2006 y en donde se encuentra estudiando actualmente la Maestra en Ingeniera Industrial dentro del Programa Nacional de Posgrados de Calidad desde 2009. Estudi la Maestra en Ciencias en Robtica y Manufactura Avanzada, realizados en Cinvestav- Saltillo, donde participo en reas de visin por computadora para el reconocimiento de objetos en lnea en tareas robotizadas y ha laborado dentro de la industria en reas de IT-Telecomunicaciones.

Revista de la Ingeniera Industrial

46