Ejercicios Fase Mejora

EJERCICIOS LEAN SIGMA FASE DE MEJORA
Reyes / febrero de 2009
P.
EJERCICIOS DE LA FASE DE MEJORA:

1. Cul es el propsito de la fase de mejora?
2. Cules son los entregables de la fase de mejora? Dar un ejemplo.
a. Identificacin de mejores niveles de operacin
b. Generacin
Creatividad
de
alternativas
de
solucin,
usar
mtodos
de
c. Evaluacin de alternativas de solucin con diagrama de rbol:

DESCRIPC
IN DE LA
CAUSA
CAUSA 1
ALTERNATI
VAS
DE
SOLUCIN
ALT. SOL. 1
ALT. SOL. 2
ALT. SOL. 3
VENTAJ
AS
DESVENT
AJAS
FACTIBILI
DAD
SELECCI
N
a.
b.
c.
a.
b.
c.
a.
a.
b.
c.
a.
b.
c.
a.
b.
c.
Si
SI
Si
SI
Si
SI
CAUSA 2
d. Seleccin de alternativas de solucin

e. Plan 5W-1H para implementacin de las soluciones seleccionadas
f. Prueba piloto y Verificacin de la efectividad de las soluciones
g. Implementacin y documentacin de la solucin a nivel sistema
DISEO DE EXPERIMENTOS
3. Qu desventajas se observan cuando se experimenta con un factor a la
vez?
4. Qu es el diseo de experimentos?
Pgina 1 de 80

P.
5. Cules son las ventajas que proporciona el diseo de experimentos?
6.
Cules los diferentes propsitos que puede tener un diseo de
experimentos?
7. Cules son los pasos principales para la realizacin de diseos de
experimentos?
a.
b.
c.
d.
etc.
8. Qu consideraciones deben tomarse en cuenta al planear y desarrollar

experimentos?
a.
b.
c.
d.
etc.
9. Cules son las implicaciones al realizar experimentos en la empresa?

a.
b.
10. Qu criterios se deben tomar para seleccionar las variables de proceso
y sus niveles?
a.
Pgina 2 de 80

P.
11. Cules son los supuestos que se asumen cuando se realizan

experimentos?
12. Cules son los diferentes mtodos experimentales disponibles y cul es

su alcance y aplicacin?
Diseo experimental
Factorial de dos niveles 2K
Aplicacin
Filtraje de factores significativos
Fraccional de dos niveles 2K
Filtraje de factores significativos bajo

costo
Diseos robustos de productos y procesos
Taguchi Arreglos ortogonales

Factorial completo FK
Identificacin de mejores niveles de

operacin
Ruta hacia el punto de operacin ptimo
Ascenso rpido
Diseo central compuesto CCD
Identificacin del punto ptimo de

operacin
Experimentacin en la produccin sin
afectarla
Encontrar la mejor mezcla de ingredientes
para el mejor rendimiento
EVOP diseo evolutivo

Diseos de mezclas
Diseos ptimos - D
Diseos por computadora para reducir

costos
13. Qu significan los conceptos siguientes?

a. Caracterizar el proceso
b. Replicas experimentales
c. Aleatorizacin
d. Bloqueo
14. Qu son las interacciones y cmo se identifican?
15. Qu caractersticas tiene un diseo experimental factorial completo?
Pgina 3 de 80

P.
16. Qu caractersticas tiene un diseo experimental factorial de dos

niveles?
17. Cmo se obtiene la ecuacin de regresin de los resultados del diseo
de experimentos de 2 niveles?
18. Cmo se identifican los factores significativos en la tabla ANOVA de los

experimentos factoriales?
19. Qu indican las grficas factoriales y cmo se seleccionan los niveles

para la mejor operacin?
20. Qu indican las grficas factoriales de interacciones y cmo se

seleccionan los niveles para la mejor operacin?
21. Qu indica la grfica de superficie de respuesta?
22. Cul es el propsito de la grfica de contornos?

23. qu ventajas tiene el mtodo de Taguchi?
24. Qu es la relacin S/N y qu ventajas tiene maximizar su valor?
25. Cmo se obtiene la prediccin de la respuesta en el mtodo Taguchi?
METODOS DE CREATIVIDAD
26. Dar algunos ejemplos de tcnicas de creatividad para la generacin de
ideas de mejora de procesos
a.
b.
c.
27. Despus de cunto tiempo se recomienda se evalen los resultados de

las mejoras?
Pgina 4 de 80

P.
28. Cmo se puede cuantificar estos resultados?

a.
b.
29. Qu formas de reconocimiento a los equipos de proyecto Seis Sigma se
recomiendan?
a.
b.
c.
d.
30. Cules son las salidas de la fase de mejora?

a.
b.
c.
Pgina 5 de 80

PROBLEMAS:
P.
(Utilizar Minitab 15 para las soluciones)
DISEOS DE EXPERIMENTOS FACTORIALES DE DOS NIVELES

1. Diseo de experimentos de dos niveles: En un proceso de
mantenimiento de Generador de Vapor se desea mejorar el proceso de
soldadura en un componente de acero inoxidable. Para lo cual se realiza un
diseo de experimentos de 3 factores y 2 niveles.
Factor
A. Caudal de gas (l/min.)
B. Intensidad de Corriente
(A)
C. Vel. de Cadena
(m/min.)
Nivel bajo
8
Nivel Alto
12
230
240
0.6
Como respuesta se toma la calidad del componente en una escala de 0 a 30

entre mayor sea mejor es la calidad
Paso 1. Generar diseo
Stat > DOE > Factorial > Create Factorial Design
Seleccionar 2-Level factorial (default generators); Number of factors 3
Designs: Seleccionar Full Factorial
Seleccionar Replicates 1
Factors: Caudal 8 12 Intensidad 230 240 Vel. 0.6

Options: Quitar bandera de Randomize runs
OK
ESTADSTICAS > DOE > Factorial > Crear Diseo Factorial

Seleccionar Factorial de 2 niveles (generador de default); Numero de
factores 3
Diseos: Seleccionar Factorial completo
Seleccionar Rplicas1
Factores: Caudal 8 12 Intensidad 230 240 Vel. 0.6

Opciones: Quitar bandera de Aleatorizar corridas
OK
Pgina 6 de 80

P.
Paso 2. Introducir los datos en el diseo:
StdOrder
1
2
3
4
5
6
7
8
Caudal
8
12
8
12
8
12
8
12
Intensid
ad
Velocidad
230
0.6
230
0.6
240
0.6
240
0.6
230
1
230
1
240
1
240
1
Y
10
26.5
15
17.5
11.5
26
17.5
20
Paso 3. Analizar el diseo

Stat > DOE > Factorial > Analyze Factorial Design
Response Y
Graphs: Seleccionar Normal Pareto Alpha = 0.05
Residual for Plots Standardized
Seleccionar Normal Plot y Residuals vs Fits
Results Seleccionar todos los trminos con >>
OK OK
Estadsticas > DOE > Factorial > Analizar Diseo Factorial
Respuesta Y
Grficas: Seleccionar Normal Pareto Alfa = 0.05
Residuales para grficas estandarizados
Seleccionar Grfica Normal y Residuales vs Valores ajustados
Resultados Seleccionar todos los trminos con >>
OK OK
Los resultados se muestran a continuacin.

La ecuacin del modelo se puede formar a partir de los siguientes
coeficientes (solo los que son sigificativos):
Term
Constant
Caudal
Intensidad
Velocidad
Caudal*Intensidad
Caudal*Velocidad
Intensidad*Velocidad
Caudal*Intensidad*Velocidad
Coef
-893.750
102.625
3.75000
186.250
-0.425000
-30.0000
-0.750000
0.125000
MODELO DEL PROCESO

Y = -893.750 + 102.625 Caudal - 0.425
Caudal*Intensidad
Pgina 7 de 80

P.
Pareto Chart of the Effects

(response is Y, Alpha = .05)
5.646
Factor
A
B
C
A
AB
Name
Caudal
Corriente
Velocidad
Term
C
B
BC
ABC
AC
0
5
Effect
Lenth's PSE = 1.5
Normal Probability Plot of the Effects

(response is Y, Alpha = .05)
99
Effect Type
Not Significant
Significant
95
A
90
Percent
80
70
60
50
40
30
Factor
A
B
C
Name
Caudal
Corriente
Velocidad
20
10
AB
5
1
-5.0
-2.5
0.0
2.5
Effect
5.0
7.5
10.0
Lenth's PSE = 1.5
Paso 4. Obtener las grficas factoriales para seleccionar los

mejores niveles de operacin
Stat > DOE > Factorial > Factorial Plots
Seleccionar Main Effects Plot: Setup: Response Y; Pasar Intensidad, Caudal
y Vel. Con >>
Seleccionar Interaction Plot: Setup: Response Y; Pasar Intensidad, Caudal y
Vel. Con >>
Seleccionar Cube Plot: SetUp >> Response Y; Pasar Intensidad, Caudal y
Vel. Con >>
OK
Estadsticas > DOE > Factorial > Grficas Factoriales
Pgina 8 de 80

P.
Seleccionar Grfica de efectos principales: Configuracin: Respuesta Y;

Pasar Intensidad, Caudal y Vel. Con >>
Seleccionar Grfica de interacciones : Configuracin: Respuesta Y; Pasar
Intensidad, Caudal y Vel. Con >>
Seleccionar Grfica de cubo: Configuracin: Respuesta Y; Pasar Intensidad,
Caudal y Vel. Con >>
OK
GRAFICA FACTORIAL DE EFECTOS PRINCIPALES (A, B Y C)

Main Effects Plot (data means) for Y
Caudal
Corriente
22
20
18
Mean of Y
16
14
8
12
230
240
Velocidad
22
20
18
16
14
0.6
1.0
GRFICA DE INTERACCIONES (SI LAS PENDIENTES SON OPUESTAS, LA

INTERACCION ES SIGNIFICATIVA), SI SON PARALELAS LA INTERACCION NO ES
SIGNIFICATIVA
Interaction Plot for Y
Data Means
230
240
0.6
1.0
24
Caudal
8
12
18
Caudal
12
24
I ntensidad
230
240
18
I ntensidad
12
Velocidad
NOTA: Cuando la interaccin es significativa (en este caso A*B) los mejores
niveles de operacin se escogen de la Grfica de interacciones, de otra
forma (en este caso C) se escogen de la grfica de efectos principales.
En este caso para una respuesta, MAYOR ES MEJOR, A caudal = 12 y B
intensidad = 230 de la grfica de interacciones.
De la grfica de cubo se observa que C = 0.6 nos da una mejor respuesta
que en 1, por lo que seleccionamos C = 0.6
Pgina 9 de 80

P.
Cube Plot (data means) for Y

17.5
20.0
15.0
17.5
240
Corriente
11.5
26.0
1
Velocidad
10.0
26.5
230
0.6
8
12
Caudal
Paso 5. Obtener las grficas de contornos y de superficie de

respuesta
Stat > DOE > Factorial > Contour and Surface Plots
Seleccionar Contour Plot: Setup: Response Y; seleccionar Generate plot for
all pairs of numerical factors
Seleccionar Surface response Plot: Setup: Response Y; seleccionar
Generate plot for all pairs of numerical factors
OK
Estadsticas > DOE > Factorial > Grficas de Contorno y Superficie
Seleccionar Grfica de contorno : Configuracin: Respuesta Y; seleccionar
Generar grficas para todos los pares de factores numricos
Seleccionar Grfica de superficie de respuesta: Configuracin: Respuesta
Y; seleccionar Generar grficas para todos los pares de factores numricos
OK
Contour Plots of Y
Intensidad*Caudal
240
Velocidad*Caudal
1.0
12
15
18
21
0.9
237
0.8
234
0.7
231
0.6
8
1.0
10
11
12
10
11
12
Y
<
>
Hold Values
Caudal
8
I ntensidad 230
Velocidad
0.6
Velocidad*Intensidad
0.9
0.8
0.7
0.6
231
234
237
12
15
18
21
24
24
240
Pgina 10 de 80

P.
Surface Plots of Y
Hold Values
Caudal
8
I ntensidad 230
Velocidad
0.6
25
25
Y 20
15
240
10
235
10
Caudal
12
Y 20
15
1.0
10
Intensidad
230
0.8
10
Caudal
12
Velocidad
0.6
16
Y 14
12
1.0
10
0.8
230
235
Intensidad
240
Velocidad
0.6
Paso 6. Obtener una ampliacin de la respuesta en la zona de Y =

21 a 24
Stat > DOE > Factorial > Overlaid Contour Plot
Seleccionar en Response Y
Seleccionar en Settings Hold Extra factors in Low setting
Seleccionar en Contours Low 21 High 26
OK
Estadsticas > DOE > Factorial > Grfica de contorno ampliada
Seleccionar en Respuesta Y
Seleccionar en Poner ajustes de factores extra en nivel Bajo
Seleccionar en Contorno Bajo 21 Alto 26
OK
Overlaid Contour Plot of Y

240.0
Y
21
26
238.5
Hold Values
Velocidad 0.6
Intensidad
237.0
235.5
234.0
232.5
231.0
8
10
Caudal
11
12
Pgina 11 de 80

P.
Paso 7. Obtener una respuesta optimizada

Stat > DOE > Factorial > Response Optimizer
Seleccionar en Response Y
Seleccionar en Options Caudal 10 Intensidad 235 Velocidad 0.8
Seleccionar en Setup > Goal Maximize Lower 21 Target 26
OK
Estadsticas > DOE > Factorial > Optimizador de Respuesta
Seleccionar en Respuesta Y
Seleccionar en Opciones Caudal 10 Intensidad 235 Velocidad 0.8
Seleccionar en Configuracin> Maximizar Objetivo Inferior 21 Meta 26
OK
Seleccionar y mover las lneas de cada factor hasta obtener el mximo

rendimiento:
Pgina 12 de 80

P.
2. Diseo de dos niveles: Se usa un Router para hacer los barrenos de

localizacin de una placa de circuito impreso. La vibracin es fuente
principal de variacin. La vibracin de la placa a ser cortada depende del
tamao de los barrenos (A1 = 1/16" y A2 = 1/8") y de la velocidad de corte
(B1 = 40 RPMs y B2 = 90 RPMs).
La variable de respuesta se mide en tres acelermetros A,Y,Z en cada uno
de los circuitos impresos.
Los resultados se muestran a continuacin.
Niveles reales
A
B
0.063
40
0.125
40
0.063
90
0.125
90
Rplica
I
18.2
27.2
15.9
41.0
II
18.9
24.0
14.5
43.9
III
12.9
22.4
15.1
36.3
PASO 1. GENERAR EL DISEO FACTORIAL DE ACUERDO AL

EXPERIMENTO
Type of Design: Two Level Factorial (default generators)
Number of Factors 2
Designs
Full Factorial
Number of replicates:
4
Factors
Factor Name
Type
Low
High
A
Dimetro
Numeric
0.063
0.125
B
Velocidad
Numeric
40
90 OK
OK
factores 2
Seleccionar Rplicas 4
Factores
Factor Name
Type
Low
A
Dimetro
Numeric
0.063
B
Velocidad
Numeric
40
Opciones: Quitar bandera de Aleatoria
OK
High
0.125
90 OK
Pgina 13 de 80
IV
14.4
22.5
14.2
39.9

P.
PASO 2. CARGA DE DATOS DE LA COLUMNA DE RESPUESTA

CORRESPONDIENTE A CADA
COMBINACION DE FACTORES DESPUS QUE MINITAB GENERO EL
DISEO O ARREGLO
StdOrder
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
RunOrder
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
CenterPt
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
Blocks
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
Diametro
0.063
0.125
0.063
0.125
0.063
0.125
0.063
0.125
0.063
0.125
0.063
0.125
0.063
0.125
0.063
0.125
Velocidad
40
40
90
90
40
40
90
90
40
40
90
90
40
40
90
90
VIBRACI
N
18.2
27.2
15.9
41.0
18.9
24.0
14.5
43.9
12.9
22.4
15.1
36.3
14.4
22.5
14.2
39.9
PASO 3 ANALIZAR EL MODELO DEL DISEO DE EXPERIMENTOS

FACTORIAL COMPLETO
Response Seleccionar la columna de las respuestas Vibracin
Terms
Pasar todos los trminos a Selected terms con >> OK
Graphs
Seleccionar Effects Plots Normal y Pareto
Seleccionar Alfa = 0.05
Seleccionar Residual for Plots Standardized
Seleccionar Residual plots: Normal Plot y vs Residuals vs fits OK
En Results
Seleccionar todos los trminos a Selected terms con >> OK
OK
Respuesta Seleccionar la columna de las respuestas Vibracin o Respuesta
Terminos
Pasar todos los trminos a Trminos seleccionados con >>
OK
Graphs
Seleccionar Grfica de efectos principales Normal y Pareto
Seleccionar Residuos para grficas estandarizadas
Seleccionar Grficas de residuos: Grfica Normal y vs residuos va
Pgina 14 de 80

P.
sobre ajustes OK
Seleccionar todos los trminos a Trminos seleccionados con >>
OK
OK
NOTA. Para que el modelo sea adecuado, los puntos se deben
apegar a la lnea recta en la grfica normal y ser aleatorios en la
grafica Vs Fits
Trminos para la ecuacin de regresin

Term
Coef
Constant
23.0550
Diametro
-96.2400
Velocidad
-0.372000
Diametro*Velocidad 5.57600
Yest = 23.0550 - 96.24*Diametro - 0.372*Velocidad +
5.576*Diametro*velocidad
Normal Plot of the Standardized Effects
(response is Resp, Alpha = .05)
Effect Type
Not Significant
Significant
1.0E+02
99.9999
F actor
A
B
Percent
99.99
Name
Diametro
Velocidad
99
95
80
50
AB
20
5
1
4
8
Standardized Effect
12
16
Los factores significativos (que influyen en la vibracin) aparece su

nombre en sta grfica en este caso el DIAMETRO, LA VELOCIDAD y
SU INTERACCIN
Pgina 15 de 80

P.
Pareto Chart of the Standardized Effects

(response is Resp, Alpha = .05)
2.18
F actor
A
B
Name
Diametro
V elocidad
Term
AB
6
8
10
Standardized Effect
12
14
Los factores significativos (que influyen en la vibracin) son los que

sobrepasan la lnea en sta grfica, en este caso el DIAMETRO, LA
VELOCIDAD y SU INTERACCIN
Paso 4. Obtener las grficas factoriales para identificar las mejores

condiciones de operacin
Las instrucciones son las siguientes:
Seleccionar Main effects, Interaction Plots y Cube Plot
Realizar el Setup para cada una de estas:
Seleccionar columna Response Vibracin
y con >> seleccionar todos los factores a Selected OK
Seleccionar Data Means OK
Estadsticas > DOE > Factorial > Grficas factoriales
Seleccionar Efectos principales, Grficas de interacciones y Grficas de
cubo
Realizar la Configuracin para cada una de estas:
Seleccionar columna Respuesta Vibracin
y con >> seleccionar todos los factores a Seleccionados OK
Seleccionar Media de datos OK
Pgina 16 de 80

P.
Main Effects Plot for Vibracin

Data Means
Diametro
Velocidad
32.5
30.0
Mean
27.5
25.0
22.5
20.0
17.5
15.0
0.063
0.125
40
90
Interaction Plot for Vibracin

Data Means
Diametro
0.063
0.125
40
Mean
35
30
25
20
15
40
90
Velocidad
Como la interaccin fue significativa (AB) se usa esta grafica de

interacciones para seleccionar los mejores niveles de operacin.
En este caso el punto que da la mnima vibracin es con ajuste en:
VELOCIDAD 90 DIAMETRO 0.063 (lnea negra)
Pgina 17 de 80

P.
Cube Plot (data means) for Vibracin
14.925
40.275
90
Velocidad
16.100
24.025
40
0.063
Diametro
0.125
Paso 5. Obtencin de las grficas de contornos y de superficie de

respuesta
Stat > DOE > Factorial > Contour / Surface Plots
Seleccionar Contour y Surface Plots
Seleccionar columna Response vibracin
Seleccionar Uncoded units (valores reales)
OK
Estadsticas > DOE > Factorial > Grficas de Contorno / Superficie
Seleccionar Grficas de contorno y superficie
Seleccionar columna Vibracin
Seleccionar Unidades no codificadas (valores reales)
OK
La grfica de contornos indica la combinacin de niveles para A y B

manteniendo la Y respuesta Constante. Sirve para indicar hacia donde se
Pgina 18 de 80

P.
debe seguir experimentando si se quiere mejorar la respuesta, trazando una

recta casi perpendicular a los contornos:
Contour Plot of Vibracin vs Velocidad, Diametro

90
Vibracin
< 15
15 20
20 25
25 30
30 35
35 40
> 40
Velocidad
80
70
60
50
40
0.07
0.08
0.09 0.10
Diametro
0.11
0.12
Optimizador
Stat > DOE > Factorial > Response optimizer
Seleccionar como response Vibracin
Seleccionar Options Diamentro 0.065 Velocidad 50
Set up Vibracin o Respuesta Goal Minimize Target 10 Upper 40
OK
Estadsticas > DOE > Factorial > Optimizador de respuesta
Seleccionar como respuesta Vibracin
Seleccionar Opciones Diamentro 0.065 Velocidad 50
Configuracin Vibracin o Respuesta Minimizar Objetivo 10 Superior 40
OK
Respuesta ptima en Dimetro 0.125 y Velocidad 90
Pgina 19 de 80

P.
3. Se utiliza una aleacin de nquel y titanio para fabricar componentes de

los motores de turbinas de aviones. La formacin de fisuras es un problema
potencialmente serio de las piezas terminadas, ya que pueden provocar
fallas irreversibles. Se realiza una prueba de las piezas para determinar el
efecto de cuatro factores sobre las fisuras. Los cuatro factores son la
temperatura de vaciado (A), el contenido de titanio (B), el mtodo de
tratamiento trmico (C) y la cantidad de refinador de grano usada (D). Se
hacen dos rplicas de un diseo 24 y se mide la longitud de las fisuras (en
mm x 10-2) inducidas en un ejemplar de prueba de muestra sometido a una
prueba estndar. Los datos se muestran en la siguiente tabla:
Combinacin
de
Rplic
a
Rplic
a
Tratamientos
II
-1
-1
-1
-1
-1
7.037
6.376
+1
-1
-1
-1
14.707
15.219
-1
+1
-1
-1
11.635
12.089
+1
+1
-1
-1
ab
17.273
17.815
-1
-1
+1
-1
10.403
10.151
+1
-1
+1
-1
ac
4.368
4.098
-1
+1
+1
-1
bc
9.36
9.253
+1
+1
+1
-1
abc
13.44
12.923
-1
-1
-1
+1
8.561
8.951
+1
-1
-1
+1
ad
16.867
17.052
-1
+1
-1
+1
bd
13.876
13.658
Pgina 20 de 80

P.
+1
+1
-1
+1
abd
19.824
19.639
-1
-1
+1
+1
cd
11.846
12.337
+1
-1
+1
+1
acd
6.125
5.904
-1
+1
+1
+1
bcd
11.19
10.935
+1
+1
+1
+1
abcd
15.653
15.053
a) Correr el diseo de experimentos

Paso 1. Generar diseo
Seleccionar 2-Level factorial (default generators); Number of factors 4
Designs: Seleccionar Full Factorial
Seleccionar Replicates 2
Factors: A B C D -1 +1
-1 +1 -1 +1 -1 +1
OK

factores 4
Seleccionar Rplicas2
Factores: A B C D -1 +1
-1 +1 -1 +1 -1 +1
Opciones: Quitar bandera de Aleatorizar corridas
OK
Paso 2. Copiar los resultados experimentales (columna de color) primero la

rplica I y luego la rplica II ponerle el ttulo de fisuras
Paso 3. Analizar el experimento
PASO 3 ANALIZAR EL MODELO DEL DISEO DE EXPERIMENTOS
FACTORIAL COMPLETO
Response Seleccionar la columna de las respuestas Fisuras
Terms
Pasar todos los trminos a Selected terms con >> OK
Graphs
Seleccionar Effects Plots Normal y Pareto
Seleccionar Residual for Plots Standardized
Seleccionar Residual plots: Normal Plot y vs Residuals vs fits OK
Pgina 21 de 80

P.
En Results
Seleccionar todos los trminos a Selected terms con >> OK
OK
Respuesta Seleccionar la columna de las respuestas Fisuras
Terminos
Pasar todos los trminos a Trminos seleccionados con >>
OK
Graphs
Seleccionar Grfica de efectos principales Normal y Pareto
Seleccionar Residuos para grficas estandarizadas
Seleccionar Grficas de residuos: Grfica Normal y vs residuos va
sobre ajustes OK
Seleccionar todos los trminos a Trminos seleccionados con >>
OK
OK
b) Obtener los residuos y hacer una prueba de normalidad, comentar la
adecuacin del modelo
Cuando los residuos se apegan a la grfica normal, el modelo es adecuado
c) Determinar los efectos de los factores principales y de las interacciones
Probar a un nivel del 5% identificar si hay los factores o las interacciones
son significativas
Los factores principales y las interacciones que son significativas son las
siguientes:
Descripcin
P value
A, B, C y D
0.00 Pasan la lnea roja del Pareto
AB, AC
0.00 y sus nombres aparecen en la
ABC
0.00grfica normal de efectos princ.
d) Identificar en las graficas normal y Pareto los efectos principales e
interacciones que son significativos
Igual al anterior
e) Determinar la ecuacin de regresin del modelo del proceso con valores
no codificados para predecir la respuesta
(ver tabla de
Coeficientes coded units)

Y = 11.9888 + 1.509*A + 1.988*B 1.798*C + 0.979*D + 0.967*A*B
2.004*A*C + 1.569*A*B*C
f) Determinar los valores Y estimados hacer prueba de normalidad
Pgina 22 de 80

P.
g) Obtener las grficas factoriales y de cubo y dar conclusiones

Paso 4. Obtener las grficas factoriales para identificar las mejores
condiciones de operacin
Seleccionar Main effects, Interaction Plots y Cube Plot
Seleccionar columna Response Fisuras
y con >> seleccionar todos los factores a Selected OK
Estadsticas > DOE > Factorial > Grficas factoriales
Seleccionar Efectos principales, Grficas de interacciones y Grficas de
cubo
Seleccionar columna Fisuras
y con >> seleccionar todos los factores a Seleccionados OK
Seleccionar Media de datos OK
h) Obtener las grficas de contornos y de superficie de respuesta y dar

conclusiones
i) Obtener una ampliacin de la zona de contornos de inters
j) Utilizar el optimizador para encontrar una combinacin ptima de factores
para minimizar las fisuras
Paso 5. Optimizador
Stat > DOE > Factorial > Response optimizer
Seleccionar como response Fisuras
Seleccionar Options A 1 B 1 C 1 D 1
Set up Fisuras Goal Minimize Target 7 Upper 10
OK
Estadsticas > DOE > Factorial > Optimizador de respuesta
Seleccionar como respuesta Vibracin
Seleccionar Opciones A 1 B 1 C 1 D 1
Pgina 23 de 80

P.
Configuracin Fisuras Minimizar Objetivo 7 Superior 10

OK
k) Con las grficas factoriales si se quieren minimizar las fisuras, en qu

niveles conviene operar el proceso?
Pgina 24 de 80

P.
4. Un ingeniero est interesado en los efectos de la velocidad de corte (A),

la geometra de la herramienta (B) y el ngulo de corte (C) sobre la vida (en
horas) de una mquina herramienta. Se eligen dos niveles de cada factor y
se corren tres rplicas de un diseo factorial 23. Los resultados fueron los
siguientes:
Rplicas
A
II
III
-1
-1
-1
22
31
25
+1
-1
-1
32
43
29
-1
+1
-1
35
34
50
+1
+1
-1
55
47
46
-1
-1
+1
44
45
38
+1
-1
+1
40
37
36
-1
+1
+1
60
50
54
+1
+1
+1
39
41
47
a) Realizar y correr el diseo de experimentos

Probar a un nivel del 5% identificar si hay los factores o las interacciones
son significativas
d) Identificar en las graficas normal y Pareto los efectos principales e
interacciones que son significativos
e) Determinar la ecuacin de regresin del modelo del proceso con valores
no codificados para predecir la respuesta
f) Determinar los valores Y estimados hacer prueba de normalidad
g) Obtener las grficas factoriales y de cubo y dar conclusiones
h) Obtener las grficas de contornos y de superficie de respuesta y dar
conclusiones
i) Obtener una ampliacin de la zona de contornos de inters
j) Utilizar el optimizador para encontrar una combinacin ptima de factores
para
maximizar la vida
k) Con las grficas factoriales si se quiere maximizar la vida, en que niveles
conviene operar el proceso?
Pgina 25 de 80

P.
5. Diseo de experimentos factorial completo: Se estudia el
rendimiento de un proceso qumico (Y), donde se piensa que los factores

que mayor influencia tienen son la temperatura y la presin (X1, X2).
Se disea un experimento factorial completo con dos rplicas y tomando
tres niveles
en cada factor como se muestra en la tabla de rendimientos.
Hacer los anlisis de la significancia de cada factor a un 5% de significancia.
PRESION
(psig)
TEMP.
150
160
170
200
90.4
90.2
90.1
90.3
90.5
90.7
215
90.7
90.6
90.5
90.6
90.8
90.9
230
90.2
90.4
89.9
90.1
90.4
90.1
a) Generar el diseo
PASO 1. GENERAR EL DISEO FACTORIAL DE ACUERDO AL
EXPERIMENTO
Type of Design: General Full Factorial Design
Number of factors 2
Designs: Factor A Name Temp
Levels 3
Factor B Name Presion Levels 3
Number of Replicates
2
Options
Quitar seleccin de randomize runs OK
Factors Introducir los niveles para TEMP. 200 215 230

PRESIN 150 160 170
OK
DISEO O ARREGLO
Ver diseo con Stat > DOE > Display Design
Seleccionar Standard order for design
Uncoded Units
OK
NOTA: Coded units muestra 1, 2 y 3
StdOrder
1
2
RunOrder
10
12
PtType
1
1
Blocks
1
1
Pgina 26 de 80
Temp
Presion
200
200
Rendimien
to
150
90.4
160
90.1

3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
3
9
6
15
8
13
2
14
1
7
4
11
18
16
5
17
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
P.
200
215
215
215
230
230
230
200
200
200
215
215
215
230
230
230
170
150
160
170
150
160
170
150
160
170
150
160
170
150
160
170
PASO 3. ANALIZAR EL MODELO DEL DISEO DE EXPERIMENTOS

FACTORIAL COMPLETO
Response Seleccionar la columna de Rendimiento
Terms
Pasar todos los trminos a Selected con >> OK
Graphs
Residuals for Plots standardized

Seleccionar Residual plots: Normal y vs fits OK
Results
ANOVA table, Unusual observations

Seleccionar todos los trminos con >> OK
OK
b) Determinar si el modelo es adecuado por medio de los residuos
c) Por medio de los P values en la tabla ANOVA, identificar los factores

significativos as como las interacciones siginificativas
Pgina 27 de 80
90.5
90.7
90.5
90.8
90.2
89.9
90.4
90.2
90.3
90.7
90.6
90.6
90.9
90.4
90.1
90.1

P.
General Linear Model: Rendimiento versus Temperatura, Presion

Factor
Temperatura
Presion
Type
fixed
fixed
Levels
3
3
Values
200, 215, 230
150, 160, 170
Analysis of Variance for Rendimiento, using Adjusted SS for Tests

Source
Temperatura
Presion
Temperatura*Presion
Error
Total
S = 0.133333
DF
2
2
4
9
17
Seq SS
0.76778
0.30111
0.06889
0.16000
1.29778
R-Sq = 87.67%
Adj SS
0.76778
0.30111
0.06889
0.16000
Adj MS
0.38389
0.15056
0.01722
0.01778
F
21.59
8.47
0.97
P
0.000 Significativo
0.009
0.470
R-Sq(adj) = 76.71%
d) Obtener las grficas factoriales para identificar las mejores condiciones de

operacin
PASO 4. OBTENER LAS GRFICAS FACTORIALES PARA IDENTIFICAR

LAS MEJORES CONDICIONES DE OPERACIN
Seleccionar Main effects e Interaction Plots
Setup para ambas: En Response seleccionar Rendimiento
y con >> seleccionar todos los factores OK
De aqu se seleccionan los mejores niveles de acuerdo al resultado deseado.
Si la interaccin es significativa, los mejores niveles se seleccionan de las
grficas de interacciones, de otra forma se seleccionan de las grficas de
efectos de los factores principales.
Main Effects Plot for Rendimiento
Data Means
Temp
90.7
Presion
Mean
90.6
90.5
90.4
90.3
90.2
200
215
230
150
160
Pgina 28 de 80
170

P.
Para maximizar el rendimiento se selecciona:

Presin = 170 psig
Temperatura = 215C
Interaction Plot for Rendimiento
Data Means
90.9
Temp
200
215
230
90.8
90.7
Mean
90.6
90.5
90.4
90.3
90.2
90.1
90.0
150
160
Presion
170
6. Se est estudiando el rendimiento para un proceso industrial, los dos

factores de inters son temperatura y presin. Se utilizan tres niveles de
cada factor, con los resultados siguientes:
Presin en libras / pulg. 2

Temperat
ura
250
260
270
20
86.3
84
85.8
86.1
85.2
87.3
88.5
87.3
89
89.4
89.9
90.3
89.1
90.2
91.3
91.7
93.3
93.7
40
60
Temperatura
Rendimie
Presion nto
20
250
86.3
20
260
84
20
270
85.8
40
250
88.5
Pgina 29 de 80

40
260
87.3
40
270
89
60
250
89.1
60
260
90.2
60
270
91.3
20
250
86.1
20
260
85.2
20
270
87.3
40
250
89.4
40
260
89.9
40
270
90.3
60
250
91.7
60
60
260
270
93.3
93.7
P.
Para un nivel alfa de 0.05

a) Determinar los valores P correspondientes a los factores principales y las
interacciones
y establecer conclusiones
b) Hacer una prueba de normalidad de los residuos estandarizados
d) Determinar los efectos de los factores principales y de las interacciones
e) Obtener las grficas factoriales e identificar en cuales seleccionar los
diferentes niveles
f) Si se quiere maximizar el rendimiento, en que niveles conviene operar el
proceso?
7. Johnson y Leone describen un experimento realizado para investigar la
torcedura de placas de cobre. Los dos factores estudiados fueron la
temperatura y el contenido de cobre de las placas.
La variable de respuesta fue de una medida de la cantidad de torcedura.
Los datos fueron los siguientes:
Contenido de cobre
(%)
Temperatura
40
60
(C)
50
17, 20
16, 21
80
100
24, 22
28, 27
75
12, 9
18, 13
17, 12
27, 31
100
16, 12
18, 21
25, 23
30, 23
Pgina 30 de 80

125
21, 17
23, 21
P.
23, 22
29, 31
a) A un nivel de significancia del 5% identificar si hay los factores o las

interacciones son significativas
d) Obtener las grficas factoriales e identificar en cuales seleccionar los
diferentes niveles
e) Si se quiere minimizar la torcedura, en que niveles conviene operar el
proceso?
f) Suponga que no es sencillo controlar la temperatura en el medio
ambiente donde van a usarse las placas de cobre Este hecho modifica la
respuesta que se dio en el inciso d?
8. Los factores que influyen para el esfuerzo a la ruptura de una fibra
sinttica estn siendo estudiados 4 maquinas de produccin y tres
operadores son escogidos y un experimento factorial es realizado y usando
la fibra de los mismos lotes de produccin, con los siguientes resultados.
MAQUIINA
OPERADOR
JUAN
PEDRO
JORGE
109
110
108
110
110
115
109
108
110
110
111
114
112
111
109
112
116
112
114
120
114
115
119
117
a) A un nivel de significancia del 5% identificar si hay los factores o las

interacciones son significativas
d) Obtener las grficas factoriales e identificar en cuales seleccionar los
diferentes niveles
e) Si se quiere maximizar la resistencia a la ruptura en que niveles debe
operar el proceso?
Pgina 31 de 80

P.
9. Diseo de experimentos de Taguchi

Taguchi ha desarrollado una serie de arreglos para experimentos con
factores a dos niveles, los ms utilizados y difundidos segn el nmero de
factores a analizar son:
Taguchi sugiere utilizar un estadstico que proporcione informacin acerca

de la media y de la variancia denominado Relacin Seal a Ruido (SNR),
como la variable de respuesta, se consideran tres tipos principales. Las
frmulas para cada esquema son las siguientes:
1. Menor es mejor (Smaller is better - s)

n
SNRs 10 log Yi
i 1 n
2. Mayor es mejor Larger is better - l)
1 / Yi2
SNRl 10 log
i 1 n
n
SNRt 10 log s 2
3. Nominal es mejor - (Target is better - t)
Donde la SNR se expresa en decibeles y debe ser maximizada

Una vez insertados los componentes en una placa de circuito impreso, esta
se pasa a una mquina de soldar donde por medio de un transportador pasa
por un bao de flux para eliminar oxido, se precalienta para reducir la
Pgina 32 de 80

P.
torcedura y se suelda. Se disea un experimento para determinar las

condiciones que dan el nmero mnimo de defectos de soldadura por milln
de uniones. Los factores de control y niveles se muestran a continuacin:
ARREGLO INTERNO
Factor
A
B
C
D
E
Descripcin
Temperatura de soldado F
Velocidad del transportador
(ft/min)
Densidad del flux remover
oxido
Temperatura de precalentado
F
Altura de ola de
soldadura(pulg.)
(-1)
480
(+1)
510
7.2
10.
0.9
1.0
150
200
0.5
0.6
Adems se tienen otros factores denominados factores de ruido que no se

pueden o no se quieren controlar como el tipo de producto. Tambin se
pueden considerar factores de ruido las tolerancias de algunos de los
factores crticos en este proceso, en este caso la temperatura de la
soldadura varia entre 5F y la velocidad del transportador entre 0.2
ft/min. Esta variabilidad tambin tiene influencia en la respuesta.
ARREGLO INTERNO
Factor
Descripcin
F
Temperatura de soldadura (F)
Velocidad del transportador
G
(ft/min)
H
Tipo de producto en la placa
(-1)
-5
(+1)
5
-0.2
2
+0.2
1
El arreglo cruzado de ambos y los valores de las respuestas se muestran a

continuacin:
En este caso se busca la respuesta Menor es mejor para los defectos de
soldadura.
Arreglo
interno
-1
-1
-1
-1
-1
-1
SNR
-1
-1
-1
-1
-1
186
187
105 104 -43.59
-1
-1
328
326
247 322 -49.76
-1
-1
-1
234
159
231 157 -45.97
-1
-1
295
216
204 293 -48.15
-1
-1
-1
47
125
127
-1
-1
185
261
264 264 -47.81
-1
136
136
132 136 -42.61
Pgina 33 de 80
42
-39.51

1
-1
P.
-1
194
197
193 275 -46.75
PASO 1. GENERAR EL DISEO FACTORIAL DE ACUERDO AL EXPERIMENTO
Stat > DOE > Taguchi > Create Taguchi Design

2 Level Design
Number of factors 5
Designs
L8
OK
Factors (para cambiar nombre de factores y niveles)

o To columns of the array as specified below
o To allow estimation of selected interactions
Seleccionar Selected terms AB
Factor Name
A
Temp sold
B
Vel. transp.
C
Densidad flux
D
Temp precal
E
Altura de ola
Options
OK
Level values Column Levels

-1
1
1
2
-1
1
2
2
-1
1
3
2
-1
1
4
2
-1
1
5
2
o Store design in worksheet OK

DISEO O ARREGLO
A
-F-G-H
FG-H
-1
-1
-1
-1
-1
186
187.0
105
104
-1
-1
328
326.0
247
322
-1
-1
-1
234
159.0
231
157
-1
-1
295
216.0
204
293
-1
-1
-1
47
125.0
127
42
-1
-1
185
261.0
264
264
-1
136
136.0
132
136
Pgina 34 de 80
F-GH -FGH

1
-1
-1
P.
194
197.0
193
275
PASO 3 ANALIZAR MODELO DE DISEO DE EXPERIMENTOS

FRACCIONAL DE TAGUCHI
Stat > DOE > Taguchi > Analyze Taguchi Design

Response Data are in - Seleccionar las cuatro columnas de
respuestas C6 - C9
Graphs Seleccionar Signal to noise ratios , means, interaction

plots in Matrix
Analysis Seleccionar Signal to noise ratios y Means para
Response tables y Fit Model
Terms
Seleccionar A, B, C, D , E y AB
Options
Seleccionar
Smaller
is better
Los
resultados
se muestran
a continuacin
a) Grfica normal de residuos
Analysis Graphs Seleccionar Standardized Residual for plots y

Normal
Indica
que Plot
le modelo es adecuado
OK
Pgina 35 de 80

P.
b) Coeficientes y ANOVA para Relaciones Seal a Ruido
c) Coeficientes y ANOVA para las medias de los factores

Linear Model Analysis: Means versus A, B, C, D, E
Estimated Model Coefficients for Means
Term
Constant
A -1
B -1
C -1
D -1
E -1
A*B -1 -1
S = 8.839
Coef
197.125
27.500
-2.125
-56.875
2.625
-22.750
3.125
SE Coef
3.125
3.125
3.125
3.125
3.125
3.125
3.125
R-Sq = 99.8%
T
63.080
8.800
-0.680
-18.200
0.840
-7.280
1.000
P
0.010
0.072
0.620
0.035
0.555
0.087
0.500
R-Sq(adj) = 98.5%
Pgina 36 de 80
Solo son significativos a un nivel alfa del 5%

el factor C y al 10% A, C, E.

P.
Main Effects Plot (data means) for SN ratios

A
Mean of SN ratios
-44
-46
-48
-1
-1
1
E
-44
-46
-48
-1
-1
Signal-to-noise: Smaller is better
Pgina 37 de 80
-1

P.
Los factores ms significativos son A, C y E.

Seleccionamos para menor es mejor
los que den respuesta Mxima:
A=1
B = -1
C = -1
D=1
E = -1
Interaction Plot (data means) for SN ratios
-1
1
-44
A
-1
1
-45
A
-46
-47
B
-1
1
-44
-45
B
-46
-47
-1
Signal-to-noise: Smaller is better
d) Las respuestas promedio y grficas factoriales para los factores

principales son:
Pgina 38 de 80

P.
Se observan como factores significativos

A, C y E (considerados para alfa de 10%),
seleccionamos para una respuesta mnima:
A=1
C = -1
E = -1
Si no coincidieran los niveles en SN y medias
en los factores, se da prioridad a los niveles
que maximizen la
SNR.
Interaction Plot (data means) for Means

-1
1
220
A
-1
1
200
A
180
160
220
B
-1
1
200
B
180
160
-1
No se observa interaccin
significativa
entre los factores A y B, las lneas
estn casi paralelas
PASO 5 PREDICCIN DE RESULTADOS CON EL MODELO OBTENIDO
Stat > DOE > Taguchi > Predict Taguchi Results
Terms >> todos
Levels seleccionar Uncoded Units y Select levels from a list
Seleccionar los niveles que maximicen la respuesta
OK
Predicted values
S/N Ratio
52.6883
Mean
309
StDev
39.7725
Ln(StDev)
3.68353
Pgina 39 de 80

P.
10. En un proceso de formacin de paneles una caracterstica no deseada

es la emisin de formaldehdo en el producto final. Se desea que esta
emisin sea lo mnima posible. Actualmente se estima en 0.45 ppm. (partes
por milln).
Se cree que cinco factores pueden estar afectando la emisin, estos son:
tipo de resina, concentracin de la solucin, tiempo de ciclo de prensado,
humedad y presin.
En este caso estamos interesados en analizar el efecto de 5 efectos o

factores a dos niveles cada uno, por lo tanto, se usar un arreglo ortogonal
L8. Esto implica que se ejecutarn 8 pruebas o condiciones experimentales.
Por otra parte se disponen de 7 columnas, a cada columna se le puede
asignar o asociar un factor. Si en particular, asignamos los factores en
orden a las primeras cinco Columnas, dejando libres las ltimas dos
columnas, el arreglo queda:
Con Minitab se crea el arreglo con:

Stat > DOE > Taguchi > Create Taguchi Design
Type of Design: 2 level design
Number of factors 5
Designs: L8
Seleccionar Assign factors To columns of the array as specified below
Factors Name Level values Column Levels
A
1 2
1
2
B
1 2
2
2
C
1 2
3
2
D
1 2
4
2
E
1 2
5
2
Options: Store design in the worksheet
Pgina 40 de 80

P.
OK
La columna de la Yi se agrega despus de correr los experimentos:

A
1
1
1
1
2
2
2
2
B
1
1
2
2
1
1
2
2
C
1
1
2
2
2
2
1
1
D
1
2
1
2
1
2
1
2
E
1
2
1
2
2
1
2
1
Yi
0.49
0.42
0.38
0.3
0.21
0.24
0.32
0.28
Analizar el diseo experimental con:

Con Minitab
Response data in Y
Analysis. Fit linear model for Signal to Noise Ratios Means
Graphs: Signal to Noise Ratios Means
Terms: A B C D E F
Analysis graphs: Residuals for plots Standardized
Residual Plots
Individual plots Normal plot
Options: Smaller is better
Storage: Signal to Noise Ratios Means
OK
Al final obtener una prediccin de la respuesta:
Terms >> todos
Levels seleccionar coded Units y Select levels from a list
Seleccionar los niveles que minimicen la respuesta
OK
S/N Ratio
13.8571
Mean
0.1675
Pgina 41 de 80

P.
11. Ejemplo con interacciones: Variable de respuesta viscosidad, el

mayor valor es deseado.
A
B
C
D
E
Factores
Mezcla de hule crudo
no
Curado
24 hrs.
Velocidad de prensado
55 m/min
Enfriamiento del tambor
Secado con vapor envolvente
no
Interaccin ExD
Interaccin DxC
Nivel I
Nivel II
si
no
50m/min
con agua
sin agua
si
Arreglo ortogonal y resultados

N
1
2
3
4
5
6
7
8
E
1
1
1
1
2
2
2
2
D
1
1
2
2
1
1
2
2
ExD
1
1
2
2
2
2
1
1
C
1
2
1
2
1
2
1
2
B
1
2
1
2
2
1
2
1
DxC
1
2
2
1
1
2
2
1
A
1
2
2
1
2
1
1
2
Resultado
1620
1580
1100
1150
1500
1560
1000
1020
Solucin con Minitab se crea el arreglo con:

1. Disear el arreglo ortogonal definiendo las columnas para los factores
principales y las interacciones, en este caso:
Col.
1
A
1
1
1
1
2
2
2
2
Col.
2
C
1
1
2
2
1
1
2
2
Col. Col.
3
4
AxC
B
1
1
1
2
2
1
2
2
2
1
2
2
1
1
1
2
Col. Col. Col.

5
6
7
AxB CxB
D
1
1
1
2
2
2
1
2
2
2
1
1
2
1
2
1
2
1
2
2
1
1
1
2
2. Reconocer el arreglo en Minitab con:

Stat > DOE > Taguchi > Define Custom Taguchi Design
Factors A B C D
OK
Pgina 42 de 80

Pgina 43 de 80
P.

P.
Esta columna es el resultado de los experimentos:

A
1
1
1
1
2
2
2
2
C
1
1
2
2
1
1
2
2
AxC
1
1
2
2
2
2
1
1
B
1
2
1
2
1
2
1
2
AxB
1
2
1
2
2
1
2
1
CxB
1
2
2
1
1
2
2
1
D
1
2
2
1
2
1
1
2
Yi
11.2
10.8
7.2
7.0
8.0
6.9
10.4
10.1
3. Analizar el diseo con:

Con Minitab
Response data in Yi
Terms: A B C D
Residual Plots
Options: Smaller is better
OK
Los resultados son los siguientes:
Establecer conclusiones
4. Predecir la respuesta con Minitab
Predict Mean Signal to Noise Ratio
Terms: A C D E
Levels: Seleccionar Coded Units Select levels from a list: A = 1, B = 2, C =
2, D=1
OK
12. Una caracterstica de calidad importante para un cierto producto

metlico es el terminado, que se mide segn su planicidad en milsimas de
pulgada (mmplg). Esta caracterstica se piensa es afectada por los
siguientes factores:
Pgina 44 de 80

Factor
A
B
C
D
G
H
AxC
AxD
Descripcin
Temperatura del horno
Presin de prensado
Velocidad de recocido
Velocidad de alimentacin ref.
Tipo de modelo
Templabilidad del material
Interaccin
Interaccin
P.
Nivel 1
Nivel 2
1500 F
1600 F
200 psi
220 psi
8 seg
12 seg
80 gal/min
100gal/min
chico
grande
25 Rc
30 Rc
Los factores G y H son factores que no se pueden controlar durante el

proceso, ya que el tipo de modelo depende del requerimiento especfico del
cliente y la templabilidad es una caracterstica de la materia prima. Estos
dos factores se consideran al menos inicialmente como factores de ruido.
Por lo tanto, se consideran como factores de diseo a los factores A, B, C y
D.
De acuerdo con esto, lo que se desea saber es cules deben ser las
condiciones de operacin o niveles de los factores de diseo A, B, C y D, que
lleven el producto a la caracterstica objetivo y adems con la mnima
variabilidad, a pesar de las variaciones en los factores G y H.
Arreglo interno
Considere nicamente los factores de diseo, se desea detectar 6 efectos
en total, y para ello, se requiere de un arreglo ortogonal L8. La grfica lineal
requerida es:
3
1 A
.2
5 A xC
AxD
6
7
La columna correspondiente a la lnea punteada se utilizar para cuantificar

el error. Una posible asignacin es:
Pgina 45 de 80

A
1
B
2
e
3
C
4
AxC
5
AxD
6
P.
D
7
Este ser el arreglo

interno y consiste de 8
condiciones
experimentales/renglone
s
Arreglo externo
Considere ahora nicamente los factores de ruido G y H. Se requieren de
dos columnas, de manera que un arreglo ortogonal L4 es suficiente. El
arreglo, al que llamaremos arreglo externo es:
N
1
2
3
4
G
1
1
1
2
2
H
2
1
2
1
2
3
1
2
1
1
Observe que no se asigna efecto alguno a la columna 3, la cual queda

libre.
Arreglo total
Los dos arreglos anteriores se mezclan o combinan en un solo arreglo
total, tal y como se muestra:
1
H 1
G 1
N
1
2
3
4
5
6
7
8
A
1
1
1
1
1
2
2
2
2
B
2
1
1
2
2
1
1
2
2
e
3
1
1
2
2
2
2
1
1
C
4
1
2
1
2
1
2
1
2
AxC
5
1
2
1
2
2
1
2
1
AxD
6
1
2
2
1
1
2
2
1
D
7
1
2
2
1
2
1
1
2
Pgina 46 de 80
1
Y11
Y21
Y31
Y41
Y51
Y61
Y71
Y81
2
2
1
2
1
2
1
2
2
2
Y12
Y22
Y32
Y42
Y52
Y62
Y72
Y82
3
Y13
Y23
Y33
Y43
Y53
Y63
Y73
Y83
4
Y14
Y24
Y34
Y44
Y54
Y64
Y74
Y84

P.
Las 32 lecturas son las siguientes:

1
H 1
G 1
N
1
2
3
4
5
6
7
8
A
1
1
1
1
1
2
2
2
2
B
2
1
1
2
2
1
1
2
2
e
3
1
1
2
2
2
2
1
1
C
4
1
2
1
2
1
2
1
2
AxC
5
1
2
1
2
2
1
2
1
2
2
1
2
1
2
1
2
2
AxD D
6
7
1
2
3
4
1
1
1.1
1.2
1.3
1.1
2
2
1.2
1.3
1.2
1.3
2
2
2.0
2.1
2.2
2.1
1
1
2.1
2.2
2.1
2.0
1
2
1.0
1.4
1.2
1.3
2
1
1.2
1.3
1.5
1.0
2
1
1.6
2.1
2.4
2.0
1
2
1.5
2.0
2.3
2.5
Totales=
11.7 13.6 14.2
13.3
Solucin con Minitab se crea el arreglo con:
1. Disear el arreglo ortogonal definiendo las columnas para los factores
principales y las interacciones, en este caso:
FACTORES DE CONTROL
A
B
e
C
AxC AxD
D
1
1
1
1
1
1
1
1
1
1
2
2
2
2
1
2
2
1
1
2
2
1
2
2
2
2
1
1
2
1
2
1
2
1
2
2
1
2
2
1
2
1
2
2
1
1
2
2
1
2
2
1
2
1
1
2
2. Reconocer el arreglo en Minitab con:
Stat > DOE > Taguchi > Define Custom Taguchi Design
Factors A B C D
OK
Estas columnas es el resultado de los experimentos:
FACTORES DE
CONTROL
A
B
e
1
1
1
1
1
1
1
2
2
1
2
2
2
1
2
2
1
2
2
2
1
2
2
1
3. Analizar el diseo
C
AxC AxD
1
1
1
2
2
2
1
1
2
2
2
1
1
2
1
2
1
2
1
2
2
2
1
1
con:
D
1
2
2
1
2
1
1
2
COMB.
RUIDO
H1_
G1
1.1
1.2
2
2.1
1
1.2
1.6
1.5
Pgina 47 de 80
FACTORES DE
H2_
G1
1.2
1.3
2.1
2.2
1.4
1.3
2.1
2
H1_
G2
1.3
1.2
2.2
2.1
1.2
1.5
2.4
2.3
H2_
G2
1.1
1.3
2.1
2
1.3
1
2
2.5

P.
Con Minitab
Response data in H1_G1
H2_G1
H1_G2
H2_G2
Terms: A B C D
Residual Plots
Options: Nominal is Best Seleccionar Use adjusted formula for nominal is
best
OK
Los resultados son los siguientes (al 0.2 de nivel de significancia):
Suponga que por alguna razn para este ejemplo en particular, se tiene un
valor deseado de m= 2 mmplg.
4. Predecir la respuesta con A = 1 y B = 1.5 se tiene:
Predict Mean Signal to Noise Ratio
Terms: A B C D AxC AxD
Levels: Seleccionar Coded Units Select levels from a list: A = 1, B = 1, C =
1, D=1
OK
Conclusin: como el valor de la presin de prensado es el nico factor que
ajusta a la media, debe ajustarse para que la planicidad se encuentre en su
valor nominal de 2.
13. Ejemplo de fabricacin de bolas de Golf

Se fabrican bolas de golf con un nuevo diseo para maximizar la distancia
de vuelo.
Se han identificado cuatro factores de control, cada uno con dos niveles:
- Material del nucleo (lquido y tungsteno)
- Dimetro del nucleo (118 y 156)
- Nmero de vueltas (392 y 422)
- Espesor del recubrimiento (0.03 y 0.06)
Se desea probar la interaccin entre el material del nucleo y su dimetro.
Como respuesta se mide la distancia en dos clubes de golf como factor de
ruido.
Pgina 48 de 80

P.
Como se quiere maximizar la respuesta se selecciona la relacin seal a

ruido Mayor es mejor.
Paso 1. Abrir el archivo de Minitab
File > Open worksheet GOLFBALL.MTW. Contiene el diseo y los datos de
distancia de respuesta.
Material
Liquid
Liquid
Liquid
Liquid
Tungsten
Tungsten
Tungsten
Tungsten
Diameter Dimples Thickness

118 392 0.03
247.5
118 422 0.06
224.4
156 392 0.03
59.4
156 422 0.06
75.9
118 392 0.06
155.1
118 422 0.03
39.6
156 392 0.06
92.4
156 422 0.03
21.9
Driver Iron
234.3
214.5
49.5
72.6
148.5
29.7
82.5
18.6
Reconocer el diseo con:

Stat > DOE > Taguchi
Define custom Taguchi Design
Factors Material Thickness
OK
Paso 2. Analizar el diseo
Stat > DOE > Taguchi > Analyze Taguchi Design.
En Response data are in, seleccionar Driver and Iron.
Click Analysis.
En Fit linear model for, seleccionar Signal-to-noise ratios and Means.
Click OK.
Click Terms.
Mover los trminos AB a Selected Terms con > o con doble click. Click OK.
Click Options.
En Signal to Noise Ratio, seleccionar Larger is better. Click OK en cada
cuadro de dilogo
Los resultados se muestran a continuacin:
Para la prediccin se puede decidir qu factores e interacciones incluir, para
mejorar la prediccin.
Stat > DOE > Taguchi > Predict Taguchi Results.
Quitar la seleccin de Standard deviation y Natural log of standard
deviation.
Pgina 49 de 80

P.
Click Terms. Incluir los trminos A, B, C, D, y AB en el cuadro Selected

Terms. Click OK.
Click Levels.
En Method of specifying new factor levels, seleccionar Select levels from a
list.
En Levels, click en los renglones y seleccionar los niveles de los factores
mostrados en la tabla.
Level
Factor
Material
Diameter
Dimples
Thicknes
s
Liquid
118
392
0.06
Pgina 50 de 80

P.
14. Diseo Central Compuesto para optimizacin con

Minitab:
Pgina 51 de 80

Pgina 52 de 80
P.

Corrida con Minitab

Paso 1. Crear el diseo de exp. Central
Compuesto (CCD)
Stat> DOE > Surface Response > Create Response
Surface Design
En Type of Designs seleccionar Central Composite
Number of factors 2
En Designs seleccionar Full Runs 13 Center points 5
Axial 1.414
Number of center points seleccionar Default Value of Alfa
Default
Replicates 1
En Factors seleccionar Nombre de los factores y niveles de los
Pgina 53 de 80
P.

P.
mismos
En Options seleccionar NO Randomize runs y Store Design in
Worksheet
En Results seleccionar Summary table and Design
Table
OK
Design Table
Paso 2. Cargar los datos de respuesta de los

experimentos
StdOrder
1
2
3
4
5
6
7
8
9
10
11
12
13
RunOrder
1
2
3
4
5
6
7
8
9
10
11
12
13
PtType
1
1
1
1
-1
-1
-1
-1
0
0
0
0
0
Blocks
1
1
1
1
1
1
1
1
1
1
1
1
1
A
-1
1
-1
1
-1.41421
1.41421
0
0
0
0
0
0
0
B
Rendim.
-1
76.5
-1
78.0
1
77.0
1
79.5
0
75.6
0
78.4
-1.41421
77.0
1.41421
78.5
0
79.9
0
80.3
0
80.0
0
79.7
0
79.8
Paso 3. Analizar el Diseo de superficie de

respuesta CCD
Stat> DOE > Surface Response > Analyze Surface Response
Design
En Response seleccionar Rendimiento y Coded Units
Pgina 54 de 80
Viscocida
d
62
66
57
59
71
68
57
58
72
69
68
70
71

En Graphs seleccionar Residual Plots o Normal

Plot
OK
Pgina 55 de 80
P.

El modelo es adecuado
Pgina 56 de 80
P.

Paso 4. Analizar grficas de superficie de
respuesta y contornos
Stat> DOE > Surface Response > Contour/Response
Plots
Seleccionar Contour y Surface plots
En Setup de cada una simplemente entrar y
salir
OK
Punto ptimo
A=0, B=0.5
Pgina 57 de 80
P.

Pgina 58 de 80
P.

Stat> DOE > Surface Response > Overlaid Contour
Plot
Seleccionar Variable de respuesta con >
En Contours establecer el Low 78 y High 84 de la
respuesta
OK
Paso 5. Optimizacin de las

respuestas
Stat> DOE > Surface Response > Response
Optimizer
Seleccionar Variable de respuesta Rendim
con >
En Setup poner los valores para la estimacin Lower 75 Target
80 Upper 90
En Options indicar los Starting Values de los niveles de los
factores 0, 0
OK
Pgina 59 de 80
P.

P.
Y = 79.94 + 0.995*A + 0.515B 1.376 A*A 1.001 B*B + 0.25AB

Con las ecuaciones de la pgina siguiente el punto mximo ptimo
queda
en X1 = 0.389 y X2 = 0.306 Con una respuesta estimada Yest = 80.21
Pgina 60 de 80

P.
15. Ejemplo:
Los datos mostrados en la siguiente tabla fueron

colectados en un experimento para optimizar el crecimiento de cristal
semiconductor como funcin de de las variables X1, X2 y X3. Los valores
grandes de Y (rendimiento en gramos) son deseables.
StdOr
der
1
2
3
4
5
6
7
8
RunOr
der
1
2
3
4
5
6
7
8
PtTyp
e
Blocks
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
-1
10
10
-1
X1
-1
1
-1
1
-1
1
-1
1
1.6817
9
1.6817
93
11
11
-1
12
12
-1
13
13
-1
14
15
16
17
18
14
15
16
17
18
-1
0
0
0
0
X2
-1
-1
1
1
-1
-1
1
1
X3
-1
-1
-1
-1
1
1
1
1
Y
66
80
78
100
70
70
60
75
100
80
68
0
1.6817
9
1.6817
93
63
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
1.6817
9
1.6817
93
0
0
0
0
Pgina 61 de 80
65
82
113
100
118
88

19
20
19
20
0
0
1
1
0
0
P.
0
0
0
0
100
85
Encontrar un modelo de ajuste de segundo orden y analizar la superficie

ajustada, bajo qu condiciones se logra el mximo crecimiento? La salida
de Design Expert es:
Pgina 62 de 80

Pgina 63 de 80
P.

P.
16.
Los datos siguientes fueron colectados por un ingeniero qumico. La

respuesta Y es el tiempo de filtracin, X1 es la temperatura y X2 es la
presin. Encontrar un modelo de segundo orden.
StdOr
der
1
2
3
4
RunOr
der
1
2
3
4
PtTyp
e
Blocks
1
1
1
1
1
1
1
1
-1
-1
X1
-1
1
-1
1
1.4142
1
1.4142
14
-1
8
9
10
11
12
13
8
9
10
11
12
13
-1
0
0
0
0
0
1
1
1
1
1
1
0
0
0
0
0
0
X2
-1
-1
1
1
Y
54
32
45
47
50
0
1.4142
1
1.4142
14
0
0
0
0
0
53
La salida de Design Expert es:
Pgina 64 de 80
47
51
41
39
44
42
40

Pgina 65 de 80
P.

P.
Qu condiciones de operacin se recomiendan si el objetivo es minimizar el

tiempo de filtracin?
Pgina 66 de 80

P.
Qu condiciones de operacin se recomiendan si se quiere operar en

un tiempo de filtracin cercano a 46?
Pgina 67 de 80

P.
17.
Un experimentador corri un diseo de Box-Behnken y obtuvo los

resultados mostrados abajo, donde la variable de respuesta es la viscosidad
de un polmero.
StdOr
der
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
RunOr
der
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
PtTyp
e
Blocks
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
0
1
0
1
0
1
X1
-1
1
-1
1
-1
1
-1
1
0
0
0
0
0
0
0
X2
-1
-1
1
1
0
0
0
0
-1
1
-1
1
0
0
0
X3
0
0
0
0
-1
-1
1
1
-1
-1
1
1
0
0
0
Y
535
580
596
563
645
458
350
600
595
648
532
656
653
599
620
Encontrar el modelo de segundo orden
En qu condiciones de X1, X2 y X3 se encuentra el punto

estacionario?
Pgina 68 de 80

Pgina 69 de 80
P.

P.
Qu condiciones de operacin son necesarias si se requiere una viscosidad

tan cercana a los 600 como sea posible?
18.
Considerar el diseo de experimentos CCD mostrado abajo. Analizar

los datos y establecer conclusiones, asumir que se desea maximizar la
Conversin (Y1) con la Actividad (Y2) entre 55 y 60.
StdOr
der
1
2
3
4
5
6
7
8
9
RunOr
der
1
2
3
4
5
6
7
8
9
PtTyp
e
Blocks
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
-1
1
X1
-1
1
-1
1
-1
1
-1
1
-
X2
-1
-1
1
1
-1
-1
1
1
0
Pgina 70 de 80
X3
-1
-1
-1
-1
1
1
1
1
0
Y1
74.0
51.0
88.0
70.0
71.0
90.0
66.0
97.0
76.0
Y2
53.2
62.9
53.4
62.6
57.3
67.9
59.8
67.8
59.1

P.
10
10
-1
1.6817
9
1.6817
93
11
11
-1
12
12
-1
0
1.6817
9
1.6817
93
13
13
-1
14
15
16
17
18
19
20
14
15
16
17
18
19
20
-1
0
0
0
0
0
0
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Las salidas del Design Expert son las siguientes:
Pgina 71 de 80
79.0
65.9
85.0
60.0
0
1.6817
9
1.6817
93
0
0
0
0
0
0
97.0
60.7
55.0
57.4
81.0
81.0
75.0
76.0
83.0
80.0
91.0
63.2
59.2
60.4
59.1
60.6
60.8
58.9

Pgina 72 de 80
P.

P.
19. Diseo de mezclas generado con Minitab:

Stat > DOE > Mixture > Create Mixture Design
Seleccionar Simplex Lattice Number of components 4
Designs introducir los datos siguientes:
Options:
La tabla resultante del diseo es la siguiente:

StdOrd RunOrd PtTyp
er
er
e
Blocks A
B
C
1
1
1
1
1
0
2
2
1
1
0
1
3
3
1
1
0
0
4
4
1
1
0
0
5
5
0
1
0.25
0.25
6
6
-1
1 0.625
0.125
7
7
-1
1 0.125
0.625
8
8
-1
1 0.125
0.125
Pgina 73 de 80
Fuerza
de Gel
D
0
0
1
0
0.25
0.125
0.125
0.625
0
0
0
1
0.25
0.125
0.125
0.125
Sineres
is

9
-1
P.
1 0.125
0.125
0.125
0.625
Cuando se indica 1 0 0 0 solo se usa un componente en la mezcla, cuando

se indica 0.625 de A, 0.125 de B, 0.125 de C y 0.125 de D, tanto A como B,
C y D se incluyen en esas proporciones dentro de la mezcla de los
componentes.
La grfica del diseo se obtiene con:
Stat > DOE > Mixture > Simplex design plot
Seleccionar Generate Plots for all triplets of components
OK
Simplex Design Plots in Amounts
A
1
B
1
C
1
B
1
C
1
D
1
C
Hold Values
A 0
B 0
C 0
D 0
1
D
1
D
Si la mezcla de los componentes representa el 10% del volumen total de la

solucin, ese 10% es tu 100% de la mezcla.
Se realizan los experimentos (Run order) y se cargan los resultados de
ambas respuestas.
En caso de haber sido los resultados:
Fuerza del Sineres
gel
is
3
12
2
43
5
54
21
61
1
23
9
4
3
7
4
8
1
9
Pgina 74 de 80

P.
Despus se analiza el diseo con:

Stat > DOE > Mixture > Analyze mixture design
Responses Fuerza del gel Sineresis
Graphs Residuals for plots Standardized Individual plots:
Normal Plot
OK
Regression for Mixtures: Fuerza del gel, Sineresis
The following terms cannot be estimated and were removed:
B*D
C*D
Regression for Mixtures: Fuerza del gel versus A, B, C, D

Estimated Regression Coefficients for Fuerza del gel (component
proportions)
Term
Coef SE Coef
A
3.1
1.713
B
2.1
1.713
C
5.1
1.713
D
21.1
1.713
A*B
140.0
30.715
son sinrgicos
A*C
132.0
30.715
respuestas coef. +
A*D
-201.6
28.909
son antagnicos
B*C
-157.6
28.909
respuesta coef.-
S = 1.71701
R-Sq = 99.08%
T
*
*
*
*
4.56
P
*
*
*
*
0.137
VIF
1.493
1.493
1.493
1.493
5.312
4.30
0.146
5.313 ya que refuerzan la
-6.97
0.091
4.706
-5.45
0.115
4.706
PRESS = 2660.59
R-Sq(pred) = 0.00%
A y B o A y C
A y D o B y C
ya que disminuyen la
R-Sq(adj) = 92.63%
Analysis of Variance for Fuerza del gel (component proportions)

Source
Regression
Linear
Quadratic
Residual Error
Total
DF
7
3
4
1
8
Seq SS
317.274
151.750
165.524
2.948
320.222
Adj SS
317.274
238.750
165.524
2.948
Adj MS
45.3249
79.5833
41.3810
2.9481
Pgina 75 de 80
F
15.37
26.99
14.04
P
0.194
0.140
0.197

P.
Unusual Observations for Fuerza del gel
Obs
1
2
3
4
StdOrder
1
2
3
4
Fuerza
del gel
3.000
2.000
5.000
21.000
Fit
3.118
2.118
5.118
21.118
SE Fit
1.713
1.713
1.713
1.713
Residual
-0.118
-0.118
-0.118
-0.118
St Resid
-1.00
-1.00
-1.00
-1.00
X
X
X
X
X denotes an observation whose X value gives it large leverage.
Para optimizar la respuesta:

Stat > DOE > Mixture > Response Optimizer
Responses Fuerza del gel Sineresis
Pasar con >> a Selected las dos respuestas Fuerza del Gel y Sineresis
Set up Fuerza de Gel Maximize Lower 1 Target 3
Set up Sineresis Maximize Lower 1 target 3
Depende de los
resultados
Options Starting value A 0.25 B 0.25 C 0.25 D 0.25
OK
Pgina 76 de 80

P.
Se ajustan grficamente los valores de los factores A, B, C y D para

optimizar al mismo tiempo las respuestas Fuerza del gel y Sinerismo
20. Se describe un experimento de mezclas de gasolina involucrando a tres
componentes. No hay restricciones en las proporciones de la mezcla, se usa
el siguiente diseo de mezclas:
Encontrar el modelo de segundo orden que maximice las millas por galn de
gasolina Y.
Preparada para Minitab

StdOr
der
1
2
3
4
5
6
RunOr
der
1
2
3
4
5
6
PtTyp
e
Blocks
1
1
1
1
1
1
2
1
2
1
2
1
-1
-1
10
11
12
13
10
11
12
13
-1
1
1
1
1
1
1
1
14
14
X1
1
0
0
0.5
0.5
0
0.3333
33
0.6666
67
0.1666
67
0.1666
67
1
0
0
0.3333
33
X2
0
1
0
0.5
0
0.5
0.3333
33
0.1666
67
0.6666
67
0.1666
67
0
1
0
0.3333
33
Pgina 77 de 80
X3
0
0
1
0
0.5
0.5
0.3333
33
0.1666
67
0.1666
67
0.6666
67
0
0
1
0.3333
33
Y
24.5
24.8
22.7
25.1
24.3
23.5
24.8
24.2
23.9
23.7
25.1
23.9
23.6
24.1

P.
21. Ejemplo de EVOP

Considerar un proceso qumico con rendimiento dependiente de la
temperatura (X1) y y la presin (X2), las condiciones de operacin actuales
son X1 = 250F y X2 = 145 psi.
El rendimiento de 84.5 se introduce en el primer ciclo de la corrida de EVOP:
n = 1 Y = 84.5 en el punto (1) con X1 = 250 y X2 = 145
Pgina 78 de 80

P.
n = 2 Y = 84.9 en el punto (1) [antes era el punto 3] con X1 = 255 y

X2 = 150
Ningn efecto excede a los lmites de error por lo que las diferencias no
fueron significativas
Pgina 79 de 80

n = 3 Y = 85.9 en el punto (1) [antes era el punto 3]
Aqu se observa que el efecto de la presin es significativa
Pgina 80 de 80
P.

Ejercicios Fase Mejora

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Ejercicios Fase Mejora

Cargado por

Copyright:

Formatos disponibles

EJERCICIOS LEAN SIGMA FASE DE MEJORA

Reyes / febrero de 2009

EJERCICIOS DE LA FASE DE MEJORA:

c. Evaluacin de alternativas de solucin con diagrama de rbol:

d. Seleccin de alternativas de solucin

f. Prueba piloto y Verificacin de la efectividad de las soluciones

g. Implementacin y documentacin de la solucin a nivel sistema

EJERCICIOS LEAN SIGMA FASE DE MEJORA

5. Cules son las ventajas que proporciona el diseo de experimentos?

8. Qu consideraciones deben tomarse en cuenta al planear y desarrollar

9. Cules son las implicaciones al realizar experimentos en la empresa?

EJERCICIOS LEAN SIGMA FASE DE MEJORA

11. Cules son los supuestos que se asumen cuando se realizan

12. Cules son los diferentes mtodos experimentales disponibles y cul es

Fraccional de dos niveles 2K

Filtraje de factores significativos bajo

Taguchi Arreglos ortogonales

Identificacin de mejores niveles de

Identificacin del punto ptimo de

EVOP diseo evolutivo

Diseos por computadora para reducir

13. Qu significan los conceptos siguientes?

14. Qu son las interacciones y cmo se identifican?

15. Qu caractersticas tiene un diseo experimental factorial completo?

EJERCICIOS LEAN SIGMA FASE DE MEJORA

16. Qu caractersticas tiene un diseo experimental factorial de dos

18. Cmo se identifican los factores significativos en la tabla ANOVA de los

19. Qu indican las grficas factoriales y cmo se seleccionan los niveles

20. Qu indican las grficas factoriales de interacciones y cmo se

21. Qu indica la grfica de superficie de respuesta?

22. Cul es el propsito de la grfica de contornos?

27. Despus de cunto tiempo se recomienda se evalen los resultados de

EJERCICIOS LEAN SIGMA FASE DE MEJORA

28. Cmo se puede cuantificar estos resultados?

30. Cules son las salidas de la fase de mejora?

EJERCICIOS LEAN SIGMA FASE DE MEJORA

(Utilizar Minitab 15 para las soluciones)

DISEOS DE EXPERIMENTOS FACTORIALES DE DOS NIVELES

Como respuesta se toma la calidad del componente en una escala de 0 a 30

Factors: Caudal 8 12 Intensidad 230 240 Vel. 0.6

ESTADSTICAS > DOE > Factorial > Crear Diseo Factorial

Factores: Caudal 8 12 Intensidad 230 240 Vel. 0.6

EJERCICIOS LEAN SIGMA FASE DE MEJORA

Paso 2. Introducir los datos en el diseo:

Paso 3. Analizar el diseo

Los resultados se muestran a continuacin.

MODELO DEL PROCESO

EJERCICIOS LEAN SIGMA FASE DE MEJORA

Pareto Chart of the Effects

Lenth's PSE = 1.5

Normal Probability Plot of the Effects

Lenth's PSE = 1.5

Paso 4. Obtener las grficas factoriales para seleccionar los

EJERCICIOS LEAN SIGMA FASE DE MEJORA

Seleccionar Grfica de efectos principales: Configuracin: Respuesta Y;

GRAFICA FACTORIAL DE EFECTOS PRINCIPALES (A, B Y C)

GRFICA DE INTERACCIONES (SI LAS PENDIENTES SON OPUESTAS, LA

EJERCICIOS LEAN SIGMA FASE DE MEJORA

Cube Plot (data means) for Y

Paso 5. Obtener las grficas de contornos y de superficie de

EJERCICIOS LEAN SIGMA FASE DE MEJORA

Paso 6. Obtener una ampliacin de la respuesta en la zona de Y =

Overlaid Contour Plot of Y