Wa0009

TECNOLÓGICO NACIONAL DE MÉXICO
INSTITUTO TECNOLÓGICO DE SALTILLO
“Ingeniería de Calidad”
Cuadernillo de Trabajo
Docente:
_
Alumno:
Saltillo, Coahuila, México Fecha

INGENIERÍA DE CALIDAD
UNIDAD 0 INTRODUCCIÓN A LA INGENIERÍA DE CALIDAD
0.1 ¿Qué es la Ingeniería de Calidad?

La ingeniería de Calidad, es un compendio de técnicas cuantitativas para optimizar el sistema de manufactura.
Optimizar el sistema de manufactura, es obtener un proceso y producto fuerte o robusto a las variables o
factores, y a bajo costo. La ingeniería de Calidad, es una serie de planteamientos para predecir y prevenir
dificultades o problemas que pueden surgir en el mercado, cuando un producto es vendido al cliente, y es usado
por este bajo distintas o diferentes condiciones ambientales y de utilización, a lo largo del periodo de vida
diseñado. (G. Taguchi). La ingeniería de calidad se enfoca al diseño de productos con tecnología robusta.
Definición de Robusto
 Robusto, según el diccionario de la lengua española: Fuerte, vigoroso, sano y saludable.
 Robusto, según la Ingeniería de Calidad: Producto robusto es aquel que satisface de manera rápida y
eficaz las necesidades del cliente, sin importar las condiciones del entorno o del uso que se le dé a lo
largo de toda su vida útil.
 Robusto, es el estado donde el desempeño de la tecnología, del proceso y del producto es insensible a
las fuentes de variación, ya sea en producción como en el campo de uso, y a un mínimo costo (Taguchi)
Herramientas para la ingeniería de calidad

 Estadísticas básicas  Método Shainin
 Pruebas de hipótesis  AMEF’s
 Análisis de regresión  Plan de control
 Estudios R&R  Control estadístico de procesos
 Método Taguchi  Diseño de experimentos
Alcance de la Ingeniería de Calidad
Actividades de calidad Fase del Pasos Ruido Ruido Variación

producto externo interno
DISEÑO:
DISEÑO DEL Sistema x x x
PRODUCTO Parámetros x x x
FUERA DE LINEA:
Tolerancias + x x
Optimización del diseño de
DISEÑO:
productos y procesos.
DISEÑO DEL Sistema ++ ++ x
PROCESO Parámetros ++ ++ x
Tolerancias ++ ++ x
EN LINEA: Calidad en la CONTROL:
fabricación se encarga del control Proceso ++ ++ x
PRODUCCIÓN
y la corrección de procesos y el Inspección ++ ++ x
mantenimiento preventivo. Retroalimentación ++ ++ x
EL ruido es cualquier cosa que causa a una característica de la calidad desviarse de su objetivo, el cual
subsecuentemente causa una pérdida de calidad.
 Ruido Externo: temperatura, altura, y nivel de combustible, son considerados factores externos de
ruido porque ocurren fuera del producto.
 Ruido interno: (partes críticas de la maquinaria se deterioran)
x = Posible
+ = No recomendado
++ = Imposible
Mota-Gutiérrez, Ramos-Martínez, Reyes-Torres

1
Alcance de la Ingeniería de Calidad

Fuera de Línea en el Diseño del Producto Fuera de Línea en el Diseño del Proceso
DISEÑO DEL DISEÑO DE DISEÑO DE DISEÑO DEL DISEÑO DE DISEÑO DE
SISTEMA PARAMETROS TOLERANCIAS SISTEMA PARAMETROS TOLERANCIAS
 Desarrollo de  Seleccionar  Mover  Determinación  Determinación  Mover
prototipos nominales del tolerancias del proceso de de niveles de tolerancias
 Determinación sistema  Mejorar manufactura operación de los  Mejorar
de partes, materiales procesos materiales
ensambles y  Rediseñar el  Rediseñar el
materiales producto producto
 Determinación
del proceso de
manufactura
La relevancia de este concepto radica en el hecho de que solamente durante la etapa de diseño de un producto
se pueden tomar medidas para reducir la variabilidad causada por las variables de ruido. El objetivo del diseño
de un producto es diseñarlo de forma tal que su desempeño sea estable. Específicamente, es elegir los
parámetros de las variables controlables con el propósito de atenuar los efectos de las variables de ruido.
FACTORES CONTROLABLES
ENTRADAS SALIDAS
PROCESO
FACTORES INCONTROLABLES
0.2 La Ingeniería de CalidadFIGURA

y el desarrollo
1. MODELOde GENERAL
la tecnología robusta
DE UN PROCESO O
SISTEMA
Principales conceptos del desarrollo de Tecnología Robusta
1. Optimización en dos pasos: El primer paso en la ingeniería de calidad es mejorar y maximizar la
estabilidad o robustez, solo cuando lo hayamos conseguido, ajustaremos el promedio para encontrar el
objetivo.
2. Elección de las características a medir: La investigación en ingeniería es altamente ineficiente si se
centra sobre las características de calidad erróneas.
3. Función ideal, la calidad funcional se basa en la perspectiva de la ingeniería. Consiste en que el
producto satisfaga las necesidades del cliente con la menor pérdida posible a lo largo de toda su vida
útil.
4. Relación señal ruido: conceptualmente indica que tan bien es la calidad
Ventajas del uso de tecnología robusta

 Prontitud y destreza tecnológica: La calidad debe diseñarse en un principio, en la fase de diseño del
producto. Esto es posible solo si se estudia la función del producto.
 Flexibilidad: Facilita el estudio de grupos o familias de productos, y la creación de valiosas bases de
datos para los propietarios del diseño de la tecnología. (se diseña sobre familias)
 Reproducibilidad: En la investigación a pequeña escala mediante probetas de laboratorio, el entorno
es totalmente diferente de las condiciones habituales de fabricación.

2
UNIDAD 1 DISEÑOS FACTORIALES
1.1 La Ingeniería de Calidad y el Diseño de Experimentos

¿Qué es un Diseño de Experimentos?
Variar en forma planeada y deliberada las variables de entrada al sistema, para observar el comportamiento de
la o las variables de salida bajo diferentes condiciones.
Los modelos de “Diseño de experimentos” son modelos estadísticos clásicos cuyo objetivo es averiguar si unos
determinados factores influyen en la variable de interés y, si existe influencia de algún factor, cuantificarla.
Ejemplos donde habría que utilizar estos modelos son los siguientes:
 El rendimiento de un determinado tipo de maquina (unidades producidas por día), se desea estudiar la
influencia del trabajador que la maneja y la marca de la máquina.
 Se quiere estudiar la influencia del tipo de pila eléctrica y de la marca en la duración de las pilas.
 Se quiere estudiar el rendimiento de los alumnos en una asignatura y, para ello, se desean controlar
diferentes factores: profesor que imparte la asignatura; método de enseñanza; sexo del alumno.
La metodología del diseño de experimentos se basa en la experimentación. Es conocido que, si se repite un

experimento, en condiciones indistinguibles, los resultados presentan variabilidad que puede ser grande o
pequeña. Si la experimentación se realiza en un laboratorio donde la mayoría de las causas de variabilidad están
controladas, el error experimental será pequeño y habrá poca variación en los resultados del experimento. Pero
si se experimenta en procesos industriales, administrativos, la variabilidad es grande en la mayoría de los casos.
El objetivo del diseño de experimentos es estudiar si utilizar un determinado tratamiento produce una mejora
en el proceso o no. Para ello se debe experimentar utilizando el tratamiento y no utilizándolo. Si la variabilidad
experimental es grande, sólo se detectará la influencia del uso del tratamiento cuando éste produzca grandes
cambios en relación con el error de observación. Para que la metodología de diseño de experimentos sea eficaz
es fundamental que el experimento esté bien diseñado. Un experimento se realiza por alguno de los siguientes
motivos:
 Determinar las principales causas de variación en la respuesta.
 Encontrar las condiciones experimentales con las que se consigue un valor extremo en la variable de
interés o respuesta.
 Comparar las respuestas en diferentes niveles de observación de variables controladas.
 Obtener un modelo estadístico-matemático que permita hacer predicciones de respuestas futuras.
Un experimento diseñado permite llegar a conclusiones acerca del caso que estudia, el objetivo es determinar
los mejores valores de parámetros de producto o proceso.
 Prevenir posibles fallas  No tener riesgos
 Obtener resultados  Comparaciones
 Encontrar la mejor combinación  Mejoras económicas
 Utilizar indicadores  Jugar con variables
 Hacer pruebas

3
Ejemplo: La fabricación de un block de concreto para construcción, al cual se desea maximizar su resistencia.
El objetivo de un diseño de experimentos, es optimizar el sistema al definir los factores o variables y sus niveles
que más afectan la variación del producto.
FACTORES O NIVELES
VARIABLES BAJO (1) ALTO (2)
Antigüedad del cemento 1 mes 3 meses
Marca del cemento Monterrey Apasco
Método de mezclado Mecanico Manual
Tiempo de vibración 1 minuto 3 minutos
Proporción cemento/arena 1/4 1/6
Temperatura ambiente 15°C 20°C
Tiempo de secado 8 horas 20 horas
Tipos de diseño de experimentos

Diseños tradicionales: Otros diseños:
 Diseños factoriales completos  Metodología Taguchi
 Diseño factoriales fraccionados  Metodología Shainin
Puntos para el diseño de experimentos

 Que el diseño sea simple
 Que se logre la mayor precisión
 Que se conduzca eficientemente
 Que se ahorren recursos
Experimentos de un factor a la vez

El método convencional es variar un factor a la vez, manteniendo todos los demás constantes para encontrar
los valores o niveles para cada factor. Problemas de este diseño:
 Baja confiabilidad
 Mantener factores constantes no es práctico
 Aumenta el tiempo y el costo
Diseño experimental “Factor Total”

Incluye las pruebas de todas las posibles combinaciones.
Ventajas: Desventajas:
 Se estudian todos los efectos de los factores  El número de factores aumenta
 Gran cantidad de datos (muy confiable) exponencialmente el tamaño del
 Experimento sistemático y estructurado experimento

4
Conceptos básicos
Factor: variable independiente, elemento de estudio en un experimento, pueden ser cuantitativos o cualitativos.
Nivel: atributo de los factores y son valores del factor considerado.
Efecto: es una medida de cambio en la variable de respuesta, debido a cambios en los niveles del factor.
Reproducción: repetición de un experimento, se hace para lograr mayor precisión.
Interacción: los factores que no actúan independientemente, es un efecto combinado de dos o más factores.
Denotación de un diseño factorial nk

n= número de niveles de cada factor
k= número de factores
El resultado de nk es igual al número de corridas experimentales.
Ejemplo: Diseño factorial completo 22
Corridas A B
1 −𝟏 −𝟏
2 𝟏 −𝟏
3 −𝟏 𝟏
4 𝟏 𝟏
Pasos de un DOE (Diseño de experimentos)

1. Determinar el problema
2. Selección del equipo, conocimiento de la situación actual del problema y desarrollo del entendimiento
común
3. Obtener información técnica acerca del problema
4. Realizar lista de objetivos para el diseño experimental
5. Seleccionar factores, niveles y variables de respuesta.
6. Determinar factores e interacciones significativas de acuerdo con el método DOE
7. Crear el arreglo (Factorial, Taguchi o Superficie de respuesta)
8. Correr el diseño experimental
9. El experimento tiene replica:
Si: usa S/R (Taguchi) No: pasa a 10
10. Seleccionar la combinación óptima de factores y niveles óptimos de acuerdo con el resultado
experimental
11. Obtenga un estimado del óptimo experimental
12. Realice una corrida confirmatoria
13. ¿Coincide la corrida confirmatoria con el estimado?
14. Si: experimento exitoso (Pasa a 14)
15. No: Verificar cálculos y determinar lo que provocó la dispersión
16. Implementar solución y realizar si es necesario una mejora continua en forma interminable.

5
1.2 Diseños factoriales

Los diseños factoriales permiten el estudio simultáneo de los efectos que varios factores pudieran ejercer en un
proceso. Cuando se realiza un experimento, permite variar los niveles de los factores simultáneamente, en vez
de variarlos uno a la vez es eficiente desde el punto de vista de tiempo y costo, y además permite el estudio de
las interacciones entre los factores.
Diseño factoriales completos

En un experimento factorial completo, las respuestas se miden en todas las combinaciones de niveles de factores
experimentales. Las combinaciones de niveles de factores representan las condiciones en las cuales se medirán
las respuestas. Cada condición experimental es denominada una "corrida " y la medición de la respuesta es
denominada una "observación". La totalidad del conjunto de corridas es el "diseño".
Los siguientes diagramas muestran diseños de dos y tres factores. Los puntos representan combinaciones únicas
de niveles de factores. Por ejemplo, en el diseño de dos factores, el punto en la esquina inferior izquierda
representa la corrida experimental cuando el factor A se establece en su nivel bajo y el factor B también se
establece en su nivel bajo.
 Diseños factoriales de dos niveles: en un diseño factorial completo de dos niveles, cada factor
experimental tiene sólo dos niveles. Las corridas experimentales incluyen todas las combinaciones de
estos niveles de factores. Aunque los diseños factoriales de dos niveles no pueden explorar
completamente una amplia región del espacio de los factores, sí pueden proporcionar información útil
aplicando un número relativamente reducido de corridas por factor. Debido a que los diseños factoriales
de dos niveles pueden indicar las tendencias principales, usted puede utilizarlos para obtener la
orientación necesaria para fases posteriores de la experimentación. Por ejemplo, cuando usted necesita
explorar más una región donde cree que puede existir una configuración óptima, puede ampliar un
diseño factorial para formar un diseño compuesto central.
 Diseños factoriales completos generales: en un diseño factorial completo general, los factores
experimentales pueden tener cualquier número de niveles. Por ejemplo, el Factor A puede tener dos
niveles, el Factor B puede tener tres niveles y el Factor C puede tener cinco niveles. La corrida
experimental incluye todas las combinaciones de estos niveles de factores. Los diseños factoriales
completos generales se pueden utilizar en experimentos de optimización.
Diseño factoriales fraccionados

En un experimento factorial completo, las respuestas se miden en todas las combinaciones de los niveles de
factores, las cuales podrían generar número prohibitivo de corridas.
Los diseños factoriales en los cuales se excluyen una o más combinaciones de niveles se denominan diseños
factoriales fraccionados. Son útiles en la exploración de factores porque son capaces de reducir el número de
corridas, a fin de alcanzar un tamaño que pueda manejarse.

6
1.3 Análisis de un diseño factorial

ANOVA: El análisis de la tabla de varianza proporciona un resumen de los efectos principales e interacciones.
Se observan los valores de p para determinar si los efectos de los factores son significativos sobre la respuesta.
Un efecto o interacción es significativo si p<0.05.
El ANOVA generalizado para el diseño 2𝑘 , es el siguiente;
Fuente de Suma de Grados de Media de 𝒇 𝑭𝜶 % de

variación cuadrados libertad cuadrados contribución
Factores 𝑆𝑆𝐹 𝑛−1 𝑀𝑆𝐹 𝑓𝐹 𝐹𝛼,𝑛−1,2𝑘(𝑟−1) 𝐹%
Interacción 𝑆𝑆𝐼𝑛𝑡 𝑛−1 𝑀𝑆𝐼𝑛𝑡 𝑓𝐼𝑛𝑡 𝐼𝑛𝑡%
𝑆𝑆𝐸 𝑘 (𝑟 𝑀𝑆𝐸
Error 2 − 1)
Total 𝑆𝑆𝑦 2𝑘 𝑟 − 1
Fórmulas;
𝑛 𝑛 𝑛
(𝐶𝑜𝑛𝑡𝑟𝑎𝑠𝑡𝑒𝐹)2 𝑦2 𝑆𝑆𝐸 𝑆𝑆𝐹
𝑆𝑆𝐹 = 𝑆𝑆𝑦 = ∑ ∑ ∑ 𝑦𝑖𝑗𝑘 2
− 𝑘 𝑀𝑆𝐸 = 𝐹% = [ ] 100
2𝑘 𝑟 2 𝑟 2𝑘 (𝑟 − 1) 𝑆𝑆𝑦
𝑖=1 𝑗=1 𝑘=1
(𝐶𝑜𝑛𝑡𝑟𝑎𝑠𝑡𝑒𝐼𝑛𝑡)2 𝑆𝑆𝐹 𝑆𝑆𝐹 𝑆𝑆𝐼𝑛𝑡
𝑆𝑆𝐼𝑛𝑡 = 𝑀𝑆𝐹 = 𝑓𝐹 = 𝐼𝑛𝑡% = [ ] 100
2𝑘 𝑟 𝑛−1 𝑀𝑆𝐸 𝑆𝑆𝑦
𝑆𝑆𝐸 = 𝑆𝑆𝑦 − 𝑆𝑆𝐹 − 𝑆𝑆𝐼𝑛𝑡 𝑆𝑆𝐼𝑛𝑡 𝑆𝑆𝐼𝑛𝑡
𝑀𝑆𝐼𝑛𝑡 = 𝑓𝐼𝑛𝑡 =
𝑛−1 𝑀𝑆𝐸
𝑛 = niveles de los factores, 𝑘 = factores, 𝑟 = réplicas del experimento
La siguiente tabla muestra cómo se definen los contrastes, para el diseño factorial 2𝑘 , para 𝑘 ≤ 5.
Notación Notación
Trat A B C D E Trat A B C D E
de Yates de Yates
1 (1) -1 -1 -1 -1 -1 17 e -1 -1 -1 -1 1
2 a 1 -1 -1 -1 -1 18 ae 1 -1 -1 -1 1
3 b -1 1 -1 -1 -1 19 bd -1 1 -1 -1 1
4 ab 1 1 -1 -1 -1 20 abe 1 1 -1 -1 1
5 c -1 -1 1 -1 -1 21 ce -1 -1 1 -1 1
6 ac 1 -1 1 -1 -1 22 ace 1 -1 1 -1 1
7 bc -1 1 1 -1 -1 23 bce -1 1 1 -1 1
8 abc 1 1 1 -1 -1 24 abce 1 1 1 -1 1
9 d -1 -1 -1 1 -1 25 de -1 -1 -1 1 1
10 ad 1 -1 -1 1 -1 26 ade 1 -1 -1 1 1
11 bd -1 1 -1 1 -1 27 bde -1 1 -1 1 1
12 abd 1 1 -1 1 -1 28 abde 1 1 -1 1 1
13 cd -1 -1 1 1 -1 29 cde -1 -1 1 1 1
14 acd 1 -1 1 1 -1 30 acde 1 -1 1 1 1
15 bcd -1 1 1 1 -1 31 bcde -1 1 1 1 1
16 abcd 1 1 1 1 -1 32 abcde 1 1 1 1 1
En este tipo de experimentos se contrastan las siguientes hipótesis, para cada factor y la interacción del
experimento:
 Hipótesis nula; Ho : NO hay influencia del factor en el experimento.
 Hipótesis alternativa; Ha : SI hay influencia del factor en el experimento.

7
Para aceptar o rechazar las hipótesis se comprueban los enunciados:

 Si 𝑓 ≥ 𝑓𝛼,𝑛−1,2𝑘(𝑟−1) se rechaza la Ho , es decir, SI hay influencia del factor en el experimento.
 Si 𝑓 < 𝑓𝛼,𝑛−1,2𝑘(𝑟−1) se acepta la Ho , es decir, NO hay influencia del factor en el experimento.
DIAGRAMA DE PARETO:
Un diagrama de Pareto de los efectos sirve para determinar la magnitud y la importancia de un efecto. El
diagrama muestra el valor absoluto de los efectos y traza una línea de referencia en la gráfica. Cualquier efecto
que se extienda más allá de esta línea de referencia es potencialmente importante.
EFECTOS PRINCIPALES: Un efecto principal está presente cuando diferentes niveles de un factor afectan
la respuesta de manera diferente. Una gráfica de efectos principales grafica la media de respuesta para cada
nivel de factores conectado por una línea. Esta se grafica realizando la tabla de ANOM, el cual es de la siguiente
manera:
Factores A B
Nivel 1 𝐴1̅ 𝐵̅1
Nivel 2 𝐴̅2 𝐵̅2
Diferencia 𝐴̅2 − 𝐴1̅ 𝐵̅2 − 𝐵̅1
Rango
Primero esta tabla va a crecer según el número de factores y niveles que se tengan, para llenar la tabla, el rango
es la diferencia absoluta mayor, y se prioriza de mayor a menor. En la gráfica el eje x, son los factores y el eje
y representa la escala de promedios de los niveles.
Patrones generales para buscar:
 Cuando la línea es horizontal (paralela al eje x), entonces, no hay efecto principal presente.

8
 Cuando la línea no es horizontal, entonces, hay un efecto principal presente. Los diferentes niveles del
factor afectan la respuesta de manera diferente.
INTERACCIONES: Cuando el efecto de un factor depende del nivel del otro factor. Se puede utilizar una
gráfica de interacción para visualizar posibles interacciones.
 Las líneas paralelas en una gráfica de interacción indican que no hay interacción. Mientras mayor sea la
diferencia en la pendiente entre las líneas, mayor será el grado de interacción. La gráfica de interacción no
dice si la interacción es estadísticamente significativa.
 Una interacción entre factores se produce cuando el cambio en la respuesta desde el nivel bajo hasta el
nivel alto de un factor no es el mismo que el cambio en la respuesta en los mismos dos niveles de un
segundo factor. Es decir, el efecto de un factor es dependiente de un segundo factor.
 Esta grafica se realiza sacando los promedios de las respuestas según en arreglo ortogonal, para la
interacción, que se desee, el eje x es un factor, y se grafica con su nivel con el segundo factor en el eje y¸
se unen las líneas de niveles del factor del eje y. si las líneas del factor en el eje y, cruzan la interacción es
fuerte, si se observa un comportamiento de líneas paralelas la interacción no existe.
GRAFICO DE CUBOS: Las gráficas de cubo se utilizan para mostrar las relaciones entre dos a ocho factores
-con o sin una medida de respuesta- para diseños factoriales de dos niveles. Aunque sirven para comparar
efectos, la significancia de los efectos se evalúa en el ANOVA. Esta grafica se realiza representando los efectos
de los factores en las esquinas.

9
1.4 Ejemplo resuelto de un diseño factorial

En una empresa que fabrica dispositivos electrónicos se identificó mediante un análisis de Pareto que las
fracturas de las obleas de silicio por choques térmicos era la principal causa de obleas rotas en las etapas de
procesamiento conocidas como “grabado mesa” y “piraña”. Un grupo de esas áreas identificó a tres factores
principales (temperaturas) como las probables causas del problema.
Niveles
Factor
Bajo (−𝟏) Alto (𝟏)
A: Temperatura de grabado −3°𝐶 −1°𝐶
B: Temperatura de piraña 60°𝐶 98°𝐶
C: Temperatura de agua 20°𝐶 70°𝐶
La combinación (−3°𝐶, 98°𝐶, 20°𝐶) es la combinación usual.
A: Grabado B: Piraña C: Agua % obleas
-3 60 20 0.04 0.032
-1 60 20 0.012 0.008
-3 98 20 0.036 0.028
-1 98 20 0 0.001
-3 60 70 0.02 0.02
-1 60 70 0 0.016
-3 98 70 0.016 0.008
-1 98 70 0.004 0.004
a) Determine los efectos significativos sobre el porcentaje de obleas defectuosas.
2
b) ¿Qué puede decir del % 𝑅𝑎𝑗 de este experimento?
c) ¿Cuáles combinaciones pueden resultar óptimas para minimizar el % de obleas defectuosas?
d) ¿Cuál es la mejor combinación para minimizar el porcentaje de obleas defectuosas?
e) ¿En qué proporción se lograr mejorar el % de obleas defectuosas?
Solución:

CONCLUSIÓN:
Los factores individuales Temperatura

de grabado, Temperatura de Piraña y
Temperatura de agua, tienen un efecto
significativo sobre el % obleas
defectuosas, así como la interacción de
Temperatura de grabado/Temperatura
de agua, dado que p<0.05.

10
Nota: El diagrama de Pareto nos da la

misma información que el ANOVA
solo que ordena los efectos (Factores e
interacciones) en orden de importancia.
2
CONCLUSIÓN:
Este modelo (ecuación de regresión) tiene un muy

buen ajuste explica el 83.03% de la variación de los
datos.

Combinación EP:
Grabado Piraña Agua

-1 98 70

11
Combinación Interacción (AC):

-1 98 20
Se mantiene el valor de la gráfica de

efectos principales, puesto que no hay otra
interacción a evaluar.
Combinación Cubos:

-1 98 20
CONCLUSIÓN:
Las combinaciones que pueden resultar ser óptimas para

minimizar el % obleas defectuosas son:
CONCLUSIÓN:
La mejor combinación para minimizar el porcentaje de obleas defectuosas es: Temperatura de grabado en -
1°C, Temperatura de piraña en 98°C y la Temperatura del agua en 20°C, con una predicción de 0.0005 % de
obleas defectuosas, a corto plazo va de 0 a 0.002905% de obleas defectuosas, y a largo plazo de 0 a
0.0157255% de obleas defectuosas.

12
e) ¿En qué proporción se lograr mejor el % de obleas defectuosas?
CONCLUSIÓN:
La proporción del % obleas defectuosas se logra reducir en un 98.43%

13
PRÁCTICAS UNIDAD 1
EJERCICIO 1: Se realiza un experimento para comparar la proporción de palomitas de maíz que se forman
(% granos que reventaron) con tres marcas de palomitas para horno. Se utilizan hornos con dos potencias
diferentes, y tres tiempos de permanencia en el horno, con 2 réplicas. Se obtuvieron los siguientes resultados:
TIEMPO
MARCA POTENCIA
4 min 4.5 min 5 min
1 500 73.8 – 65.5 72.7 - 81.9 70.3 - 91
1 625 70.8 - 75.3 74.1 - 72.1 78.7 - 88.7
2 500 45.3 - 47.6 73.7 - 65.8 93.4 -76.3
2 625 66.3 - 45.7 79.3 - 86.5 92.2 - 84.7
3 500 51.4 - 67.7 62.5 - 65 50.1 - 81.5
3 625 64 - 77 71.5 - 80 82.1 - 74.5
DATOS DEL PROBLEMA

Número de factores:
Número de niveles:
Tipo de diseño:
Corridas del diseño:
Réplicas:
Corridas totales:
Fuentes de variación:
Respuesta:
Objetivo:
a) Determine los efectos significativos.
2
c) ¿Cuáles combinaciones pueden resultar óptimas?
d) ¿Cuál es la mejor combinación y su predicción?

14
EJERCICIO 2: Una empresa importante ha diseñado un experimento para probar la influencia de dos
diferentes programas de capacitación en dos diferentes centros de atención telefónica a clientes. Tres empleados
en cada ubicación han participado en cada corrida (24 personas en total), y el estudio se efectúo durante un
periodo de cuatro semanas. El objetivo del experimento: Cuantificar la influencia de la ubicación del centro de
atención (North Dakota, Texas) y la cantidad de capacitación (2 semanas, 4 semanas) sobre el número de
llamadas atendidas por día (Mayor es mejor).
CORRIDA SEMANAS UBICACION LLAMADAS

1 2 Ndak 60
2 4 Ndak 72
3 2 Texas 54
4 4 Texas 68
5 2 Ndak 52
6 4 Ndak 83
7 2 Texas 45
8 4 Texas 80
DATOS DEL PROBLEMA

Número de niveles:
Tipo de diseño:
Réplicas:
Corridas totales:
Respuesta:
Objetivo:
2

15
EJERCICIO 3: En una fábrica de dientes se tiene problemas con la calidad: porosidad, manchas blancas,
dientes sucios, dientes quebrados. En los intentos por resolver los problemas se han hecho cambios en algunos
factores del proceso. Se decide realizar un experimento, en el cual se tomaron en cuenta los siguientes factores
y niveles: temperatura de prensado (90, 130°C), tiempo de prensado (8 y 15 min) y tamaño de partícula (sin
tamizar y con tamizado), la variable de respuesta fue el porcentaje de dientes buenos en cada corrida (lote de
producción). Los datos son los siguientes:
Corrida Temperatura Tiempo Tamaño R1 R2

1 90 8 Sin tamizar 76.4 76.9
2 130 8 Sin tamizar 76.3 76.9
3 90 15 Sin tamizar 80.4 81
4 130 15 Sin tamizar 77.9 79.6
5 90 8 Con tamizado 84.4 84.6
6 130 8 Con tamizado 84.7 84.5
7 90 15 Con tamizado 82.7 83.2
8 130 15 Con tamizado 85 84.7
DATOS DEL PROBLEMA

Número de niveles:
Tipo de diseño:
Réplicas:
Corridas totales:
Respuesta:
Objetivo:
2
e) ¿Qué condición de proceso sugiere emplear a futuro? Tome en cuenta, además, que, a mayor tiempo y
temperatura, más costos.

16
EJERCICIO 4: Se compara el rendimiento (% de Scrap) de dos procesos de fabricación, en dos condiciones

experimentales, con dos turnos distintos y dos procedimientos de medición. El ingeniero de calidad decidió
utilizar un DOE factorial para analizar el porqué del Scrap, los niveles de los factores son:
Nivel Turno Método Condición Procedimiento

Bajo 1 1 A a
Alto 2 2 B b
Realice un análisis exhaustivo del siguiente experimento, con el objetivo de minimizar el % de Scrap,
actualmente tienen en promedio un porcentaje de 12%, con este experimento lograron el objetivo. El ingeniero
de calidad considera las interacciones ente el factor Turno y Procedimiento, y Condición experimental y
Procedimiento. Las corridas experimentales fueron las siguientes:
Corrida Turno Método Condición Procedimiento RI RII

1 1 1 A a 11 6
2 2 1 A a 7 11
3 1 2 A a 9 12
4 2 2 A a 13 12
5 1 1 B a 10 9
6 2 1 B a 8 12
7 1 2 B a 11 13
8 2 2 B a 8 12
9 1 1 A b 10 13
10 2 1 A b 12 6
11 1 2 A b 11 7
12 2 2 A b 9 11
13 1 1 B b 8 10
14 2 1 B b 13 7
15 1 2 B b 12 7.5
16 2 2 B b 12 8
DATOS DEL PROBLEMA

Número de niveles:
Tipo de diseño:
Réplicas:
Corridas totales:
Respuesta:
Objetivo:

17
2

18
EJERCICIO 5: Un ingeniero de desarrollo de productos está interesado en maximizar la resistencia de la fibra

sintética que se emplea en camisas para caballero. El ingeniero sabe por experiencia previa que la resistencia a
la tensión se afecta por el peso porcentual del algodón utilizado en la mezcla de materiales de la fibra. Además,
sospecha que al aumentar el contenido de algodón se incrementará la resistencia, al menos en un principio.
Sabe asimismo que el contenido de algodón deberá variar entre 10 y 35 por ciento para que el producto final
tenga otras características de calidad que se desean. Se decide probar cuatro niveles del peso porcentual del
algodón: 15, 20, 25 y 30 por ciento. También decide probar 4 tipos de fibras en cada nivel del contenido de
algodón. Y se realizan dos réplicas.
TIPOS DE FIBRA
% ALGODÓN
A B C D
15 7-9 7-8 15 - 11 11 - 12
20 12 - 14 17 - 19 12 - 12 18 - 21
25 14 - 11 18 - 17 18 - 12 19 - 22
30 19 - 20 25 - 26 22 - 21 19 - 19
DATOS DEL PROBLEMA

Número de niveles:
Tipo de diseño:
Réplicas:
Corridas totales:
Respuesta:
Objetivo:
a) Realice el ANOVA para determinar el efecto de cada factor en la resistencia a la tensión y ver si la
interacción entre factores es significativa.
b) Obtenga las gráficas factoriales para determinar la combinación óptima de niveles de los factores para
mejorar la resistencia de las camisas.
c) Realice una predicción de la combinación óptima.

19
EJERCICIO 6: En una lavandería se realiza un experimento para comparar la eficiencia de un proceso de

limpieza (% blancura) con tres tipos de lavadoras, dos tipos de lavado y tres tipos de detergentes. Se realizaron
2 réplicas. Se obtuvieron los siguientes resultados:
Detergente
Lavadora Lavado
Ace Ariel Viva
Frío 83.56 - 85.5 82.7 - 81.9 92.2 - 84.7
Whirlpool
Caliente 90.8 - 95.3 81.4 - 87.7 78.7 - 74.7
Frío 75.3 - 80.6 84 - 87 83.4 - 76.3
Easy
Caliente 86.3 - 85.7 79.3 - 86.5 92.2 - 84.7
Frío 81.4 - 87.7 82.5 - 85 80.1 - 81.5
GE
Caliente 94 - 97 81.5 - 80 82.1 - 84.5
DATOS DEL PROBLEMA

Número de niveles:
Tipo de diseño:
Réplicas:
Corridas totales:
Respuesta:
Objetivo:
a) Realice el ANOVA para determinar el efecto de cada factor en el porcentaje de blancura y ver si la
interacción entre factores es significativa.
b) Obtenga las gráficas factoriales para determinar la combinación óptima de niveles de los factores para
mejoran la blancura.
c) Realice una predicción de la combinación óptima.

20
EJERCICIO 7: En 1951 en la Ina Tile Company se tenía el problema de que el horno quemaba de forma
dispareja debido a una variación de la temperatura en diferentes partes de éste, lo cual causaba defectos en las
losas que se fabricaban. Una posibilidad que dé solución (imposible en ese momento) era cambiar el horno por
otro que no tuviera ese problema. Otra posibilidad era reformular las losas de manera que fueran robustas al
funcionamiento “disparejo” del horno. Esto último fue lo que se decidió hacer usando un diseño factorial
fraccionado con tres replicas, utilizando los siguientes factores y niveles de prueba en siete factores de la
formulación de la loza:
NIVELES
FACTOR
1 2
A: Aditivo de cal 5% 1%
B: Granularidad del aditivo Tosca Fina
C: Contenido de algamatolite 43% 53%
D: Tipo de algamatolite Mezcla Más barata
E: Cantidad de carga 1300 kg 1200 kg
F: Contenido de reciclado 0% 4%
G: Contenido de feldespato 0% 5%
La combinación actual es la siguiente:
Factor A B C D E F G
Nivel 1% Tosca 53% Mezcla 1200kg 4% 5%
Corrida A B C D E F G R1 R2 R3
1 1 1 1 2 2 2 1 33 30 26
2 2 1 1 1 1 2 2 41 39 35
3 1 2 1 1 2 1 2 4 6 5
4 2 2 1 2 1 1 1 43 40 49
5 1 1 2 2 1 1 2 7 7 5
6 2 1 2 1 2 1 1 23 21 19
7 1 2 2 1 1 2 1 28 30 25
8 2 2 2 2 2 2 2 32 36 33
DATOS DEL PROBLEMA

Número de niveles:
Tipo de diseño:
Réplicas:
Corridas totales:
Respuesta:
Objetivo:

21
a) Determine el ANOVA y la gráfica de efectos principales e interacciones, y determine la combinación

óptima para minimizar el porcentaje de lozas defectuosas.
b) Determine las condiciones de operación que podrían ser óptimas.
c) Determine la combinación óptima.
d) Estime la diferencia entre la proporción de loza esperada con las condiciones actuales y la combinación
óptima.

22
EJERCICIO 8: Se ha observado que lo esponjoso de los hot-cakes puede variar bastante dependiendo de
dónde se compren o cómo se hagan. Se realizó un experimento donde se investigó lo esponjoso de los hot-
cakes en función de la marca de harina comercial: Great Value (GV), Gamesa (GA) y Jamima (JA) y del tipo
de leche: Parmalat Light (PL), Parmalat entera (PE) y Carnation evaporada (CC). El objetivo es obtener los
hot-cakes más esponjosos o gruesos en su centro, medido esto con un palillo de madera sobre un plato plano.
Se aleatorizó el orden de las corridas para la realización del experimento. En cada caso se hizo mezcla suficiente
para preparar cuatro hot-cakes (con reservas se puede ver como réplicas). En cada mezcla se agregó margarina
y un huevo, elegido al azar por aquello de su tamaño. Los grosores de los hot-cakes se muestran en la siguiente
tabla:
Corrida Harina Leche R1 R2 R3 R4

1 GV PL 9 8 9 9
2 GV PE 12 12 10 9
3 GV CC 15 14 15 13
4 GA PL 16 14 19 17
5 GA PE 13 14 13 12
6 GA CC 19 18 21 18
7 JA PL 17 19 17 18
8 JA PE 13 15 12 11
9 JA CC 16 16 15 20
DATOS DEL PROBLEMA

Número de niveles:
Tipo de diseño:
Réplicas:
Corridas totales:
Respuesta:
Objetivo:
a) ¿Qué implicaciones puede tener el hecho de que las repeticiones sean hot-cakes hechos con la harina que
se preparó una vez?
b) Mencione algunos otros factores que pudieron influir en los resultados y que, por lo tanto, tuvieron que
mantenerse fijos.
c) Determine los efectos significativos.

23
2
d) ¿Qué puede decir del % 𝑅𝑎𝑗 de este experimento?
e) ¿Cuáles combinaciones pueden resultar óptimas?
f) ¿Cuál es la mejor combinación y su predicción?

24
EJERCICIO 9: Se desea investigar de qué manera afecta el tiempo de curado y tipo de acelerante a la
resistencia del caucho vulcanizado. Se realiza un experimento y se obtienen los siguientes resultados.
Acelerante
Tiempo de curado A B C
40 3900, 3600 4300, 3700 3700, 4100
60 4100, 3500 4200, 3900 3900, 4000
80 4000, 3800 4300, 3600 3600, 3800
DATOS DEL PROBLEMA

Número de niveles:
Tipo de diseño:
Réplicas:
Corridas totales:
Respuesta:
Objetivo:
a) Realice el ANOVA para determinar los efectos significativos en la resistencia del caucho vulcanizado.
b) Determine la combinación óptima de niveles de los factores para mejorar la resistencia del caucho
vulcanizado.

25
EJERCICIO 10: En GE quieren mejorar la perpendicularidad de la tina, donde quiere una especificación
menor es mejor, como ellos saben de diseño de experimentos quisieron correr un modelo, donde se vieron 4
factores, todo a 2 niveles, tomaron un curso especializado y saben que, teniendo réplicas del experimento,
puede quedar más robusto el diseño, por lo que los factores quedaron de la siguiente manera:
A: Cantidad de C: Fuerza de
Factor B:Temperatura D:Tipo de molde
aglutinante ponchado
Nivel Bajo Poca Baja Baja Fijo
Nivel Alto Alta Alta Alta Movible
Corridas Aglutinante Temperatura Ponchado Molde R1 R2 R3 R4

1 Poca Baja Baja Fijo 0.02 0.06 0.04 0.022
2 Alta Baja Baja Fijo 0.1 0.08 0.05 0.09
3 Poca Alta Baja Fijo 0.03 0.05 0.12 0.08
4 Alta Alta Baja Fijo 0.12 0.07 0.08 0.09
5 Poca Baja Alta Fijo 0.14 0.13 0.02 0.028
6 Alta Baja Alta Fijo 0.02 0.021 0.15 0.13
7 Poca Alta Alta Fijo 0.12 0.11 0.05 0.04
8 Alta Alta Alta Fijo 0.03 0.01 0.02 0.03
9 Poca Baja Baja Movible 0.11 0.08 0.04 0.03
10 Alta Baja Baja Movible 0.02 0.02 0.01 0.04
11 Poca Alta Baja Movible 0.06 0.05 0.05 0.08
12 Alta Alta Baja Movible 0.09 0.08 0.12 0.13
13 Poca Baja Alta Movible 0.14 0.05 0.07 0.084
14 Alta Baja Alta Movible 0.12 0.078 0.065 0.095
15 Poca Alta Alta Movible 0.1 0.098 0.085 0.065
16 Alta Alta Alta Movible 0.005 0.004 0.098 0.085
DATOS DEL PROBLEMA

Número de niveles:
Tipo de diseño:
Réplicas:
Corridas totales:
Respuesta:
Objetivo:

26
a) ¿Cuáles son los efectos significativos sobre la perpendicularidad?
b) ¿El modelo es adecuado, cuanta de la variación de los datos del experimento es explicada por el
modelo?
c) ¿Cuáles combinaciones pueden ser óptimas?
d) ¿Cuál es la mejor combinación para minimizar la perpendicularidad?

27
UNIDAD 2 METODOLOGIA TAGUCHI
2.1 Filosofía del Dr. Genichi Taguchi
El Dr. Genichi Taguchi nació en Japón el 1 de enero de 1924. Se graduó como ingeniero
mecánico en la Universidad de Kiryu. En 1962 obtuvo el doctorado en Ciencias
(estadística y matemática) en la Universidad de Kyushu. Trabajó en Electrical
Comunication Laboratory después de la segunda guerra mundial, implementó en esa
empresa un método de mejoramiento en los sistemas de comunicación.
Fue investigador asociado de la Universidad de Princeton; profesor honorario de Nanjing Institute of

Technology en China. En Japón fue profesor de la Universidad de Aoyama Gakuin.
Fue miembro de la Japan Association for Quality Control y la Japanesse Standard Association.
Genichi Taguchi ha sido ganador en cuatro oportunidades del Premio Deming en Japón. Tres de ellas por sus
contribuciones a la literatura de la Calidad, y la otra por su aplicación a la calidad con su famosa Función de
Pérdida.
El Dr. Taguchi trabajó para la compañía Nippon Telegraph and Telephone. Si bien sus ideas son controvertidas,
muchas compañías las han utilizado para sacar ventaja en la planificación de experimentos y para reducir las
variaciones en el proceso y el producto.
Es conocido como el creador de una metodología denominada Ingeniería de Calidad. Las técnicas que emplea
son cuantitativas. Tiene publicados más de veinte libros de carácter técnico y científico.
“La parte fundamental de la metodología ideada por Taguchi es la optimización de productos y procesos, a
fin de asegurar productos robustos, de alta calidad y bajo costo”
2.2 La función de pérdida, QLF (Quality Loss Fuction)
El Dr. Taguchi desarrollo métodos combinados de ingeniería y estadística que consiguen mejoras rápidas en el
costo y la calidad al optimizar el diseño del producto y los procesos de fabricación.
Pilares primordiales de la Filosofía Taguchi

1. La calidad de un producto, la determina el diseño, no la inspección.
2. La calidad se consigue atreves de la reducción de la variabilidad, para ello se ha de hacer el diseño
inmune a factores externos.
3. El costo de la calidad debe ser medido como función de lo que nos desvíenos del valor nominal,
teniendo en cuenta toda la vida del producto.
El método Taguchi:
 Busca hacer productos y procesos con calidad robusta. La idea es eliminar los efectos de condiciones
adversas en lugar de remover las causas.
 Sugiere que el remover los efectos es muchas veces más barato que eliminar las causas y que es más
efectivo para producir un producto consistente. De esta manera las pequeñas variaciones en materiales
y procesos no afectan la calidad del producto.
No está de acuerdo con enfocar la calidad como “conformidad con los límites de especificación”. La diferencia
entre un producto que está justo dentro de los límites de especificación y un producto que está justo por fuera
de los límites de especificación es pequeña, sin embargo, uno se considera “bueno” y el otro “malo”. Más bien

28
los métodos Taguchi procuran que haya una variación mínima alrededor de los valores nominales sin añadir
costo.
La clave para la reducción de la pérdida no consiste en cumplir con las especificaciones, sino en reducir la
varianza con respecto al valor objetivo.
Taguchi define la calidad como “la perdida ocasionada a la sociedad desde el momento en que se expide el
producto”. Este concepto de pérdida es fundamental en su enfoque de la ingeniería de calidad. Cuando
pensamos en perdida para la sociedad, las cosas que se nos vienen al pensamiento incluyen la contaminación
del aire o el ruido excesivo que produce un coche que tiene en silenciador defectuoso. Taguchi ve la pérdida
para la sociedad a una escala mucho más amplia. Asocia la perdida a todo producto que llega a manos del
consumidor. Esta pérdida incluye, entre otras cosas, la insatisfacción del cliente, más costos de garantía para el
productor y las pérdidas debidas a que una compañía tiene una mala reputación, lo que conduce a una siguiente
pérdida de la participación en el mercado.
La pérdida para la sociedad incluye:
FARICANTE CLIENTE COMUNIDAD

Garantías Scrap Costo
Reposiciones Re-trabajos Accidentes
Demandas Accidentes Medio ambiente
Imagen de la compañía Costo Salud
Mercado Nivel de vida
Algunos ejemplos de fuentes de pérdida:

1. Consumo de energía: El uso de focos de bombilla, causa una pérdida de energía mayor a los focos
ahorradores.
2. Esperanza de vida: Las bolsas de plástico, tienen un tiempo de vida mayor que las de papel, pero, hay
que tomar en cuenta también, la perdida que causa al medio ambiente la bolsa de plástico.
3. Mantenimiento y fiabilidad: El mantenimiento del piso de loseta es menor que el mantenimiento de
una alfombra.
4. Necesidades de espacio o volumen: Un ipod, ocupa un menor espacio que un estéreo.
5. Tiempo de colocación o preparación: La cocción de alimentos en una estufa de gas, es más rápido
que una cocción en una estufa de leña.
La idea de minimizar las pérdidas para la sociedad es bastante abstracta y, por tanto, difícil de considerarla
como objetivo de una compañía. Sin embargo, cuando pensamos que la perdida para la sociedad es una perdida
a largo plazo para nuestra compañía, puede que la definición tenga más sentido. Los costos de calidad se
cuantifican normalmente en función de desechos y e-procesos, garantía u otros costos tangibles. Sin embargo,
estos solo constituyen la punta del iceberg. ¿Qué pasa con los costos ocultos o las pérdidas a largo plazo
referidas a tiempo de ingeniería/dirección, existencias, insatisfacción del cliente y pérdida de la participación
en el mercado a la larga?, ¿se puede cuantificar estas clases de perdidas? Quizás, pero no con exactitud.
En realidad, hace falta una manera de aproximar estas pérdidas ocultas y a largo plazo porque son las que más
contribuyen a la pérdida total de calidad. Taguchi utiliza la función de perdida QLF Quality Loss Function, por
sus siglas en inglés, con este fin. Una función de pérdida de calidad identifica todos los costos asociados con
la baja calidad y muestra la manera en que estos costos se incrementan cuando el producto se separa de lo que
exactamente pidió el cliente. Mientras menor sea la pérdida, más deseable es el producto, mientras más alejado
se encuentra el valor objetivo, más severa es la perdida. Cualquier producto o servicio que adquiera un cliente,
representa una pérdida para la sociedad, ya sea en dinero, tiempo, contaminación, etc.

29
“Un producto de calidad es aquel que minimiza esta pérdida”.

“Un producto perfecto será aquel cuyas características se ajustan perfectamente al valor nominal”
Un producto que se aleje de este valor, incluso estando dentro de las tolerancias, tendrá una menor calidad. La
forma en que se establezca la función de perdida, depende del tipo de característica de calidad implicada. Una
característica de calidad es cualquier cosa que se mide para juzgar el comportamiento (calidad). Hay tres tipos
de característica de calidad básicas:
1) Nominal es mejor (alcanzar un valor deseado con una variación mínima)
2) Menor es mejor (minimizar una respuesta)
3) Mayor es mejor (maximizar una respuesta)
Supongamos que hay 4 fábricas que producen circuitos, bajo las mismas especificaciones, 115+ 3 voltios, y los
voltajes de salida se indican en la figura 1. Supongamos también que las cuatro fábricas realizan una inspección
al 100% (supongamos ingenuamente que es eficaz al 100%), de forma que solo se expiden las piezas que están
dentro de las especificaciones. Si usted fuera el consumidor y quisiera comprar los circuitos a una de las cuatro
fábricas, ¿Cuál elegiría suponiendo que el precio sea el mismo? Aunque las cuatro fábricas están ofreciendo
circuitos que cumplen las especificaciones de ingeniería, la fábrica 4 parece que ofrece un producto más
uniforme.
Pensando de este modo, las pérdidas se dan no solo cuando un producto se sale de las especificaciones sino
también cuando este se halla dentro de las especificaciones. Además, es razonable pensar que las perdidas van
aumentando conforme un producto se desvía más del valor deseado, como indica la parábola de la figura 2,
aunque una función de perdida puede adoptar muchas formas, Taguchi ha descubierto que la función cuadrática
simple aproxima el comportamiento de la perdida en muchos casos.
Ejemplo:
Enfoque Tradicional: Un producto es de calidad si
cumple con las especificaciones diseñadas por
ingeniería o establecidas por el cliente.
Filosofía de Taguchi: Un producto es de calidad

en la medida que su valor (característica de calidad)
se acerque a la nominal.
NOTA: Normalmente, en la mayoría de las

empresas en México, trabajan con una filosofía de
calidad orientada a la conformidad, es decir,
mantiene la calidad de los productos dentro de tres
desviaciones estándar (Enfoque Tradicional).

30
Función de pérdida de calidad de Taguchi (Nominal es Mejor)

La representación matemática de la Función de Pérdida de Calidad (QLF) de Taguchi:
Función de pérdida Representación matemática (Nominal es Mejor)
𝐿(𝑥) = 𝐾(𝑥 − 𝑚)2
Donde:
𝐿(𝑥) = Pérdida financiera debido a un producto con
característica de calidad x.
𝑥 = Valor de la característica de calidad del
producto evaluado.
𝑚 = Valor nominal de la característica de calidad.
𝐾 = Constante de proporcionalidad
Ejemplo 1: Una especificación de dibujo técnico para el espesor de una parte dice 0.12′′ ± 0.009′ ′ cuesta tres
dólares desechar la parte que no cumple con las especificaciones.
a) Determine el valor de 𝐾
b) Determine la pérdida cuando el componente tiene una desviación de 0.0045′ ′.
Solución:
a) a) Nominal-mejor b) b) La pérdida cuando el componente tiene una desviación
de 0.0045′:
𝐿(𝑥) = 𝐾(𝑥 − 𝑚)2
𝐿(𝑥) = 𝐾(𝑥 − 𝑚)2
3 = 𝐾(0.129 − 0.120)2
3 𝐿(𝑥) = 37,500(0.1245 − 0.12)2
𝐾= 𝐿(𝑥) = 0.75
(0.129 − 0.120)2
𝐾 = 37,500
′′
El costo de desechar un componente con una desviación de 0.0045 es de $0.75.
Función de Pérdida de Calidad de Taguchi (Menor es Mejor)

La representación matemática de la Función de Pérdida de Calidad (QLF), ahora la parábola tiene su vértice en
el origen porque evidentemente no hay valor nominal para la variación, que es la abscisa x, al ser la
característica de calidad menor-mejor (cero).
Función de pérdida Representación matemática (Menor es Mejor)
𝐿(𝑥) = 𝐾 𝑥2
Donde:
producto evaluado.
Ejemplo 2: En un proceso de soldadura se requiere disminuir la cantidad de puntos fríos en ciertos
componentes, lo cual está provocando partes flojas o sueltas que deben ser reprocesadas a un costo $90, cuando
la característica toma un valor de 10 puntos.
b) Determine la pérdida cuando la característica toma un valor de 6 puntos.

31
Solución:
a) Menor-mejor d) b) La pérdida cuando el número de puntos fríos es de 6 es:
c)
𝐿(𝑥) = 𝐾𝑥 2
𝐿(𝑥) = 𝐾𝑥 2
90 = 𝐾(10)2
90 𝐿(𝑥) = 0.90(6)2
𝐾= 𝐿(𝑥) = 32.4
(10)2
𝐾 = 0.90
El costo de que un componente tenga 6 puntos fríos es de $32.4.
Función de Pérdida de Calidad de Taguchi (Mayor es Mejor)

A mayor valor de la variable independiente x, corresponde un menor valor de la función de perdida.
Función de pérdida Representación matemática (Mayor es Mejor)
𝐾
𝐿(𝑥) =
𝑥2
Donde:
producto evaluado.
Ejemplo 3: Si x es la duración de un transformador y este se reemplaza a un costo de $12,000 si dura menos

de 70hrs de funcionamiento.
b) Determine la pérdida cuando se cambia el transformador a las 630hrs.
Solución:
a) Mayor-mejor f) b) La pérdida cuando se cambia el transformador a las
e) 630hrs.:
𝐾
𝐿(𝑥) = 𝐾
𝑥2 𝐿(𝑥) =
𝐾 𝑥2
12000 = 58800000
(70)2 𝐿(𝑥) =
(630)2
𝐾 = 12000(70)2
𝐿(𝑥) = 148.14
𝐾 = 58800000
El costo de reemplazar el transformador en menos de 630 horas es de $148.14.
Por todo lo anterior podemos ver que esta técnica nos ayuda a determinar como el factor de calidad en algún
producto o servicio puede ser afectado por alguna variable, lo cual nos lleva a perder determinado costo e
insatisfacción del cliente.

32
Evolución de las actividades de calidad
TIEMPO ACTIVIDAD SIGLAS MOMENTO COSTO CALIDAD

Pasado Inspección SQC Después del proceso Alto Baja
Presente Control estadístico de proceso SPC Después del proceso SPC Media
Futuro Diseño de experimentos DOE Después del proceso Bajo Alta
La inspección supone un costo muy alto como técnica de calidad, y cuando su uso es necesario nos indica
precisamente que la calidad es muy baja, y el costo de los productos también será alto por el desperdicio
fabricado. El SPC, ya supone un costo medio, y nos avisa unos momentos antes de que se produzca el
desperdicio, y aunque puede evitar en muchos casos el desperdicio, nos puede obligar a realizar paros en la
producción con el correspondiente costo, la siguiente figura muestra la relación entre SPC y DOE.
El DOE, tiene un costo inicial, pero hay que considerarlo como una inversión de muy alto rendimiento, por lo
que, si realizamos balance, los costos totales resultan realmente negativos, ya que produce un beneficio mucho
mayor que su costo directo. Corresponde a los productos de alta calidad y de bajo costo, con que nos han
deslumbrado los japoneses desde finales de los años setenta.
2.3 Fases del diseño de un producto

Control de la Calidad “en la línea” y “fuera de la línea” (on-line y off-line)
Los métodos de Taguchi para el control de la calidad dentro y fuera de la línea representan una propuesta
original para reducir la variación del producto.
Los métodos “on-line” comprenden diferentes técnicas para mantener los valores-objetivo y la variación con
respecto al objetivo, ejemplo el área de manufactura, el control y la corrección de procesos, así como el
mantenimiento preventivo. En estas técnicas se utilizan cuadros de control estadístico.
Los métodos “off-line”, han sido las técnicas del control de calidad que han distinguido los métodos de
Taguchi, involucra a la función de diseño o de ingeniería de calidad y se encarga de la optimización del diseño
de productos y procesos, el control desde la etapa de diseño del producto, y consiste de tres componentes:
 Diseño del sistema. El diseño del sistema es la selección y diseño de un producto que satisfaga los
requerimientos del consumidor (uso de creatividad e innovación). El diseño debe ser funcional y estable
frente a los cambios en las condiciones ambientales durante el servicio. El producto debe tener una
variación mínima. Asimismo, debería experimentar una variación funcional mínima, a causa de
factores como el uso. En ese sentido, se emplean diferentes métodos para determinar los requerimientos

33
del consumidor y traducirlos en términos técnicos. Los métodos del “despliegue de la función de
calidad” así como la “función de pérdida” se utiliza a menudo en la planificación del sistema, ejemplo:
 Desarrollo de un diseño funcional básico del prototipo
 Determinar materiales, piezas y sistemas del ensamble
 Determinar el proceso de fabricación
Durante el diseño de sistema, el ingeniero diseñador aplica su conocimiento y experiencia en el área
de especialización para crear un producto o proceso con capacidades distintivas que más tarde servirán
como puntos de venta.
El diseñador del sistema usa su experiencia en el diseño de sistemas para generar un nuevo sistema que
sea superior de alguna forma a los diseños previos. Es la etapa donde se examinan las posibles
arquitecturas y tecnologías, ya sean nuevas o existentes, que cumplan con las funciones deseadas por
los clientes.
Puede ser que existan muchos sistemas que cumplan las funciones de calidad, pero se trata de encontrar
el más sencillo y económico que funcione bajo ciertas condiciones.
 Diseño de parámetros. Es la identificación de las variables clave del proceso que afectan la variación
del producto, y la definición de los niveles parámetro que producirán la menor cantidad de variación
en el funcionamiento del producto. Eso se logra mediante el uso de diseños estadísticos experimentales.
Los métodos de Taguchi se diferencian del diseño experimental clásico por el hecho de que Taguchi
utiliza sólo una pequeña parte de todas las combinaciones experimentales posibles, y selecciona las
condiciones “adecuadas” de una manera muy eficiente.
Durante el diseño de parámetros, se busca optimizar el diseño de sistema a través de la experimentación
para minimizar la variación del rendimiento.
Por ejemplo, una característica de calidad para un coche podría ser que siempre arranque fácil y
rápidamente, sin importar cuales son las condiciones externas, en esta fase, se seleccionan las
características de calidad más adecuadas para la experimentación y se buscan todos los factores que
tienen efecto en él, entonces se separan los factores que se pueden controlar de los que no tienen
control. En el caso del automóvil, los factores sobre los que no se tiene control, podrían ser la
temperatura exterior, los niveles de humedad, el rango de altitud en el cual el coche va a ser operado
durante su uso, etc., la compañía del automóvil no puede decirle a su cliente que no debería operar su
vehículo cuando la temperatura está bajo cero o arriba de cierto punto, entonces el objetivo del
ingeniero es hacer el auto resistente a estos factores incontrolables, o como diría Taguchi, “robustez
contra el ruido”.
Dicho de otra manera, el diseño de parámetros tiene como objetivo la determinación de los valores de
los parámetros del producto y los niveles de los factores del proceso, tales que optimicen la
característica funcional del producto y la hagan más insensible a factores incontrolados.
Los factores que afectan al producto son controlables e incontrolables:
 Controlables, son aquellos parámetros cuyos valores nominales se pueden modificar a
voluntad del diseñador. Una vez prefijados permanecen constantes a lo largo de la vida útil del
producto.
 Incontrolables, son aquellos factores que son difíciles, costosos o imposibles de influir en
ellos. En estos influyen principalmente los factores del medio ambiente como temperatura,
humedad y factores que tienen que ver externamente con el producto.
 Determinación de la tolerancia. Consiste en la determinación de los factores que más contribuyen a
eliminar la variación del producto, y en la determinación de los niveles de tolerancia apropiados en el
producto final, a fin de cumplir con las especificaciones. La determinación de la tolerancia se utiliza
solamente cuando la variabilidad del producto no está limitada a un cierto valor. La ventaja de estos
métodos es la eficiencia; en lugar de ajustar las tolerancias en general, sólo se ajustan aquellas que
tendrán el mayor impacto. Durante esta fase, se especifica sistemáticamente cuanto tendrán que
aumentar los niveles de funcionamiento de ciertos factores para completar los requerimientos para la
característica de calidad, el ingeniero determina el porcentaje que cada uno de los ruidos contribuye

34
para alcanzar el funcionamiento requerido por la característica de calidad. Con el cual se puede decidir
cuánto se deben reducir los límites de tolerancia de cada factor para alcanzar su objetivo.
Estas tres funciones pueden ser consideradas como una definición de la calidad, de la ingeniería del diseño de
calidad y de la ingeniería del proceso de producción. El enfoque tradicional ha sido diseñar un producto en
forma más o menos independiente de los procesos industriales, y luego intentar reducir la variabilidad en dichos
procesos a fin de mejorar la calidad del producto. Los métodos de Taguchi procuran diseñar productos que sean
estables frente a las variaciones en el proceso de fabricación.
Para lograr lo anterior se maneja una serie de herramientas estadísticas, conocida como diseño de experimentos,
Taguchi ha propuesto una alternativa no del todo diferente que se conoce como arreglos ortogonales.
2.4 Metodología Taguchi para el diseño de experimentos

Proceso para la utilización de la Metodología Taguchi
1. Organizar el equipo de trabajo: El éxito en los resultados depende fuertemente de la integración y
comunicación de un equipo conocedor del proceso y de herramientas estadísticas.
2. Definir el problema: Describir en forma clara el problema a solucionar indicando la variable de
respuesta a analizar.
3. Seleccionar los factores y niveles: Lluvia de ideas es un buen método para seleccionar en forma
objetiva los factores y niveles que afectan fuertemente la variable de respuesta.
4. Diseñar el experimento: Identificar el arreglo a utilizar y la asignación de factores e interacciones al
arreglo.
5. Desarrollar el experimento: Llevar a cabo el experimento tal y como se planeó, desarrollando las
pruebas o experimentos en forma aleatoria.
6. Analizar los datos: Desarrollar la tabla de respuesta ANOM (S/R, medias o desviaciones), gráficas de
efectos principales e interacciones. Si es posible construir la tabla ANOVA. Un efecto o interacción es
significativo si p<0.05
7. Interpretar los resultados: Identificar los factores que influyen a la variable de respuesta, así como
los niveles de esos factores que proporcionan el producto más robusto.
8. Verificar los resultados: Realizar la corrida confirmatoria y dar seguimiento a su implantación.
2.5 Uso de Arreglos ortogonales dentro del diseño de experimentos

Un arreglo ortogonal es una herramienta ingenieril que simplifica y en algunos casos elimina gran parte de los
esfuerzos de diseño estadístico. Es una forma de examinar simultáneamente muchos factores a bajo costo. El
Dr. Taguchi recomienda el uso de arreglos ortogonales para hacer matrices que contengan los controles y los
factores de ruido en el diseño de experimentos. Ha simplificado el uso de este tipo de diseño al incorporar los
arreglos ortogonales y las gráficas lineales. Los arreglos ortogonales son herramientas que permiten al ingeniero
evaluar que tan robustos son los diseños del proceso y del producto con respecto a los factores de ruido.
Los AO de Taguchi se definen: Ejemplo: si se tiene un problema de tres factores (𝑐 = 3), a dos
niveles (𝑏 = 2), entonces el número de experimentos. De acuerdo
𝐿𝑎 𝑏 𝑐 a estos resultados el arreglo ortogonal es:
Donde: 𝐿4 23 , el cual se muestra a continuación:
𝐿 =Indica que es un arreglo ortogonal
𝑎 =Número de corridas experimentales Corridas A B C
𝑏 =Número de niveles por cada factor 1 1 1 1
𝑐 =Número de factores de un arreglo 2 1 2 2
ortogonal 3 2 1 2
4 2 2 1

35
Arreglos ortogonales con interacciones

Cuando el efecto de un factor depende del nivel de otro factor, se dice que existe una interacción entre los
factores. Las interacciones existen en los procesos en mayor o menor grado.
¿Pero qué sucede cuando se desea incluir interacciones en un AO?

a) Los AO a utilizar para los casos con interacciones, son exactamente los mismos que se usan para el
caso sin interacciones.
b) Al asignar dos factores, A y B, por ejemplo, a ciertas columnas, automáticamente la interacción de esos
dos factores AxB se reflejará en otra columna del arreglo. Por lo tanto, esta tercera columna ya no
podrá ser utilizada por algún otro factor o interacción a menos que se pueda suponer la interacción
AxB como inexistente.
c) Una interacción significante que se desee probar, tomará una columna y en consecuencia un grado de
libertad. Por lo tanto, si deseamos analizar el efecto de 6 factores y 4 de las interacciones entre ellos,
requerimos por lo menos de 10 grados de libertad, esto es de 10 columnas, o sea un arreglo L 16 y no
un arreglo L8, que sería suficiente sin interacciones.
Una condición que existe para el manejo de las interacciones mediante procedimientos de arreglos ortogonales
Taguchi, es que se tenga una definición “a priori” de cuales interacciones específicamente sospechamos que
existen. Esto es, debemos definir de antemano qué interacciones creemos son relevantes, a fin de incluirlas en
nuestro análisis. Esto se puede saber en base a la experiencia previa del proceso.
Gráficas lineales
a) Un efecto principal se representa mediante un punto.

b) Una interacción se representa mediante una línea.
c) Los números representan las columnas correspondientes del arreglo ortogonal a donde se asignan los
efectos principales y las interacciones.
Comentarios adicionales
• El arreglo L12 es un caso especial. Está diseñado para analizar únicamente de cuatro hasta once factores
individuales sin interacciones. Con este arreglo no se pueden analizar interacciones.
• El arreglo L9 es un caso especial. Está diseñado para analizar únicamente de dos a cuatro factores
individuales sin interacciones con tres niveles. Con este arreglo no se pueden analizar interacciones.

36
• Algo similar se puede decir del arreglo L18. Analiza un factor con dos niveles y los demás en tres
niveles. No considera interacciones.
• Taguchi sugiere que las pruebas o corridas se lleven a cabo en el orden indicado por los renglones del
arreglo ortogonal, esto es, primero las condiciones indicadas por el renglón 1, seguidas de las del
renglón 2 y así sucesivamente.
Se habrá observado ya la complicación que agrega a los análisis la presencia de interacciones. Para lidiar con
estas, la gente que sabe mucho de esto le hace las observaciones siguientes:
• Por lo general, existen pocas interacciones dentro de las múltiples posibles entre factores.
• El efecto de las interacciones sobre la variable de respuesta, es por lo general menor que el efecto de
los factores individuales solos.
• Recuerde que algunos arreglos ortogonales, le permiten analizar un problema sin preocuparse por las
interacciones. El L12 es un ejemplo de ellos.
• Se sugiere que, en caso de dudas sobre las interacciones, siempre sea preferible incluir más factores,
en lugar de interacciones. Si estas últimas no son muy fuertes, se pueden considerar como ruido.
2.6 Razón Señal/Ruido

Para el análisis del diseño, Taguchi propone un estadístico de desempeño, el cual se llama cociente o razón
señal/ruido (signal/noise ratio), que se calcula en cada combinación de los factores controlables y se analiza
como cualquier variable de respuesta. La combinación más robusta de los niveles de los factores controlables
es aquella que maximiza el estadístico razón señal/ruido.
Corrida A B 𝑹𝟏 … 𝑹𝒌 ̅
𝒙 𝑺/𝑹
1 1 1 𝑦11 𝑦1𝑘 𝑦̅1 𝑆/𝑅1
2 1 2 𝑦̅2 𝑆/𝑅2
3 2 1 𝑦̅3 𝑆/𝑅3
4 2 2 𝑦41 𝑦4𝑘 𝑦̅4 𝑆/𝑅4
Elija Fórmula Si la meta es… Y los datos son…

1
∑
Más grande es mejor 𝑆⁄ = −10𝑙𝑜𝑔 ( 𝑌 2 ) Maximizar la respuesta Positivos
𝑅 𝑛
Definir el objetivo de respuesta
𝑆⁄ = −10𝑙𝑜𝑔(𝜎 2 ) y se desea basar la relación 𝑆/𝑅 Positivos, cero o
Nominal es lo mejor 𝑅 en desviaciones estándar negativos
solamente
̅2
𝑆⁄ = −10𝑙𝑜𝑔 (𝑌 )
𝑅 𝜎2
No negativos con un
Definir el objetivo de respuesta
Fórmula ajustada “cero absoluto” en los
y se desea basar la relación 𝑆/𝑅
Nominal es lo mejor 𝑌̅ 2 − 𝑠 2 que la desviación
en medias y desviaciones
𝑆⁄ = −10𝑙𝑜𝑔 ( 𝑛 ) estándar es cero cuando
estándar
𝑅 𝑠2 la media es cero
2
Más pequeño es 𝑆⁄ = −10𝑙𝑜𝑔 (∑ 𝑌 ) Minimizar la respuesta
No negativos con un
mejor 𝑅 𝑛 valor objetivo de cero

37
2.6 Análisis de un diseño de Taguchi

ANOM: En esencia, el ANOM combina las características de la prueba de hipótesis de un Análisis de Varianza
(ANOVA) de la tabla de control y el poder de representar gráficamente los promedios de los efectos de los
factores. Su importancia en ingeniería es más fácil de evaluar porque tanto la magnitud y la dirección de los
efectos son fácilmente identificables en las gráficas.
En el ANOM se pueden utilizar las medias de los datos, o las desviaciones, y el análisis Señal/Ruido, es un
índice de robustez de calidad, y muestra la magnitud de la interacción entre factores de control y factores de
ruido, existe la S/R mayor-mejor, menor-mejor o nominal-mejor, según lo que se busca con el diseño.
ANOVA: El análisis de la tabla de varianza proporciona un resumen de los efectos principales e interacciones.
Se observan los valores de p para determinar si los efectos de los factores son significativos sobre la respuesta.
Un efecto o interacción es significativo si p<0.05.
EFECTOS PRINCIPALES: Un efecto principal está presente cuando diferentes niveles de un factor afectan
la respuesta de manera diferente. Una gráfica de efectos principales grafica la media de respuesta para cada
nivel de factores conectado por una línea.
Patrones generales para buscar:
 Cuando la línea es horizontal (paralela al eje x), entonces, no hay efecto principal presente.
 Cuando la línea no es horizontal, entonces, hay un efecto principal presente. Los diferentes niveles del
factor afectan la respuesta de manera diferente.

38
INTERACCIONES: Cuando el efecto de un factor depende del nivel del otro factor. Se puede utilizar una
gráfica de interacción para visualizar posibles interacciones. Las líneas paralelas en una gráfica de interacción
indican que no hay interacción. Mientras mayor sea la diferencia en la pendiente entre las líneas, mayor será el
grado de interacción. Sin embargo, la gráfica de interacción no dice si la interacción es estadísticamente
significativa.
Una interacción entre factores se produce cuando el cambio en la respuesta desde el nivel bajo hasta el nivel
alto de un factor no es el mismo que el cambio en la respuesta en los mismos dos niveles de un segundo factor.
Es decir, el efecto de un factor es dependiente de un segundo factor.
Puede utilizar las gráficas de interacciones para comparar la fortaleza relativa de los efectos al comparar
diferentes factores.
2.7 Ejemplos arreglos ortogonales

Tabla de interacciones del Arreglo L8
Arreglo L8 (Fracción 27-2) (Fracción 27-2)
No. de Número de columnas
corrida 1 2 3 4 5 6 7
1 1 1 1 1 1 1 1
2 1 1 1 2 2 2 2 1 2 3 4 5 6 7
3 1 2 2 1 1 2 2 1 3 2 5 4 7 6
4 1 2 2 2 2 1 1 2 1 6 7 4 5
5 2 1 2 1 2 1 2 3 7 6 5 4
6 2 1 2 2 1 2 1 4 1 2 3
7 2 2 1 1 2 2 1 5 3 2
8 2 2 1 2 1 1 2 6 1
2 factores: columnas 1,2
3 factores: columnas 1,2,4
4 factores: columnas 1,2,4,7
5 factores: columnas 1,2,4,7,6
6 factores: columnas 1,2,4,7,6,5
7 factores: siete columnas

39
Arreglo L4 (Fracción 23-1)

corrida 1 2 3
1 1 1 1
2 1 2 2
3 2 1 2
4 2 2 1
2 factores: columnas 1 y 2
3 factores: las tres columnas
Arreglo L12 (Plackett-Burman para k=11)

corrida 1 2 3 4 5 6 7 8 9 10 11
1 1 1 1 1 1 1 1 1 1 1 1
2 1 1 1 1 1 2 2 2 2 2 2
3 1 1 2 2 2 1 1 1 2 2 2
4 1 2 1 2 2 1 2 2 1 1 2
5 1 2 2 1 2 2 1 2 1 2 1
6 1 2 2 2 1 2 2 1 2 1 1
7 2 1 2 2 1 1 2 2 1 2 1
8 2 1 2 1 2 2 2 1 1 1 2
9 2 1 1 2 2 2 1 2 2 1 1
10 2 2 2 1 1 1 1 2 2 1 2
11 2 2 1 2 1 2 1 1 1 2 2
12 2 2 1 1 2 1 2 1 2 2 1
Se asignan los k factores a las primeras k columnas (4<k<11)

40

corrida 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2
3 1 1 1 2 2 2 2 1 1 1 1 2 2 2 2
4 1 1 1 2 2 2 2 2 2 2 2 1 1 1 1
5 1 2 2 1 1 2 2 1 1 2 2 1 1 2 2
6 1 2 2 1 1 2 2 2 2 1 1 2 2 1 1
7 1 2 2 2 2 1 1 1 1 2 2 2 2 1 1
8 1 2 2 2 2 1 1 2 2 1 1 1 1 2 2
9 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2
10 2 1 2 1 2 1 2 2 1 2 1 2 1 2 1
11 2 1 2 2 1 2 1 1 2 1 2 2 1 2 1
12 2 1 2 2 1 2 1 2 1 2 1 1 2 1 2
13 2 2 1 1 2 2 1 1 2 2 1 1 2 2 1
14 2 2 1 1 2 2 1 2 1 1 2 2 1 1 2
15 2 2 1 2 1 1 2 1 2 2 1 2 1 1 2
16 2 2 1 2 1 1 2 2 1 1 2 1 2 2 1
4 factores: columnas 1,2,4,8
5 factores: columnas 1,2,4,8,15
6 factores: columnas 1,2,4,8,15,14
7 factores: columnas 1,2,4,8,15,14,13
8 factores: columnas 1,2,4,8,15,14,13,11
9 factores: columnas 1,2,4,8,15,14,13,11,7
10 factores: columnas 1,2,4,8,15,14,13,11,7,12
11 factores: columnas 1,2,4,8,15,14,13,11,7,12,10
12 factores: columnas 1,2,4,8,15,14,13,11,7,12,10,9
13 factores: columnas 1,2,4,8,15,14,13,11,7,12,10,9,6
14 factores: columnas 1,2,4,8,15,14,13,11,7,12,10,9,6,5
15 factores: columnas 1,2,4,8,15,14,13,11,7,12,10,9,6,5,3

41
Tabla de interacciones Arreglo L16 (Fracción 215-11)

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
1 3 2 5 4 7 6 9 8 11 10 13 12 15 14
2 1 6 7 4 5 10 11 8 9 14 15 12 13
3 7 6 5 4 11 10 9 8 15 14 13 12
4 1 2 3 12 13 14 15 8 9 10 11
5 3 2 13 12 15 14 9 8 11 10
6 1 14 15 12 13 10 11 8 9
7 15 14 13 12 11 10 9 8
8 1 2 3 4 5 6 7
9 3 2 5 4 7 6
10 1 6 7 4 5
11 7 6 5 4
12 1 2 3
13 3 2
14 1
Arreglo L18 (Fracción 2x37-5)
No. de Número de columnas Un factor con dos

corrida niveles se asigna a la
1 2 3 4 5 6 7 8
columna 1.
1 1 1 1 1 1 1 1 1
2 1 1 2 2 2 2 2 2 Los factores con tres
niveles se asignan a las
3 1 1 3 3 3 3 3 3 columnas restantes:
4 1 2 1 1 2 2 3 3 2,3,4,5,6,7,8
5 1 2 2 2 3 3 1 1
6 1 2 3 3 1 1 2 2
7 1 3 1 2 1 3 2 3
8 1 3 2 3 2 1 3 1
9 1 3 3 1 3 2 1 2
10 2 1 1 3 3 2 2 1
11 2 1 2 1 1 3 3 2
12 2 1 3 2 2 1 1 3
13 2 2 1 2 3 1 3 2
14 2 2 2 3 1 2 1 3
15 2 2 3 1 2 3 2 1
16 2 3 1 3 2 3 1 2
17 2 3 2 1 3 1 2 3
18 2 3 3 2 1 2 3 1

42

corrida 1 2 3 4 5 6 7 8 9 10 11 12 13
1 1 1 1 1 1 1 1 1 1 1 1 1 1
2 1 1 1 1 1 1 1 2 2 2 2 2 2
3 1 1 1 2 2 2 2 1 1 1 1 2 2
4 1 1 1 2 2 2 2 2 2 2 2 1 1
5 1 2 2 1 1 2 2 1 1 2 2 1 1
6 1 2 2 1 1 2 2 2 2 1 1 2 2
7 1 2 2 2 2 1 1 1 1 2 2 2 2
8 1 2 2 2 2 1 1 2 2 1 1 1 1
9 2 1 2 1 2 1 2 1 2 1 2 1 2
10 2 1 2 1 2 1 2 2 1 2 1 2 1
11 2 1 2 2 1 2 1 1 2 1 2 2 1
12 2 1 2 2 1 2 1 2 1 2 1 1 2
13 2 2 1 1 2 2 1 1 2 2 1 1 2
14 2 2 1 1 2 2 1 2 1 1 2 2 1
15 2 2 1 2 1 1 2 1 2 2 1 2 1
16 2 2 1 2 1 1 2 2 1 1 2 1 2
17 2 1 2 2 1 2 1 2 1 2 1 1 2
18 2 2 1 1 2 2 1 1 2 2 1 1 2
19 2 2 1 1 2 2 1 2 1 1 2 2 1
20 2 2 1 2 1 1 2 1 2 2 1 2 1
21 2 2 1 2 1 1 2 2 1 1 2 1 2
22 2 1 2 2 1 2 1 2 1 2 1 1 2
23 2 2 1 1 2 2 1 1 2 2 1 1 2
24 2 2 1 1 2 2 1 2 1 1 2 2 1
25 2 2 1 2 1 1 2 1 2 2 1 2 1
26 2 2 1 2 1 1 2 2 1 1 2 1 2
27 2 1 2 2 1 2 1 2 1 2 1 1 2

43
Tabla de interacciones Arreglo L27 (Fracción 315-2)

1 2 3 4 5 6 7 8 9 10 11 12 13
1 3 2 2 6 5 5 9 8 8 12 11 11
4 4 3 7 7 6 10 10 9 13 13 12
2 1 1 8 9 10 5 6 7 5 6 7
4 3 11 12 13 11 12 13 8 9 10
3 1 9 10 8 7 5 6 6 7 5
2 13 11 12 12 13 11 10 8 9
4 10 8 9 6 7 5 7 5 6
12 13 11 13 11 12 9 10 8
5 1 1 2 3 4 2 4 3
7 6 11 13 12 8 10 9
6 1 4 2 3 3 2 4
5 13 12 11 10 9 8
7 3 4 2 4 3 2
12 11 13 9 8 10
8 1 1 2 3 4
10 9 5 7 6
9 1 4 2 3
8 7 6 5
10 3 4 2
6 5 7
11 1 1
13 12
12 1
11
2.8 Ejemplo resuelto de un arreglo de Taguchi

principales (temperaturas) como las probables causas del problema. Se desea conocer el efecto de la interacción
de la Temperatura de grabado y la Temperatura del agua, esto dado que se han hecho análisis previo y se cree
que esa interacción es importante.
Niveles
Factor

44

-3 60 20 0.040 0.032
-3 60 70 0.020 0.020
-3 98 20 0.036 0.028
-3 98 70 0.016 0.008
-1 60 20 0.012 0.008
-1 60 70 0.000 0.016
-1 98 20 0.000 0.001
-1 98 70 0.004 0.004
a) Determine los efectos significativos sobre el porcentaje de obleas defectuosas (Media, Desv, SR).
b) Determine la importancia de los factores sobre el porcentaje de obleas defectuosas (Media, Desv, SR)
Solución:
a) Determine los efectos significativos sobre el porcentaje de obleas defectuosas (Media, Desv, SR).
CONCLUSIÓN:
Sobre la relación S/R del % de obleas no

existen efectos significativos.
Sobre la media del % de obleas todos los

factores tienen efectos significativos, dado
que p<0.05.
Sobre la desviación estándar del % de obleas

no existen efectos significativos.

45
b) Determine la importancia de los factores sobre el porcentaje de obleas defectuosas (Media, Desv, SR)
CONCLUSIÓN:
El orden de importancia de los factores sobre

la relación S/R del % de obleas defectuosas
es: Temperatura de grabado, Temperatura de
piraña y la Temperatura del agua.

la media del % de obleas defectuosas es:
Temperatura de grabado, Temperatura del
agua y la Temperatura de piraña.

la desviación estándar del % de obleas
defectuosas es: Temperatura de piraña,
Temperatura del agua y la Temperatura de
grabado.
Combinación EP (S/R):
-1 98 20
La interacción no se lee puesto que para la S/R no resulto significativa, pero se observa que si se lee la
gráfica la combinación es -1 con 20, que es la de efectos principales.

46
Combinación EP (M):
-1 98 70
La interacción se lee puesto que para la media si resulto significativa, se observa la combinación es -1 con
20, y se mantiene el nivel de piraña de EP(M).
Combinación INT (AC) (M):
-1 98 20
Combinación EP (Desv):
-1 98 20
La interacción no se lee puesto que para la desviación no resulto significativa, pero se observa que si se
lee la gráfica la combinación es -1 con 20, que es la de efectos principales.
CONCLUSIÓN:
Las combinaciones que pueden resultar ser óptimas

para minimizar el % obleas defectuosas son:

47
CONCLUSIÓN:
La mejor combinación para minimizar el porcentaje de obleas defectuosas es: Temperatura de grabado en -
1°C, Temperatura de piraña en 98°C y la Temperatura del agua en 20°C, con una predicción de 0.0020625
% de obleas defectuosas (Media), y además maximiza la S/R a 56.07 y minimiza la desviación estándar a
0.0007955%.
CONCLUSIÓN:
La proporción del % obleas defectuosas se logra reducir en un 93.306%

48
PRÁCTICAS UNIDAD 2
EJERCICIO 1: En un proceso de formación de paneles una característica no deseada es la emisión de

formaldehído en el producto final. Se desea que esta emisión sea lo mínima posible. Actualmente se estima en
0.45 ppm (partes por millón). Se cree que cinco factores pueden estar afectando la emisión, estos son: tipo de
resina, concentración de la solución, tiempo de ciclo de prensado, humedad y presión. Si se desea analizar el
efecto de estos factores, es necesario variarlos, esto es probarlos bajo diferentes valores cada uno. A cada uno
de estos valores se les llama nivel. Se requieren de al menos dos niveles o valores distintos para cada factor. A
uno de ellos arbitrariamente le llamamos nivel bajo o nivel “1”, al otro nivel alto o nivel “2”.
Tiempo ciclo
Factor Tipo de resina Concentración Humedad Presión
de prensado
Nivel 1 1 5% 10 seg. 3% 800 psi
Nivel 2 2 10% 15 seg. 5% 900 psi
En este caso estamos interesados en analizar el efecto de 5 efectos o factores a dos niveles cada uno, por lo
tanto, se usará un arreglo ortogonal L8. Esto implica que se ejecutarán 8 pruebas o condiciones experimentales.
Por otra parte, se disponen de 7 columnas, a cada columna se le puede asignar o asociar un factor.
Corrida A A×C C B D E R1 R2 R3
1 1 1 1 1 1 1 0.49 0.52 0.4
2 1 1 1 2 2 2 0.42 0.45 0.42
3 1 2 2 1 1 2 0.38 0.35 0.39
4 1 2 2 2 2 1 0.3 0.29 0.27
5 2 1 2 1 2 1 0.21 0.2 0.24
6 2 1 2 2 1 2 0.24 0.25 0.27
7 2 2 1 1 2 2 0.32 0.34 0.31
8 2 2 1 2 1 1 0.28 0.3 0.31
a) ¿Cuál es la respuesta a evaluar y su objetivo?
b) ¿Se puede realizar el análisis completo de experimento?
d) Determine la importancia de los factores.
e) Determine las posibles combinaciones
f) Determine la mejor combinación.

49
EJERCICIO 2: En el envasado de mayonesa se coloca un sello de garantía el cual proporciona mayor

seguridad en la línea de envase se tiene alta variación en la aparición del defecto sello despegado, ocasionando
rechazos y selección de lotes defectuosos. Así que se decide hacer un experimento para minimizar este defecto
(% sellos despegados). Los factores y sus niveles son:
Niveles
Factores
Bajo Alto
A: Espesor de la película Delgada Gruesa
B: Altura de rodillo Nominal Mínima
C: Viscosidad adhesivo Mínima Máxima
D: Temperatura adhesivo 1 2
E: Dosificación adhesivo Sin nivelar Nivelando
Interacciones A×B y A×C

7
Los resultados se presentan en un arreglo L8 2 :
Corridas A B A×B C A×C D E Y

1 1 1 1 1 1 1 1 6.3
2 1 1 1 2 2 2 2 2.3
3 1 2 2 1 1 2 2 3.0
4 1 2 2 2 2 1 1 3.4
5 2 1 2 1 2 1 2 3.6
6 2 1 2 2 1 2 1 2.4
7 2 2 1 1 2 2 1 1.6
8 2 2 1 2 1 1 2 1.1

50
EJERCICIO 3: Un ingeniero está interesado en los efectos de tres factores en la vida en horas de una máquina
- herramienta. Los factores y niveles se presentan a continuación:
Niveles
Factores
1 2
A: Velocidad de corte Baja Alta
B: Geometría de la herramienta X Y
C: Ángulo de corte Mínimo Máximo
3
Los factores y niveles fueron asignados a un arreglo L4 2 , los resultados se presentan en la siguiente tabla:
Corrida A B C R1 R2 R3
1 1 1 1 34 32 31
2 1 2 2 54 65 50
3 2 1 2 38 43 37
4 2 2 1 49 54 47

51
EJERCICIO 4: En un proceso térmico, se desea minimizar la distorsión que se genera en la boquilla, los
factores y niveles involucrados en el experimento son:
Niveles
Factores
Bajo Alto
A: Densidad de empaque 1 canastilla 3 canastillas
B: Temperatura horno 800º C 810º C
C: Tiempo horneado 3 hrs 5 hrs
D: Tamaño carga 150 kgs 200 kgs
E: Grado de agitación aceite bajo alto
F: Elevación/Difusión CO2 10 % 15 %
G: Temperatura aceite 80º C 150º C
7
Los resultados se presentan en un arreglo L8 2 :
Corridas A B C D E F G Y
1 1 1 1 1 1 1 1 42
2 1 1 1 2 2 2 2 72
3 1 2 2 1 1 2 2 28
4 1 2 2 2 2 1 1 41
5 2 1 2 1 2 1 2 84
6 2 1 2 2 1 2 1 63
7 2 2 1 1 2 2 1 35
8 2 2 1 2 1 1 2 59

52
EJERCICIO 5: En 1951 en la Ina Tile Company se tenía el problema de que el horno quemaba de forma
dispareja debido a una variación de la temperatura en diferentes partes de éste, lo cual causaba defectos en las
losas que se fabricaban. Una posibilidad que dé solución (imposible en ese momento) era cambiar el horno por
otro que no tuviera ese problema. Otra posibilidad era reformular las losas de manera que fueran robustas al
funcionamiento “disparejo” del horno. Esto último fue lo que se decidió hacer, utilizando los siguientes factores
y niveles de prueba en siete factores de la formulación de la loza, en un diseño de Taguchi:
NIVELES
FACTOR
1 2
A: Aditivo de cal 5% 1% (actual)
B: Granularidad del aditivo Tosca (actual) Fina
C: Contenido de algamatolite 43% 53% (actual)
D: Tipo de algamatolite Mezcla (actual) Más barata
E: Cantidad de carga 1300 kg 1200 kg (actual)
F: Contenido de reciclado 0% 4% (actual)
G: Contenido de feldespato 0% 5% (actual)
Note que uno de los niveles de prueba de cada factor corresponde al nivel con el que se trabajaba hasta ese
momento. Se tomaron 4 muestras de 100 lozas en cada corrida experimental y se obtuvo el porcentaje de lozas
defectuosas. Los resultados se presentan en el arreglo L827:
Corrida A B C D E F G R1 R2 R3 R4
1 1 1 1 1 1 1 1 16 14 17 18
2 1 1 1 2 2 2 2 17 19 15 16
3 1 2 2 1 1 2 2 12 11 13 13
4 1 2 2 2 2 1 1 6 7 6 8
5 2 1 2 1 2 1 2 6 8 7 7
6 2 1 2 2 1 2 1 68 65 67 64
7 2 2 1 1 2 2 1 42 40 43 39
8 2 2 1 2 1 1 2 26 30 27 26
f) Determine la mejor combinación y la proporción de mejora.

53
y niveles son: temperatura de prensado (90, 130°C), tiempo de prensado (8 y 15 min) y tamaño de partícula
(sin tamizar y con tamizado), la variable de respuesta fue el porcentaje de dientes buenos en cada corrida (lote
de producción). Los datos son los siguientes:
Corrida Temperatura Tiempo Tamaño R1 R2

1 1 1 1 76.5 76.9
2 1 1 2 84.4 84.6
3 1 2 1 80.4 81.0
4 1 2 2 82.7 83.2
5 2 1 1 76.3 76.9
6 2 1 2 84.7 84.5
7 2 2 1 77.9 79.6
8 2 2 2 85.0 84.7

54
EJERCICIO 7: Se conduce un experimento para encontrar una manera económica de ensamblar un conector
elástico a un tubo de nylon, con la fuerza de unión requerida. Se tienen dos objetivos básicos: por un lado,
minimizar el esfuerzo necesario para hacer el ensamble, y por el otro, maximizar la fuerza del ensamble
realizado. Los investigadores identificaron cuatro factores de control, que pensaban podían afectar la fuerza del
ensamble. Los factores y sus niveles son:
NIVELES
FACTOR
1 2 3
A: Interferencia Baja Media Alta
B: Grosor de la pared Delgada Media Gruesa
C: Profundidad de inserción Superficial Media Honda
D: Porcentaje de adhesivo Bajo Medio Alto
Los datos que a continuación se presentan son de un diseño L9, estas cifran representan la fuerza necesaria para
realizar el ensamble, la cual se busca minimizar.
Corrida A B C D R1 R2 R3 R4 R5
1 1 1 1 1 19.1 20.0 19.6 9.5 15.6
2 1 2 2 2 21.9 24.2 19.8 16.2 15.0
3 1 3 3 3 20.4 23.3 18.2 16.7 16.3
4 2 1 2 3 24.7 23.2 18.9 17.4 18.3
5 2 2 3 1 25.3 27.5 21.4 18.6 19.7
6 2 3 1 2 24.7 22.5 19.6 16.3 16.2
7 3 1 3 2 21.6 24.6 18.6 19.1 16.4
8 3 2 1 3 24.4 23.2 19.6 15.6 14.2
9 3 3 2 1 28.6 22.6 22.7 19.9 16.1

55
EJERCICIO 8: Variable de respuesta, viscosidad, el mayor valor es deseado.
FACTORES NIVEL 1 NIVEL 2

A Mezcla de hule crudo Si No
B Curado No 24 hrs
C Velocidad de prensado 50 m/min con agua 55m/min con agua
D Enfriamiento del tambor Con agua Sin agua
E Secado con vapor Si No
CORRIDAS R1 R2 R3
1 1600 1800 1620
2 1700 1500 1580
3 1000 890 1100
4 900 1050 1150
5 1650 1850 1500
6 1590 1700 1560
7 980 1040 1000
8 870 1045 1020

56
EJERCICIO 9: En un proceso de recubrimientos de papel, se sabe que la compañía pierde $10,000 cada vez
que el recubrimiento se desvía 0.5 grs/m2 del valor objetivo “T”, donde m es 1.5 grs/m2, si la dimensión es 2.3
grs/m2.
a) Determine el valor de 𝐾.
b) Determine la pérdida cuando el recubrimiento del papel tiene una dimensión de 2.3 grs/m2.
Solución:
EJERCICIO 10: Si y representa el porcentaje de encogimiento del vidrio, supongamos que cuando y = 10%,
aproximadamente el 60% de los bulbos de vidrio para la fabricación del foco incandescente, salen de
especificación costando $10,000 por cada 100 bulbos.
a) Determine el valor de K.
b) Determine la pérdida cuando el porcentaje de encogimiento del vidrio es de 5%.
Solución:

57
EJERCICIO 11: Si y representa la duración en km de una llanta radial, esta se remplazará a un costo de
$30,000 si dura menos de 100 km, si dura entre 100 y 49,000 km, se ajustará dependiendo de su uso.
b) Determine la pérdida cuando la llanta tiene una duración de 35,000 km.
Solución:
EJERCICIO 12: Una especificación de dibujo técnico para el espesor de una parte dice 0.120''±0.009'' cuesta
tres dólares desechar la parte que no cumple con las especificaciones.
b) Determine la pérdida cuando el componente tiene una desviación de 0.0045''.
Solución:

58
EJERCICIO 13: En un proceso de soldadura se requiere disminuir la cantidad de puntos fríos en ciertos
componentes, lo cual está provocando partes flojas o sueltas que deben ser reprocesadas a un costo $90, cuando
la característica toma un valor de 10 puntos. a) Determine el valor de K.
b) Determine la pérdida cuando la característica toma un valor de 6 puntos.
Solución:
EJERCICIO 14: Si x es la duración de un transformador y este se reemplaza a un costo de $12,000 si dura

menos de 70 hrs de funcionamiento.
b) Determine la pérdida cuando el transformador tiene una duración de 630 hrs.
Solución:

59
UNIDAD 3 METDOLOGÍA SHAININ
3.1 Introducción a la Metodología Shainin

Dorian Shainin nació en 1914 y es considerado pionero en el análisis y uso de la función de Weibull. Esta
función es la técnica más comúnmente seleccionada para estimar una probabilidad basada en datos medidos o
asumidos, que permite simular con alta fiabilidad, un amplio rango de distribuciones como la normal o la
exponencial.
Con base en la amplia experiencia de trabajo adquirida en más de 900 organizaciones, Shainin desarrolló una
disciplina llamada Ingeniería Estadística. A través de ella es posible crear las estrategias que permitan a los
ingenieros desmenuzar y comprender las partes que conforman un sistema en estudio y lograr solucionar
aquellos problemas que parecían irresolubles. Esta disciplina ha sido usada con éxito para el desarrollo de
productos; la mejora en la calidad de los mismos y en sus procesos; la solución analítica de problemas; la
reducción de los costos de fabricación; la confiabilidad en el desempeño de los productos; la prevención de la
responsabilidad civil de fabricantes, así como en la investigación y el desarrollo de la ingeniería industrial.
Después de obtener su título en ingeniería aeronáutica en el Massachusetts Institute of Technology en 1936,

Shainin se hizo socio de Aeronaves United (United Technologies), haciéndose cargo de la división de control
de calidad. Dieciséis años después, se reunió con Rath y consultores para incursionar en la consultoría a
empresas de gran tamaño. Shainin se retiró de Rath y Strong como vicepresidente y en 1975 fundó su propia
firma denominada Shainin Inc., a la que posteriormente se incorporarían sus hijos Peter y Richard.
De 1950 a través de 1983, Shainin formo parte del cuerpo docente de la universidad de Connecticut, donde
creó y dirigió el programa de educación continua para las personas en la industria. En uno de sus seminarios,
los directores médicos de dos hospitales de Connecticut le convencieron para que los apoyara en la solución de
problemas vinculados con la administración y dirección sanitaria. Por consiguiente, el Hospital de Niños de
Newington (ahora parte del centro de salud de los niños de Connecticut) lo nombró consultor estadístico del
área médica entre 1957 y 1994, lo que le brindó la oportunidad de adaptar varias de sus técnicas a los problemas
de la etiología de los padecimientos que aquejaban particularmente a niños minusválidos.
En el comienzo de la década de los años sesenta, a Shainin se le encomendó desarrollar un modelo físico del
espacio aéreo que permitiera evaluar la física del mismo para el diseño del módulo lunar del proyecto Apollo,
que sería propuesto por la empresa Grumman.
El modelo y prototipo elaborados resultaron ser la propuesta mejor realizada por los interesados en participar
en dicho proyecto aeroespacial, razón por la cual les fue asignado el contrato respectivo por parte de la
administración espacial norteamericana, el modelo del ambiente espacial desarrollado por Shainin comprendió
un complejo sistema de medición y evaluación de los esfuerzos que reunía el máximo grado de seguridad
estadística.
Dorian Shainin, realizó aportes importantes en la disciplina de la calidad, desarrolló el sistema de solución de
problemas que fue dado a conocer por Keki Bhote. Este sistema a pesar de su sencillez, tiene por objeto permitir
a cualquier persona resolver problemas sin necesidad de grandes conocimientos técnicos ni el uso de software
de alta especialidad.
Shainin trabajó junto con Taguchi en el diseño de Experimentos, su método consiste en: determinar si el propio
método puede o no resolver un problema específico, traducir el problema a una variable, limitar el área de
búsqueda, verificar la mejora sugerida y determinar los parámetros del proceso y su control.
La metodología propuesta por Shainin está basada en la reducción de la variabilidad en un proceso como medio
clave para mejorar su eficacia y desempeño. Su filosofía plantea que, en la mayoría de los casos, la variabilidad

60
de un proceso está principalmente influenciada por tres causas principales y que si éstas son identificadas y
controladas cerca del 80 por ciento de la variabilidad del proceso será reducida. Esta metodología se apoya en
siete herramientas del diseño experimental, mediante las cuales se logrará reducir la variabilidad: cartas
multivariables, búsqueda de componentes, búsqueda de variables, comparaciones aparejadas, desarrollo de
factoriales completos, el análisis better vs. Current y diagramas de dispersión.
Una característica clave de esta filosofía, es su enfoque en el estudio de las variables controlables, sin involucrar
el análisis de las variables que puedan provocar ruido en el sistema.
A este sistema se le considera el arma secreta de Japón para salir de la crisis postguerra, a partir de estas
herramientas la idea de introducir un enfoque preventivo de calidad se hace realidad y por consiguiente se
reduce de manera significativa la problemática asociada con la manufactura y los costos de producción,
centrándose en el control del proceso y no del producto elaborado.
Japón inicio la implantación de este sistema de calidad en 1960, alcanzando su auge en la década de los setentas
y ochentas, mientras que en Estados Unidos se conservó el sistema tradicional de control de calidad correctivo.
Shainin escribió durante su vida un sinnúmero de publicaciones y artículos relacionados con temas muy
diversos. Shainin, murió en el año 2000, después de haber contribuido de manera importante en el estudio de
la calidad y las disciplinas relacionadas con el desempeño de sistemas y su confiabilidad.
http://www.ingenieria.unam.mx/industriales/carrera_historia_shainin.html
La Ingeniería Estadística, IE, también conocida como metodología Shainin, tiene su origen en la empresa
Hamilton Standard División of United Aircraft durante la segunda guerra mundial donde el ingeniero Dorian
Shainin asignado a resolver problemas técnicos de manufactura de proveedores descubrió que podía resolver
los problemas en una forma más rápida “Hablando con las partes” en lugar de actuar por las suposiciones de
los ingenieros.
Un principio fundamental de la Ingeniería Estadística es la afirmación que en cualquier problema del proceso
existe una causa dominante de variación que define el problema. Esta presunción está basada en la aplicación
del principio de Pareto para las causas de variación.
Su filosofía plantea que, en la mayoría de los casos, la variación de un proceso esta principalmente influenciada
por tres causas principales denominadas:
X Roja: Primera causa de variación

X Rosa: Segunda causa de variación
X Rosa pálida: Causa significante pero menor
De modo que, si estas son identificadas y controladas, aproximadamente el 80% de la variabilidad encontrada
será reducida.
La Ingeniería Estadística se apoya en herramientas del diseño experimental, mediante las cuales se logrará el
objetivo básico buscado por el experimento, que es reducir la variabilidad de los procesos.
Las herramientas de análisis más comunes son:
 Cartas Multivariables  DOE

 Búsqueda de Componentes  Factoriales Completos
 Comparaciones Apareadas  Prueba de Wilcoxon (B vs C)
 Búsqueda de Variables  Diagramas de Dispersión

61
SISTEMA DE LA METODOLOGÍA SHAININ
Definir el Proyecto
Establecer un Sistema Efectivo de Medición
Proceso de
Generar Pistas Diagnóstico
Lista de Variables Sospechosas
Diseño de Experimento Estadístico
¿X Roja Encontrada?
Interacción Optimizar
Tolerancias Reales
Acción Correctiva Irreversible
Proceso
Control Estadístico del Proceso Terapéutico
Monitoreo de Resultados
Cliente Satisfecho

62
3.2 Definir el Proyecto

El propósito de la primera etapa del algoritmo es cuantificar la magnitud del problema seleccionado. Para
realizar el diagnóstico se requiere monitorear los resultados de salida del proceso usando un esquema apropiado
de muestreo por un periodo largo donde se pueda observar los efectos de todas las causas de variación,
especialmente la causa dominante. La variación del proceso se puede mostrar usando métodos gráficos o
métodos numéricos.
Histogram of Ancho Espejo
Normal
12 Mean 5.04
StDev 1.927
N 50
10
Frequency 8
0
2 4 6 8 10
Ancho Espejo
Este histograma es llamado dentro del sistema de IE como; distribución de la “Y Verde”.
Establecer un Sistema Efectivo de Medición

La segunda etapa en la metodología IE involucra el establecimiento y la evaluación de un efectivo sistema de
medición. La metodología indica que, sin un buen sistema de medición, es difícil mejorar los procesos ya que
el sistema de medición por si solo puede ser o contener la causa dominante del problema.
Si el sistema de medición no funciona correctamente puede ser fuente de variabilidad que puede impactar
negativamente la capacidad. Eliminando las familias de variación, la IE reduce el número de entradas
específicas que son candidatos de estudio. Por consiguiente, se debe determinar si el sistema de medición es
fiable antes que la capacidad sea determinada. Para estos propósitos se utiliza el MSA. Este sistema consiste
en una serie de pruebas que permiten a la organización determinar si su sistema de medición es fiable. Existen
dos tipos de MSAs y la opción a utilizar dependerá si los datos son variables o de atributos.
Generar pistas
La meta de la tercera etapa es la generación de pistas relacionadas con la causa dominante mediante su búsqueda
progresiva. En esta etapa el sistema IE enfatiza “el hablar con las partes” observando los componentes en lugar
de utilizar planes experimentales. La IE identifica los procesos y los componentes extremos para poder realizar
el contraste con lo “mejor de lo mejor” y lo “peor de lo peor” “BOB” (Por sus siglas en inglés) y “WOW” (Por
sus siglas en inglés), respectivamente. Para realizar el análisis de un proceso se debe graficar la distribución
de la variable de salida “Y verde” e identificar los extremos de las distribuciones.
Distribución
de BoB
Y Verde Distribución
de WoW
Y Verde
Lista de Variables Sospechosas y DOE
El propósito de las etapas cuarta y quinta del sistema, es para confirmar la identidad de la causa dominante. El
resultado final de la búsqueda progresiva puede terminar en una simple causa o en una lista limitada de causas
sospechosas. Las causas dominantes en la metodología IE son verificadas usando un experimento formal para
evitar posibles confusiones debidas al plan de muestreo inicial y a errores asociados con el tamaño de la

63
muestra. Las causas dominantes sospechosas son los factores que se deben considerar y ajustar en el
experimento.
X Roja encontrada
En esta etapa, la causa dominante ha sido identificada y verificada. El primer paso en la fase de la jornada
terapéutica aplica para el caso especial de una causa dominante simple con una interacción entre dos variantes
de entrada. Esto representa que un componente mayor de la variación en la respuesta denotada por “y” que
puede ser explicada por la variación de dos variables de entrada, denotadas por X1 y X2.
Esta relación de variables puede ser separada para desensibilizar el proceso de variación en X1 y X2 cambiando
el arreglo de X1, X2 o ambos. Esta posibilidad puede ser investigada con una serie de pequeños experimentos
con dos factores.
Otra herramienta de la metodología IE es el diagrama de concepto que muestra los efectos de en las salidas del
proceso, pero no necesariamente nos muestra los valores de interacción.
Temperatura
Poco o nulo
Moderado
Alto
Humedad
Tolerancias Reales
La meta en esta etapa del sistema es definir especificaciones realistas (tolerancias) para las variables de entrada
correspondientes a las causas dominantes. El establecimiento de especificaciones basado en tolerancias
definidas para las salidas se realiza cuantificando la relación entre las salidas y las causas dominantes.
En la IE esta actividad es lograda mediante el uso del “Paralelogramo de Tolerancia”. Se selecciona un número
de parte con causas dominantes y valores de salida que cubran el rango total de variación.
Acción Correctiva Irreversible

La etapa de implementación de la acción correctiva tiene como objetivo optimizar los resultados de salida,
reducir los defectos y la variación para demostrar que la variación de la causa ha sido eliminada.
Previo a la implementación de la acción correctiva, las causas ó X rojas deben ser confirmadas por las diferentes
herramientas utilizadas por el sistema de IE.
La acción correctiva requiere una revisión del diseño de la parte y del proceso para incrementar la probabilidad
de detección, pero generalmente mejorar los controles de detección es costoso e inefectivo para la mejora de la
calidad. Incrementar la frecuencia de los controles de calidad no es una acción correctiva positiva y solo puede
ser utilizada como medida temporal, se requiere de una acción correctiva permanente. En algunos casos se
requiere un cambio al diseño de la parte específica, para apoyar la detección.

64
El sistema recomienda las siguientes acciones a realizar para asegurar la efectividad de la acción correctiva:
1. Realizar la corrección del proceso y/o diseño de la parte, para reducir la probabilidad de ocurrencia.
2. Dar seguimiento a la acción implementada usando métodos estadísticos con retroalimentación para la
mejora continua y prevención.
3. Actualización de los AMEF de proceso reflejando la acción de mejora recomendada.
4. Modificar los planes de control del proceso
Control Estadístico del Proceso

El control estadístico del proceso en la metodología de IE se refiere a las gráficas de pre control como técnica
del control estadístico de la calidad que permite evaluar la capacidad de un proceso para generar piezas dentro
de especificaciones. La gráfica de pre control propone, bajo el supuesto de que el proceso está centrado, la
delimitación de ésta en tres zonas; Verde, amarilla y roja.
La zona verde corresponde al 50% del rango de especificaciones. La zona amarilla corresponde al resto del
rango de especificaciones, con 25% del rango de especificaciones a ambos lados. La zona roja corresponde a
material fuera de especificaciones.
LSE
50% de
Especificaciones
LIE
La gráfica multivariable es diseñada para identificar el grupo o familia de factores que definen la X Roja,
sugiere buscar tres fuentes principales de variación:
 Posición (Dentro de las partes)
 Cíclica (Entre las partes)
 Temporal (En el tiempo)
Variación de posición
 Variación dentro de unidades de producción: Poros o roturas en piezas vaciadas, o a través de piezas
con muchas partes como transmisiones, turbinas, circuitos integrados.
 Variación en la ubicación: Como variación entre cavidad y cavidad de partes inyectadas o fundidas.
 Variación como: De planta-a-planta, de máquina-a-máquina, de operador-a-operador, etc.
Variación cíclica, variación entre:

 Unidades consecutivas
 Lotes de producción
 Recibo de material
Variación Temporal, Variación de:

 Hora a hora
 Turno a turno
 Día a día
Ejemplo de la gráfica multi-vari en MINITAB

En una empresa automotriz, se maquina el múltiple de escape, el cual tiene tres salidas para conectarse a ciertas
mangueras del sistema del motor. Entre otras características de calidad, a cada salida se le mide el diámetro

65
exterior por medio de un fixture. Existen cuatro máquinas para este proceso, y cada máquina tiene tres fixtures
diferentes. Los datos de la siguiente página muestran los resultados de una de las mediciones de muestras
aleatorias de una producción normal.
Máquina
Fixture 1 2 3 4
0.769 0.759 0.765 0.771

A 0.770 0.761 0.764 0.769
0.768 0.760 0.765 0.768
0.774 0.757 0.768 0.758

B 0.775 0.755 0.765 0.754
0.765 0.759 0.758 0.759
0.769 0.760 0.752 0.729

C 0.766 0.757 0.750 0.747
0.763 0.754 0.761 0.745
Multi-Vari Chart for Respuesta by Fixture - Machine

0,78 Fixture
1
2
3
0,77
0,76
Respuesta
0,75
0,74
0,73
1 2 3 4
Machine
Interpretación de los resultados:

De los resultados de la tabla ANOVA se concluye que:
La Máquina no es significativa en la variación del proceso (0.274).
El Fixture sí es significativo en la variación del proceso (0.000).
De la gráfica multivariable se observa que:
La línea punteada que une los rombos (rojos), conecta las respuestas promedio de las cuatro máquinas. Como
esta línea se mantiene un tanto estable, se concluye que no hay variación significativa debido a las máquinas.
Cada una de las cuatro líneas sólidas (negro) conecta las respuestas promedio de cada fixture en cada máquina.
En las máquinas 3 y 4 éstas líneas no se mantienen constantes, se concluye que hay variación significativa
debido a los fixtures, sobre todo en las dos últimas máquinas.
Los puntos sólidos (azules) representan las respuestas de cada salida de la pieza, para cada fixture y cada
máquina.
Búsqueda de Componentes
La finalidad de esta herramienta es analizar y comparar las familias de fuentes de variación en el proceso de
ensamble y de los componentes del producto para encontrar la causa dominante. Esta técnica está formada por
dos etapas.
 La primera determina si la fuente de variación se encuentra en el proceso de ensamble o en los
componentes.
 La segunda etapa determina cuál de las partes contiene la causa dominante mediante el intercambio
ordenado de componentes entre el ensamble bueno y malo.

66
La búsqueda de componentes en la fase 1 ayuda a identificar si las causas de variación están en el proceso o en
las partes, seleccionado un par de ensambles, 1 bueno y 1 malo, desensamblándolos y reensamblándolos tres
veces.
 Si el ensamble bueno y el malo permanecen en la misma condición original se determina que la X roja
esta en los componentes.
 Si los resultados originales se intercambian es decir si el ensamble bueno se cambia a malo, la X roja
vive en el proceso de ensamble.
La búsqueda de componentes en la fase II ayuda a identificar cuál de las partes es la causa de la variación,
intercambiando cada parte en forma independiente del ensamble bueno al malo y viceversa. Si para una parte
analizada, los resultados de los ensambles bueno y el malo, se permutan con relación a su comportamiento en
la fase I, la X roja es la parte analizada. La herramienta de búsqueda de componentes en conjunto con la gráfica
multivariable puede ser sencillamente aplicada en procesos de la industria automotriz para resolver en una
forma rápida problemas de ensamble.
Búsqueda de factores
El objetivo es: Identificar la X Roja, la X Rosa y de una a tres variables críticas en interacción con las dos
primeras. Es posible que la X Roja se deba a una fuerte interacción entre dos o más variable. Sin embargo, la
idea es separar los factores o variables importantes de los no importantes. Búsqueda de factores es una forma
de resultados estadísticos significativos sin realizar grandes corridas experimentales.
3.3 Metodología de superficie de respuesta

Existen ocasiones en que hay experimentos con los que no se obtienen las respuestas buscadas o el nivel de
mejoras logrado no es suficiente:
• Es necesario experimentar de manera secuencial hasta encontrar el nivel de mejoras deseado.
En estos casos, después de una etapa inicial experimental quizá necesario:

• Desplazar la región experimental (moverse de lugar) en una dirección adecuada.
• Explorar en forma más detallada la región experimental inicial
La MSR es la estrategia experimental y de análisis que permite resolver el problema de encontrar las
condiciones de operación óptimas de un proceso.

67
 REGIÓN EXPERIMENTAL: Es el espacio delimitado por los rangos de experimentación utilizados

en cada factor.
 REGIÓN DE OPERABILIDAD: Esta delimitada por el conjunto de puntos o condiciones donde el
equipo o proceso puede ser operado. Es difícil delimitar con certeza el tamaño de la región de
operabilidad, ya que aun cuando se conozca (por especificaciones del equipo) el rango en el que puede
colocar cada factor individual, es necesario determinar esos límites considerando varios factores de
manera simultánea.
En la MSR es importante tener presente la visión de las regiones de operabilidad y experimental, ya que en
principio:
• El punto óptimo que interesa encontrar pudiera localizarse en cualquier lugar de la región de
operabilidad, dentro o fuera de la región experimental inicial.
• En procesos ya establecidos, dicho punto óptimo es de esperarse que se encuentre “no muy lejos” de
las condiciones de operación usuales, posiblemente dentro de la región experimental.
• Cuando el proceso es nuevo, es más probable que el punto de interés se encuentre fuera de la primera
región experimental propuesta para el experimento inicial, en este punto es necesario acercarse al punto
para luego “atraparlo”

68
Elementos de la MSR
La metodología de superficie de respuesta implica tres aspectos:
Diseño Implica que para optimizar se debe aplicar el diseño de experimentos.

Modelo Utiliza el análisis de regresión lineal múltiple, con sus elementos básicos.
Optimización Técnicas matemáticas que sirven dado un modelo ajustado, explorarlo a fin
de obtener información del punto óptimo.
Esquema de la MSR
CRIBADO BUSQUEDA I BUSQUEDA II
Etapa en la que se utiliza un

Etapa en la que se utiliza un
Etapa inicial de la optimización diseño-modelo de segundo
diseño-modelo de primer orden
de un proceso en la que se tienen orden con el que se caracteriza
para caracterizar de manera
muchos factores que pueden adecuadamente la superficie de
preliminar la superficie y detectar
influir en la variable de interés respuesta, incluyendo la
curvatura
curvatura.

69
3.4 Diseños de superficie de respuesta

Los diseños de superficie de respuesta de clasifican con base en el grado del modelo que se pretende utilizar.
Proporcionan los tratamientos a correr para generar datos que permitan ajustar un modelo que describa una
variable de respuesta en una región experimental.
Propiedades deseables en los diseños de para la MSR:

1) Que genere una distribución satisfactoria de los puntos experimentales sobre la región experimental de
los puntos experimentales sobre la región experimental.
2) El diseño debe requerir un número mínimo de corridas experimentales.
3) El diseño debe permitir que otros diseños de orden mayor se construyan a partir de él.
4) El experimento debe permitir la detección de la curvatura (falta de ajuste).
5) El diseño debe proporcionar un estimador puro de la varianza del error.
Diseño central compuesto

Es el diseño más utilizado en la etapa de búsqueda de segundo debido a sus gran flexibilidad: se puede construir
a partir de un diseño factorial completo 2𝑘 o fraccionado 2𝑘−𝑝 agregando puntos sobre los ejes y al centro. Este
diseño se compone de tres puntos:
1. Una réplica de un diseño factorial en dos niveles, completo o fraccionado. A esta parte se le llama
porción factorial.
2. Un 𝑛0 puntos o repeticiones al centro del diseño, 𝑛0 ≥ 0
3. Dos puntos sobre cada eje a una distancia 𝛼 del origen. Estos puntos se llaman porción axial o puntos
de cubo.

70
Diseño Box-Behnken
Este diseño se aplica cuando se tienen tres o más factores, y suelen ser eficientes en cuanto al número de
corridas. Se distingue por que no incluye como tratamientos a los vértices de la región experimental. En
cualquier tratamiento del diseño uno de los factores se fija en la mitad de su rango de prueba.

71
3.5 Análisis de un diseño de superficie de respuesta
ANOVA: El análisis de la tabla de

varianza proporciona un resumen de los
efectos principales e interacciones, para
modelo lineal y el modelo cuadrático. Se
observan los valores de p para
determinar si los efectos de los factores
son significativos sobre la respuesta. Un
efecto o interacción es significativo si
p<0.05.
DIAGRAMA DE PARETO: Un diagrama

de Pareto de los efectos sirve para
determinar la magnitud y la importancia de
un efecto. El diagrama muestra el valor
absoluto de los efectos y traza una línea de
referencia en la gráfica. Cualquier efecto
que se extienda más allá de esta línea de
referencia es potencialmente importante.
EFECTOS PRINCIPALES: Un efecto Gráfica de efectos principales para Producción

Medias ajustadas
principal está presente cuando diferentes
A B
niveles de un factor afectan la respuesta de 8000
manera diferente. Una gráfica de efectos 7000
principales grafica la media de respuesta 6000

Media de Producc n
ió
para cada nivel de factores conectado por 5000
una línea. 4000
3000
2000
1000
8 10 12 14 15 18 21 24 27
INTERACCIONES: Cuando el efecto de

un factor depende del nivel del otro factor.
Se puede utilizar una gráfica de interacción
para visualizar posibles interacciones

72
GRAFICA DE CONTORNO: Esta grafica Gráfica de contorno de Producción vs. B, A

sirve para explorar la relación potencial Producción
26
entre variables. <
0 – 1500
0
1500 – 3000
24 3000 – 4500
4500 – 6000
6000 – 7500
> 7500
22
B
20
18
16
9 10 11 12 13
A
.3.6 Ejemplo resuelto de un diseño de superficie de respuesta

principales (temperaturas) como las probables causas del problema. Se desea conocer el efecto de la interacción
de la Temperatura de grabado y la Temperatura del agua, esto dado que se han hecho análisis previo y se cree
que esa interacción es importante. Ahora se desea conocer si existe un comportamiento cuadrático en su factores
y niveles y para eso se corre un diseño central compuesto con puntos de cubo.
Niveles
Factor
-3 60 20 0.040 0.032
-3 60 70 0.020 0.020
-3 98 20 0.036 0.028
-3 98 70 0.016 0.008
-1 60 20 0.012 0.008
-1 60 70 0.000 0.016
-1 98 20 0.000 0.001
-1 98 70 0.004 0.004
-3.68179 79 45 0.0320 0.0300
-0.31821 79 45 0.0700 0.0060
-2 47.046 45 0.0206 0.0210

73
-2 110.954 45 0.0100 0.0090

-2 79 2.9552 0.0225 0.0214
-2 79 87.0448 0.0080 0.0090
-2 79 45 0.0154 0.0160
-2 79 45 0.0160 0.0156
-2 79 45 0.0157 0.0160
-2 79 45 0.0161 0.0170
-2 79 45 0.0159 0.0163
-2 79 45 0.0154 0.0156
b) Analice las gráficas factoriales para evaluar el comportamiento del factor.
Solución:
CONCLUSIÓN:
Se encontró que en el modelo lineal los

efectos significativos sobre el % de
obleas defectuosas son: Temperatura de
grabado y la Temperatura del Agua, dado
que p<0.05.
Se encontró que en el modelo cuadrado

los efectos significativos sobre el % de
obleas defectuosas son: Temperatura de
grabado, dado que p<0.05.

74
b) Analice las gráficas factoriales para evaluar el comportamiento del factor.

Gráfica de efectos principales para % obleas
Medias ajustadas
0.04
0.03
Media de % obleas
0.02
0.01
0.00
-4 -2 0 50 75 100 0 50 100
CONCLUSIÓN:
Se observa que el efecto del factor de Temperatura de grabado si es cuadrático, aunque también se puede
modelar como efecto lineal. En la interacción se observa que existe pero no resulto significativa.

Gráfica de contorno de % obleas vs. Agua, Grabado
% obleas
Combinación Gráfica (Temperatura de
80 < 0.01
0.01 – 0.02
agua/ Temperatura de grabado)
0.02 – 0.03
70
0.03 – 0.04
60
0.04 – 0.05
> 0.05
Valores fijos
-2.5 79 80
50 Piraña 79
Agua
40
30
20
10
-3.5 -3.0 -2.5 -2.0 -1.5 -1.0 -0.5

Grabado
Gráfica de contorno de % obleas vs. Agua, Piraña

% obleas
80 < -0.005 agua/ Temperatura de piraña)
-0.005 – 0.000
0.000 – 0.005
70
0.005 – 0.010
0.010 – 0.015 Grabado Piraña Agua
60 0.015 – 0.020
> 0.020 -2 110 85
50 Valores fijos
Agua
Grabado -2
40
30
20
10
50 60 70 80 90 100 110
Piraña

75
Gráfica de contorno de % obleas vs. Piraña, Grabado

110
% obleas
< 0.01 piraña/ Temperatura de grabado)
0.01 – 0.02
100 0.02 – 0.03
0.03 – 0.04
> 0.04 Grabado Piraña Agua
90
Valores fijos -1.5 105 45
Agua 45
Pir a
80
añ
70
60
50
-3.5 -3.0 -2.5 -2.0 -1.5 -1.0 -0.5

Grabado
CONCLUSIÓN:
Las combinaciones que pueden ser óptimas para minimiza el %

de obleas defectuosas son:
CONCLUSIÓN:
La mejor combinación para minimizar el % de obleas defectuosas es Temperatura de grabado en -2.2888°C,

Temperatura de piraña en 110.9541°C y Temperatura de agua en 87.0448°C, con una predicción de 0% de
obleas defectuosas. Y el compuesto de deseabilidad de 1 asegura una buena predicción.
CONCLUSIÓN:
La proporción en la que se logra reducir el % de obleas de defectuosas es en el 100%.

76
PRÁCTICAS UNIDAD 3
EJERCICIO 1: Los siguientes datos fueron colectados por un ingeniero químico. La respuesta Y es el tiempo
de filtración, y los factores que se controlaron son: A es la temperatura y B es la presión. Se generó un diseño
de superficie de respuesta central compuesto y puntos de cubo.
Corrida A B Y
1 -1 -1 54
2 1 -1 45
3 -1 1 32
4 1 1 47
Niveles 5 -1,414 0 50
Factores
Bajo Alto 6 1,414 0 53
A: Temperatura -1 1 7 0 -1,414 47
B: Presión -1 1 8 0 1,414 51
9 0 0 41
10 0 0 39
11 0 0 44
12 0 0 42
13 0 0 40
b) ¿Qué tipo de diseño es?
c) Determine los efectos significativos y para qué modelo.
d) Analice las gráficas factoriales para evaluar el comportamiento del factor.
e) ¿Cuáles combinaciones pueden resultar óptimas para mejorar la respuesta?
f) ¿Cuál es la mejor combinación para mejorar la respuesta?

77
EJERCICIO 2: Se condujo un experimento de cribado para maximizar el contenido de fósforo (%) en el acero
producido por un convertidor. Se utilizó un diseño CC con puntos de cubos. Los factores y niveles se presentan
a continuación:
Corrida A B C Y
1 1 0.15 2400 0.002
2 3 0.15 2400 0.002
3 1 0.3 2400 0.007
4 3 0.3 2400 0.01
5 1 0.15 2600 0.005
6 3 0.15 2600 0.005
7 1 0.3 2600 0.009
Factores Bajo Alto 8 3 0.3 2600 0.01
A: Manganeso 1% 3% 9 0.3182072 0.225 2500 0.005
B: Fósforo inicial 0.15% 0.30% 10 3.6817928 0.225 2500 0.009
C: Temperatura 2400º 2600º 11 2 0.0988655 2500 0.013
de vertido F F
12 2 0.3511345 2500 0.007
13 2 0.225 2331.8207 0.007
14 2 0.225 2668.1793 0.009
15 2 0.225 2500 0.01
16 2 0.225 2500 0.009
17 2 0.225 2500 0.007
18 2 0.225 2500 0.005
19 2 0.225 2500 0.009
20 2 0.225 2500 0.006

78
EJERCICIO 3: En el proceso de fabricación de muelles para automóviles, una variable de salida importante
es la altura sin carga, cuyo valor nominal es 8 pulgadas. La altura sin carga de un muelle se determina durante
el tratamiento de calor en el cual se forma la curvatura del muelle. El problema es determinar las condiciones
de operación de este tratamiento que den por resultado la altura deseada. Se corre un experimento con cuatro
factores Box-Behnken que los ingenieros consideraron importantes. Los factores y niveles considerados son:
FACTORES NIVEL -1 NIVEL 1

A: Tiempo del horno (°F) 1840 1880
B: Tiempo de quemado (seg.) 21 25
C: Tiempo de transferencia (seg.) 10 12
D: Tiempo de permanencia (seg.) 2 3
Corrida A B C D Y
1 -1 -1 0 0 7.78
2 1 -1 0 0 7.94
3 -1 1 0 0 7.5
4 1 1 0 0 7.56
5 0 0 -1 -1 8.15
6 0 0 1 -1 7.69
7 0 0 -1 1 7.59
8 0 0 1 1 7.56
9 -1 0 0 -1 7.78
10 1 0 0 -1 8
11 -1 0 0 1 7.56
12 1 0 0 1 7.62
13 0 -1 -1 0 8.18
14 0 1 -1 0 8.09
15 0 -1 1 0 7.56
16 0 1 1 0 7.81
17 -1 0 -1 0 7.81
18 1 0 -1 0 7.88
19 -1 0 1 0 7.5
20 1 0 1 0 7.44
21 0 -1 0 -1 7.88
22 0 1 0 -1 8.06
23 0 -1 0 1 7.75
24 0 1 0 1 7.69
25 0 0 0 0 7.18
26 0 0 0 0 7.88
27 0 0 0 0 7.56

79

80
producción). Se analiza un diseño CC con puntos de cubo. Los datos son los siguientes:
% Dientes
Corrida Temperatura Tiempo Tamaño buenos
1 90 8 Sin tamizar 76.4
5 81.71572875 11.5 Sin tamizar 78.88
6 138.2842712 11.5 Sin tamizar 84.93
7 110 6.550252532 Sin tamizar 84.68
8 110 16.44974747 Sin tamizar 80.36
9 110 11.5 Sin tamizar 78.175
10 110 11.5 Sin tamizar 79
11 110 11.5 Sin tamizar 77.9
12 110 11.5 Sin tamizar 80
13 110 11.5 Sin tamizar 78.6
14 90 8 Tamizado 84.4
15 130 8 Tamizado 84.7
16 90 15 Tamizado 82.7
17 130 15 Tamizado 85
18 81.71572875 11.5 Tamizado 83.51
19 138.2842712 11.5 Tamizado 84.9
20 110 6.550252532 Tamizado 75.98
21 110 16.44974747 Tamizado 83.76
22 110 11.5 Tamizado 84.22
23 110 11.5 Tamizado 83.9
24 110 11.5 Tamizado 84.6
25 110 11.5 Tamizado 85.1
26 110 11.5 Tamizado 84

81

82
producción). Se analiza un diseño CC con puntos de axiales. Los datos son los siguientes:
% Dientes
Corrida Temperatura Tiempo Tamaño buenos
1 95.85786438 9.02512627 Sin tamizar 77.20
2 124.1421356 9.02512627 Sin tamizar 76.96
3 95.85786438 13.9748737 Sin tamizar 79.86
4 124.1421356 13.9748737 Sin tamizar 78.68
5 90 11.5 Sin tamizar 78.68
6 130 11.5 Sin tamizar 77.68
8 110 15 Sin tamizar 79.73
9 110 11.5 Sin tamizar 78.18
10 110 11.5 Sin tamizar 79.00
11 110 11.5 Sin tamizar 77.90
12 110 11.5 Sin tamizar 80.00
13 110 11.5 Sin tamizar 78.60
14 95.85786438 9.02512627 Tamizado 84.33
15 124.1421356 9.02512627 Tamizado 84.58
16 95.85786438 13.9748737 Tamizado 83.42
17 124.1421356 13.9748737 Tamizado 84.57
18 90 11.5 Tamizado 83.73
19 130 11.5 Tamizado 84.73
20 110 8 Tamizado 84.55
21 110 15 Tamizado 83.90
22 110 11.5 Tamizado 84.22
23 110 11.5 Tamizado 83.90
24 110 11.5 Tamizado 84.60
25 110 11.5 Tamizado 85.10
26 110 11.5 Tamizado 84.00

83

84
EJERCICIO 6: Después de aplicar experimentación secuencial se encontró una zona de

experimentación donde se sospecha que se encuentran las condiciones óptimas para la producción de
un colorante natural en función de la concentración de carbono y temperatura. Los niveles de la región
experimental se presentan en la siguiente tabla:
Corridas A B Producción
1 9 17 5707
2 13 17 5940
3 9 25 3015
4 13 25 2613
Factor Nivel Nivel
-1 1 5 8.171572875 21 5804
A: Concentración de 6 13.82842712 21 6700
9 13
carbono 7 11 15.34314575 5310
B: Temperatura 17 25 8 11 26.65685425 725
9 11 21 7521
10 11 21 7642
11 11 21 7500
12 11 21 7545
13 11 21 7550

85
UNIDAD 4 SEIS SIGMA
4.1 Introducción a Seis Sigma

En la mayor parte de los países del mundo a partir de la década de los 90`s, se establece una tendencia
generalizada por parte de todo tipo de empresas para asegurar calidad en los productos y/o servicios que
elaboran, además de un costo competitivo asociado con un servicio diferenciado, esta situación es propicia
principalmente por las condiciones de competitividad que rigen actualmente el mercado internacional.
Situación actual de competitividad de las empresas:
La transformación cultural está basada en cambiar el concepto de la administración tradicional en que se

manejaba una empresa hacia la administración por calidad. La administración por calidad en cualquier
organización se entiende como: “trabajar para entregar productos y servicios cumpliendo permanentemente las
expectativas del cliente al dar un valor superior con un enfoque en sistemas”.
A continuación, se presenta una tabla que muestra las diferencias importantes entre la administración
tradicional y la administración por calidad:
CALIDAD TRADICIONAL CALIDAD SEIS SIGMA

La empresa decide Cadena de valor
Corrección Prevención
Mano de obra Capital humano
Apagar incendios Operar con sistemas
Calidad vs costos Calidad total
Calidad de producto Enfocada a procesos (tarea/resultados)
Entregar al cliente Satisfacer al cliente
Mejora operativa Mejora en innovación en todas las áreas
Control de calidad Cero defectos
Actualmente, la competitividad es una cualidad necesaria para la supervivencia de una organización, para lograr
esta meta, el hombre se ha ocupado de desarrollar sistemas que permitan incrementar su esfera de acción y
ganar terreno con respecto a sus competidores. Tal es el caso de Seis Sigma, un sistema de gestión
administrativa enfocada a la calidad, no solo del producto, sino de todo lo que caracteriza a una organización,
es decir, la parte directiva y la operativa. Seis Sigma es el cambio de cultura organizativa tomando en cuenta

86
al cliente, proceso y al empleado. Seis Sigma, es una forma analítica de resolver los problemas y eliminar el
desperdicio. También se puede definir como:
FILOSOFIA, de operar un negocio.

VISION, de excelencia de producto y servicio.
METRICA, de compañías de clase mundial donde la medición común es defectos por millón.
BENCHMARK, para evaluarnos a nosotros mismos contra cualquier compañía.
METODO, de trabajo para identificar y eliminar defectos.
HERRAMIENTA, para que los empleados realicen un trabajo libre de defectos.
SIMBOLO, de calidad y excelencia.
META, de fortaleza competitiva.
VALOR, para nuestros clientes.
Ventajas de la filosofía Seis Sigma

 Entender claramente a la empresa o negocio como un sistema interrelacionado de procesos y clientes.
Que el ciclo de mejora sea más corto, gracias a la calidad de los datos recabados para una buena toma
de decisiones en la creación y ejecución de los proyectos que aseguren dicho ciclo y al personal que
hace uso de ellos para sacarles provecho en la mejora de sus procesos.
 Establecer un sistema que se capaz de generar mayores ingresos, satisfacer clientes internos y externos
que aseguren una mejor competitividad para obtener beneficios tangibles en menor tiempo.
 Una infraestructura y cultura del personal cada vez más fuerte, para apoyar cambios y sostener
resultados.
Sigma (σ) es una letra griega que representa una unidad estadística de medida para definir la desviación
estándar de una población. Se usa para describir variabilidad o varianza, y está relacionada directamente con la
medida clásica de la calidad que considera que tan frecuentemente pueden producirse “defectos” durante un
proceso. Entre mayor nivel de calidad sigma o número de sigmas pueden atribuirse a un proceso, menos factible
es que se produzcan defectos. Un nivel de calidad seis sigma tiene virtualmente cero defectos, y es tal que un
desplazamiento del valor nominal o target del proceso de +1.5 sigma solo producirá 3.4 defectos por millón,
esto es niveles de calidad del 99.9997%.
Nivel de
Nivel 𝝈 DPMO
calidad (%)
1 690,000 30.2328
2 308,537 69.1230
3 66,807 93.3319
4 6,210 99.3790
5 233 99.9767
6 3.4 99.99966
¿Por qué ser un 99% bueno, no es suficiente?

99% Bueno versus Seis Sigma
Visión Clásicad de la Calidad Visión de Calidad Seis Sigma
99% Bueno (3.8 Sigma) 99.9997% Bueno (Six Sigma)
Agua no potable durante 15 minutos por día Agua no potable durante 1 minuto cada 7 meses
5,000 cirugías erradas por semana 1.7 cirugías erradas por semana
2 aterrizajes demasado cortos o extenso por día 1 aterrizaje demasiado corto o extenso cada 5 años
200,000 recetas médicas equivocadas por año 67 recetas médicas equivocadas por año
Falta de energía eléctrica durante 7 horas cada mes Falta de energía eléctrica durante 1 hora cada 34
años

87
¿Qué hace 𝟔𝝈?

REDUCE MEJORA
Defectos Satisfacción del cliente
Errores Calidad
Desperdicios por retrasos Servicio
Scrap Productividad
Costos
Tiempos
Antecedentes de Seis Sigma

Los orígenes de Seis Sigma pueden remontarse a Johann Carl Frederick Gauss (1777-1855), un legendario
matemático y físico alemán. En 1818, comenzó a trabajar en la distribución normal que constituye la base de
la filosofía Seis Sigma. La persona que acuño el término Seis Sigma fue Bill Cohen, un ingeniero de Motorola.
Más tarde, en 1986, Bill Smith, presento un documento en el que concluía que si se encontraba un defecto
durante la producción, otros se escaparían y serían encontrados por el cliente. En lugar de medir los defectos
en miles de oportunidades, Seis Sigma provee la capacidad de medir defectos en millones de oportunidades –
proporcionando así una mejora de calidad significativa. En 1988, se inaugura el Premio Nacional de Calidad
Malcolm Baldrige, Motorola es la primera compañía grande que lo gana. Desde entonces muchas empresas,
incluyendo a Motorola, lograron un gran éxito al usar la metodología Seis Sigma para mejorar la calidad y
reducir los costos.
Algunas compañías trabajando con Seis Sigma:
 Motorola
 Dupont
 General Electric
 Sony
Seis Sigma es en sí Benchmark de la capacidad de los procesos y productos, para compararlos con los “mejores
de su clase”. Se pueden citar algunos ejemplos:
1. El número de fatalidades en vuelos domésticos en los Estados Unidos fueron de 0.43 partes por millón
(por millón de pasajeros), que es aproximadamente el número esperado para un proceso que se
encuentra entre seis y siete sigma.
2. Centros de producción de Energía Nuclear (con algunas desafortunadas excepciones) actualmente
operan con niveles de calidad entre seis y siete sigma.
3. Corporaciones como Motorola, G.E. y la NASA efectúan la mayoría de sus procesos a niveles de
calidad de seis sigmas.
4. Las compañías promedio en los Estados Unidos tienen aproximadamente entre 1000 y 10000 defectos
por millón si se considera un desplazamiento de +1.5 sigma esto equivale a un proceso de cuatro sigmas
aproximadamente.
5. Las compañías promedio en México apenas si alcanzan un nivel de calidad 3 sigmas lo cual implica
que producen con más 60000 defectos por millón, es decir con niveles de calidad inferiores al 94%.
El concepto clave de Seis Sigma:

 Proporcionar valor al accionista y producir retorno sobre la inversión.
 Convertir metas estratégicas en resultados.
 Proveer mejoras del desempeño dramáticas en pocos meses.
 Incrementar ingresos y reducir costos de manera simultánea.
 Dirigir la mejora a la esencia de los procesos y la excelencia del servicio al cliente.
En conclusión: si el número de defectos disminuye el nivel de sigma aumenta.

88
4.2 Metodología DMAIC

Seis Sigma es una metodología muy amplia, la cual incluye las mejores prácticas de otras técnicas de calidad
tradicionales. La metodología DMAIC de Seis Sigma considera el ciclo de vida completo del proyecto con
métodos y herramientas bien definidos para cada etapa. Enlaza directamente las metas de las empresas con las
expectativas de los clientes.
Se podría considerar como una modificación del Ciclo de Deming para la Mejora Continua de Planear, Hacer,
Verificar y Actuar. Deming considera que para que una empresa a través de sus recursos humanos y materiales
mejore su productividad, elabore productos de buena calidad y alcance una posición competitiva en el mercado
tanto interno como externo, es fundamental que los dueños, accionistas y/o directores generales (alta dirección)
estén convencidos, comprometidos y sobretodo involucrados para que participen activamente en su
implantación. Si los accionistas y/o directores no detectan claramente que a través de la metodología Seis Sigma
se van a generar ahorros importantes o bien en la ejecución de ciertos proyectos se tendrán mayores ventas,
será imposible su puesta en marcha, por ende, cualquier proyecto Seis Sigma deberá sustentar su éxito en
demostrar claramente la mejora financiera para su autorización.
El siguiente diagrama muestra la ruta en que está basada la filosofía Seis Sigma, también conocido como
DMAIC, por sus siglas en inglés:
La metodología Seis Sigma es tan amplia y muy bien definida, que puede ser utilizada por:
 Empresas en diferentes áreas de negocio incluyendo manufactura, finanzas, construcción, ingeniería,
etc.
 Empresas de distintos tamaños: grandes, medianas o pequeñas empresas con menos de 30 empleados.
4.2.1 Etapa I: Definir oportunidades

Definir el problema/seleccionar el proyecto. Describir el efecto provocado por una situación adversa, o el
proyecto de mejora que se desea realizar, con la finalidad de entender la situación actual y definir objetivos.
(Seleccionar el equipo, preferentemente un equipo interfuncional, con un objetivo definido de manera clara y
completa). En esta primera etapa se presenta el mapeo de procesos como herramienta indispensable para definir
oportunidades de mejora en el negocio, a través de ver claramente todas aquellas actividades que se desarrollan
en la empresa con el fin de mejorarlas, eliminarlas o cambiarlas, lo cual se traducirá en un beneficio tangible
para los accionistas y trabajadores que la integran.
OBJETIVO:
En este punto inicial se buscan alcanzar dos objetivos, el primero es validar oportunidades de la empresa, a
través de conocer o identificar problemas críticos en los procesos de acuerdo a la percepción de los clientes
externos e internos, a los objetivos específicos del área y alinear ambos de tal manera que se convierta en
prioridad estratégica para la empresa, y el segundo, crear el equipo de trabajo para llevar a cabo la mejora a los
procesos.
Para el logro de los objetivos se definirá una empresa en términos de sistemas y procesos, y establecer los roles
del equipo, sus responsabilidades, reglas, normas e interacciones.

89
ACTIVIDADES PRINCIPALES:
 Validar/identificar oportunidades del negocio
 Desarrollar team charter
 Identificar y mapear procesos
 Definir los requerimientos del cliente
 Identificar ganancia rápida
 Desarrollar guías de equipo y aterrizar las reglas
Definir de forma cuantitativa las necesidades de los clientes y lo que constituye un defecto. Establecer los
objetivos de mejora. “Lo importante es lo que quiere el cliente”. Tener en cuenta que definir correctamente un
problema implica tener un 50% de su solución. Un problema mal definido llevará a desarrollar soluciones para
falsos problemas.
ENTRADAS HERRAMIENTAS SALIDAS

 Necesidad del proyecto 6  Jerarquía de la organización  Charter del proyecto
sigma  Mapa de proceso de alto nivel  Plan de acción
 Apoyo a la dirección  Graficas de Pareto de alto  Mapeo de procesos
 Identificación al núcleo de nivel  Oportunidades de ganancias
equipo de trabajo  Generación de ideas y rápidas
clasificación de herramientas  Requerimientos críticos del
cliente (CTQ’s)
 Equipo preparado
 Establecimiento de métricas
 Definición del problema
 Roles y responsabilidades
4.2.2 Etapa II: Medir el sistema

La evaluación de los sistemas de medición consiste en determinar la capacidad y estabilidad de los sistemas de
medición por medio de estudios de estabilidad, repetitividad, reproducibilidad, linealidad y exactitud. Esta fase
se enfoca a seleccionar una o más características para ser medidas, definiendo cómo serán medidas,
estableciendo un plan de recolección de datos y la recolección de datos. Esta fase es importante porque asegura
que los datos que se relacionan con los requerimientos del cliente y el desempeño actual del proceso sean
precisos, claros y confiables. Las mediciones son muy importantes en toda empresa, pues con base en ellas se
evalúa el desempeño de las mismas, de sus equipos, de su gente, y se toman decisiones importantes y a veces
costosas.
OBJETIVO:
Identificar medidas críticas que son necesarias para evaluar el éxito al reunir los requerimientos críticos del
cliente, e iniciar el desarrollo una metodología efectiva para recolectar datos que midan el desempeño del
proceso. Tomar datos para validar y cuantificar el problema o la oportunidad. Medir la capacidad o rendimiento
del proceso frente a las necesidades de los clientes. ¿Cuál es la característica crítica de calidad interna?, traducir
lo que quiere el cliente al lenguaje de la organización El conocimiento de estadística se hace fundamental.
“La calidad no se mejora, a no ser que se mida”
 Identificar indicadores de entradas, procesos y salidas (determinar que se va a medir y entender la
variación)
 Desarrollar una definición operacional y un plan de medida.
 Analizar y graficar datos

90
 Determinar si existe causa especial

 Determinar el desempeño Sigma
 Recolectar otros datos de desempeño de línea de base (base line)

 Charter del proyecto  Herramientas y técnicas de  Procesos bien definidos
 Establecimiento de métricas recolección de datos  Formatos y planes de
 Definición del problema  Escalas de medición colección de datos
 Roles y responsabilidades  Técnicas de validación  Sistemas de medición
 Requerimiento de los  Distribuciones estadísticas  Capacidad base del proceso
involucrados  Minería de datos  Ambiente de equipos
 Gráficos de corridas productivos.
 Mapa de procesos al detalle y  Parámetros de procesos que a
grafico de procesos afectan al Costo de Calidad
 Herramientas de involucrados Total (CTQ)
 Costos de procesos  Costo de calidad deficiente
(COPQ)
4.2.3 Etapa III: Analizar

En esta fase se efectúa el análisis de los datos obtenidos en la etapa de Medición, con el propósito de conocer
las relaciones causales o causas raíz del problema. La información de este análisis nos proporcionará evidencias
de las fuentes de variación y desempeño insatisfactorio, el cual es de gran utilidad para la mejora del proceso.
OBJETIVO:
 Determinar el nivel de desempeño del proceso actual.
 Identificar cuáles son las fuentes de variación.
 Una vez identificadas las causas potenciales por medio de una lluvia de ideas y un diagrama de causa
efecto, se realiza un proceso de validación estadística de las mismas apoyándose en Análisis de
regresión, Pruebas de Hipótesis y Análisis de varianza.
 Convertir datos a información, encontrar las causas raíz y verificar las relaciones de causa – efecto.
 Estratificar el proceso
 Estratificar la información e identificar un problema en específico.
 Desarrollar la definición del problema
 Identificar causas raíz
 Diseñar análisis de verificación de causa raíz
 Validar las causas raíz

 Procesos bien definidos  Diagrama de Ishikawa  Causas importantes de los
 Sistemas de medición  AMEF de diseño defectos
 Capacidad base del proceso  AMEF de proceso  Brechas de desempeño
 Parámetros de procesos que a  Análisis de datos  Causas comunes y causas
afectan al Costo de Calidad  Pruebas de hipótesis especiales de variación
Total (CTQ)  Costos y beneficios de las
 Costo de calidad deficiente soluciones propuestas
(COPQ)  DPMO y nivel de sigma

91
5.2.4 Etapa IV: Mejorar

En la fase de Análisis es cuando el equipo selecciona las características de desempeño del producto que deben
ser mejoradas para alcanzar la meta de mejora identificando las mayores fuentes de variación del proceso. En
esta fase se utilizará el diseño de experimentos (DOE), para seleccionar las causas que más afectan e investigar
estas causas para conocer el comportamiento del proceso.
OBJETIVO:
Identifica, evalúa y selecciona las soluciones óptimas de mejora. Desarrolla una administración del cambio
para asistir a la organización en la adaptación a los cambios introducidos a través de la implementación de la
solución. Enseñar al equipo las diferentes herramientas y técnicas que pueden ser utilizadas para estimular el
pensamiento colectivo que pueda producir un gran número de ideas de mejora.
 Generar ideas de mejora
 Determinar impacto de las soluciones, beneficios
 Evaluar y seleccionar las soluciones
 Desarrollar mapas de procesos
 Comunicar mejor a todos los involucrados
ENTREGAS CLAVE:
 Soluciones
 Mapas de procesos y documentación
 Implementación de lecciones aprendidas
 Mejorar impactos y beneficios
 Historia del proceso

 Causas importantes de los  Retorno de la inversión  Costo/beneficio para
defectos  Matriz de diseño de solución soluciones diferentes
 Brechas de desempeño  Diseño de experimentos  Capacidad de los procesos de
 Causas comunes y causas  Conceptos de robustez de las soluciones propuestas
especiales de variación Taguchi  Selección de soluciones para
 Costos y beneficios de las  Metodología de superficie de implementación
soluciones propuestas respuesta  Plan de implementación
 DPMO y nivel de sigma  Herramientas de planeación y
gestión de proyectos
 Prototipos
4.2.5 Etapa V: Controlar

Una vez implementadas las mejoras en nuestro proceso, el último paso es asegurar que las implementaciones
se mantengan y estén siendo actualizadas a través del tiempo, nuestras salidas serán:
 Plan de control y métodos de control implementados

 Capacitación en los nuevos métodos
 Documentación completa y comunicación de resultados, lecciones aprendidas y recomendaciones
OBJETIVO:
Entender la importancia de planear y ejecutar el plan, y determinar el camino a tomar para asegurar el logro de
las metas. Entender como propagar las lecciones aprendidas, identificar réplicas y oportunidades/procesos de
estandarización, y desarrollar planes correspondientes.

92
Es necesario confirmar los resultados de las mejoras realizadas, debe por tanto definirse claramente indicadores
que permitan visualizar la evolución del proyecto. Establecer controles que aseguren la sostenibilidad de las
mejores introducidas.
 Desarrollar programa piloto y solución piloto
 Verificar reducción de la causa raíz
 Verificar si son necesarias soluciones adicionales para el logro de la meta
 Identificar y desarrollar réplicas y oportunidades de estandarización.
 Integrar y orientar soluciones en los procesos de trabajo diarios.
 Integrar las lecciones aprendidas.

 Costo/beneficio para  Metodología de recolección  Soluciones implementadas
soluciones diferentes de datos  Sistemas de medición
 Capacidad de los procesos de  Grafica de control revisados
las soluciones propuestas  Empresa esbelta  Planes de control para la
 Selección de soluciones para  5S sustentabilidad de los
implementación  Kaizen beneficios
 Plan de implementación  Kanban  Mejora de la capacidad de los
 Mantenimiento productivo procesos
total  Estándares y procedimientos
 Reducción del tiempo de  Entrenamiento y evaluación
ciclo del equipo
 Re-análisis del sistema de  Replicación de oportunidades
medición y oportunidades de
estandarización
 Análisis de problemas
potenciales
 Lecciones aprendidas
4.3 Herramientas en Seis Sigma

DIAGRAMA DE DISPERSIÓN
Es un tipo de diagrama matemático que utiliza las coordenadas cartesianas para mostrar los valores de dos
variables para un conjunto de datos. Los datos se muestran como un conjunto de puntos, cada uno con el valor
de una variable que determina la posición en el eje horizontal y el valor de la otra variable determinado por la
posición en el eje vertical. Un diagrama de dispersión se llama también gráfico de dispersión.
¿Cuándo se utiliza?
Se emplea cuando una variable está bajo el control del experimentador.
 Si existe un parámetro que se incrementa o disminuye de forma sistemática por el experimentador, se
le denomina parámetro de control o variable independiente y habitualmente se representa a lo largo
del eje horizontal (eje de las abscisas).
 La variable medida o dependiente usualmente se representa a lo largo del eje vertical (eje de las
ordenadas).
 Si no existe una variable dependiente, cualquier variable se puede representar en cada eje y el diagrama
de dispersión mostrará el “grado de correlación” entre las dos variables.

93
 Un diagrama de dispersión puede sugerir varios tipos de “correlaciones” entre las variables con
un intervalo de confianza determinado. La correlación puede ser positiva (aumento), negativa
(descenso), o nula (las variables no están correlacionadas).
Coeficiente de correlación
El coeficiente de correlación lineal mide el grado de intensidad de esta posible relación entre las variables. Este
coeficiente se aplica sólo cuando la relación que puede existir entre las variables es lineal.
El valor que puede tomar el coeficiente "𝑟" son: −1 < 𝑟 < 1
 Si 𝑟 > 0, la correlación lineal es positiva (Directa)

 Si 𝑟 < 0, la correlación lineal es negativa (Inversa)
 Si 𝑟 = 0, no existe correlación lineal entre las variables (Nula). Aunque podría existir otro tipo de
correlación (parabólica, exponencial, etc.)
El coeficiente de correlación se obtiene con la siguiente fórmula;
𝑆𝑆𝑥𝑦
𝑟=
√(𝑆𝑆𝑥)(𝑆𝑆𝑦)
𝑛
∑𝑛𝑖=1(𝑥𝑖 ) ∑𝑛𝑖=1(𝑦𝑖 )
𝑆𝑆𝑥𝑦 = ∑(𝑥𝑖 𝑦𝑖 ) −
𝑛
𝑖=1
𝑛 𝑛
(∑𝑛𝑖=1 𝑥𝑖 )2 (∑𝑛𝑖=1 𝑦𝑖 )2
𝑆𝑆𝑥 = ∑(𝑥𝑖2 ) − 𝑆𝑆𝑦 = ∑(𝑦𝑖2 ) −
𝑛 𝑛
𝑖=1 𝑖=1
DIAGRAMA DE PARETO
El Diagrama de Pareto es una gráfica en donde se organizan diversas clasificaciones de datos por orden
descendente, de izquierda a derecha por medio de barras sencillas después de haber reunido los datos para
calificar las causas.
¿Qué es? El nombre de Pareto fue dado por el Dr. Joseph Juran en honor del economista italiano Vilfredo
Pareto (1848-1923) quien realizó un estudio sobre la distribución de la riqueza, en el cual descubrió que la
minoría de la población poseía la mayor parte de la riqueza y la mayoría de la población poseía la menor parte
de la riqueza. Con esto estableció la llamada "Ley de Pareto" según la cual la desigualdad económica es
inevitable en cualquier sociedad. El Dr. Juran aplicó este concepto a la calidad, obteniéndose lo que hoy se
conoce como la regla 80/20.
Por lo tanto, el Análisis de Pareto es una técnica que separa los “pocos vitales” de los “muchos triviales”.

94
Ejemplos de la regla 80/20:

 En los comercios al por mayor, unos pocos clientes explican la mayor parte de las ventas.
 Unos pocos productos pueden representar el grueso de las ventas.
 En un proceso de producción industrial, la mayoría de los problemas de calidad se concentran en pocos
factores causantes.
 La mayor parte de las devoluciones de los clientes se concentran en pocos vendedores.
 En un campeonato de fútbol, la mayor parte de los goles la realizan unos pocos jugadores.
 En un servicio técnico de computación, la mayoría de las consultas de los clientes se concentran en
unos pocos temas.
Una gráfica de Pareto es utilizada para separar gráficamente los aspectos significativos de un problema desde
los triviales de manera que un equipo sepa dónde dirigir sus esfuerzos para mejorar. Reducir los problemas más
significativos (las barras más largas en una Gráfica Pareto) servirá más para una mejora general que reducir los
más pequeños. Con frecuencia, un aspecto tendrá el 80% de los problemas.
¿Cuándo se utiliza?
 Al identificar un producto o servicio para el análisis para mejorar la calidad.
 Cuando existe la necesidad de llamar la atención a los problema o causas de una forma sistemática.
 Al identificar oportunidades para mejorar.
 Al analizar las diferentes agrupaciones de datos (ej: por producto, por segmento, del mercado, área
geográfica, etc.)
 Al buscar las causas principales de los problemas y establecer la prioridad de las soluciones.
 Al evaluar los resultados de los cambios efectuados a un proceso (antes y después).
 Cuando los datos puedan clasificarse en categorías.
 Cuando el rango de cada categoría es importante.
Pareto es una herramienta de análisis de datos ampliamente utilizada y es por lo tanto útil en la determinación
de la causa principal durante un esfuerzo de resolución de problemas. Este permite ver cuáles son los problemas
más grandes, permitiéndoles a los grupos establecer prioridades. En casos típicos, los pocos (pasos, servicios,
ítems, problemas, causas) son responsables por la mayor parte el impacto negativo sobre la calidad. Si
enfocamos nuestra atención en estos pocos vitales, podemos obtener la mayor ganancia potencial de nuestros
esfuerzos por mejorar la calidad.
¿Cómo se utiliza?
1. Seleccionar categorías lógicas para el tópico de análisis identificado (incluir el periodo de tiempo).
2. Reunir datos. La utilización de un Check List puede ser de mucha ayuda en este paso.

95
3. Ordenar los datos de la mayor categoría a la menor

4. Totalizar los datos para todas las categorías
5. Calcular el porcentaje del total que cada categoría representa
6. Trazar los ejes horizontales (x) y verticales (y primario - y secundario)
7. Trazar la escala del eje vertical izquierdo para frecuencia (de 0 al total, según se calculó anteriormente)
8. De izquierda a derecha trazar las barras para cada categoría en orden descendente. Si existe una
categoría “otros”, debe ser colocada al final, sin importar su valor. Es decir, que no debe tenerse en
cuenta al momento de ordenar de mayor a menor la frecuencia de las categorías.
9. Trazar la escala del eje vertical derecho para el porcentaje acumulativo, comenzando por el 0 y hasta
el 100%
10. Trazar el gráfico lineal para el porcentaje acumulado, comenzando en la parte superior de la barra de
la primera categoría (la más alta)
11. Dar un título al gráfico, agregar las fechas de cuando los datos fueron reunidos y citar la fuente de los
datos.
12. Analizar la gráfica para determinar los “pocos vitales”
ANÁLISIS MSA
Los estudios de repetibilidad y reproducibilidad del sistema de medición determinan cuánto de la variación
observada de su proceso se debe a la variación del sistema de medición.
Dos métodos para el estudio R&R del sistema de medición cruzado: X y R o ANOVA.
• El método X y R divide la variación general en tres categorías: parte a parte, repetibilidad y

reproducibilidad.
• El método ANOVA va un paso más adelante y divide la reproducibilidad en sus componentes
de operador y operador por parte.
Repetibilidad: es la variación de las mediciones obtenidas con un instrumento de medición, cuando es utilizado
varias veces por un operador, al mismo tiempo que mide las mismas características en una misma parte.

96
Reproducibilidad: Es la variación, entre promedios de las mediciones hechas por diferentes operadores que
utilizan un mismo instrumento de medición cuando miden las mismas características en una misma parte.
Valor verdadero: Valor correcto teórico / estándares NIST.

Precisión: Es la habilidad de repetir la misma medida cerca o dentro de una misma zona
Exactitud: Es la diferencia entre el promedio del número de medidas y el valor verdadero.
Resolución: La medición que tiene exactitud y precisión.
Estabilidad: es la variación total de las mediciones obtenidas con un sistema de medición, hechas sobre el
mismo patrón o sobre las mismas partes, cuando se mide una sola de sus características, durante un período de
tiempo prolongado.
Linealidad: diferencia en los valores de la escala, a través del rango de operación esperado del instrumento de
medición.
Sesgo: distancia entre el valor promedio de todas las mediciones y el valor verdadero. Error sistemático o
desviación.

97
Calibración: Es la comparación de un estándar de medición con exactitud conocida con otro instrumento para
detectar, reportar o eliminar por medio del ajuste, cualquier variación en la exactitud del instrumento.
Para que el equipo de medición tenga una discriminación adecuada en la evaluación de las partes, su Resolución
debe ser al menos 1/10 de la variabilidad del proceso.
Criterios según el MSA:

 < 10% Aceptable
 10 − 30%. Puede ser aceptable, dependiendo si la característica a medir no es crítica.
 > 30%. ¡Inaceptable!
Procedimiento Medias y Rangos:
1. Determinar el total de piezas (𝑛) y repeticiones (𝑟)

2. Calcular las medias de los operadores 𝑀𝑖
3. Calcular la diferencia de las medias
𝐷𝑀 = 𝑀𝑎𝑥(𝑀𝑖 ) − 𝑀𝑖𝑛(𝑀𝑖 )
4. Calcular el rango de los operadores 𝑅𝑖
5. Calcular el promedio de los rangos 𝑃𝑅
6. Calcular el rango de las medias 𝑅𝑃
7. Repetibilidad 𝑆𝐷𝑅 = (𝑃𝑅)(𝐾1 )
8. Reproducibilidad
2 𝑆𝐷𝑅2
𝑆𝐷𝑀 = √((𝐷𝑀)(𝐾2 )) −
(𝑛)(𝑟)
9. 𝑅&𝑅 = √𝑆𝐷𝑅2 + 𝑆𝐷𝑀2
10. Variación de parte a parte 𝑃𝑉 = (𝑅𝑃)(𝐾3 )
11. Variación Total 𝑇𝑉 = √𝑅&𝑅 2 + 𝑃𝑉 2
𝑅&𝑅
12. %𝑅&𝑅 = (100%)
𝑇𝑉
Tablas de constantes
Repeticiones/pruebas 2 3
𝑲𝟏 4.56 3.05
Operadores 2 3
𝑲𝟐 3.65 2.70
Partes 5 6 7 8 9 10
𝑲𝟑 2.08 1.93 1.82 1.74 1.67 1.62
ANÁLISIS DE CAPACIDAD
Al planear los aspectos de calidad de la manufactura, es sumamente importante asegurarse de antemano de que
el proceso será capaz de mantener las tolerancias. En las décadas recientes ha surgido el concepto de capacidad
del proceso o habilidad del proceso, que proporciona una predicción cuantitativa de qué tan adecuado es un
proceso. La habilidad del proceso es la variación medida, inherente del producto que se obtiene en ese proceso.
Definiciones básicas
 Proceso: Este se refiere a alguna combinación única de máquinas
 Capacidad o habilidad: Esta palabra se usa en el sentido de aptitud, basada en el desempeño probado,
para lograr resultados que se puedan medir.

98
 Capacidad del proceso: Es la aptitud del proceso para producir productos dentro de los límites de
especificaciones de calidad.
 Capacidad medida: Esto se refiere al hecho de que la capacidad del proceso se cuantifica a partir de
datos que, a su vez, son el resultado de la medición del trabajo realizado por el proceso.
 Capacidad inherente: Se refiere a la uniformidad del producto que resulta de un proceso que se
encuentra en estado de control estadístico, es decir, en ausencia de causas especiales o atribuibles de
variación.
 Variabilidad natural: Los productos fabricados nunca son idénticos, sino que presentan cierta
variabilidad, cuando el proceso está bajo control, solo actúan las causas comunes de variación en las
características de calidad.
 Valor Nominal: Las características de calidad tienen un valor ideal óptimo que es el que desearíamos
que tuvieran todas las unidades fabricadas pero que no se obtiene, aunque todo funcione correctamente,
debido a la existencia de la variabilidad natural.
Objetivos
1) Predecir en qué grado el proceso cumple especificaciones.
2) Apoyar a diseñadores de producto o proceso en sus modificaciones.
3) Especificar requerimientos de desempeño para el equipo nuevo.
4) Seleccionar proveedores.
5) Reducir la variabilidad en el proceso de manufactura.
6) Planear la secuencia de producción cuando hay un efecto interactivo de los procesos en las tolerancias.
Condiciones y fórmulas para el estudio de capacidad del proceso

 El proceso se encuentre bajo control estadístico, es decir sin la influencia de fuerzas externas o cambios
repentinos. Si el proceso está fuera de control la media y/o la desviación estándar del proceso no son
estables y, en consecuencia, su variabilidad será mayor que la natural y la capacidad potencial estará
infravalorada, en este caso no es conveniente hacer un estudio de capacidad.
 Se recolectan suficientes datos durante el estudio de habilidad para minimizar el error de muestreo para
los índices de habilidad. Si los datos se componen de menos de 100 valores, entonces deben calcularse
los límites de confianza inferiores.
 Los datos se recolectan durante un periodo suficientemente largo para asegurar que las condiciones del
proceso presentes durante el estudio sean representativas de las condiciones actuales y futuras. En el
caso de la industria automotriz se especifican 300 partes mínimo.
 El parámetro analizado en el estudio sigue una distribución de probabilidad normal, de otra manera,
los porcentajes de los productos asociados con los índices de capacidad son incorrectos y solo se podrán
determinar los índices de desempeño del proceso, que no toma en cuenta si el proceso está en control
o no.
 También es importante al realizar un estudio de capacidad, asegurarnos que la variación en el sistema
de medición no sea mayor al 10%.
Indicadores de capacidad
Indicador Nombre Distribución Especificaciones
Corto 𝐶𝑝 Capacidad actual del proceso Bilaterales

Normal
plazo 𝐶𝑝 Capacidad real actual del proceso Bilaterales/Unilaterales
𝑘
Largo 𝑃𝑝 Capacidad potencial del proceso Bilaterales

Normal/No Normal
plazo 𝑃𝑝 Capacidad real potencial del proceso Bilaterales/Unilaterales
𝑘

99
𝐶𝑝 y 𝐶𝑝𝑘 < 1 “Malo”

1 < 𝐶𝑝 y 𝐶𝑝𝑘 < 1.33 “Regular”
1.33 < 𝐶𝑝 y 𝐶𝑝𝑘 < 1.66 “Bueno”
1.66 < 𝐶𝑝 y 𝐶𝑝𝑘 < 3 “Excelente”
𝐶𝑝 y 𝐶𝑝𝑘 > 3 “Clase mundial”
Método de subgrupos
1. Obtener la distribución de monitoreo en forma de subgrupos.
2. De cada subgrupo encontrar media (𝑥̅ ) y rango (𝑅).
3. Encontrar media de medias(𝑥̿ ) y promedio de rangos (𝑅̅ ).
4. Determinar si los límites de especificación son bilaterales o unilaterales.
5. Encontrar la desviación pronóstico.
𝑅̅
𝜎̂ =
𝑑2
6. Encontrar indicadores actuales
𝐿𝑆𝐸 − 𝐿𝐼𝐸
𝐶𝑝 =
6𝜎̂
El 𝐶𝑝 determina cuantas veces cabe tu proceso en la tolerancia, pues nos dice si esta dentro o fuera de los
límites.
𝑍𝑚𝑖𝑛 𝑥̅̅ − 𝐿𝐼𝐸 𝐿𝑆𝐸 − 𝑥̅̅
𝐶𝑝𝑘 = , 𝑍𝐿𝐼𝐸 = , 𝑍𝐿𝑆𝐸 =
3 𝜎̂ 𝜎̂
El 𝑍𝑚𝑖𝑛 es hacia donde está cargado el proceso.
7. Encontrar la desviación de la muestra.

8. Indicadores de calidad potenciales.
𝐿𝑆𝐸 − 𝐿𝐼𝐸 𝑍𝑚𝑖𝑛

𝑃𝑝 = 𝑃𝑝𝑘 =
6𝑆𝑛−1 3
𝑥̿ − 𝐿𝐼𝐸 𝐿𝑆𝐸 − 𝑥̿
𝑍𝐿𝐼𝐸 = 𝑍𝐿𝑆𝐸 =
𝑆𝑛−1 𝑆𝑛−1
9. Calcular PPM´s
𝑃(𝑍 < 𝐿𝐼𝐸) = 𝑃(−𝑍𝐿𝐼𝐸 ) = 𝐹(−𝑍𝐿𝐼𝐸 )

𝑃(𝑍 > 𝐿𝑆𝐸) = 𝑃(𝑍𝐿𝑆𝐸 ) = 1 − 𝐹(𝑍𝐿𝑆𝐸 )
𝑃𝑃𝑀′ 𝑠 = [𝑃(𝑍 < 𝐿𝐼𝐸) + 𝑃(𝑍 > 𝐿𝑆𝐸)](1,000,000)
10. El valor de 𝑍𝐶𝑃 = 𝑍(1 − [𝑃(𝑍 < 𝐿𝐼𝐸) + 𝑃(𝑍 > 𝐿𝑆𝐸)]) + 1.5

100
4.4 Ejemplos resueltos de herramientas de Seis Sigma

Ejemplo 1: Una compañía de publicidad desea que tan fuerte es la relación entre el volumen de ventas
(millones), dependiendo de la inversión en los gastos publicitarios (millones), se muestra la tabla con el
volumen de ventas y los gastos publicitarios de los 10 meses anteriores.
Mes 1 2 3 4 5 6 7 8 9 10
Gastos (x) 1.2 0.8 1 1.3 0.7 0.8 1 0.6 0.9 1.1
Ventas (y) 101 92 110 120 90 82 93 75 91 105
SOLUCIÓN:
Gráfica de dispersión de Ventas (y) vs. Gastos (x)
120
110
100
Ventas (y)
90
80
70
0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3
Gastos (x)
𝑛 (9.4)(959)
∑ 𝑥𝑖 = 9.4 𝑆𝑆𝑥𝑦 = 924.8 − = 23.34
10
𝑖=1
𝑛
(9.4)2
∑ 𝑦𝑖 = 959 𝑆𝑆𝑥 = 9.28 − = 0.444
10
𝑖=1
𝑛
(959)2
∑(𝑥𝑖2 ) = 9.28 𝑆𝑆𝑦 = 93569 − = 1600.9
𝑖=1
10
𝑛
23.34
∑(𝑦𝑖2 ) = 93569 𝑟= = 0.87544
𝑖=1 √(0.444)(1600.9)
𝑛 Conclusión: El coeficiente de correlación es de

∑(𝑥𝑖 𝑦𝑖 ) = 924.8 0.87544, por lo tanto, es mayor que 0, es decir, que
𝑖=1
si se invierte más se obtiene mayor volumen de
ventas.

101
Ejemplo 2: La empresa "CLASIC-PLAST" que fabrica tubos PVC a partir de material reciclado, hace una
inspección del producto final, se desea analizar cuáles son los defectos más frecuentes en los tubos al salir de
producción; para esto se clasifican todos los defectos posibles en sus diversos tipos.
Tipo de defecto Frecuencia

Mal color 3
Mal porcentaje de pigmentos 3
Deficiencia de la maquinaria 2
Fuera de Medida 8
Mal terminación 2
Rotura 35
Aplastamiento 40
SOLUCIÓN:
Tipo de defecto Frecuencia % % Acumulado

Aplastamiento 40 43.01% 43.01%
Rotura 35 37.63% 80.65%
Fuera de Medida 8 8.60% 89.25%
Mal color 3 3.23% 92.47%
Mal porcentaje de pigmentos 3 3.23% 95.70%
Deficiencia de la maquinaria 2 2.15% 97.85%
Mal terminación 2 2.15% 100.00%
Total= 93
Conclusión: Al atacar los

defectos de aplastamiento y
rotura, eliminaremos el 80.65%
de los problemas de la empresa.

102
Ejemplo 3: Una empresa requiere saber si están realizando bien sus mediciones para lo cual determinaron el
siguiente ejercicio.
a) Determine si es adecuado el sistema de medición, utilice el método de medias y rangos para llegar a la
conclusión.
b) Si el sistema de medición no es confiable, que se podría mejorar para obtener un mejor resultado del
estudio de medición R&R.
Operador 1 Operador 2 Operador 3 4)Rangos 6)Promedios

OP1 OP2 OP3 por pieza
Pieza R1 R2 Pieza R1 R2 Pieza R1 R2
1 2.57 2.58 1 2.55 2.55 1 2.55 2.55 0.01 0 0 2.55833
2 3.02 3.01 2 3.04 3.02 2 3.05 3.02 0.01 0.02 0.03 3.02667
3 2.85 2.83 3 2.85 2.84 3 2.83 2.83 0.02 0.01 0 2.83833
4 2.85 2.88 4 2.82 2.87 4 2.81 2.85 0.03 0.05 0.04 2.84667
5 2.55 2.54 5 2.51 2.52 5 2.52 2.54 0.01 0.01 0.02 2.53000
6 3.01 3.01 6 3.01 3.02 6 3.03 3.05 0 0.01 0.02 3.02167
7 2.95 2.94 7 2.93 2.94 7 2.94 2.95 0.01 0.01 0.01 2.94167
8 2.72 2.73 8 2.75 2.76 8 2.79 2.78 0.01 0.01 0.01 2.75500
9 3.02 3.01 9 2.99 2.98 9 3.02 3.05 0.01 0.01 0.03 3.01167
10 2.59 2.62 10 2.62 2.63 10 2.62 2.62 0.03 0.01 0 2.61667
1) 8)
𝑛 = 10 2 (0.0669)2
𝑟=2 𝑆𝐷𝑀 = √((0.01)(2.7)) − = 0.02248
(10)(2)
O𝑝𝑒𝑟𝑎𝑑𝑜𝑟𝑒𝑠 = 3
2) 9)
𝑀1 = 2.814 𝑅&𝑅 = √(0.0669)2 + (0.02248)2 = 0.07058
𝑀2 = 2.81
𝑀3 = 2.82 10)
𝑃𝑉 = (0.49667)(1.62) = 0.80461
3)
11)
𝐷𝑀 = 0.01
𝑇𝑉 = √(0.07058)2 + (0.80461)2 = 0.8077
5)
12)
𝑃𝑅 = 0.01467 0.07058
%𝑅&𝑅 = (100%) = 8.738%
0.8077
6) Conclusión: El sistema de medición es aceptable con 8.738%.
𝑅𝑃 = 0.49667
7)
𝑆𝐷𝑅 = (0.01467)(4.56) = 0.0669

103
Ejemplo 4: En la empresa se quiere analizar un proceso, donde se sabe que el cliente quiere la especificación
de 3.14 0.015, para lo cual se obtuvo la siguiente muestra. Se sabe que el MSA es aceptable, el proceso sigue
una distribución normal y está controlado.
1) 2)
SUB D1 D2 D3 D4 D5 Medias Rangos
1 3.1388 3.1405 3.1361 3.1378 3.1504 3.14072 0.0143
2 3.1403 3.1401 3.1428 3.1299 3.1392 3.13846 0.0129
3 3.1327 3.1332 3.1421 3.1432 3.1342 3.13708 0.0105
4 3.1444 3.1325 3.1394 3.1405 3.1397 3.1393 0.0119
5 3.1346 3.1405 3.1342 3.1418 3.1467 3.13956 0.0125
6 3.1444 3.1414 3.1454 3.1454 3.1401 3.14334 0.0053
7 3.1363 3.1355 3.1393 3.1469 3.1387 3.13934 0.0114
8 3.1499 3.1368 3.134 3.1319 3.1407 3.13866 0.018
9 3.1421 3.1482 3.1455 3.1397 3.1414 3.14338 0.0085
10 3.1383 3.1386 3.1383 3.1409 3.1439 3.14 0.0056
11 3.1403 3.1352 3.1415 3.1438 3.148 3.14176 0.0128
12 3.1327 3.1308 3.1355 3.1505 3.1455 3.139 0.0197
13 3.1428 3.146 3.1375 3.1455 3.1377 3.1419 0.0085
14 3.1442 3.1365 3.135 3.1388 3.1385 3.1386 0.0092
15 3.1275 3.1404 3.1376 3.1485 3.1528 3.14136 0.0253
16 3.1331 3.1454 3.1457 3.1396 3.1419 3.14114 0.0126
17 3.1454 3.139 3.1431 3.1377 3.1392 3.14088 0.0077
18 3.1427 3.1439 3.1462 3.129 3.1425 3.14086 0.0172
19 3.1447 3.136 3.1414 3.1334 3.1327 3.13764 0.012
20 3.146 3.1386 3.138 3.1424 3.1385 3.1407 0.008
21 3.1386 3.1433 3.14 3.1366 3.1439 3.14048 0.0073
22 3.1434 3.1336 3.1427 3.1384 3.1524 3.1421 0.0188
23 3.144 3.1348 3.1457 3.1487 3.1328 3.1412 0.0159
24 3.1388 3.1395 3.1426 3.139 3.1424 3.14046 0.0038
25 3.1251 3.1409 3.1356 3.1424 3.1364 3.13608 0.0173
3)
𝑥̿ = 3.14016 𝑅̅ = 0.01228 3.14016 − 3.125
𝑍𝐿𝐼𝐸 = = 2.87121
0.00528
4)
𝐿𝐼𝐸 = 3.125 𝐿𝑆𝐸 = 3.155 3.155 − 3.14016
𝑍𝐿𝑆𝐸 = = 2.81061
0.00528
5)
0.01228 2.81061
𝜎̂ = = 0.00528 𝐶𝑝𝑘 = = 0.93687
2.326 3
6) Conclusión: El proceso a corto plazo es malo, y

3.155 − 3.125 está cargado hacia su límite superior de
𝐶𝑝 = = 0.94697 especificación
6(0.00528)

104
7)
𝑆𝑛−1 = 0.00515
8)
3.155 − 3.125
𝑃𝑝 = = 0.97087
6(0.00515)
3.14016 − 3.125 3.155 − 3.14016

𝑍𝐿𝐼𝐸 = = 2.94369 𝑍𝐿𝑆𝐸 = = 2.88155
0.00515 0.00515
2.88155
𝑃𝑝𝑘 = = 0.96052
3
Conclusión: El proceso a largo plazo es malo, y está cargado hacia su límite superior de especificación
9)
Actuales
𝑃(𝑍 < 3.125) = 𝑃(−2.87) = 0.0021
𝑃(𝑍 > 3.155) = 1 − (2.81) = 1 − 0.9975 = 0.0025
𝑃𝑃𝑀´𝑆 = 4,600
Potenciales
𝑃(𝑍 < 3.125) = 𝑃(−2.94) = 0.0016
𝑃(𝑍 > 3.155) = 1 − 𝑃(2.88) = 1 − 0.998 = 0.002
𝑃𝑃𝑀´𝑆 = 3,600
10) Nivel de 𝜎 a corto plazo
𝑍(0.0046) = 𝑍(1 − 0.0046) = 𝑍(0.9954) = 2.60
𝑍𝐶𝑃 = 2.60 + 1.5 = 4.1
El nivel 𝜎 del proceso a corto plazo es de 4.1.

105
PRÁCTICAS UNIDAD 4
EJERCICIO 1: Una empresa de productos químicos que desea estudiar la influencia del tiempo de
extracción en la eficiencia de una operación de extracción, obtuvo los datos mostrados en la tabla siguiente:
Tiempo de
27 45 41 19 35 39 19 49 15 31
extracción (min)
Eficiencia de
57 64 80 46 62 72 52 77 57 68
extracción (%)
Dibuje un diagrama de dispersión para determinar si existe correlación entre la información recolectada.
𝑛 𝑛
∑ 𝑥𝑖 = ∑(𝑥𝑖 𝑦𝑖 ) =
𝑖=1 𝑖=1
𝑛
𝑆𝑆𝑥𝑦 =
∑ 𝑦𝑖 =
𝑖=1
𝑛
𝑆𝑆𝑥 =
∑(𝑥𝑖2 ) =
𝑖=1 𝑆𝑆𝑦 =
𝑛
∑(𝑦𝑖2 ) = 𝒓=
𝑖=1

106
EJERCICIO 2: Un profesor quiere averiguar cómo el número de estudiantes ausentes en determinado día
se relaciona con la temperatura media de ese día. Una muestra aleatoria de 10 días se utilizó en el estudio. A
continuación, se muestran los datos que indican el número de estudiantes ausentes (Aus) y la temperatura
media (Temp) de cada día, en grados Fahrenheit.
Temp (x) 10 20 25 30 40 45 50 55 59 60
Aus (y) 8 7 5 4 2 3 5 6 8 9
Dibuje un diagrama de dispersión para determinar si existe correlación entre la información recolectada.
𝑛 𝑛
∑ 𝑥𝑖 = ∑(𝑥𝑖 𝑦𝑖 ) =
𝑖=1 𝑖=1
𝑛
𝑆𝑆𝑥𝑦 =
∑ 𝑦𝑖 =
𝑖=1
𝑛
𝑆𝑆𝑥 =
∑(𝑥𝑖2 ) =
𝑖=1 𝑆𝑆𝑦 =
𝑛
∑(𝑦𝑖2 ) = 𝒓=
𝑖=1

107
EJERCICIO 3: Un fabricante de heladeras desea analizar cuáles son los defectos más frecuentes que
aparecen en las unidades al salir de la línea de producción. Trace el Diagrama de Pareto.
Tipo de defecto Detalle del problema Frecuencia

Burlete defectuoso Burlete roto o deforme que no ajusta 9
Pintura defectuosas Defectos de pintura en superficies externas 5
Gavetas defectuosas Gavetas interiores con rajaduras 1
Mala nivelación La heladera se balancea y no se puede nivelar 1
Motor no arranca El motor no arranca después del ciclo de parada 1
Motor no detiene No para el motor cuando alcanza temperatura 36
No enfría El motor arranca pero la heladera no enfría 27
No funciona Al enchufar no arranca el motor 2
Otros Otros defectos no incluidos en la lista 0
Puerta defectuosa Puerta del refrigerador no cierra herméticamente 0
Puerta no cierra La puerta no cierra correctamente 2
Rayas Rayas en las superficies externas 4
No. Tipo de defecto Frecuencia % % Acumulado

1
2
3
4
5
6
7
8
9
10
11
12

108
EJERCICIO 4: Se entrevistó a 60 estudiantes de una universidad, se les pregunto ¿Cuál era la materia más
difícil de cursar según sus opiniones? Trace el diagrama de Pareto.
Matemáticas Matemáticas Física Química Física Biología

Física Física Química Matemáticas Física Química
Termodinámica Física Física Matemáticas Química Matemáticas
Biología Física Física Matemáticas Termodinámica Termodinámica
Química Biología Matemáticas Química Termodinámica Matemáticas
Química Termodinámica Matemáticas Física Termodinámica Termodinámica
Física Termodinámica Termodinámica Química Matemáticas Matemáticas
Matemáticas Termodinámica Matemáticas Física Matemáticas Biología
Matemáticas Matemáticas Química Física Matemáticas Matemáticas
Química Química Química Física Química Química
No. Tipo de defecto Frecuencia % % Acumulado

1
2
3
4
5

109
EJERCICIO 5: Realice una prueba de Gage R&R.

a) Es correcto el sistema de medición
b) Si el sistema de medición no es confiable, que se podría mejorar para obtener un mejor resultado de
Gage R&R, determine lo anterior basándose en las gráficas resultantes del estudio.
OP-1 OP-2 4) Rangos 6)Promedios

Op1 Op2 por pieza
PIEZA L-1 L-2 PIEZA L-1 L-2
1 0.65 0.6 1 0.55 0.5
2 1 1 2 1.05 0.95
3 0.85 0.8 3 0.8 0.75
4 0.85 0.95 4 0.8 0.75
5 0.55 0.45 5 0.4 0.4
6 1 1 6 1 1.05
7 0.95 0.95 7 0.95 0.9
8 0.85 0.8 8 0.75 0.7
9 1 1 9 1 0.95
10 0.6 0.7 10 0.55 0.5
1) 𝑛 = 7) 𝑆𝐷𝑅 =
𝑟=
𝑂𝑝𝑒𝑟𝑎𝑑𝑜𝑟𝑒𝑠 =
8) 𝑆𝐷𝑀 =
2) 𝑀1 = 𝑀2 =
9) 𝑅&𝑅 =
3) 𝐷𝑀 =
10) 𝑃𝑉 =
5) 𝑃𝑅 =
11) 𝑇𝑉 =
6) 𝑅𝑃 =
12) %𝑅&𝑅 =

110
EJERCICIO 6: Se seleccionaron cinco piezas que representan el rango esperado de la variación del proceso.
Tres operadores midieron las cinco piezas, tres veces cada una, en un orden aleatorio.
a) Es correcto el sistema de medición.
b) Si el sistema de medición no es confiable, que se podría mejorar para obtener un mejor resultado de
Gage R&R, determine lo anterior basándose en las gráficas resultantes del estudio.
Operador 1 Operador 2 Operador 3

Pza R1 R2 R3 Pza R1 R2 R3 Pza R1 R2 R3
1 405 273.75 476.25 1 388.75 157.5 456.25 1 383.75 373.75 446.25
2 408.75 608.75 443.75 2 406.25 531.25 435 2 386.25 478.75 436.25
3 368.75 270 398.75 3 426.25 471.25 432.5 3 413.75 268.75 420
4 389.5 406.25 531.25 4 373.75 608.75 476.25 4 388.75 157.5 478.75
5 405.5 471.25 373.75 5 608.75 476.25 268.75 5 436.25 443.75 157.5
4)Rangos 6)Promedio por
Pza Op 1 Op 2 Op 3 pieza
1
2
3
4
5
1) 𝑛 = 7) 𝑆𝐷𝑅 =
𝑟=
8) 𝑆𝐷𝑀 =
2) 𝑀1 =
𝑀2 =
𝑀3 =
9) 𝑅&𝑅 =
3)𝐷𝑀 =
10) 𝑃𝑉 =
5) 𝑃𝑅 =
11) 𝑇𝑉 =
6) 𝑅𝑃 =
12) %𝑅&𝑅 =

111
EJERCICIO 7: Una empresa requiere saber si están realizando bien sus mediciones para lo cual determinaron
el siguiente ejercicio.
c) Determine si es adecuado el sistema de medición, utilice el método de medias y rangos para llegar a la
conclusión.
d) Si el sistema de medición no es confiable, que se podría mejorar para obtener un mejor resultado del
estudio de medición R&R, determine lo anterior basándose en las gráficas resultantes del estudio.
Operador 1 Operador 2 Operador 3 4)Rangos 6)Promedios

OP1 OP2 OP3 por pieza
Pieza R1 R2 Pieza R1 R2 Pieza R1 R2
1 1.11 1.12 1 1.11 1.12 1 1.1 1.11
2 0.8 0.8 2 0.79 0.84 2 0.8 0.84
3 0.9 0.89 3 0.87 0.88 3 0.87 0.9
4 0.82 0.83 4 0.82 0.82 4 0.82 0.83
5 0.84 0.84 5 0.83 0.85 5 0.84 0.85
6 0.85 0.87 6 0.84 0.86 6 0.84 0.87
7 1.1 1.12 7 1.07 1.06 7 1.08 1.12
8 0.92 0.93 8 0.92 0.91 8 0.91 0.93
9 0.84 0.84 9 0.84 0.85 9 0.84 0.85
10 1.05 1.06 10 1.02 1.03 10 1.02 1.06
1) 𝑛 = 7) 𝑆𝐷𝑅 =
𝑟=
8) 𝑆𝐷𝑀 =
2) 𝑀1 =
𝑀2 =
𝑀3 =
9) 𝑅&𝑅 =
3)𝐷𝑀 =
10) 𝑃𝑉 =
5) 𝑃𝑅 =
11) 𝑇𝑉 =
6) 𝑅𝑃 =
12) %𝑅&𝑅 =

112
EJERCICIO 8: Una empresa quiere empezar a utilizar el control estadístico de proceso, para lo cual,
empezaron a recolectar datos en subgrupos de 5, del mismo proceso, la especificación es de 110 ± 1. Realice
el análisis de capacidad y determine los PPM’s.
1) 2) 5)
Sub. Dato1 Dato2 Dato3 Dato4 Dato5 Medias Rangos
𝜎̂ =
1 109.32 110.02 111.17 109.43 109.71
2 109.83 109.98 110.43 110.34 109.85 6)
3 110.18 110.52 109.89 109.89 110.4
𝐶𝑝 =
4 109.8 108.93 109.9 110.08 109.95
5 110.24 110.89 109.31 109.5 110.66 𝑍𝐿𝐼𝐸 =
6 109.89 109.81 109.83 110.13 110.27
7 110.03 109.48 109.77 110.09 109.87 𝑍𝐿𝑆𝐸 =
8 109.54 110.51 109.47 110.19 109.75
𝐶𝑝𝑘 =
9 110.71 110.62 109.53 109.93 109
10 109.78 110.18 110.38 109.73 110.57 7)
11 110.33 110.02 110.04 108.5 110.12 𝑆𝑛−1 =
12 110.31 109.59 109.82 110.43 110.16 8)
13 110.49 110.71 110.2 110.4 110.35
14 108.96 109.69 109.5 110.27 110.06 𝑃𝑝 =
15 109.78 110.61 110.72 110.69 110.41
𝑃𝑝𝑘 =
16 109.95 109.8 109.5 109.93 110.18
17 109.65 110.86 111.06 110.09 110.28 𝑍𝐿𝐼𝐸 =
18 110.14 109.88 110.04 110.29 111.33
𝑍𝐿𝑆𝐸 =
19 109.57 110.29 109.63 110.21 110.3
20 109.64 110.2 109.67 109.56 109.85
21 110.14 109.23 109.43 110.5 110.42
22 110.82 110.18 110.05 110.42 109.96
23 109.85 110.35 109.66 110.84 111.24
24 110.32 110.64 109.11 109.81 110.69
25 110.03 108.45 109.62 109.91 110.05
3)
𝑥̿ =
𝑅̅ =
4)
𝐿𝐼𝐸 =
𝐿𝑆𝐸 =

113
9)
Actuales
𝑃(𝑍 < 𝐿𝐼𝐸) =
𝑃(𝑍 > 𝐿𝑆𝐸) =
𝑃𝑃𝑀´𝑆 =
Potenciales

114
EJERCICIO 9: Una empresa quiere empezar a utilizar el control estadístico de proceso, para lo cual,
empezaron a recolectar datos en subgrupos de 3, del mismo proceso, el cliente quiere un máximo de 12. Realice
el análisis de capacidad y determine los PPM’s.
1) 2)
Sub. D1 D2 D3 Medias Rangos 5)
1 10.49 8.674 10.584 𝜎̂ =
2 10.028 9.701 10.928
3 10.673 11.183 9.556 6)
4 10.535 10.248 10.004
𝐶𝑝 =
5 9.686 10.092 10.145
6 9.805 9.932 9.982
7 9.576 10.421 9.49 𝐶𝑝𝑘 =
8 11.091 10.122 10.55
9 10.351 9.728 10.335 𝑍𝐿𝐼𝐸 =
10 9.938 9.907 10.288
11 9.543 10.119 10.402
𝑍𝐿𝑆𝐸 =
12 9.876 10.725 9.744
13 10.529 9.852 9.572 7)
14 9.7 10.67 9.517
𝑆𝑛−1 =
15 10.251 10.324 10.457
16 9.43 10.093 9.986 8)
17 9.425 9.84 10.91
18 10.199 9.967 9.312 𝑃𝑝 =
19 10.081 10 10.014 𝑃𝑝𝑘 =
20 9.123 10.616 10.162
21 10.404 10.119 9.994 𝑍𝐿𝐼𝐸 =
22 9.495 10.658 9.014
𝑍𝐿𝑆𝐸 =
23 9.585 9.753 9.973
24 10.403 9.861 8.91
25 9.683 10.301 10.339
3)
𝑥̿ =
𝑅̅ =
4)
𝐿𝐼𝐸 =
𝐿𝑆𝐸 =

115
9)
Actuales
Potenciales

116
UNIDAD 5 ESTADÍSTICA MULTIVARIADA
5.1 Introducción
La mayoría, de los sistemas estocásticos o probabilísticos con los que nos hemos enfrentado, han sido del caso
univariado, se utilizan modelos estadísticos, se analiza la información, y se toman decisiones, con respecto a
una sola variable. Sin embargo, en la actualidad, la complejidad de los productos que se elaboran, la
disponibilidad de tecnología como las Máquinas de Coordenadas utilizadas para registrar una gran cantidad de
variables de salida y la disponibilidad de computadoras para almacenar y procesar toda esa gran cantidad de
información valiosa, propician la oportunidad de utilizar técnicas estadísticas más adecuadas, las cuales se
agrupan en lo que se conoce como Estadística Multivariada.
Ejemplos:
1) Las características físicas de una persona
Estatura, peso, longitud de brazos, longitud de piernas, color de ojos, etc.
2) La situación política de un país
Existencia o no de un régimen democrático, participación política de los ciudadanos, número de
partidos, afiliados, etc.
3) Las propiedades de una imagen
Ubicación de origen, tamaño del área de visualización, relleno, alineación, bordes, etc.
4) El rendimiento de un proceso
Químico, temperatura, presión, catalizadores, etc.
5) La calidad de una obra de arte
Autenticidad, calidad, rareza o atipicidad, condición, proveniencia, valuación, etc.
6) Las motivaciones de un comprador por un producto
Interés personal, precio, oferta, necesidad, poder adquisitivo, etc.
5.2 Definición de estadística multivariada

¿Qué es la estadística multivariada?
 Estudia el comportamiento de tres o más variables al mismo tiempo.
 Se usa principalmente para buscar las variables menos representativas para poder eliminarlas,
simplificando así modelos estadísticos en los que el número de variables sea un problema y para
comprender la relación entre varios grupos de variables.
 Algunos de los métodos más conocidos y utilizados son la Regresión lineal y el Análisis Discriminante.
El objetivo principal es resumir grandes cantidades de datos por medio de relativamente pocos parámetros.
Datos multivariados
Los datos de partida de un análisis multivariante están habitualmente en una tabla de dos o más dimensiones y
para trabajar con ella es conveniente considerar la tabla como una o varias matrices.
¿Qué es un dato multivariado?

 Los datos multivariados surgen cuando a un mismo individuo se le mide más de una
característica de interés.
 Un individuo puede ser un objeto o concepto que se puede medir. Los individuos son llamados
unidades experimentales.
 Una variable es una característica o atributo que se le mide a un individuo.
Ejemplo: En Tailandia en 1980, se realizó un estudio para clarificar el ancestro de los perros prehistóricos,
para lo cual se realizaron mediciones en las mandíbulas de ejemplares disponibles.

117
Longitud
Longitud
Altura de la desde el
desde el
Ancho de la mandíbula Longitud Anchura del primer
primer
Obs. mandíbula debajo del del primer primer hasta el
hasta el
(A) primer molar (C) molar (D) tercer
tercer molar
molar (B) premolar
(E)
(E)
1 9.7 21.0 19.4 7.7 32.0 36.5
2 8.1 16.7 18.3 7.0 30.3 32.9
3 13.5 27.3 26.8 10.6 41.9 48.1
4 11.5 24.3 24.5 9.3 40.0 44.6
5 9.6 22.6 21.1 8.3 34.4 43.1
6 10.3 22.1 19.1 8.1 32.3 35.0
Objetivos de la estadística multivariada

¿Cuál es el objetivo de la estadística multivariada?
 Interpretar y visualizar conjuntos grandes de datos (tanto en individuos como en variables), a partir de
su simplificación o reducción.
 Encontrar relaciones entre variables, entre individuos y entre ambos.
 Encontrar grupos de datos, si existen.
 Clasificar nuevas observaciones en grupos definidos.
Los objetivos de la estadística multivariada se resumen en dos:

 Proporcionar métodos cuya finalidad es el estudio conjunto de datos multivariantes que el análisis
estadístico uni y bidimensional es incapaz de conseguir.
 Ayudar al analista o investigador a tomar decisiones óptimas en el contexto en el que se encuentre
teniendo en cuenta la información disponible por el conjunto de datos analizado
¿Cuál es el campo de aplicación de la estadística multivariada?

Las aplicaciones de la estadística multivariada están presentes en distintas áreas o ramas de la ciencia.
 Física
 Biología
 Ciencias sociales
 Ingeniería, etc.
5.3 Análisis descriptivo multivariante

Así como en la estadística univariada existen estadísticos para la descripción de los datos, en la estadística
multivariada, dichos estadísticos se representan en forma de vectores y matrices.
Las estadísticas descriptivas (multivariadas), como su nombre lo indica, sirven para describir el
comportamiento de un conjunto de datos, entre ellas las más importantes son: el vector medias, matriz de
varianzas- covarianzas y matriz de correlación.
• Un primer paso es representar individualmente cada variable mediante un histograma o diagrama de

caja; esto resulta útil para detectar asimetrías, heterogeneidad, datos atípicos, etc.
• Un segundo paso sería construir diagramas de dispersión de las variables por pares (con 𝑝 variables
existen 𝑝(𝑝 − 1)/2 gráficos posibles) que pueden disponerse en forma de matriz para entender el tipo
de relación entre pares de variables, son importantes para detectar outliers (puntos atípicos), relaciones
no lineales, etc.
• Un tercer paso sería representar mediante figuras geométricas
• Un cuarto paso sería realizar pruebas de normalidad individuales (𝑄 − 𝑄 𝑝𝑙𝑜𝑡) y una conjunta.

118
𝑛
Vector de medias 1
𝑥̅ = (∑ 𝑥𝑖 )
𝑛
𝑖=1
𝑛
Matriz de varianzas-covarianzas 1
𝑆𝑥 = ∑(𝑥𝑖 − 𝑥̅ )(𝑥𝑖 − 𝑥̅ )𝑇
𝑛−1
𝑖=1
Matriz de correlación 𝑆𝑥
𝑝=
(𝜎1 ) … (𝜎𝑛 )
Ejemplo:
5.4 Distribución normal multivariada

En los métodos multivariados, se supone que las variables están correlacionadas, pero las observaciones sobre
los individuos son independientes.
Generalmente se supone también que el conjunto de variables que intervienen en el análisis poseen una
distribución normal multivariada.
Esta suposición permite que el análisis multivariado se desarrolle paralelamente al correspondiente análisis
univariado basado en una distribución normal.
La prueba más común para probar la normalidad multivariada en los datos es la prueba Mardia. Esta prueba se
basa en los estadísticos de sesgo y curtosis, los cuales tienen distribución de probabilidad chi-cuadrada y normal
estándar, respectivamente, siempre y cuando n, el número de vectores individuales utilizados en la prueba, sea
grande.

119
Ejemplo: Para el conjunto de mediciones de mandíbulas.
5.5 Gráficos multivariados

Existen gráficos multivariados que ayudan a la descripción de los datos, es decir, observar si los datos
pertenecen a una población homogénea. Entre los principales son:
Caras de Chernoff:
Este gráfico permite ilustrar tendencias en datos

donde se miden varias variables al mismo tiempo. Se
relacionan los datos con rasgos de una cara, de modo
que se puede diferenciar entre observaciones.
Gráfico de estrella:
Cada estrella representa una observación, y las

variables empiezan a representarse desde la
derecha y en dirección a las agujas del reloj. El
tamaño de cada línea, respecto al centro de la
estrella, está relacionado con los valores re-
escalados de cada variable.
5.6 Control estadístico multivariado

El Control Estadístico de Procesos (CEP) es un conjunto de técnicas utilizadas para monitorear y controlar
procesos productivos y tiene como objetivo controlar las características de calidad más importantes de un
producto durante su proceso de fabricación. Una gráfica de control estadístico, es un método para evaluar si
un proceso se encuentra estable estadísticamente; esta es una representación cronológica de los datos de

120
desempeño del proceso con los límites de control estadístico calculados, dibujados como rectas limitantes
sobre la gráfica.
Fases de implementación de una gráfica de control:
 Fase I: fase de pre-control. Se definen la base histórica de datos o distribución de referencia.
Estimación de los parámetros del proceso y límites de control.
 Fase II: fase de control. Evaluación del comportamiento del proceso con respecto a la distribución de
referencia, para lo cual se comparan las observaciones actuales de salida del proceso con el límite o
límites de control.
Gráfica de Control T² de Hotelling

Hotelling fue el primero en considerar el análisis de un conjunto de variables correlacionadas. Desarrolló un
procedimiento de control basado en la distancia estadística T2, que es una generalización del estadístico t-
student .
Gráfica de control T Cuadrada
20
15
T
10
0
5 10 15 20 25 30 35 40 45 50
Observación
5.7 Análisis multivariante

El análisis multivariante es un método estadístico utilizado para determinar la contribución de varios factores
en un simple evento o resultado.
 Los factores de estudio son los llamados factores de riesgo (bioestadística), variables independientes
o variables explicativas.
 El resultado estudiado es el evento, la variable dependiente o la variable respuesta.
Clasificación de los métodos multivariados:

 Dirigidas o motivadas por las variables: se enfocan en las relaciones entre variables. Ejemplos: análisis
de componentes principales, análisis de factores y análisis de regresión.
 Dirigidas o motivadas por los individuos: se enfocan en las relaciones entre individuos. Ejemplos:
análisis discriminante, análisis de conglomerados y análisis multivariado de varianza.
Análisis de componentes principales

 El análisis de componentes principales (ACP), es una técnica estadística que fue propuesta a principios
del siglo XIX por Karl Pearson como parte del análisis de factores. Sin embargo, la complejidad de los
cálculos retrasó su desarrollo hasta la aparición de los computadores y su utilización en la segunda mitad
del siglo XX.
 El objetivo principal que persigue el ACP es la reducción de un sistema multidimensional.
Análisis de regresión
 La regresión es una técnica utilizada para la investigación y modelación de las relaciones existentes entre
variables que inciden en un determinado fenómeno de la realidad. Un analista económico, por ejemplo,
pudiera estar interesado en establecer la relación que existe entre la situación que presentan los índices
financieros de una empresa y un probable escenario de desequilibrio o no.

121
 En un sentido amplio, la regresión es un proceso que tiene como finalidad ajustar un modelo a un conjunto
de datos u observaciones. En realidad, la ecuación de regresión es sólo una aproximación de la relación
existente entre las variables.
Análisis de discriminante
• Es proporcionar una regla discriminante que permita asignar un nuevo individuo u objeto a una de un
conjunto de poblaciones, clases o grupos previamente identificados.
• La primera aplicación del análisis discriminante consistió en clasificar los restos de un cráneo descubierto
en una excavación como humano, utilizando la distribución de medidas físicas para los cráneos humanos
y los de antropoides.
Análisis de conglomerados
 Es una técnica estadística multivariante cuya finalidad es dividir un conjunto de objetos en grupos de forma
que los perfiles de los objetos en un mismo grupo sean muy similares entre sí (cohesión interna del grupo)
y los de los objetos de clusters diferentes sean distintos (aislamiento externo del grupo).
“El problema central del análisis de datos multivariantes es la reducción de la dimensionalidad”

122
Distribución normal estándar
z 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 z 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
-3.5 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
-3.4 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0002 0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
-3.3 0.0005 0.0005 0.0005 0.0004 0.0004 0.0004 0.0004 0.0004 0.0004 0.0003 0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
-3.2 0.0007 0.0007 0.0006 0.0006 0.0006 0.0006 0.0006 0.0005 0.0005 0.0005 0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
-3.1 0.0010 0.0009 0.0009 0.0009 0.0008 0.0008 0.0008 0.0008 0.0007 0.0007 0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
-3.0 0.0013 0.0013 0.0013 0.0012 0.0012 0.0011 0.0011 0.0011 0.0010 0.0010 0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
-2.9 0.0019 0.0018 0.0018 0.0017 0.0016 0.0016 0.0015 0.0015 0.0014 0.0014 0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
-2.8 0.0026 0.0025 0.0024 0.0023 0.0023 0.0022 0.0021 0.0021 0.0020 0.0019 0.7 0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852
-2.7 0.0035 0.0034 0.0033 0.0032 0.0031 0.0030 0.0029 0.0028 0.0027 0.0026 0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
-2.6 0.0047 0.0045 0.0044 0.0043 0.0041 0.0040 0.0039 0.0038 0.0037 0.0036 0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389
-2.5 0.0062 0.0060 0.0059 0.0057 0.0055 0.0054 0.0052 0.0051 0.0049 0.0048 1.0 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
-2.4 0.0082 0.0080 0.0078 0.0075 0.0073 0.0071 0.0069 0.0068 0.0066 0.0064 1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830
-2.3 0.0107 0.0104 0.0102 0.0099 0.0096 0.0094 0.0091 0.0089 0.0087 0.0084 1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015
-2.2 0.0139 0.0136 0.0132 0.0129 0.0125 0.0122 0.0119 0.0116 0.0113 0.0110 1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
-2.1 0.0179 0.0174 0.0170 0.0166 0.0162 0.0158 0.0154 0.0150 0.0146 0.0143 1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
-2.0 0.0228 0.0222 0.0217 0.0212 0.0207 0.0202 0.0197 0.0192 0.0188 0.0183 1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
-1.9 0.0287 0.0281 0.0274 0.0268 0.0262 0.0256 0.0250 0.0244 0.0239 0.0233 1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
-1.8 0.0359 0.0351 0.0344 0.0336 0.0329 0.0322 0.0314 0.0307 0.0301 0.0294 1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
-1.7 0.0446 0.0436 0.0427 0.0418 0.0409 0.0401 0.0392 0.0384 0.0375 0.0367 1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
-1.6 0.0548 0.0537 0.0526 0.0516 0.0505 0.0495 0.0485 0.0475 0.0465 0.0455 1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767
-1.5 0.0668 0.0655 0.0643 0.0630 0.0618 0.0606 0.0594 0.0582 0.0571 0.0559 2.0 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
-1.4 0.0808 0.0793 0.0778 0.0764 0.0749 0.0735 0.0721 0.0708 0.0694 0.0681 2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
-1.3 0.0968 0.0951 0.0934 0.0918 0.0901 0.0885 0.0869 0.0853 0.0838 0.0823 2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890
-1.2 0.1151 0.1131 0.1112 0.1093 0.1075 0.1056 0.1038 0.1020 0.1003 0.0985 2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916
-1.1 0.1357 0.1335 0.1314 0.1292 0.1271 0.1251 0.1230 0.1210 0.1190 0.1170 2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936
-1.0 0.1587 0.1562 0.1539 0.1515 0.1492 0.1469 0.1446 0.1423 0.1401 0.1379 2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
-0.9 0.1841 0.1814 0.1788 0.1762 0.1736 0.1711 0.1685 0.1660 0.1635 0.1611 2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
-0.8 0.2119 0.2090 0.2061 0.2033 0.2005 0.1977 0.1949 0.1922 0.1894 0.1867 2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
-0.7 0.2420 0.2389 0.2358 0.2327 0.2296 0.2266 0.2236 0.2206 0.2177 0.2148 2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981
-0.6 0.2743 0.2709 0.2676 0.2643 0.2611 0.2578 0.2546 0.2514 0.2483 0.2451 2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986
-0.5 0.3085 0.3050 0.3015 0.2981 0.2946 0.2912 0.2877 0.2843 0.2810 0.2776 3.0 0.9987 0.9987 0.9987 0.9988 0.9988 0.9989 0.9989 0.9989 0.9990 0.9990
-0.4 0.3446 0.3409 0.3372 0.3336 0.3300 0.3264 0.3228 0.3192 0.3156 0.3121 3.1 0.9990 0.9991 0.9991 0.9991 0.9992 0.9992 0.9992 0.9992 0.9993 0.9993
-0.3 0.3821 0.3783 0.3745 0.3707 0.3669 0.3632 0.3594 0.3557 0.3520 0.3483 3.2 0.9993 0.9993 0.9994 0.9994 0.9994 0.9994 0.9994 0.9995 0.9995 0.9995
-0.2 0.4207 0.4168 0.4129 0.4090 0.4052 0.4013 0.3974 0.3936 0.3897 0.3859 3.3 0.9995 0.9995 0.9995 0.9996 0.9996 0.9996 0.9996 0.9996 0.9996 0.9997
-0.1 0.4602 0.4562 0.4522 0.4483 0.4443 0.4404 0.4364 0.4325 0.4286 0.4247 3.4 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9998
0.0 0.5000 0.4960 0.4920 0.4880 0.4840 0.4801 0.4761 0.4721 0.4681 0.4641 3.5 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998
Distribución normal estándar

Wa0009

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

Wa0009

Cargado por

Copyright:

Formatos disponibles

TECNOLÓGICO NACIONAL DE MÉXICO

INSTITUTO TECNOLÓGICO DE SALTILLO

Saltillo, Coahuila, México Fecha

UNIDAD 0 INTRODUCCIÓN A LA INGENIERÍA DE CALIDAD

0.1 ¿Qué es la Ingeniería de Calidad?

Herramientas para la ingeniería de calidad

Alcance de la Ingeniería de Calidad

Actividades de calidad Fase del Pasos Ruido Ruido Variación

Mota-Gutiérrez, Ramos-Martínez, Reyes-Torres

Alcance de la Ingeniería de Calidad

0.2 La Ingeniería de CalidadFIGURA

Ventajas del uso de tecnología robusta

Mota-Gutiérrez, Ramos-Martínez, Reyes-Torres

UNIDAD 1 DISEÑOS FACTORIALES

1.1 La Ingeniería de Calidad y el Diseño de Experimentos

La metodología del diseño de experimentos se basa en la experimentación. Es conocido que, si se repite un

Mota-Gutiérrez, Ramos-Martínez, Reyes-Torres

Tipos de diseño de experimentos

Puntos para el diseño de experimentos

Experimentos de un factor a la vez

Diseño experimental “Factor Total”

Mota-Gutiérrez, Ramos-Martínez, Reyes-Torres

Denotación de un diseño factorial nk

El resultado de nk es igual al número de corridas experimentales.

Ejemplo: Diseño factorial completo 22

Pasos de un DOE (Diseño de experimentos)

Mota-Gutiérrez, Ramos-Martínez, Reyes-Torres

1.2 Diseños factoriales

Diseño factoriales completos

Diseño factoriales fraccionados

Mota-Gutiérrez, Ramos-Martínez, Reyes-Torres

1.3 Análisis de un diseño factorial

El ANOVA generalizado para el diseño 2𝑘 , es el siguiente;

Fuente de Suma de Grados de Media de 𝒇 𝑭𝜶 % de

𝑛 = niveles de los factores, 𝑘 = factores, 𝑟 = réplicas del experimento

Mota-Gutiérrez, Ramos-Martínez, Reyes-Torres

Para aceptar o rechazar las hipótesis se comprueban los enunciados:

Mota-Gutiérrez, Ramos-Martínez, Reyes-Torres

Mota-Gutiérrez, Ramos-Martínez, Reyes-Torres

1.4 Ejemplo resuelto de un diseño factorial

a) Determine los efectos significativos sobre el porcentaje de obleas defectuosas.

Los factores individuales Temperatura

Mota-Gutiérrez, Ramos-Martínez, Reyes-Torres

Nota: El diagrama de Pareto nos da la

Este modelo (ecuación de regresión) tiene un muy

c) ¿Cuáles combinaciones pueden resultar óptimas para minimizar el % de obleas defectuosas?

Grabado Piraña Agua

Mota-Gutiérrez, Ramos-Martínez, Reyes-Torres

Combinación Interacción (AC):

Grabado Piraña Agua

Se mantiene el valor de la gráfica de

Grabado Piraña Agua

Las combinaciones que pueden resultar ser óptimas para

d) ¿Cuál es la mejor combinación para minimizar el porcentaje de obleas defectuosas?

Mota-Gutiérrez, Ramos-Martínez, Reyes-Torres

e) ¿En qué proporción se lograr mejor el % de obleas defectuosas?

La proporción del % obleas defectuosas se logra reducir en un 98.43%

Mota-Gutiérrez, Ramos-Martínez, Reyes-Torres

DATOS DEL PROBLEMA

a) Determine los efectos significativos.

c) ¿Cuáles combinaciones pueden resultar óptimas?

d) ¿Cuál es la mejor combinación y su predicción?

Mota-Gutiérrez, Ramos-Martínez, Reyes-Torres