Documentos de Académico
Documentos de Profesional
Documentos de Cultura
“Ingeniería de Calidad”
Cuadernillo de Trabajo
Docente:
_
Alumno:
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)
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
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
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.
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
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
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.
Corridas A B
1 −𝟏 −𝟏
2 𝟏 −𝟏
3 −𝟏 𝟏
4 𝟏 𝟏
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.
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
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.
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.
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.
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:
2
b) ¿Qué puede decir del % 𝑅𝑎𝑗 de este experimento?
CONCLUSIÓN:
Combinación Cubos:
CONCLUSIÓN:
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.
CONCLUSIÓN:
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
2
b) ¿Qué puede decir del % 𝑅𝑎𝑗 de este experimento?
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).
2
b) ¿Qué puede decir del % 𝑅𝑎𝑗 de este experimento?
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:
2
b) ¿Qué puede decir del % 𝑅𝑎𝑗 de este experimento?
e) ¿Qué condición de proceso sugiere emplear a futuro? Tome en cuenta, además, que, a mayor tiempo y
temperatura, más costos.
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:
2
b) ¿Qué puede decir del % 𝑅𝑎𝑗 de este experimento?
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
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.
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
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.
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%
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
d) Estime la diferencia entre la proporción de loza esperada con las condiciones actuales y la combinación
óptima.
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:
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.
2
d) ¿Qué puede decir del % 𝑅𝑎𝑗 de este experimento?
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
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.
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
b) ¿El modelo es adecuado, cuanta de la variación de los datos del experimento es explicada por el
modelo?
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 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”
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.
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
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 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.
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.
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.
𝐿(𝑥) = 𝐾 𝑥2
Donde:
𝐿(𝑥) = Pérdida financiera debido a un producto con
característica de calidad x.
𝑥 = Valor de la característica de calidad del
producto evaluado.
𝐾 = Constante de proporcionalidad
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.
a) Determine el valor de 𝐾
b) Determine la pérdida cuando la característica toma un valor de 6 puntos.
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
𝐾
𝐿(𝑥) =
𝑥2
Donde:
𝐿(𝑥) = Pérdida financiera debido a un producto con
característica de calidad x.
𝑥 = Valor de la característica de calidad del
producto evaluado.
𝐾 = Constante de proporcionalidad
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
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.
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.
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
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.
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
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
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.
• 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.
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
2
Más pequeño es 𝑆⁄ = −10𝑙𝑜𝑔 (∑ 𝑌 ) Minimizar la respuesta
No negativos con un
mejor 𝑅 𝑛 valor objetivo de cero
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.
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.
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)
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 mejor el % de obleas defectuosas?
Solución:
a) Determine los efectos significativos sobre el porcentaje de obleas defectuosas (Media, Desv, SR).
CONCLUSIÓN:
b) Determine la importancia de los factores sobre el porcentaje de obleas defectuosas (Media, Desv, SR)
CONCLUSIÓN:
Combinación EP (S/R):
Grabado Piraña Agua
-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.
Combinación EP (M):
Grabado Piraña Agua
-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):
Grabado Piraña Agua
-1 98 20
Combinación EP (Desv):
Grabado Piraña Agua
-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:
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:
PRÁCTICAS UNIDAD 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
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
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
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
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
EJERCICIO 6: 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 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:
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
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
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:
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.
a) Determine el valor de K.
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.
a) Determine el valor de K.
b) Determine la pérdida cuando el componente tiene una desviación de 0.0045''.
Solución:
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:
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.
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
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:
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:
Definir el Proyecto
Proceso de
Generar Pistas Diagnóstico
¿X Roja Encontrada?
Interacción Optimizar
Tolerancias Reales
Proceso
Control Estadístico del Proceso Terapéutico
Monitoreo de Resultados
Cliente Satisfecho
Frequency 8
0
2 4 6 8 10
Ancho Espejo
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
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.
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
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.
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
0,76
Respuesta
0,75
0,74
0,73
1 2 3 4
Machine
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.
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.
La MSR es la estrategia experimental y de análisis que permite resolver el problema de encontrar las
condiciones de operación óptimas de un proceso.
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”
Elementos de la MSR
La metodología de superficie de respuesta implica tres aspectos:
Esquema de la MSR
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.
3000
2000
1000
8 10 12 14 15 18 21 24 27
1500 – 3000
24 3000 – 4500
4500 – 6000
6000 – 7500
> 7500
22
B
20
18
16
9 10 11 12 13
A
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 0.040 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
Solución:
a) Determine los efectos significativos sobre el porcentaje de obleas defectuosas.
CONCLUSIÓN:
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.
60
0.04 – 0.05
> 0.05
Grabado Piraña Agua
Valores fijos
-2.5 79 80
50 Piraña 79
Agua
40
30
20
10
Grabado -2
40
30
20
10
50 60 70 80 90 100 110
Piraña
80
añ
70
60
50
CONCLUSIÓN:
CONCLUSIÓN:
CONCLUSIÓN:
La proporción en la que se logra reducir el % de obleas de defectuosas es en el 100%.
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
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
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:
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
EJERCICIO 4: 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). 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
2 130 8 Sin tamizar 76.3
3 90 15 Sin tamizar 80.4
4 130 15 Sin tamizar 77.9
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
EJERCICIO 5: 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). 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
7 110 8 Sin tamizar 76.63
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
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
A continuación, se presenta una tabla que muestra las diferencias importantes entre la administración
tradicional y la administración por calidad:
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
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:
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
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%.
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.
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.
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.
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.
ACTIVIDADES PRINCIPALES:
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
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.
ACTIVIDADES PRINCIPALES:
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
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.
ACTIVIDADES PRINCIPALES:
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
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.
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.
ACTIVIDADES PRINCIPALES:
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.
¿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.
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.
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”.
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.
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.
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.
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.
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.
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.
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.
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.
Indicadores de capacidad
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
𝑥̿ − 𝐿𝐼𝐸 𝐿𝑆𝐸 − 𝑥̿
𝑍𝐿𝐼𝐸 = 𝑍𝐿𝑆𝐸 =
𝑆𝑛−1 𝑆𝑛−1
9. Calcular PPM´s
10. El valor de 𝑍𝐶𝑃 = 𝑍(1 − [𝑃(𝑍 < 𝐿𝐼𝐸) + 𝑃(𝑍 > 𝐿𝑆𝐸)]) + 1.5
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)
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.
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.
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
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
7)
𝑆𝑛−1 = 0.00515
8)
3.155 − 3.125
𝑃𝑝 = = 0.97087
6(0.00515)
Conclusión: El proceso a largo plazo es malo, y está cargado hacia su límite superior de especificación
9)
Actuales
𝑃𝑃𝑀´𝑆 = 4,600
Potenciales
𝑃𝑃𝑀´𝑆 = 3,600
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
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
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.
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.
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 =
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.
1) 𝑛 = 7) 𝑆𝐷𝑅 =
𝑟=
𝑂𝑝𝑒𝑟𝑎𝑑𝑜𝑟𝑒𝑠 =
8) 𝑆𝐷𝑀 =
2) 𝑀1 =
𝑀2 =
𝑀3 =
9) 𝑅&𝑅 =
3)𝐷𝑀 =
10) 𝑃𝑉 =
5) 𝑃𝑅 =
11) 𝑇𝑉 =
6) 𝑅𝑃 =
12) %𝑅&𝑅 =
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.
1) 𝑛 = 7) 𝑆𝐷𝑅 =
𝑟=
𝑂𝑝𝑒𝑟𝑎𝑑𝑜𝑟𝑒𝑠 =
8) 𝑆𝐷𝑀 =
2) 𝑀1 =
𝑀2 =
𝑀3 =
9) 𝑅&𝑅 =
3)𝐷𝑀 =
10) 𝑃𝑉 =
5) 𝑃𝑅 =
11) 𝑇𝑉 =
6) 𝑅𝑃 =
12) %𝑅&𝑅 =
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 =
9)
Actuales
𝑃𝑃𝑀´𝑆 =
Potenciales
𝑃𝑃𝑀´𝑆 =
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 =
9)
Actuales
𝑃𝑃𝑀´𝑆 =
Potenciales
𝑃𝑃𝑀´𝑆 =
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.
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.
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.
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
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:
Caras de Chernoff:
Gráfico de estrella:
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.
20
15
T
10
0
5 10 15 20 25 30 35 40 45 50
Observación
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.
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).
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