Ejercicios de La Fase de Mejora

EJERCICIOS LEAN SIGMA FASE DE MEJORA P.
Reyes / febrero de 2009
EJERCICIOS DE LA FASE DE MEJORA:
1. ¿Cuál es el propósito de la fase de mejora?
2. ¿Cuáles son los entregables de la fase de mejora? Dar un ejemplo.
a. Identificación de mejores niveles de operación
b. Generación de alternativas de solución, usar métodos de Creatividad
c. Evaluación de alternativas de solución con diagrama de árbol:
DESCRIPCIÓN ALTERNATIVAS VENTAJAS DESVENTAJAS FACTIBILIDAD SELECCIÓN

DE LA CAUSA DE SOLUCIÓN
CAUSA 1 ALT. SOL. 1 a. a. Si SI
b. b.
c. c.
ALT. SOL. 2 a. a. Si SI
b. b.
c. c.
ALT. SOL. 3 a. a. Si SI
b.
c.
CAUSA 2
d. Selección de alternativas de solución
Página 1 de 115
EJERCICIOS LEAN SIGMA FASE DE MEJORA P. Reyes / febrero de 2009
e. Plan 5W-1H para implementación de las soluciones seleccionadas
f. Prueba piloto y Verificación de la efectividad de las soluciones
g. Implementación y documentación de la solución a nivel sistema
DISEÑO DE EXPERIMENTOS
3. ¿Qué desventajas se observan cuando se experimenta con un factor a la vez?
4. ¿Qué es el diseño de experimentos?
5. ¿Cuáles son las ventajas que proporciona el diseño de experimentos?
6. ¿Cuáles los diferentes propósitos que puede tener un diseño de experimentos?
7. ¿Cuáles son los pasos principales para la realización de diseños de experimentos?
a.
Página 2 de 115
b.
c.
d.
etc.
8. ¿Qué consideraciones deben tomarse en cuenta al planear y desarrollar experimentos?
a.
b.
c.
d.
etc.
9. ¿Cuáles son las implicaciones al realizar experimentos en la empresa?
1.
Página 3 de 115
2.
10. ¿Qué criterios se deben tomar para seleccionar las variables de proceso y sus niveles?
a.
11. ¿Cuáles son los supuestos que se asumen cuando se realizan experimentos?
12. ¿Cuáles son los diferentes métodos experimentales disponibles y cuál es su alcance y
aplicación?
Diseño experimental Aplicación
Factorial de dos niveles 2K Filtraje de factores significativos
Fraccional de dos niveles ½ 2K Filtraje de factores significativos – bajo costo
Taguchi Arreglos ortogonales Diseños robustos de productos y procesos
Factorial completo FK Identificación de mejores niveles de operación
Ascenso rápido Ruta hacia el punto de operación óptimo
Diseño central compuesto CCD Identificación del punto óptimo de operación
EVOP diseño evolutivo Experimentación en la producción sin afectarla
Página 4 de 115
Diseños de mezclas Encontrar la mejor mezcla de ingredientes para el

mejor rendimiento
Diseños óptimos - D Diseños por computadora para reducir costos
13. ¿Qué significan los conceptos siguientes?
a. Caracterizar el proceso
b. Replicas experimentales
c. Aleatorización
d. Bloqueo
14. ¿Qué son las interacciones y cómo se identifican?
15. ¿Qué características tiene un diseño experimental factorial completo?
16. ¿Qué características tiene un diseño experimental factorial de dos niveles?
Página 5 de 115
17. ¿Cómo se obtiene la ecuación de regresión de los resultados del diseño de experimentos
de 2 niveles?
18. ¿Cómo se identifican los factores significativos en la tabla ANOVA de los experimentos
factoriales?
19. ¿Qué indican las gráficas factoriales y cómo se seleccionan los niveles para la mejor
operación?
20. ¿Qué indican las gráficas factoriales de interacciones y cómo se seleccionan los niveles para
la mejor operación?
21. ¿Qué indica la gráfica de superficie de respuesta?
22. ¿Cuál es el propósito de la gráfica de contornos?
23. ¿qué ventajas tiene el método de Taguchi?
24. ¿Qué es la relación S/N y qué ventajas tiene maximizar su valor?
25. ¿Cómo se obtiene la predicción de la respuesta en el método Taguchi?
Página 6 de 115
METODOS DE CREATIVIDAD
26. Dar algunos ejemplos de técnicas de creatividad para la generación de ideas de mejora de
procesos
a.
b.
c.
27. ¿Después de cuánto tiempo se recomienda se evalúen los resultados de las mejoras?
28. ¿Cómo se puede cuantificar estos resultados?
a.
b.
29. ¿Qué formas de reconocimiento a los equipos de proyecto Seis Sigma se recomiendan?
a.
b.
Página 7 de 115
c.
d.
30. ¿Cuáles son las salidas de la fase de mejora?
a.
b.
c.
Página 8 de 115
PROBLEMAS: (Utilizar Minitab 15 para las soluciones)
DISEÑOS DE EXPERIMENTOS FACTORIALES DE DOS NIVELES
1. Diseño de experimentos de dos niveles: En un proceso de mantenimiento de Generador de

Vapor se desea mejorar el proceso de soldadura en un componente de acero inoxidable. Para
lo cual se realiza un diseño de experimentos de 3 factores y 2 niveles.
Factor Nivel bajo Nivel Alto
A. Caudal de gas (l/min.) 8 12
B. Intensidad de Corriente (A) 230 240
C. Vel. de Cadena (m/min.) 0.6 1
Como respuesta se toma la calidad del componente en una escala de 0 a 30 entre mayor sea
mejor es la calidad
Paso 1. Generar diseño
Stat > DOE > Factorial > Create Factorial Design
Seleccionar 2-Level factorial (default generators); Number of factors 3
Designs: Seleccionar Full Factorial Seleccionar Replicates 1
Factors: Caudal 8 12 Intensidad 230 240 Vel. 0.6 1
Options: Quitar bandera de Randomize runs
OK
Página 9 de 115
ESTADÍSTICAS > DOE > Factorial > Crear Diseño Factorial
Seleccionar Factorial de 2 niveles (generador de default); Numero de factores 3
Diseños: Seleccionar Factorial completo Seleccionar Réplicas1
Factores: Caudal 8 12 Intensidad 230 240 Vel. 0.6 1
Opciones: Quitar bandera de Aleatorizar corridas
OK
Página 10 de 115
Paso 2. Introducir los datos en el diseño:
StdOrder Caudal Intensidad Velocidad Y
1 8 230 0.6 10
2 12 230 0.6 26.5
3 8 240 0.6 15
4 12 240 0.6 17.5
5 8 230 1 11.5
6 12 230 1 26
7 8 240 1 17.5
8 12 240 1 20
Paso 3. Analizar el diseño
Stat > DOE > Factorial > Analyze Factorial Design
Response Y
Graphs: Seleccionar Normal Pareto Alpha = 0.05
Residual for Plots Standardized
Seleccionar Normal Plot y Residuals vs Fits
Results Seleccionar todos los términos con >>
OK OK
Estadísticas > DOE > Factorial > Analizar Diseño Factorial
Respuesta Y
Gráficas: Seleccionar Normal Pareto Alfa = 0.05
Residuales para gráficas estandarizados
Página 11 de 115
Seleccionar Gráfica Normal y Residuales vs Valores ajustados
Resultados Seleccionar todos los términos con >>
OK OK
Los resultados se muestran a continuación.
La ecuación del modelo se puede formar a partir de los siguientes coeficientes (solo los que
son sigificativos):
Term Coef
Constant -893.750
Caudal 102.625
Intensidad 3.75000
Velocidad 186.250
Caudal*Intensidad -0.425000
Caudal*Velocidad -30.0000
Intensidad*Velocidad -0.750000
Caudal*Intensidad*Velocidad 0.125000
MODELO DEL PROCESO
Y = -893.750 + 102.625 Caudal - 0.425 Caudal*Intensidad
Página 12 de 115
Paso 4. Obtener las gráficas factoriales para seleccionar los mejores niveles de operación
Stat > DOE > Factorial > Factorial Plots
Seleccionar Main Effects Plot: Setup: Response Y; Pasar Intensidad, Caudal y Vel. Con >>
Seleccionar Interaction Plot: Setup: Response Y; Pasar Intensidad, Caudal y Vel. Con >>
Página 13 de 115
Seleccionar Cube Plot: SetUp >> Response Y; Pasar Intensidad, Caudal y Vel. Con >>
OK
Estadísticas > DOE > Factorial > Gráficas Factoriales
Seleccionar Gráfica de efectos principales: Configuración: Respuesta Y; Pasar Intensidad,

Caudal y Vel. Con >>
Seleccionar Gráfica de interacciones : Configuración: Respuesta Y; Pasar Intensidad, Caudal y

Vel. Con >>
Seleccionar Gráfica de cubo: Configuración: Respuesta Y; Pasar Intensidad, Caudal y Vel. Con
>>
OK
GRAFICA FACTORIAL DE EFECTOS PRINCIPALES (A, B Y C)
GRÁFICA DE INTERACCIONES (SI LAS PENDIENTES SON OPUESTAS, LA INTERACCION ES

SIGNIFICATIVA), SI SON PARALELAS LA INTERACCION NO ES SIGNIFICATIVA
Página 14 de 115
NOTA: Cuando la interacción es significativa (en este caso A*B) los mejores niveles de
operación se escogen de la Gráfica de interacciones, de otra forma (en este caso C) se escogen
de la gráfica de efectos principales.
En este caso para una respuesta, MAYOR ES MEJOR, A caudal = 12 y B intensidad = 230 de la
gráfica de interacciones.
De la gráfica de cubo se observa que C = 0.6 nos da una mejor respuesta que en 1, por lo que
seleccionamos C = 0.6
Paso 5. Obtener las gráficas de contornos y de superficie de respuesta
Stat > DOE > Factorial > Contour and Surface Plots
Seleccionar Contour Plot: Setup: Response Y; seleccionar Generate plot for all pairs of
Página 15 de 115
numerical factors
Seleccionar Surface response Plot: Setup: Response Y; seleccionar Generate plot for all pairs of
numerical factors
OK
Estadísticas > DOE > Factorial > Gráficas de Contorno y Superficie
Seleccionar Gráfica de contorno : Configuración: Respuesta Y; seleccionar Generar gráficas

para todos los pares de factores numéricos
Seleccionar Gráfica de superficie de respuesta: Configuración: Respuesta Y; seleccionar

Generar gráficas para todos los pares de factores numéricos
OK
Página 16 de 115
Paso 6. Obtener una ampliación de la respuesta en la zona de Y = 21 a 24
Stat > DOE > Factorial > Overlaid Contour Plot
Seleccionar en Response Y
Seleccionar en Settings Hold Extra factors in Low setting
Seleccionar en Contours Low 21 High 26
OK
Estadísticas > DOE > Factorial > Gráfica de contorno ampliada
Seleccionar en Respuesta Y
Seleccionar en Poner ajustes de factores extra en nivel Bajo
Seleccionar en Contorno Bajo 21 Alto 26
OK
Página 17 de 115
Página 18 de 115
Paso 7. Obtener una respuesta optimizada
Stat > DOE > Factorial > Response Optimizer
Seleccionar en Response Y
Seleccionar en Options Caudal 10 Intensidad 235 Velocidad 0.8
Seleccionar en Setup > Goal Maximize Lower 21 Target 26
OK
Estadísticas > DOE > Factorial > Optimizador de Respuesta
Seleccionar en Respuesta Y
Seleccionar en Opciones Caudal 10 Intensidad 235 Velocidad 0.8
Seleccionar en Configuración> Maximizar Objetivo Inferior 21 Meta 26
OK
Seleccionar y mover las líneas de cada factor hasta obtener el máximo rendimiento:
Página 19 de 115
2. Diseño de dos niveles: Se usa un Router para hacer los barrenos de localización de una placa
de circuito impreso. La vibración es fuente principal de variación. La vibración de la placa a ser
cortada depende del tamaño de los barrenos (A1 = 1/16" y A2 = 1/8") y de la velocidad de
corte (B1 = 40 RPMs y B2 = 90 RPMs).
La variable de respuesta se mide en tres acelerómetros A,Y,Z en cada uno de los circuitos
impresos.
Los resultados se muestran a continuación.
Niveles reales Réplica
A B I II III IV
0.063 40 18.2 18.9 12.9 14.4
0.125 40 27.2 24.0 22.4 22.5
0.063 90 15.9 14.5 15.1 14.2
0.125 90 41.0 43.9 36.3 39.9
PASO 1. GENERAR EL DISEÑO FACTORIAL DE ACUERDO AL EXPERIMENTO
Type of Design: Two Level Factorial (default generators)
Number of Factors 2
Designs Full Factorial
Number of replicates: 4
Factors
Factor Name Type Low High
A Diámetro Numeric 0.063 0.125
Página 20 de 115
B Velocidad Numeric 40 90 OK
OK
Diseños: Seleccionar Factorial completo Seleccionar Réplicas 4
Factores
Factor Name Type Low High
A Diámetro Numeric 0.063 0.125
B Velocidad Numeric 40 90 OK
Opciones: Quitar bandera de Aleatoria
OK
PASO 2. CARGA DE DATOS DE LA COLUMNA DE RESPUESTA CORRESPONDIENTE A CADA
COMBINACION DE FACTORES DESPUÉS QUE MINITAB GENERO EL DISEÑO O ARREGLO
StdOrder RunOrder CenterPt Blocks Diametro Velocidad VIBRACIÓN
1 1 1 1 0.063 40 18.2
2 2 1 1 0.125 40 27.2
3 3 1 1 0.063 90 15.9
4 4 1 1 0.125 90 41.0
5 5 1 1 0.063 40 18.9
6 6 1 1 0.125 40 24.0
Página 21 de 115
7 7 1 1 0.063 90 14.5
8 8 1 1 0.125 90 43.9
9 9 1 1 0.063 40 12.9
10 10 1 1 0.125 40 22.4
11 11 1 1 0.063 90 15.1
12 12 1 1 0.125 90 36.3
13 13 1 1 0.063 40 14.4
14 14 1 1 0.125 40 22.5
15 15 1 1 0.063 90 14.2
16 16 1 1 0.125 90 39.9
PASO 3 ANALIZAR EL MODELO DEL DISEÑO DE EXPERIMENTOS FACTORIAL COMPLETO
Response Seleccionar la columna de las respuestas Vibración
Terms Pasar todos los términos a Selected terms con >> OK
Graphs Seleccionar Effects Plots Normal y Pareto
Seleccionar Alfa = 0.05
Seleccionar Residual for Plots Standardized
Seleccionar Residual plots: Normal Plot y vs Residuals vs fits OK
En Results
Seleccionar todos los términos a Selected terms con >> OK
OK
Respuesta Seleccionar la columna de las respuestas Vibración o Respuesta
Página 22 de 115
Terminos Pasar todos los términos a Términos seleccionados con >> OK
Graphs Seleccionar Gráfica de efectos principales Normal y Pareto
Seleccionar Residuos para gráficas estandarizadas
Seleccionar Gráficas de residuos: Gráfica Normal y vs residuos va sobre ajustes OK
Seleccionar todos los términos a Términos seleccionados con >> OK
OK
NOTA. Para que el modelo sea adecuado, los puntos se deben apegar a la línea recta en la
gráfica normal y ser aleatorios en la grafica Vs Fits
Términos para la ecuación de regresión
Term Coef
Constant 23.0550
Diametro -96.2400
Velocidad -0.372000
Diametro*Velocidad 5.57600
Página 23 de 115
Yest = 23.0550 - 96.24*Diametro - 0.372*Velocidad + 5.576*Diametro*velocidad
Los factores significativos (que influyen en la vibración) aparece su nombre en ésta gráfica en
este caso el DIAMETRO, LA VELOCIDAD y SU INTERACCIÓN
Los factores significativos (que influyen en la vibración) son los que sobrepasan la línea en
ésta gráfica, en este caso el DIAMETRO, LA VELOCIDAD y SU INTERACCIÓN
Paso 4. Obtener las gráficas factoriales para identificar las mejores condiciones de operación
Página 24 de 115
Las instrucciones son las siguientes:
Seleccionar Main effects, Interaction Plots y Cube Plot
Realizar el Setup para cada una de estas:
Seleccionar columna Response Vibración
y con >> seleccionar todos los factores a Selected OK
Seleccionar Data Means OK
Estadísticas > DOE > Factorial > Gráficas factoriales
Seleccionar Efectos principales, Gráficas de interacciones y Gráficas de cubo
Realizar la Configuración para cada una de estas:
Seleccionar columna Respuesta Vibración
y con >> seleccionar todos los factores a Seleccionados OK
Seleccionar Media de datos OK
Página 25 de 115
Como la interacción fue significativa (AB) se usa esta grafica de interacciones para
seleccionar los mejores niveles de operación.
En este caso el punto que da la mínima vibración es con ajuste en:
VELOCIDAD 90 DIAMETRO 0.063 (línea negra)
Página 26 de 115
Paso 5. Obtención de las gráficas de contornos y de superficie de respuesta
Stat > DOE > Factorial > Contour / Surface Plots
Seleccionar Contour y Surface Plots
Seleccionar columna Response vibración
Seleccionar Uncoded units (valores reales)
OK
Estadísticas > DOE > Factorial > Gráficas de Contorno / Superficie
Página 27 de 115
Seleccionar Gráficas de contorno y superficie
Seleccionar columna Vibración
Seleccionar Unidades no codificadas (valores reales)
OK
La gráfica de contornos indica la combinación de niveles para A y B manteniendo la Y respuesta

Constante. Sirve para indicar hacia donde se debe seguir experimentando si se quiere mejorar
la respuesta, trazando una recta casi perpendicular a los contornos:
Página 28 de 115
Optimizador
Stat > DOE > Factorial > Response optimizer
Seleccionar como response Vibración
Seleccionar Options Diamentro 0.065 Velocidad 50
Set up Vibración o Respuesta Goal Minimize Target 10 Upper 40
OK
Estadísticas > DOE > Factorial > Optimizador de respuesta
Seleccionar como respuesta Vibración
Seleccionar Opciones Diamentro 0.065 Velocidad 50
Configuración Vibración o Respuesta Minimizar Objetivo 10 Superior 40
OK
Respuesta óptima en Diámetro 0.125 y Velocidad 90
Página 29 de 115
3. Se utiliza una aleación de níquel y titanio para fabricar componentes de los motores de
turbinas de aviones. La formación de fisuras es un problema potencialmente serio de las piezas
terminadas, ya que pueden provocar fallas irreversibles. Se realiza una prueba de las piezas
para determinar el efecto de cuatro factores sobre las fisuras. Los cuatro factores son la
temperatura de vaciado (A), el contenido de titanio (B), el método de tratamiento térmico (C) y
la cantidad de refinador de grano usada (D). Se hacen dos réplicas de un diseño 24 y se mide la
longitud de las fisuras (en mm x 10-2) inducidas en un ejemplar de prueba de muestra
sometido a una prueba estándar. Los datos se muestran en la siguiente tabla:
Combinación de Réplica Réplica
A B C D Tratamientos I II
-1 -1 -1 -1 -1 7.037 6.376
+1 -1 -1 -1 a 14.707 15.219
-1 +1 -1 -1 b 11.635 12.089
+1 +1 -1 -1 ab 17.273 17.815
-1 -1 +1 -1 c 10.403 10.151
+1 -1 +1 -1 ac 4.368 4.098
-1 +1 +1 -1 bc 9.36 9.253
Página 30 de 115
+1 +1 +1 -1 abc 13.44 12.923
-1 -1 -1 +1 d 8.561 8.951
+1 -1 -1 +1 ad 16.867 17.052
-1 +1 -1 +1 bd 13.876 13.658
+1 +1 -1 +1 abd 19.824 19.639
-1 -1 +1 +1 cd 11.846 12.337
+1 -1 +1 +1 acd 6.125 5.904
-1 +1 +1 +1 bcd 11.19 10.935
+1 +1 +1 +1 abcd 15.653 15.053
a) Correr el diseño de experimentos
Paso 1. Generar diseño
Seleccionar 2-Level factorial (default generators); Number of factors 4
Designs: Seleccionar Full Factorial Seleccionar Replicates 2
Factors: A B C D -1 +1 -1 +1 -1 +1 -1 +1
OK
Diseños: Seleccionar Factorial completo Seleccionar Réplicas2
Página 31 de 115
Factores: A B C D -1 +1 -1 +1 -1 +1 -1 +1
Opciones: Quitar bandera de Aleatorizar corridas
OK
Paso 2. Copiar los resultados experimentales (columna de color) primero la réplica I y luego la
réplica II ponerle el título de fisuras
Paso 3. Analizar el experimento
PASO 3 ANALIZAR EL MODELO DEL DISEÑO DE EXPERIMENTOS FACTORIAL COMPLETO
Response Seleccionar la columna de las respuestas Fisuras
Terms Pasar todos los términos a Selected terms con >> OK
Graphs Seleccionar Effects Plots Normal y Pareto
Seleccionar Residual for Plots Standardized
Seleccionar Residual plots: Normal Plot y vs Residuals vs fits OK
En Results
Seleccionar todos los términos a Selected terms con >> OK
OK
Respuesta Seleccionar la columna de las respuestas Fisuras
Terminos Pasar todos los términos a Términos seleccionados con >> OK
Página 32 de 115
Graphs Seleccionar Gráfica de efectos principales Normal y Pareto
Seleccionar Residuos para gráficas estandarizadas
Seleccionar Gráficas de residuos: Gráfica Normal y vs residuos va sobre ajustes OK
Seleccionar todos los términos a Términos seleccionados con >> OK
OK
b) Obtener los residuos y hacer una prueba de normalidad, comentar la adecuación del
modelo
Cuando los residuos se apegan a la gráfica normal, el modelo es adecuado
c) Determinar los efectos de los factores principales y de las interacciones
Probar a un nivel del 5% identificar si hay los factores o las interacciones son significativas
Los factores principales y las interacciones que son significativas son las siguientes:
Descripción P value
A, B, C y D 0.00 Pasan la línea roja del Pareto
AB, AC 0.00 y sus nombres aparecen en la
ABC 0.00 gráfica normal de efectos princ.
d) Identificar en las graficas normal y Pareto los efectos principales e interacciones que son
significativos
Igual al anterior
e) Determinar la ecuación de regresión del modelo del proceso con valores no codificados para
predecir la respuesta (ver tabla de Coeficientes – coded units)
Página 33 de 115
Y = 11.9888 + 1.509*A + 1.988*B – 1.798*C + 0.979*D + 0.967*A*B – 2.004*A*C +

1.569*A*B*C
f) Determinar los valores Y estimados hacer prueba de normalidad
g) Obtener las gráficas factoriales y de cubo y dar conclusiones
Paso 4. Obtener las gráficas factoriales para identificar las mejores condiciones de operación
Seleccionar Main effects, Interaction Plots y Cube Plot
Seleccionar columna Response Fisuras
y con >> seleccionar todos los factores a Selected OK
Estadísticas > DOE > Factorial > Gráficas factoriales
Seleccionar Efectos principales, Gráficas de interacciones y Gráficas de cubo
Seleccionar columna Fisuras
Página 34 de 115
y con >> seleccionar todos los factores a Seleccionados OK
Seleccionar Media de datos OK
h) Obtener las gráficas de contornos y de superficie de respuesta y dar conclusiones
i) Obtener una ampliación de la zona de contornos de interés
j) Utilizar el optimizador para encontrar una combinación óptima de factores para minimizar
las fisuras
Paso 5. Optimizador
Stat > DOE > Factorial > Response optimizer
Seleccionar como response Fisuras
Seleccionar Options A 1 B 1 C 1 D 1
Set up Fisuras Goal Minimize Target 7 Upper 10
OK
Estadísticas > DOE > Factorial > Optimizador de respuesta
Seleccionar como respuesta Vibración
Seleccionar Opciones A 1 B 1 C 1 D 1
Configuración Fisuras Minimizar Objetivo 7 Superior 10
OK
k) Con las gráficas factoriales si se quieren minimizar las fisuras, ¿en qué niveles conviene
operar el proceso?
Página 35 de 115
Página 36 de 115
4. Un ingeniero está interesado en los efectos de la velocidad de corte (A), la geometría de la

herramienta (B) y el ángulo de corte (C) sobre la vida (en horas) de una máquina herramienta.
Se eligen dos niveles de cada factor y se corren tres réplicas de un diseño factorial 23. Los
resultados fueron los siguientes:
Réplicas
A B C I II III
-1 -1 -1 22 31 25
+1 -1 -1 32 43 29
-1 +1 -1 35 34 50
+1 +1 -1 55 47 46
-1 -1 +1 44 45 38
+1 -1 +1 40 37 36
-1 +1 +1 60 50 54
+1 +1 +1 39 41 47
a) Realizar y correr el diseño de experimentos
modelo
Probar a un nivel del 5% identificar si hay los factores o las interacciones son significativas
d) Identificar en las graficas normal y Pareto los efectos principales e interacciones que son
significativos
Página 37 de 115
e) Determinar la ecuación de regresión del modelo del proceso con valores no codificados para
predecir la respuesta
f) Determinar los valores Y estimados hacer prueba de normalidad
g) Obtener las gráficas factoriales y de cubo y dar conclusiones
h) Obtener las gráficas de contornos y de superficie de respuesta y dar conclusiones
i) Obtener una ampliación de la zona de contornos de interés
j) Utilizar el optimizador para encontrar una combinación óptima de factores para
maximizar la vida
k) Con las gráficas factoriales si se quiere maximizar la vida, ¿en que niveles conviene operar el
proceso?
Página 38 de 115
5. Diseño de experimentos factorial completo: Se estudia el rendimiento de un proceso

químico (Y), donde se piensa que los factores que mayor influencia tienen son la temperatura y
la presión (X1, X2).
Se diseña un experimento factorial completo con dos réplicas y tomando tres niveles
en cada factor como se muestra en la tabla de rendimientos.
Hacer los análisis de la significancia de cada factor a un 5% de significancia.
PRESION
(psig) 200 215 230
TEMP. 90.4 90.7 90.2
150 90.2 90.6 90.4
90.1 90.5 89.9
160 90.3 90.6 90.1
90.5 90.8 90.4
170 90.7 90.9 90.1
a) Generar el diseño
Type of Design: General Full Factorial Design
Number of factors 2
Designs: Factor A Name Temp Levels 3
Factor B Name Presion Levels 3
Página 39 de 115
Number of Replicates 2
Options Quitar selección de randomize runs OK
Factors Introducir los niveles para TEMP. 200 215 230
PRESIÓN 150 160 170
OK
Ver diseño con Stat > DOE > Display Design
Seleccionar Standard order for design Uncoded Units
OK
NOTA: Coded units muestra 1, 2 y 3
StdOrder RunOrder PtType Blocks Temp Presion Rendimiento
1 10 1 1 200 150 90.4
2 12 1 1 200 160 90.1
3 3 1 1 200 170 90.5
4 9 1 1 215 150 90.7
5 6 1 1 215 160 90.5
6 15 1 1 215 170 90.8
7 8 1 1 230 150 90.2
8 13 1 1 230 160 89.9
9 2 1 1 230 170 90.4
Página 40 de 115
10 14 1 1 200 150 90.2
11 1 1 1 200 160 90.3
12 7 1 1 200 170 90.7
13 4 1 1 215 150 90.6
14 11 1 1 215 160 90.6
15 18 1 1 215 170 90.9
16 16 1 1 230 150 90.4
17 5 1 1 230 160 90.1
18 17 1 1 230 170 90.1
PASO 3. ANALIZAR EL MODELO DEL DISEÑO DE EXPERIMENTOS FACTORIAL COMPLETO
Response Seleccionar la columna de Rendimiento
Terms Pasar todos los términos a Selected con >> OK
Graphs Residuals for Plots standardized
Seleccionar Residual plots: Normal y vs fits OK
Results ANOVA table, Unusual observations
Seleccionar todos los términos con >> OK
OK
b) Determinar si el modelo es adecuado por medio de los residuos
Página 41 de 115
c) Por medio de los P values en la tabla ANOVA, identificar los factores significativos así como
las interacciones siginificativas
General Linear Model: Rendimiento versus Temperatura, Presion
Factor Type Levels Values
Temperatura fixed 3 200, 215, 230
Presion fixed 3 150, 160, 170
Analysis of Variance for Rendimiento, using Adjusted SS for Tests
Source DF Seq SS Adj SS Adj MS F P
Temperatura 2 0.76778 0.76778 0.38389 21.59 0.000 Significativo
Presion 2 0.30111 0.30111 0.15056 8.47 0.009
Temperatura*Presion 4 0.06889 0.06889 0.01722 0.97 0.470
Error 9 0.16000 0.16000 0.01778
Total 17 1.29778
Página 42 de 115
S = 0.133333 R-Sq = 87.67% R-Sq(adj) = 76.71%
d) Obtener las gráficas factoriales para identificar las mejores condiciones de operación
PASO 4. OBTENER LAS GRÁFICAS FACTORIALES PARA IDENTIFICAR LAS MEJORES

CONDICIONES DE OPERACIÓN
Seleccionar Main effects e Interaction Plots
Setup para ambas: En Response seleccionar Rendimiento
y con >> seleccionar todos los factores OK
De aquí se seleccionan los mejores niveles de acuerdo al resultado deseado. Si la interacción es

significativa, los mejores niveles se seleccionan de las gráficas de interacciones, de otra forma
se seleccionan de las gráficas de efectos de los factores principales.
Página 43 de 115
Para maximizar el rendimiento se selecciona:
Presión = 170 psig
Temperatura = 215ºC
Página 44 de 115
6. Se está estudiando el rendimiento para un proceso industrial, los dos factores de interés son
temperatura y presión. Se utilizan tres niveles de cada factor, con los resultados siguientes:
Presión en libras / pulg. 2
Temperatur
a 250 260 270
20 86.3 84 85.8
86.1 85.2 87.3
40 88.5 87.3 89
89.4 89.9 90.3
60 89.1 90.2 91.3
91.7 93.3 93.7
Rendimient
Temperatura Presion o
20 250 86.3
20 260 84
20 270 85.8
40 250 88.5
40 260 87.3
40 270 89
60 250 89.1
60 260 90.2
60 270 91.3
Página 45 de 115
20 250 86.1
20 260 85.2
20 270 87.3
40 250 89.4
40 260 89.9
40 270 90.3
60 250 91.7
60 260 93.3
60 270 93.7
Para un nivel alfa de 0.05
a) Determinar los valores P correspondientes a los factores principales y las interacciones

y establecer conclusiones
b) Hacer una prueba de normalidad de los residuos estandarizados
d) Determinar los efectos de los factores principales y de las interacciones
e) Obtener las gráficas factoriales e identificar en cuales seleccionar los diferentes niveles
f) Si se quiere maximizar el rendimiento, ¿en que niveles conviene operar el proceso?
Página 46 de 115
7. Johnson y Leone describen un experimento realizado para investigar la torcedura de placas

de cobre. Los dos factores estudiados fueron la temperatura y el contenido de cobre de las
placas.
La variable de respuesta fue de una medida de la cantidad de torcedura. Los datos fueron los
siguientes:
Contenido de cobre (%)
Temperatura 40 60 80 100
(°C)
50 17, 20 16, 21 24, 22 28, 27
75 12, 9 18, 13 17, 12 27, 31
100 16, 12 18, 21 25, 23 30, 23
125 21, 17 23, 21 23, 22 29, 31
a) A un nivel de significancia del 5% identificar si hay los factores o las interacciones son
significativas
modelo
d) Obtener las gráficas factoriales e identificar en cuales seleccionar los diferentes niveles
e) Si se quiere minimizar la torcedura, ¿en que niveles conviene operar el proceso?
f) Suponga que no es sencillo controlar la temperatura en el medio ambiente donde van a

usarse las placas de cobre ¿Este hecho modifica la respuesta que se dio en el inciso d?
Página 47 de 115
8. Los factores que influyen para el esfuerzo a la ruptura de una fibra sintética están siendo
estudiados 4 maquinas de producción y tres operadores son escogidos y un experimento
factorial es realizado y usando la fibra de los mismos lotes de producción, con los siguientes
resultados.
MAQUIINA
OPERADOR A B C D
JUAN 109 110 108 110
110 115 109 108
PEDRO 110 110 111 114
112 111 109 112
JORGE 116 112 114 120
114 115 119 117
a) A un nivel de significancia del 5% identificar si hay los factores o las interacciones son
significativas
modelo
d) Obtener las gráficas factoriales e identificar en cuales seleccionar los diferentes niveles
e) Si se quiere maximizar la resistencia a la ruptura ¿en que niveles debe operar el proceso?
Página 48 de 115
9. Diseño de experimentos de Taguchi
Taguchi ha desarrollado una serie de arreglos para experimentos con factores a dos niveles, los
más utilizados y difundidos según el número de factores a analizar son:
Taguchi sugiere utilizar un estadístico que proporcione información acerca de la media y de la

variancia denominado Relación Señal a Ruido (SNR), como la variable de respuesta, se
consideran tres tipos principales. Las fórmulas para cada esquema son las siguientes:
1. Menor es mejor (Smaller is better - s)
2. Mayor es mejor Larger is better - l)
3. Nominal es mejor - (Target is better - t)
Página 49 de 115
Donde la SNR se expresa en decibeles y debe ser maximizada
Una vez insertados los componentes en una placa de circuito impreso, esta se pasa a una
máquina de soldar donde por medio de un transportador pasa por un baño de flux para
eliminar oxido, se precalienta para reducir la torcedura y se suelda. Se diseña un experimento
para determinar las condiciones que dan el número mínimo de defectos de soldadura por
millón de uniones. Los factores de control y niveles se muestran a continuación:
ARREGLO INTERNO
Factor Descripción (-1) (+1)
A Temperatura de soldado ºF 480 510
B Velocidad del transportador (ft/min) 7.2 10.
C Densidad del flux remover oxido 0.9 1.0
D Temperatura de precalentado ºF 150 200
E Altura de ola de soldadura(pulg.) 0.5 0.6
Además se tienen otros factores denominados factores de ruido que no se pueden o no se

quieren controlar como el tipo de producto. También se pueden considerar factores de ruido
las tolerancias de algunos de los factores críticos en este proceso, en este caso la temperatura
de la soldadura varia entre ±5ºF y la velocidad del transportador entre ± 0.2 ft/min. Esta
variabilidad también tiene influencia en la respuesta.
ARREGLO INTERNO
Factor Descripción (-1) (+1)
F Temperatura de soldadura (ºF) -5 5
G Velocidad del transportador (ft/min) -0.2 +0.2
H Tipo de producto en la placa 2 1
El arreglo cruzado de ambos y los valores de las respuestas se muestran a continuación:
En este caso se busca la respuesta Menor es mejor para los defectos de soldadura.
Página 50 de 115
F -1 1 1 -1
Arreglo interno G -1 1 -1 1
H -1 -1 1 1
A B C D E SNR
-1 -1 -1 -1 -1 186 187 105 104 -43.59
-1 -1 1 1 1 328 326 247 322 -49.76
-1 1 -1 -1 1 234 159 231 157 -45.97
-1 1 1 1 -1 295 216 204 293 -48.15
1 -1 -1 1 -1 47 125 127 42 -39.51
1 -1 1 -1 1 185 261 264 264 -47.81
1 1 -1 1 1 136 136 132 136 -42.61
1 1 1 -1 -1 194 197 193 275 -46.75
Stat > DOE > Taguchi > Create Taguchi Design
2 Level Design
Number of factors 5
Designs L8
OK
Página 51 de 115
Factors (para cambiar nombre de factores y niveles)
o To columns of the array as specified below

o To allow estimation of selected interactions
Seleccionar Selected terms AB
Factor Name Level values Column Levels

A Temp sold -1 1 1 2
B Vel. transp. -1 1 2 2
C Densidad flux -1 1 3 2
D Temp precal -1 1 4 2
E Altura de ola -1 1 5 2
OK
Options
o Store design in worksheet OK
A B C D E -F-G-H FG-H F-GH -FGH
-1 -1 -1 -1 -1 186 187.0 105 104
-1 -1 1 1 1 328 326.0 247 322
-1 1 -1 -1 1 234 159.0 231 157
-1 1 1 1 -1 295 216.0 204 293
1 -1 -1 1 -1 47 125.0 127 42
1 -1 1 -1 1 185 261.0 264 264
1 1 -1 1 1 136 136.0 132 136
1 1 1 -1 -1 194 197.0 193 275
Página 52 de 115
PASO 3 ANALIZAR MODELO DE DISEÑO DE EXPERIMENTOS FRACCIONAL DE TAGUCHI
Stat > DOE > Taguchi > Analyze Taguchi Design
Response Data are in - Seleccionar las cuatro columnas de

respuestas C6 - C9
Graphs Seleccionar Signal to noise ratios , means, interaction

plots in Matrix
Analysis Seleccionar Signal to noise ratios y Means para

Response tables y Fit Model
Terms Seleccionar A, B, C, D , E y AB
Options Seleccionar Smaller is better

Los resultados se muestran a continuación
Analysis Graphs Seleccionar Standardized Residual for plots y
Normal Plot
a)OK
Gráfica normal de residuos
Indica que le modelo es adecuado
Página 53 de 115
b) Coeficientes y ANOVA para Relaciones Señal a Ruido
Página 54 de 115
Página 55 de 115
Los factores más significativos son A, C y E.
Seleccionamos para menor es mejor
los que den respuesta Máxima:
A=1
B = -1
C = -1
D=1
E = -1
Página 56 de 115
d) Las respuestas promedio y gráficas factoriales para los factores principales son:
Página 57 de 115
Se observan como factores significativos
A, C y E (considerados para alfa de 10%),
seleccionamos para una respuesta mínima:
A=1
C = -1
E = -1
Si no coincidieran los niveles en SN y medias
en los factores, se da prioridad a los niveles
que maximizen la SNR.
Página 58 de 115
No se observa interacción significativa
entre los factores A y B, las líneas
están casi paralelas
PASO 5 PREDICCIÓN DE RESULTADOS CON EL MODELO OBTENIDO
Stat > DOE > Taguchi > Predict Taguchi Results
Terms >> todos
Levels seleccionar Uncoded Units y Select levels from a list
Seleccionar los niveles que maximicen la respuesta
OK
Predicted values
S/N Ratio Mean StDev Ln(StDev)
52.6883 309 39.7725 3.68353
Página 59 de 115
10. En un proceso de formación de paneles una característica no deseada es la emisión de

formaldehído en el producto final. Se desea que esta emisión sea lo mínima posible.
Actualmente se estima en 0.45 ppm. (partes por millón).
Se cree que cinco factores pueden estar afectando la emisión, estos son: tipo de resina,
concentración de la solución, tiempo de ciclo de prensado, humedad y presión.
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. Si en particular, asignamos los factores en
orden a las primeras cinco Columnas, dejando libres las últimas dos columnas, el arreglo
queda:
Con Minitab se crea el arreglo con:
Stat > DOE > Taguchi > Create Taguchi Design
Página 60 de 115
Type of Design: 2 level design
Number of factors 5
Designs: L8
Seleccionar Assign factors To columns of the array as specified below
Factors Name Level values Column Levels
A 1 2 1 2
B 1 2 2 2
C 1 2 3 2
D 1 2 4 2
E 1 2 5 2
Options: Store design in the worksheet
OK
La columna de la Yi se agrega después de correr los experimentos:
A B C D E Yi
1 1 1 1 1 0.49
1 1 1 2 2 0.42
1 2 2 1 1 0.38
1 2 2 2 2 0.3
2 1 2 1 2 0.21
2 1 2 2 1 0.24
2 2 1 1 2 0.32
2 2 1 2 1 0.28
Analizar el diseño experimental con:
Página 61 de 115
Con Minitab
Response data in Y
Analysis. Fit linear model for Signal to Noise Ratios Means
Graphs: Signal to Noise Ratios Means
Terms: A B C D E F
Analysis graphs: Residuals for plots Standardized Residual Plots Individual plots Normal plot
Options: Smaller is better
Storage: Signal to Noise Ratios Means
OK
Al final obtener una predicción de la respuesta:
Terms >> todos
Levels seleccionar coded Units y Select levels from a list
Seleccionar los niveles que minimicen la respuesta
OK
S/N Ratio Mean
13.8571 0.1675
Página 62 de 115
11. Ejemplo con interacciones: Variable de respuesta viscosidad, el mayor valor es deseado.
Factores Nivel I Nivel II
A Mezcla de hule crudo si no
B Curado no 24 hrs.
C Velocidad de prensado 50m/min 55 m/min

D Enfriamiento del tambor con agua sin agua
E Secado con vapor envolvente si no
Interacción ExD
Interacción DxC
Arreglo ortogonal y resultados
Nº E D ExD C B DxC A Resultado
1 1 1 1 1 1 1 1 1620
2 1 1 1 2 2 2 2 1580
3 1 2 2 1 1 2 2 1100
4 1 2 2 2 2 1 1 1150
5 2 1 2 1 2 1 2 1500
6 2 1 2 2 1 2 1 1560
7 2 2 1 1 2 2 1 1000
8 2 2 1 2 1 1 2 1020
Solución con Minitab se crea el arreglo con:
1. Diseñar el arreglo ortogonal definiendo las columnas para los factores principales y las
interacciones, en este caso:
Página 63 de 115
Col. 1 Col. 2 Col. 3 Col. 4 Col. 5 Col. 6 Col. 7
A C AxC B AxB CxB D
1 1 1 1 1 1 1
1 1 1 2 2 2 2
1 2 2 1 1 2 2
1 2 2 2 2 1 1
2 1 2 1 2 1 2
2 1 2 2 1 2 1
2 2 1 1 2 2 1
2 2 1 2 1 1 2
2. Reconocer el arreglo en Minitab con:
Stat > DOE > Taguchi > Define Custom Taguchi Design
Factors A B C D
OK
Página 64 de 115
Esta columna es el resultado de los experimentos:
A C AxC B AxB CxB D Yi
1 1 1 1 1 1 1 11.2
1 1 1 2 2 2 2 10.8
1 2 2 1 1 2 2 7.2
1 2 2 2 2 1 1 7.0
2 1 2 1 2 1 2 8.0
2 1 2 2 1 2 1 6.9
2 2 1 1 2 2 1 10.4
2 2 1 2 1 1 2 10.1
3. Analizar el diseño con:
Con Minitab
Response data in Yi
Terms: A B C D
Options: Smaller is better
OK
Página 65 de 115
Los resultados son los siguientes:
Establecer conclusiones
4. Predecir la respuesta con Minitab
Predict Mean Signal to Noise Ratio
Terms: A C D E
Levels: Seleccionar Coded Units Select levels from a list: A = 1, B = 2, C = 2, D=1
OK
12. Una característica de calidad importante para un cierto producto metálico es el terminado,
que se mide según su planicidad en milésimas de pulgada (mmplg). Esta característica se
piensa es afectada por los siguientes factores:
Página 66 de 115
Factor Descripción Nivel 1 Nivel 2
A Temperatura del horno 1500 ºF1600 ºF
B Presión de prensado 200 psi 220 psi
C Velocidad de recocido 8 seg 12 seg
D Velocidad de alimentación ref. 80 gal/min 100gal/min
G Tipo de modelo chico grande
H Templabilidad del material 25 Rc 30 Rc
AxC Interacción
AxD Interacción
Los factores G y H son factores que no se pueden controlar durante el proceso, ya que el tipo
de modelo depende del requerimiento específico del cliente y la templabilidad es una
característica de la materia prima. Estos dos factores se consideran al menos inicialmente
como factores de ruido.
Por lo tanto, se consideran como factores de diseño a los factores A, B, C y D.
De acuerdo con esto, lo que se desea saber es cuáles deben ser las condiciones de operación
o niveles de los factores de diseño A, B, C y D, que lleven el producto a la característica
objetivo y además con la mínima variabilidad, a pesar de las variaciones en los factores G y H.
Arreglo interno
Considere únicamente los factores de diseño, se desea detectar 6 efectos en total, y para ello,
se requiere de un arreglo ortogonal L8. La gráfica lineal requerida es:
Página 67 de 115
1 A .2 B
5 A xC
4 C
AxD 6
7 D
La columna correspondiente a la línea punteada se utilizará para cuantificar el error. Una

posible asignación es:
Página 68 de 115
A B e C AxC AxD D Este será el arreglo
Nº 1 2 3 4 5 6 7 interno y consiste de 8
condiciones
experimentales/renglones
Arreglo externo
Considere ahora únicamente los factores de ruido G y H. Se requieren de dos columnas, de

manera que un arreglo ortogonal L4 es suficiente. El arreglo, al que llamaremos arreglo
externo es:
G H
Nº 1 2 3
1 1 1 1
2 1 2 2
3 2 1 1
4 2 2 1
Observe que no se asigna efecto alguno a la columna 3, la cual queda libre.
Arreglo total
Los dos arreglos anteriores se “mezclan” o “combinan” en un solo arreglo total, tal y como se
muestra:
1 2 2 1
H 1 2 1 2
Página 69 de 115
G 1 1 2 2
A B e C AxC AxD D
Nº 1 2 3 4 5 6 7 1 2 3 4
1 1 1 1 1 1 1 1 Y11 Y12 Y13 Y14
2 1 1 1 2 2 2 2 Y21 Y22 Y23 Y24
3 1 2 2 1 1 2 2 Y31 Y32 Y33 Y34
4 1 2 2 2 2 1 1 Y41 Y42 Y43 Y44
5 2 1 2 1 2 1 2 Y51 Y52 Y53 Y54
6 2 1 2 2 1 2 1 Y61 Y62 Y63 Y64
7 2 2 1 1 2 2 1 Y71 Y72 Y73 Y74
8 2 2 1 2 1 1 2 Y81 Y82 Y83 Y84
Página 70 de 115
Las 32 lecturas son las siguientes:
1 2 2 1
H 1 2 1 2
G 1 1 2 2
A B e C AxC AxD D
Nº 12 3 4 5 6 7 1 2 3 4
1 1 1 1 1 1 1 1 1.1 1.2 1.3 1.1
2 1 1 1 2 2 2 2 1.2 1.3 1.2 1.3
3 1 2 2 1 1 2 2 2.0 2.1 2.2 2.1
4 1 2 2 2 2 1 1 2.1 2.2 2.1 2.0
5 2 1 2 1 2 1 2 1.0 1.4 1.2 1.3
6 2 1 2 2 1 2 1 1.2 1.3 1.5 1.0
7 2 2 1 1 2 2 1 1.6 2.1 2.4 2.0
8 2 2 1 2 1 1 2 1.5 2.0 2.3 2.5
Totales= 11.7 13.6 14.2 13.3
Solución con Minitab se crea el arreglo con:
1. Diseñar el arreglo ortogonal definiendo las columnas para los factores principales y las
interacciones, en este caso:
FACTORES DE CONTROL
A B e C AxC AxD D
1 1 1 1 1 1 1
1 1 1 2 2 2 2
1 2 2 1 1 2 2
1 2 2 2 2 1 1
2 1 2 1 2 1 2
2 1 2 2 1 2 1
2 2 1 1 2 2 1
Página 71 de 115
2 2 1 2 1 1 2
2. Reconocer el arreglo en Minitab con:
Stat > DOE > Taguchi > Define Custom Taguchi Design
Factors A B C D
OK
Estas columnas es el resultado de los experimentos:
FACTORES DE CONTROL COMB. FACTORES DE RUIDO
H1_G H2_G H1_G H2_G

A B e C AxC AxD D 1 1 2 2
1 1 1 1 1 1 1 1.1 1.2 1.3 1.1
1 1 1 2 2 2 2 1.2 1.3 1.2 1.3
1 2 2 1 1 2 2 2 2.1 2.2 2.1
1 2 2 2 2 1 1 2.1 2.2 2.1 2
2 1 2 1 2 1 2 1 1.4 1.2 1.3
2 1 2 2 1 2 1 1.2 1.3 1.5 1
2 2 1 1 2 2 1 1.6 2.1 2.4 2
2 2 1 2 1 1 2 1.5 2 2.3 2.5
3. Analizar el diseño con:
Con Minitab
Response data in H1_G1 H2_G1 H1_G2 H2_G2
Página 72 de 115
Terms: A B C D
Options: Nominal is Best Seleccionar Use adjusted formula for nominal is best
OK
Los resultados son los siguientes (al 0.2 de nivel de significancia):
Suponga que por alguna razón para este ejemplo en particular, se tiene un valor deseado de
m= 2 mmplg.
4. Predecir la respuesta con A = 1 y B = 1.5 se tiene:
Predict Mean Signal to Noise Ratio
Terms: A B C D AxC AxD
Levels: Seleccionar Coded Units Select levels from a list: A = 1, B = 1, C = 1, D=1
OK
Conclusión: como el valor de la presión de prensado es el único factor que ajusta a la media,
debe ajustarse para que la planicidad se encuentre en su valor nominal de 2.
13. Ejemplo de fabricación de bolas de Golf
Se fabrican bolas de golf con un nuevo diseño para maximizar la distancia de vuelo.
Página 73 de 115
Se han identificado cuatro factores de control, cada uno con dos niveles:
- Material del nucleo (líquido y tungsteno)
- Diámetro del nucleo (118 y 156)
- Número de vueltas (392 y 422)
- Espesor del recubrimiento (0.03 y 0.06)
Se desea probar la interacción entre el material del nucleo y su diámetro.
Como respuesta se mide la distancia en dos clubes de golf como factor de ruido.
Como se quiere maximizar la respuesta se selecciona la relación señal a ruido Mayor es mejor.
Paso 1. Abrir el archivo de Minitab
File > Open worksheet GOLFBALL.MTW. Contiene el diseño y los datos de distancia de
respuesta.
Material Diameter Dimples Thickness Driver Iron
Liquid 118 392 0.03 247.5 234.3
Liquid 118 422 0.06 224.4 214.5
Liquid 156 392 0.03 59.4 49.5
Liquid 156 422 0.06 75.9 72.6
Tungsten 118 392 0.06 155.1 148.5
Tungsten 118 422 0.03 39.6 29.7
Tungsten 156 392 0.06 92.4 82.5
Tungsten 156 422 0.03 21.9 18.6
Reconocer el diseño con:
Página 74 de 115
Stat > DOE > Taguchi
Define custom Taguchi Design
Factors Material – Thickness
OK
Paso 2. Analizar el diseño
Stat > DOE > Taguchi > Analyze Taguchi Design.
En Response data are in, seleccionar Driver and Iron.
Click Analysis.
En Fit linear model for, seleccionar Signal-to-noise ratios and Means. Click OK.
Click Terms.
Mover los términos AB a Selected Terms con > o con doble click. Click OK.
Click Options.
En Signal to Noise Ratio, seleccionar Larger is better. Click OK en cada cuadro de diálogo
Los resultados se muestran a continuación:
Para la predicción se puede decidir qué factores e interacciones incluir, para mejorar la
predicción.
Stat > DOE > Taguchi > Predict Taguchi Results.
Quitar la selección de Standard deviation y Natural log of standard deviation.
Click Terms. Incluir los términos A, B, C, D, y AB en el cuadro Selected Terms. Click OK.
Click Levels.
En Method of specifying new factor levels, seleccionar Select levels from a list.
En Levels, click en los renglones y seleccionar los niveles de los factores mostrados en la tabla.
Página 75 de 115
Level
Factor
Material Liquid
Diameter 118
Dimples 392
Thickness 0.06
Página 76 de 115
14. Diseño Central Compuesto para optimización con Minitab:
Página 77 de 115
Página 78 de 115
Página 79 de 115
Corrida con Minitab
Paso 1. Crear el diseño de exp. Central Compuesto (CCD)
Stat> DOE > Surface Response > Create Response Surface Design

En Type of Designs seleccionar Central Composite
Number of factors 2

Página 80 de 115
En Designs seleccionar Full Runs 13 Center points 5 Axial 1.414
Number of center points seleccionar Default Value of Alfa Default
Replicates 1

En Factors seleccionar Nombre de los factores y niveles de los mismos

En Options seleccionar NO Randomize runs y Store Design in Worksheet

En Results seleccionar Summary table and Design Table
OK Design Table
Paso 2. Cargar los datos de respuesta de los experimentos
StdOrder RunOrder PtType Blocks A B Rendim. Viscocidad
1 1 1 1 -1 -1 76.5 62
2 2 1 1 1 -1 78.0 66
3 3 1 1 -1 1 77.0 57
4 4 1 1 1 1 79.5 59
5 5 -1 1 -1.41421 0 75.6 71
Página 81 de 115
6 6 -1 1 1.41421 0 78.4 68
7 7 -1 1 0 -1.41421 77.0 57
8 8 -1 1 0 1.41421 78.5 58
9 9 0 1 0 0 79.9 72
10 10 0 1 0 0 80.3 69
11 11 0 1 0 0 80.0 68
12 12 0 1 0 0 79.7 70
13 13 0 1 0 0 79.8 71
Paso 3. Analizar el Diseño de superficie de respuesta CCD
Stat> DOE > Surface Response > Analyze Surface Response Design

En Response seleccionar Rendimiento y Coded Units

En Graphs seleccionar Residual Plots o Normal Plot
OK
Página 82 de 115
El modelo es adecuado
Página 83 de 115
Página 84 de 115
Paso 4. Analizar gráficas de superficie de respuesta y contornos
Stat> DOE > Surface Response > Contour/Response Plots

Seleccionar Contour y Surface plots

En Setup de cada una simplemente entrar y salir
OK
Contour Plot of Rendim vs B, A

Rendim
< 74
74 - 75
1.0
75 - 76
76 - 77
77 - 78
0.5 Página 85 de 115 78 - 79
79 - 80
> 80
0.0
B
-1.0

-1.0 -0.5 0.0 0.5 1.0
A
Punto óptimo
A=0, B=0.5
Página 86 de 115
Stat> DOE > Surface Response > Overlaid Contour Plot

Seleccionar Variable de respuesta con >

En Contours establecer el Low 78 y High 84 de la respuesta
OK
Overlaid Contour Plot of Rendim

Rendim
78
84
1.0
0.5
0.0
B
-0.5
-1.0
-1.0 -0.5 0.0 0.5 1.0

A
Paso 5. Optimización de las respuestas
Stat> DOE > Surface Response > Response Optimizer

Seleccionar Variable de respuesta Rendim con >

Página 87 de 115
En Setup poner los valores para la estimación Lower 75 Target 80 Upper 90

En Options indicar los Starting Values de los niveles de los factores 0, 0
OK
Puntos óptimos
Optimal A B
Hi 1.4142 1.4142
D Cur [0.0] [0.1781]
1.0000 Lo -1.4142 -1.4142
Rendim
Targ: 80.0
y = 80.0000
d = 1.0000
El cálculo manual se reaiza como sigue:
 x1 
x 
x   2
... 
 
 xk 
 
 ˆ1 
 
 ˆ2   0.995
b      0.515
...   
 ˆ 
 k
 ˆ11 , ˆ12 / 2,..., ˆ1k / 2

 
 ˆ / 2, ˆ22 ,....ˆ2 k / 2
  1.376, 0.1250 
B   12    0.1250, 1.001 
   
 matriz.simetrica , ˆ 
  kk
1 1  0.7345, 0.0917   0.995  0.389 

xs   B 1b         
2 2  0.0917, 1.006   0.515   0.306 
1
ˆ s  ˆ0 
y xs b
2
Y = 79.94 + 0.995*A + 0.515B –1.376 A*A – 1.001 B*B + 0.25AB
Página 88 de 115
Con las ecuaciones de la página siguiente el punto máximo óptimo queda
en X1 = 0.389 y X2 = 0.306 Con una respuesta estimada Yest = 80.21
Contour Plot of Y
75
76 Surface Plot of Y
1
77
78
79
80 80.5
0
B
79.5
78.5
77.5
Y 76.5
75.5
-1 74.5 1.5
1.0
73.5 0.5
-1.5 -0.5
0.0
B
-1.0 -0.5 -1.0
0.0 0.5 -1.5
-1 0 1 A 1.0 1.5
Página 89 de 115
15. Ejemplo: Los datos mostrados en la siguiente tabla fueron colectados en un

experimento para optimizar el crecimiento de cristal semiconductor como función de de las
variables X1, X2 y X3. Los valores grandes de Y (rendimiento en gramos) son deseables.
StdOrde RunOrde
r r PtType Blocks X1 X2 X3 Y
1 1 1 1 -1 -1 -1 66
2 2 1 1 1 -1 -1 80
3 3 1 1 -1 1 -1 78
4 4 1 1 1 1 -1 100
5 5 1 1 -1 -1 1 70
6 6 1 1 1 -1 1 70
7 7 1 1 -1 1 1 60
8 8 1 1 1 1 1 75
9 9 -1 1 -1.68179 0 0 100
1.68179
10 10 -1 1 3 0 0 80
11 11 -1 1 0 -1.68179 0 68
1.68179
12 12 -1 1 0 3 0 63
13 13 -1 1 0 0 -1.68179 65
1.68179
14 14 -1 1 0 0 3 82
15 15 0 1 0 0 0 113
16 16 0 1 0 0 0 100
17 17 0 1 0 0 0 118
18 18 0 1 0 0 0 88
19 19 0 1 0 0 0 100
20 20 0 1 0 0 0 85
Página 90 de 115
Encontrar un modelo de ajuste de segundo orden y analizar la superficie ajustada, ¿bajo qué
condiciones se logra el máximo crecimiento? La salida de Design Expert es:
Página 91 de 115
Página 92 de 115
16. Los datos siguientes fueron colectados por un ingeniero químico. La respuesta Y es el
tiempo de filtración, X1 es la temperatura y X2 es la presión. Encontrar un modelo de segundo
orden.
StdOrde RunOrde
r r PtType Blocks X1 X2 Y
1 1 1 1 -1 -1 54
2 2 1 1 1 -1 32
3 3 1 1 -1 1 45
4 4 1 1 1 1 47
5 5 -1 1 -1.41421 0 50
1.41421
6 6 -1 1 4 0 53
7 7 -1 1 0 -1.41421 47
1.41421
8 8 -1 1 0 4 51
9 9 0 1 0 0 41
10 10 0 1 0 0 39
11 11 0 1 0 0 44
12 12 0 1 0 0 42
13 13 0 1 0 0 40
La salida de Design Expert es:
Página 93 de 115
Página 94 de 115
¿Qué condiciones de operación se recomiendan si el objetivo es minimizar el tiempo de

filtración?
Página 95 de 115
¿Qué condiciones de operación se recomiendan si se quiere operar en un tiempo de filtración

cercano a 46?
Página 96 de 115
17. Un experimentador corrió un diseño de Box-Behnken y obtuvo los resultados mostrados

abajo, donde la variable de respuesta es la viscosidad de un polímero.
StdOrde RunOrde
1 1 2 1 -1 -1 0 535
2 2 2 1 1 -1 0 580
3 3 2 1 -1 1 0 596
4 4 2 1 1 1 0 563
5 5 2 1 -1 0 -1 645
6 6 2 1 1 0 -1 458
7 7 2 1 -1 0 1 350
Página 97 de 115
8 8 2 1 1 0 1 600
9 9 2 1 0 -1 -1 595
10 10 2 1 0 1 -1 648
11 11 2 1 0 -1 1 532
12 12 2 1 0 1 1 656
13 13 0 1 0 0 0 653
14 14 0 1 0 0 0 599
15 15 0 1 0 0 0 620
Encontrar el modelo de segundo orden
¿En qué condiciones de X1, X2 y X3 se encuentra el punto estacionario?
Página 98 de 115
¿Qué condiciones de operación son necesarias si se requiere una viscosidad tan cercana a los
600 como sea posible?
18. Considerar el diseño de experimentos CCD mostrado abajo. Analizar los datos y establecer
conclusiones, asumir que se desea maximizar la Conversión (Y1) con la Actividad (Y2) entre 55
y 60.
StdOrde RunOrde
r r PtType Blocks X1 X2 X3 Y1 Y2
Página 99 de 115
1 1 1 1 -1 -1 -1 74.0 53.2
2 2 1 1 1 -1 -1 51.0 62.9
3 3 1 1 -1 1 -1 88.0 53.4
4 4 1 1 1 1 -1 70.0 62.6
5 5 1 1 -1 -1 1 71.0 57.3
6 6 1 1 1 -1 1 90.0 67.9
7 7 1 1 -1 1 1 66.0 59.8
8 8 1 1 1 1 1 97.0 67.8
9 9 -1 1 -1.68179 0 0 76.0 59.1
1.68179
10 10 -1 1 3 0 0 79.0 65.9
11 11 -1 1 0 -1.68179 0 85.0 60.0
1.68179
12 12 -1 1 0 3 0 97.0 60.7
13 13 -1 1 0 0 -1.68179 55.0 57.4
1.68179
14 14 -1 1 0 0 3 81.0 63.2
15 15 0 1 0 0 0 81.0 59.2
16 16 0 1 0 0 0 75.0 60.4
17 17 0 1 0 0 0 76.0 59.1
18 18 0 1 0 0 0 83.0 60.6
19 19 0 1 0 0 0 80.0 60.8
20 20 0 1 0 0 0 91.0 58.9
Las salidas del Design Expert son las siguientes:
Página 100 de 115

Página 101 de 115

Página 102 de 115

19. Diseño de mezclas generado con Minitab:
Stat > DOE > Mixture > Create Mixture Design
Seleccionar Simplex Lattice Number of components 4
Designs introducir los datos siguientes:
Options:
La tabla resultante del diseño es la siguiente:
Fuerza de Sineresis
StdOrder RunOrder PtType Blocks A B C D Gel
Página 103 de 115

1 1 1 1 1 0 0 0
2 2 1 1 0 1 0 0
3 3 1 1 0 0 1 0
4 4 1 1 0 0 0 1
5 5 0 1 0.25 0.25 0.25 0.25
6 6 -1 1 0.625 0.125 0.125 0.125
7 7 -1 1 0.125 0.625 0.125 0.125
8 8 -1 1 0.125 0.125 0.625 0.125
9 9 -1 1 0.125 0.125 0.125 0.625
Cuando se indica 1 0 0 0 solo se usa un componente en la mezcla, cuando se indica 0.625 de A,

0.125 de B, 0.125 de C y 0.125 de D, tanto A como B, C y D se incluyen en esas proporciones
dentro de la mezcla de los componentes.
La gráfica del diseño se obtiene con:
Stat > DOE > Mixture > Simplex design plot
Seleccionar Generate Plots for all triplets of components
OK
Página 104 de 115

Si la mezcla de los componentes representa el 10% del volumen total de la solución, ese 10%
es tu 100% de la mezcla.
Se realizan los experimentos (Run order) y se cargan los resultados de ambas respuestas.
En caso de haber sido los resultados:
Fuerza del gel Sineresis
3 12
2 43
5 54
21 61
1 23
9 4
3 7
4 8
1 9
Después se analiza el diseño con:
Stat > DOE > Mixture > Analyze mixture design
Responses Fuerza del gel Sineresis
Graphs Residuals for plots Standardized Individual plots: Normal Plot
OK
Regression for Mixtures: Fuerza del gel, Sineresis
The following terms cannot be estimated and were removed:
Página 105 de 115

B*D
C*D
Regression for Mixtures: Fuerza del gel versus A, B, C, D
Estimated Regression Coefficients for Fuerza del gel (component

proportions)
Term Coef SE Coef T P VIF
A 3.1 1.713 * * 1.493
B 2.1 1.713 * * 1.493
C 5.1 1.713 * * 1.493
D 21.1 1.713 * * 1.493
A*B 140.0 30.715 4.56 0.137 5.312 A y B o A y C

son sinérgicos
A*C 132.0 30.715 4.30 0.146 5.313 ya que refuerzan la

respuestas coef. +
A*D -201.6 28.909 -6.97 0.091 4.706 A y D o B y C

son antagónicos
B*C -157.6 28.909 -5.45 0.115 4.706 ya que disminuyen la

respuesta coef.-
S = 1.71701 PRESS = 2660.59
R-Sq = 99.08% R-Sq(pred) = 0.00% R-Sq(adj) = 92.63%
Analysis of Variance for Fuerza del gel (component proportions)
Página 106 de 115

Source DF Seq SS Adj SS Adj MS F P
Regression 7 317.274 317.274 45.3249 15.37 0.194
Linear 3 151.750 238.750 79.5833 26.99 0.140
Quadratic 4 165.524 165.524 41.3810 14.04 0.197
Residual Error 1 2.948 2.948 2.9481
Total 8 320.222
Unusual Observations for Fuerza del gel
Fuerza
Obs StdOrder del gel Fit SE Fit Residual St Resid
1 1 3.000 3.118 1.713 -0.118 -1.00 X
2 2 2.000 2.118 1.713 -0.118 -1.00 X
3 3 5.000 5.118 1.713 -0.118 -1.00 X
4 4 21.000 21.118 1.713 -0.118 -1.00 X
X denotes an observation whose X value gives it large leverage.
Para optimizar la respuesta:
Stat > DOE > Mixture > Response Optimizer
Responses Fuerza del gel Sineresis
Pasar con >> a Selected las dos respuestas Fuerza del Gel y Sineresis
Set up Fuerza de Gel Maximize Lower 1 Target 3
Página 107 de 115

Set up Sineresis Maximize Lower 1 target 3 Depende de los resultados
Options Starting value A 0.25 B 0.25 C 0.25 D 0.25
OK
Se ajustan gráficamente los valores de los factores A, B, C y D para optimizar al mismo

tiempo las respuestas Fuerza del gel y Sinerismo
20. Se describe un experimento de mezclas de gasolina involucrando a tres componentes. No

hay restricciones en las proporciones de la mezcla, se usa el siguiente diseño de mezclas:
Encontrar el modelo de segundo orden que maximice las millas por galón de gasolina Y.
Página 108 de 115

Preparada para Minitab
StdOrde RunOrde
1 1 1 1 1 0 0 24.5
2 2 1 1 0 1 0 24.8
3 3 1 1 0 0 1 22.7
4 4 2 1 0.5 0.5 0 25.1
5 5 2 1 0.5 0 0.5 24.3
6 6 2 1 0 0.5 0.5 23.5
0.33333 0.33333 0.33333

7 7 0 1 3 3 3 24.8
0.66666 0.16666 0.16666

8 8 -1 1 7 7 7 24.2
0.16666 0.66666 0.16666

9 9 -1 1 7 7 7 23.9
0.16666 0.16666 0.66666

10 10 -1 1 7 7 7 23.7
11 11 1 1 1 0 0 25.1
12 12 1 1 0 1 0 23.9
13 13 1 1 0 0 1 23.6
Página 109 de 115

0.33333 0.33333 0.33333

14 14 0 1 3 3 3 24.1
Página 110 de 115

21. Ejemplo de EVOP
Considerar un proceso químico con rendimiento dependiente de la temperatura (X1) y y la

presión (X2), las condiciones de operación actuales son X1 = 250ºF y X2 = 145 psi.
El rendimiento de 84.5 se introduce en el primer ciclo de la corrida de EVOP:
n = 1 Y = 84.5 en el punto (1) con X1 = 250 y X2 = 145
Página 111 de 115

n = 2 Y = 84.9 en el punto (1) [antes era el punto 3] con X1 = 255 y X2 = 150
Página 112 de 115

Ningún efecto excede a los límites de error por lo que las diferencias no fueron significativas
Página 113 de 115

n = 3 Y = 85.9 en el punto (1) [antes era el punto 3]
Aquí se observa que el efecto de la presión es significativa
Página 114 de 115

Página 115 de 115

Ejercicios de La Fase de Mejora

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Ejercicios de La Fase de Mejora

Cargado por

Copyright:

Formatos disponibles

EJERCICIOS LEAN SIGMA FASE DE MEJORA P.

Reyes / febrero de 2009

EJERCICIOS DE LA FASE DE MEJORA:

1. ¿Cuál es el propósito de la fase de mejora?

2. ¿Cuáles son los entregables de la fase de mejora? Dar un ejemplo.

a. Identificación de mejores niveles de operación

b. Generación de alternativas de solución, usar métodos de Creatividad

c. Evaluación de alternativas de solución con diagrama de árbol:

DESCRIPCIÓN ALTERNATIVAS VENTAJAS DESVENTAJAS FACTIBILIDAD SELECCIÓN

CAUSA 1 ALT. SOL. 1 a. a. Si SI

d. Selección de alternativas de solución

e. Plan 5W-1H para implementación de las soluciones seleccionadas

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

g. Implementación y documentación de la solución a nivel sistema

3. ¿Qué desventajas se observan cuando se experimenta con un factor a la vez?

4. ¿Qué es el diseño de experimentos?

5. ¿Cuáles son las ventajas que proporciona el diseño de experimentos?

6. ¿Cuáles los diferentes propósitos que puede tener un diseño de experimentos?

7. ¿Cuáles son los pasos principales para la realización de diseños de experimentos?

8. ¿Qué consideraciones deben tomarse en cuenta al planear y desarrollar experimentos?

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

Diseño experimental Aplicación

Factorial de dos niveles 2K Filtraje de factores significativos

Fraccional de dos niveles ½ 2K Filtraje de factores significativos – bajo costo

Taguchi Arreglos ortogonales Diseños robustos de productos y procesos

Factorial completo FK Identificación de mejores niveles de operación

Ascenso rápido Ruta hacia el punto de operación óptimo

Diseño central compuesto CCD Identificación del punto óptimo de operación

EVOP diseño evolutivo Experimentación en la producción sin afectarla

Diseños de mezclas Encontrar la mejor mezcla de ingredientes para el

Diseños óptimos - D Diseños por computadora para reducir costos

13. ¿Qué significan los conceptos siguientes?

14. ¿Qué son las interacciones y cómo se identifican?

15. ¿Qué características tiene un diseño experimental factorial completo?

16. ¿Qué características tiene un diseño experimental factorial de dos niveles?

21. ¿Qué indica la gráfica de superficie de respuesta?

22. ¿Cuál es el propósito de la gráfica de contornos?

23. ¿qué ventajas tiene el método de Taguchi?

24. ¿Qué es la relación S/N y qué ventajas tiene maximizar su valor?

25. ¿Cómo se obtiene la predicción de la respuesta en el método Taguchi?

28. ¿Cómo se puede cuantificar estos resultados?

30. ¿Cuáles son las salidas de la fase de mejora?

PROBLEMAS: (Utilizar Minitab 15 para las soluciones)

DISEÑOS DE EXPERIMENTOS FACTORIALES DE DOS NIVELES

1. Diseño de experimentos de dos niveles: En un proceso de mantenimiento de Generador de

Factor Nivel bajo Nivel Alto

A. Caudal de gas (l/min.) 8 12

B. Intensidad de Corriente (A) 230 240

C. Vel. de Cadena (m/min.) 0.6 1

Paso 1. Generar diseño

Stat > DOE > Factorial > Create Factorial Design

Seleccionar 2-Level factorial (default generators); Number of factors 3

Designs: Seleccionar Full Factorial Seleccionar Replicates 1

Factors: Caudal 8 12 Intensidad 230 240 Vel. 0.6 1

Options: Quitar bandera de Randomize runs

ESTADÍSTICAS > DOE > Factorial > Crear Diseño Factorial

Seleccionar Factorial de 2 niveles (generador de default); Numero de factores 3

Diseños: Seleccionar Factorial completo Seleccionar Réplicas1

Factores: Caudal 8 12 Intensidad 230 240 Vel. 0.6 1

Opciones: Quitar bandera de Aleatorizar corridas

Paso 2. Introducir los datos en el diseño:

StdOrder Caudal Intensidad Velocidad Y

2 12 230 0.6 26.5