Lean Sigma BB Mejora A

Lean Seis Sigma
Programa de certificación
de Black Belts
VII. Lean Seis Sigma - Mejora
P. Reyes / Abril 2010
1
Seis Sigma - Mejora
A. Diseño de experimentos
1. Introducción y terminología
2. Tipos de experimentos
3. Planeación de experimentos
4. Experimentos de un factor – ANOVA
 Una vía o dirección
 Una variable de bloqueo, dos vías o direcciones
 Dos variables de bloqueo – CUADRADO LATINO
 Tres variables de bloqueo – CUADRADO GRECOLATINO
5. Experimentos factoriales 2K de dos niveles
H. Implementación de soluciones
2
Fase de mejora
 Propósito:
 Desarrollar, probar e implementar soluciones que atiendan a
las causas raíz
 Salidas
 Acciones planeadas y probadas que eliminen o reduzcan el
impacto de las causas raíz identificadas
 Comparaciones de la situación antes y después para

identificar la dimensión de la mejora, comparar los
resultados planeados (meta) contra lo alcanzado
3
FASE DE MEJORA
Causas
raíz Técnicas de
Diseño de creatividad
experimentos Tormenta de
ideas
Optimización Ideas Metodología
TRIZ
Efecto de X's Generación de soluciones

en las Y =
CTQs
Evaluación de soluciones
(Fact., ventajas, desventajas)
¿Solución
No factible?
Si
Implementación de
soluciones y verificación
de su efectivdad
Soluciones
verificadas
4
VII.A Diseño de Experimentos
(DOE)
5
VII.A Diseño de experimentos
1. Introducción y terminología
2. Principios de diseño
3. Planeación de experimentos
4. Experimentos de un factor
5. Experimentos fraccionales de dos niveles
6. Experimentos factoriales completos
6
VII.A.1 Introducción y
terminología
7
Perspectiva histórica
 Ronald Fisher los desarrolla en su estación agrícola
experimental de Rothamsted en Londres (ANOVA)
1930
 Otros que han contribuido son: F. Yates, G.E.P. Box,

R.C. Bose, O. Kempthorne, W.G. Cochran, G. Taguchi
 Se ha aplicado el DOE en la agricultura y ciencias

biológicas, industria textil y lana, en los 1930’s
 Después de la II Guerra mundial se introdujeron en

la industria Química e industria electrónica
8
Introducción
 El cambiar un factor a un tiempo presenta las
desventajas siguientes:
 Se requieren demasiados experimentos para el estudio
 No se puede encontrar la combinación óptima de
variables
 No se puede determinar la interacción

 Se puede llegar a conclusiones erróneas
 Se puede perder tiempo en analizar las variables

equivocadas
9
¿Por qué no probar
un factor a la vez?
TEMPERATURA TEMPERATURA
1 3
PRESION
PRESION
Zona Máxima Conclusión de la Prueba
2 4
PRESION
Optimo
PRESION
Respuesta Máxima
Conclusión de la Prueba
TEMPERATURA TEMPERATURA
10
Introducción
 El DOE varia varios factores simultáneamente de
forma que se puede identificar su efecto combinado
en forma económica:
 Se identifican los Factores que son significativos

 No es necesario un alto conocimiento estadístico
 Las conclusiones obtenidas son confiables
 Se pueden encontrar los mejores niveles de

factores controlables que inmunicen al proceso11
¿Qué es un diseño de
experimentos?
Cambios deliberados y sistemáticos de las variables de entrada
(factores) para observar los cambios correspondientes en la
salida (respuesta).
Entradas Salidas (Y) Entradas Salidas (Y)
Diseño de
Proceso
Producto
12
Diseño de experimentos
 Proceso proactivo y estructurado para investigar las
relaciones entre los factores de entrada (x’s) y salida
(y) de un proceso.
 Los múltiples factores de entrada se consideran y

controlan al mismo tiempo para asegurar que el
efecto en la(s) respuesta(s) es causal y
estadísticamente significativo.
13
Diseño de experimentos
Factores conocidos no controlados
w1 w2 w3 w4 ... ws
E
N x1 y1 S
T A
L
R x2 y2 I
A
D .. PROCESO ..
.
D
A
A .
S
S ym
xa
Variables de respuesta (y’s)
Factores con niveles (CTQ’s)
(x’s)
z1 z2 z3 z4 ... zn
Factores desconocidos
14
Planeación empírica
versus planificada
Planear Fase 1
E
N S
Experimentar
I F
V U
E E Analizar
L R
Z
O
D
E
Tiempo
E
S
F E Fase 2
U S Planear Experimentar
E F
R U
Z E Analizar
O Planear Trabajar a Analizar R
Z
prueba O
y error Tiempo
15
El Diseño de experimentos tiene
como objetivos determinar:
 Las X’s con mayor influencia en las Y’s
 Cuantifica los efectos de las principales X’s

incluyendo sus interacciones
 Produce una ecuación que cuantifica la relación entre

las X’s y las Y’s
 Se puede predecir la respuesta en función de cambios

en las variables de entrada
16
Términos
 Obtención de réplicas: repetición del experimento (5
resultados en cada corrida experimental)
 Aleatorización: hacer en forma aleatoria:

 Permite confundir el efecto de los factores no controlables
 La asignación de los materiales utilizados en la
experimentación
 El orden en que se realizan los experimentos
 Bloqueo
- Orden de corridas aleatorio en cada bloque
(Ej. , bloque de tiempo: AM vs PM, o Día 1 vs Día 2).
17
Términos
 Bloques:
 Unidades experimentales homogéneas
 Bloqueo
 Cuando se estructuran experimentos factoriales
fraccionales, el bloqueo se usa para agrupar las

variables que desea evitar. Un bloque puede ser un
factor artificial que no interactúa con los factores reales
18
Términos
 Error experimental
 Variación en respuesta bajo las mismas condiciones de
prueba. También se denomina error residual.
 Fraccional
 Un arreglo con menos experimentos que el arreglo
completo (1/2, ¼, etc.)
 Factorial completo
 Arreglo experimental que considera todas las
combinaciones de factores y niveles
 Interacción
 Ocurre cuando el efecto de un factor de entrada en la
respuesta depende del nivel de otro factor diferente
19
Términos
 Nivel o Tratamiento
 Un valor específico para un factor controlable de
entrada (100ºC, 120ºC, 140ºC)
 Efecto principal
 Un estimado del efecto de un factor
independientemente del efecto de los demás
 Optimización
 Hallar las combinaciones de los factores que maximizen
o minimizen la respuesta
20
Términos
 Colinealidad
 Ocurre cuando 2 variables están completamente
correlacionadas
 Confundidos
 Cuando el efecto de un factor no se puede separar del
efecto de alguna de sus interacciones (A y BC, B y AC)
21
Términos
 Correlación
 Un número entre -1 y +1 que indica el grado de
relación lineal entre dos conjuntos de números. El cero

indica que no hay relación
 Covarianza
 Cosas que cambian durante los experimentos pero no
fueron planeadas a cambiar, como temperatura o

humedad. Con la aleatorización se alivia este problema.
Registrar los valores del covariado para su posible uso
en análisis de regresión
22
Términos
 Curvatura
 Comportamiento no lineal que requiere un modelo de
al menos segundo grado
 Grados de libertad (DOF, DF, df o )

 Número de mediciones independientes para estimar un
parámetro poblacional (vg. la media con n-1)
 EVOP (Evolutive operations)

 Describe una forma secuencial de experimentación
haciendo pequeños cambios en el proceso para
mejorarlo 23
Términos
 Error experimental
 Variación en respuesta bajo las mismas condiciones de
prueba. También se denomina error residual.
 Primer orden
 Se refiere a la potencia a la cuál un factor aparece en
el modelo. Si la “X” representa un factor y “B” su
efecto, entonces el siguiente modelo es de primer
orden para X1 y X2:
Y = Bo + B1*X1 + B2*X2 + error

24
Términos
 Factorial completo
 Arreglo experimental que considera todas las
combinaciones de factores y niveles
 Fraccional
 Un arreglo con menos experimentos que el arreglo
completo (1/2, ¼, etc.)
25
Factoriales completos
vs fraccionales
 Un diseño factorial completo es el que contiene todos los
niveles de todos los factores, no se omite ninguno
 Un diseño factorial fraccional es un diseño experimental
balanceado donde que contiene menos combinaciones de
todos los niveles y factores. Por ejemplo para 3 factores y
2 niveles se tiene:
26
Términos
 Experimento con mezclas
 Experimentos en los cuales las variables se expresan
como proporciones del todo sumando 1.0
 Experimentos aleatorios
 Reduce la influencia de variables extrañas en la
experimentación
 Error residual (e o E)
 Es la diferencia entre los valores observados y los
estimados por un modelo determinado empíricamente.
Puede ser la variación en resultados de condiciones de
prueba virtualmente idénticas
27
Términos
 Resolución I
 Experimentos donde se varia sólo un factor a la vez
 Resolución II
 Experimentos donde algunos efectos principales se
confunden, es indeseable
 Resolución III- Exp. fraccionales
 Experimentos fraccionales donde no se confunden los
efectos principales entre sí, sólo con sus interacciones
de dos factores
 Resolución IV- Exp. fraccionales
 No se confunden los efectos principales ni con sus
interacciones pero si lo hacen las interacciones entre si
28
Términos
 Resolución V – Exp. Fraccionales
 Sólo puede haber confusión entre interacciones de dos
factores con interacciones de tres factores o de mayor
orden
 Resolución VI - Exp. Factorial completo V+

 Experimentos sin confusión, factoriales completos o
dos bloques de 16 experimentos
 Resolución VII – Exp. Factoriales completos

 Experimentos en 8 bloques de experimentos
29
Factores y niveles
 Los factores son los elementos que cambian durante un
experimento para observar su impacto sobre la salida. Se
designan como A, B, C, etc.
- Los factores pueden ser cuantitativos o cualitativos

- Los niveles se designan como alto / bajo (-1, +1) o (1,2)
Factor cuantitativo,
Factor Niveles dos niveles
B. Temp. de Moldeo 600º 700º
E. Tipo de Material Nylon Acetal Factor cualitativo,
dos niveles
30
VII.A.2 Tipos de experimentos
31
Tipo de Diseño de Experimentos
Experimentación No es posible
posible experimentar
Diseños Diseños
Activos Pasivos
Factores Factores Se tiene No se tiene

Independientes Interdependientes Información Información
Histórica Histórica
Diseños Dependencia
Factoriales Parcial
Interdependencia Data Minning Caracterización
(B depende
de algunos ó
de A, pero
Todos los
Con Sin A no depende
factores
Restricciones Restricciones de B)
Diseños Diseños Diseños Diseños de

D-Optimal Ortogonales Anidados Mezclas
a b
32
a Diseños
Ortogonales
De filtraje
De Optimización De Caracterización
Diseños a 2 niveles Factores
con más de Diseños de
<5 4-15 > 15 2 niveles Superficie de
Factores Factores Factores Diseños Respuesta
Diseños Diseños <4 >4 con
Factorial Factores Factores
Factorial Punto
Completo Fraccionado Central
d
Factorial completo
Taguchi
Diseños
(2k) (2k-p) Plackett-Burman
Diseños
Bloqueado Ininterrumpida
Bloqueado Ininterrumpida
g
Diseños
Ejecución
Ejecución
en partes
en partes
Ejecución
Ejecución
Bloqueado
Bloqueado
2k-p no
2k no
2k-p
2k
33
2k con punto Ejecución
Central no Ininterrumpida
Bloqueado <5
Factores
2k con punto
Completo
Central Ejecución
en partes
Diseños Factorial
Con punto central

Bloqueado
g
2k-p con punto

Ejecución
Central no
Ininterrumpida
Diseños de
Bloqueado
4-15
caracterización
Factores
2k-p con punto

Ejecución
Fraccionado
Central
en partes
Diseños Factorial
Con punto central
Bloqueado
> 15
Diseños Todos los factores

Factores
Plackett-Burman Con 2 niveles

Con punto central
34
Diseños de
d Superficie de Respuesta
Todos los factores Hay factores

son continuos discretos
Diseño Central 2 >2
Compuesto ó Factores Factores
Diseño axial Diseño Central Factorial ó
Box-Behnken
(CCD) Diseño “Centrado en las caras”
Diseño
(CCF)
Bloqueado In-interrumpida
Bloqueado In-interrumpida
Ejecución
en partes
Ejecución
Ejecución
en partes
Ejecución
Bloqueado
CCD no
Bloqueado
CCD
CCF no
CCF
35
Diseño Todos los
Vértices Extremos factores son
Sin factores dependientes
de Proceso
Vértices Extremos
Diseños
Vértices
+ Factorial 2k
<5
F.I.*
Extremos
Algunos
Con
Vértices Extremos factores son
+ Factorial 2k-p Independientes
Restricciones
>3
F.I.*
Diseño Todos los
Simplex-Lattice factores son
De filtraje
de Proceso
b
Simplex-Lattice
Diseños
+ Factorial 2k
<5
F.I.*
Algunos
Simplex-Lattice
Simplex-Lattice factores son

>3
F.I.*
Mezclas
Simplex-Lattice Todos los

Diseños de
Aumentado factores son

de Proceso
S.L.** Aumentado
+ Factorial 2k
<5
F.I.*
Aumentado
Algunos
De Optimización
S.L.** Aumentado factores son

Diseños Simplex-Lattice
>3
F.I.*
Diseños Simplex
Diseño Todos los

Simplex-Centroide factores son
Sin Restricciones

de Proceso
Simplex-Centroide
De Caracterización
+ Factorial 2k
<5
Centroide
F.I.*
Algunos
36
factores son
Diseños Simplex
Simplex-Centroide
>3
F.I.*
Aplicación del DOE
 Selección entre diversas alternativas
 Selección de los factores clave que afectan la

respuesta
 Modelado de la superficie de respuesta para:

 Llegar al objetivo
 Reducir la variabilidad
 Maximizar o minimizar la respuesta
 Hacer un proceso robusto
 Buscar objetivos múltiples
37
VII.A.3 Planeación de
experimentos
38
Pasos del DOE
 Establecer objetivos
 Seleccionar variables del proceso
 Seleccionar un diseño experimental

 Ejecutar el diseño
 Verificar que los datos sean consistentes con los

supuestos experimentales
 Analizar e interpretar los resultados

 Usar / presentar los resultados
39
Objetivos experimentales
La selección de un diseño experimental depende de los
objetivos del experimento y del número de factores a
ser investigados:
 Objetivo comparativo
 Objetivo de filtraje de factores
 Objetivo del método de superficie de respuesta
 Optimizar las respuestas cuando los factores son
proporciones en un objetivo de mezclas

 Ajuste óptimo en un objetivo de modelo de regresión
40
Selección y escala
de variables del proceso
Las variables de proceso incluyen ambas entradas y
salidas, es decir factores y respuestas. La selección
de estas variables debe:
 Incluir todos los factores relevantes
 Ser brillantes en seleccionar los niveles de factores
bajos y altos
 Evitar ajustes de factores para combinaciones
imprácticas o imposibles
 Incluir todas las respuestas relevantes
 Evitar usar respuestas que combinen dos o más
mediciones de proceso
 Evitar valores extremos en los factores de entrada
41
Guías de diseño
Número de Objetivo Objetivo de Objetivo de
factores comparativo filtraje de superficie de
factores respuesta
1 1- factor - -
completamente
aleatorizado
2-4 Diseño Factorial Diseño central
aleatorizado completo o compuesto o
por bloques fraccional Box-Behnken
5 o más Diseño Factorial Fltrar primero
aleatorizado fraccional o para reducir el
por bloques Placket Burman número de
factores
42
Supuestos experimentales
 ¿Son capaces los sistemas de medición para todas las
respuestas?
 ¿Es estable el proceso?
 ¿Los residuos se comportan adecuadamente?
Modelo X1 La varianza se Requiere un término

Adecuado incrementa con X2 cuadrático agregado a X2
43
Interacciones
 Interacción
 Ocurre cuando el efecto de un factor de entrada en la
respuesta depende del nivel de otro factor de entrada
diferente
44
Interacciones
 Una interacción ocurre cuando el efecto de un factor de
entrada en la salida depende del nivel de otro factor de
entrada. A veces se pierden con los diseños factoriales
fraccionales
Sin interacción Interacción Interacción Interacción

moderada fuerte fuerte
45
Lista de verificación
típica del DOE
 Definir los objetivos del experimento
 Aprender acerca del proceso antes de la tormenta de

ideas
 Tormenta de ideas para definir la lista de las

variables clave dependientes e independientes
 Correr experimentos preliminares para afinar el

equipo y obtener resultados preliminares
46
Lista de verificación
típica del DOE
 Asignar niveles a cada variable independiente en
función del conocimiento sobre el proceso
 Seleccionar un plan estándar de DOE o desarrollar

uno
 Correr los experimentos en orden aleatorio y analizar

los resultados periódicamente
 Establecer conclusiones
47
El método iterativo del DOE
 Mientras que un experimento puede dar un resultado
útil, es más común realizar dos o tres o más
experimentos antes de dar una respuesta completa.
Esto es mejor y más económico.
48
Pasos para Diseñar y Realizar un
Diseño de Experimentos
1. Observar datos históricos y/o recolectar datos para
establecer la capacidad actual del proceso debe estar
en control estadístico.
2. Determinar el objetivo del experimento (CTQs a

mejorar).
Por medio de un equipo de trabajo multidisciplinario

3. Determinar qué se va a medir como resultado del
experimento.
4. Identificar los factores de control y de ruido que

pueden afectar el resultado. 49
5. Determinar el número de niveles de cada factor y sus
valores reales.
6. Seleccionar un esquema experimental que acomode

los factores y niveles seleccionados y decidir el
número de replicas.
7. Verificar todos los sistemas de medición (R&R < 10%)
8. Planear y preparar los recursos (gente, materiales,

etc.) para llevar a cabo el experimento. Hacer un plan
de prueba.
50
9. Realizar el experimento, identificar muestras con
la condición experimental que la produce
• Medir las unidades experimentales.
11. Analizar los datos e identificar los factores

significativos.
12. Determinar la combinación de niveles de factores que

mejor alcance el objetivo.
51
13. Correr un experimento de confirmación con esta

combinación "óptima".
14. Asegurar que los mejores niveles para los factores

significativos se mantengan por largo tiempo mediante
la implementación de Procesos de Operación Estándar
y controles visuales.
15. Re evaluar la capacidad del proceso.
52
Ejemplo: Proceso de atención a clientes
en un Call Center
 Objetivos de los experimentos
 Caracterizar el proceso (identificar los factores que

influyen en la ocurrencia de errores)
 Optimizar, identificar el nivel óptimo de los factores

críticos para reducir el número de errores
 Identificar los factores controlables que pueden afectar

a la respuesta Y = Tiempo de solución de problema
 Identificar los factores de ruido que no podemos o

queremos controlar 53
en un Call Center
 Variables de control X’s
 Número de líneas telefónicas
 Nivel del Personal
 Tiempo de acceso a bases de datos
 Horas laboradas al día
 Horas de atención
54
en un Call Center
 Variables que no se pueden o desean controlar Z’s –
Variables de ruido
 Edad del ejecutivo de cuenta
 Distribución del Call Center
 Día del año
 Medio ambiente
 Horarios de comida
55
Los Factores Pueden Afectar...
1. La Variación del Resultado 3. La Variación y el Promedio
Con
Banda ancha
Entren.
Sin
Banda
entren.
angosta
Tiempo del servicio Tiempo del servicio
2. El Resultado Promedio 4. Ni la Variación ni el Promedio

Suficientes
ejectuvos Ambos sexos
Pocos ejecutivos
Toman el mismo
tiempo
Tiempo del servicio Tiempo del servicio

56
Tipos de Salidas
Las salidas se clasifican de acuerdo con nuestros objetivos.
Objetivo Ejemplos de Salidas
1. El Valor Meta es el Mejor
Lograr un • Tiempo de atención
valor meta con
variación mínima • Tiempo de conexión
Meta
2. El Valor Mínimo es el Mejor
Tendencia de • Tiempo de Ciclo
salida hacia cero
• Tiempo de
conexión
0
3. El Valor Máximo es el Mejor Tendencia de salida • Confiabilidad
hacia arriba • Satisfacción
57
Estrategia cuando
el “Valor Meta es Mejor”
Paso 1: Encuentra los factores que

afectan la variación. Usa estos
factores para reducir al mínimo
la variación.
Paso 2: Encuentra los factores que

desplazan el promedio (y no
afectan la variación). Usa estos
factores para ajustar la salida
promedio con la meta deseada.
Meta
58
Estrategia cuando el
“Valor Mínimo es Mejor”
Tendencia de
salida baja
• El objetivo en este caso es encontrar los factores que

afectan la salida promedio (tiempo). Usa estos factores para
hacer que la tendencia del promedio sea baja.
• Cuando se reduce la variación en la salida al mínimo,
también se mejora la salida al detectar los factores que
contribuyen en gran medida a la variación.
59
Respuesta de Salida Y =Tiempo de
La salida que se mide como resultado del experimento
y se usa para juzgar los efectos de los factores. conexión
Factores A. Tiempo de llamada
B. LOcalización
Las variables de entrada de proceso que se C. Experiencia
establecen a diferentes niveles para observar D. Tipo de Material usado
su efecto en la salida.
Factor (X’s) Niveles

Niveles A. Tiempo llamada 30 60 min.
Los valores en los que se establecen los factores. B. Localización 1 2
C. Experiencia 1 3
D. Material usado A B
Interacciones Experiencia x Material

El grado en que los factores dependen unos de otros. usado:
Algunos experimentos evalúan el efecto de las El mejor nivel de Material
depende de la experiencia.
interacciones; otros no.
Corridas A B C D Datos
Pruebas o Corridas Experimentales 1 -1 -1 -1 -1
Las combinaciones de pruebas específicas de factores y 2 -1 -1 + +1
1
niveles que se corren durante el experimento. 3
.
-1 +1 -1 +1
.
-1=Nivel Bajo 60
+1=Nivel Alto
VII.A.4 Experimentos de un factor
61
Contenido
 ANOVA de un factor, una vía o una dirección
 ANOVA de un factor y una variable de bloqueo, dos

vías o dos direcciones
 ANOVA de un factor y dos variables de bloqueo –

CUADRADO LATINO
 ANOVA De un factor y tres variables de bloqueo –

CUADRADO GRECOLATINO
62
ANOVA para un factor
o dirección
63
ANOVA – Prueba de hipótesis para
probar la igualdad de medias de
varias poblaciones para un factor
Se trata de probar si el efecto de un factor o
Tratamiento en la respuesta de un proceso o sistema es
Significativo, al realizar experimentos variando
Los niveles de ese factor (Temp. 1, Temp. 2, Temp.3, etc.)
Ho : 1   2   3  .........   a
Ha : A lg unas. ' s.son.diferentes
64
ANOVA - Condiciones
 Todas las poblaciones son normales
 Todas las poblaciones tiene la misma varianza
 Los errores son independientes con distribución

normal de media cero
 La varianza se mantiene constante para todos los

niveles del factor
65
ANOVA – Ejemplo de datos
Niveles del Factor Peso % de algodón y Resistencia de tela
Peso porc. Respuesta
de algodón Resistencia de la tela
15 7 7 15 11 9
20 12 17 12 18 18
25 14 18 18 19 19
30 19 25 22 19 23
35 7 10 11 15 11
66
ANOVA – Suma de
cuadrados total
Xij
Gran media
Xij
a b 2
SCT    ( Xij  X )
i 1 j 1
67
ANOVA – Suma de cuadrados de
renglones (a)-tratamientos
Media Trat. 1 Media Trat. a
a renglones
Gran media
Media trat. 2
SCTr   b( X i  X ) 2
i 1
68
ANOVA – Suma de cuadrados
del error
X2j X3j
X1j
Media X1.
Media X3.
Media X2.
Muestra 1 Muestra 2 Muestra 3
a b
SCE   (X ij  X i) 2
i 1 j 1 69
ANOVA – Suma de cuadrados
del error
X2j X3j
X1j
Media X1.
Media X3.
Media X2.
Muestra 1 Muestra 2 Muestra 3
SCE  SCT  SCTr

70
ANOVA – Grados de libertad:
Totales, Tratamientos, Error
gl.SCT  n  1
gl.SCTr  a  1
gl.SCE  (n  1)  (a  1)  n  a
71
ANOVA – Cuadrados medios:
Total, Tratamiento y Error
MCT  SCT /( n  1)
MCTr  SCTr /( a  1)
MCE  SCE /( n  a )
72
ANOVA – Cálculo del estadístico
Fc y Fexcel
MCTr
Fc 
MCE
Fexcel  FINVALFA , gl. SCTr , gl.SCE
73
Tabla final de ANOVA
TABLA DE ANOVA
FUENTE DE VARIACIÓN SUMA DE GRADOS DE CUADRADO VALOR F

CUADRADOS LIBERTAD MEDIO
Entre muestras (tratam.) SCTR a-1 CMTR CMTR/CME
Dentro de muestras (error) SCE n-a CME
Variación total SCT n-1 CMT
Regla: Rechazar Ho si la Fc de la muestra es mayor que la F de Excel para una cierta alfa
o si el valor p correspondiente a la Fc es menor al valor de alfa especificado
74
ANOVA – Toma de decisión
Distribución F Fexcel
Alfa
Zona de no rechazo de Ho Zona de rechazo

O de no aceptar Ha De Ho o aceptar Ha
Fc
75
ANOVA – Toma de decisión
Si Fc es mayor que Fexcel se rechaza Ho

Aceptando Ha donde las medias son diferentes
O si el valor de p correspondiente a Fc es
menor de Alfa se rechaza Ho
76
ANOVA – Identificar las medias
diferentes por Prueba de Tukey T
CME
T  q , a , n  a
b
Para diseños balanceado
(mismo número de columnas
en los tratamientos) el valor
de q se determina por medio de
la tabla en el libro de texto
77
diferentes por Prueba de Tukey T
Se calcula la diferencia Di entre cada par de Medias Xi’s:
D1 = X1 – X2 D2 = X1 – X3 D3 = X2 – X3 etc.
Cada una de las diferencias Di se comparan con el

valor de T, si lo exceden entonces la diferencia es
Significativa de otra forma se considera que las medias
Son iguales
78
diferentes por Prueba de Diferencia
Mínima Significativa DMS
2(CME ) F ,1,n a
DMS 
b
Para diseños balanceados (los tratamientos
tienen igual no. De columnas), se calcula un
factor DMS contra el que se comparan las
diferencias Xi – Xi’. Significativas si lo exceden
79
Prueba DMS para Diseños no
balanceados
1 1
DMS j ,k     (CME ) F ,a 1,n  a
 b j bk 
Para diseños no balanceados (los
tratamientos tienen diferente no. De
columnas), se calcula un factor DMS
Para cada una de las diferencias Xi – Xi’
80
ANOVA Para un factor
principal y una variable de
bloqueo
Planes aleatorizados bloqueados
81
Diseños aleatorizados bloqueados
 Cuando cada grupo homogéneo del experimento
contiene exactamente una medición en cada
tratamiento, el plan experimental se denomina plan
aleatorizado bloqueado. Ver el ejemplo siguiente:
82
Diseños aleatorizados bloqueados
 Un ejemplo de diseño de bloques incompleto para la
respuesta a la tensión es:
83
varias poblaciones con dos vías
Se trata de probar si el efecto de un factor o
Tratamiento en la respuesta de un proceso o sistema es
Significativo, al realizar experimentos variando
Los niveles de ese factor (Temp.1, Temp.2, etc.)
POR RENGLON
Y
Considerando los niveles de otro factor que se piensa
Que tiene influencia en la prueba –VARIABLE DE BLOQUEO
POR COLUMNA
84
varias poblaciones con dos vías
Para el tratamiento – en renglones
Ho : 1   2   3  .........   a
Para la variable de bloqueo – en columnas
Ho :  '1   '2   '3  .........   'a

85
ANOVA de 2 vías - Ejemplo
Experiencia en años de los operadores

Maquinas 1 2 3 4 5
Maq 1 27 31 42 38 45
Maq 2 21 33 39 41 46
Maq 3 25 35 39 37 45
86
ANOVA – Dos vías o direcciones
 La SCT y SCTr (renlgones) se determina de la misma
forma que para la ANOVA de una dirección o factor
 En forma adicional se determina la suma de

cuadrados del factor de bloqueo (columnas) de
forma similar a la de los renglones
 La SCE = SCT – SCTr - SCBl
87
ANOVA de 2 vías – Suma de
cuadrados, gl. y Cuadrado medio
para el factor de bloqueo (en cols)
b
SCBl   a ( X j  X ) 2
j 1
gl.SCBl  b  1
CMBl  SCBl /(b  1)
88
para el error
SCE  SCT  SCTr  SCBl

gl.SCE  (n  a )( n  b)
CME  SCBl /( n  a )( n  b)
89
Fc y Fexcel
MCTr
Fc 
MCE
90
ANOVA de 2 vías – Cálculo del
estadístico Fcbl y Fexcel bloques
(columnas)
MCBl
Fc 
MCE
Fexcel  FINVALFA , gl. SCBl , gl .SCE
91
Tabla final ANOVA 2 vías
Entre muestras (tratam.) SCTR a-1 CMTR CMTR/CME
Entre Bloques (Factor Bl) SCBl b-1 CMBL CMBL/CME
Dentro de muestras (error) SCE (a-1)(b-1) CME
Regla: No rechazar si la F de la muestra es menor que la F de Excel para una cierta alfa
92
ANOVA – 2 vías Toma de decisión
Distribución F Fexcel
Alfa
Zona de no rechazo de Ho Zona de rechazo

O de no aceptar Ha De Ho o aceptar Ha
Fc
Tr o Bl 93
ANOVA – 2 vías Toma de decisión
Si Fc (Tr o Bl) es mayor que Fexcel se rechaza

Ho Aceptando Ha donde las medias son
diferentes
O si el valor de p correspondiente a Fc (Tr o Bl)

es menor de Alfa se rechaza Ho
94
Cálculo de los residuales
ˆ ij  yi .  y. j  y..
y Y estimada
eij  yij  y
ˆ ij Error o residuo
MSE Error estándar

s yi . 
b
Rk  r0.05, k , gl . MSE * s yi . Factor de comparación
Si la diferencia de medias excede a Rk es significativa

95
Adecuación del modelo
 Los residuales deben seguir una recta en la gráfica
normal
 Deben mostrar patrones aleatorios en las gráficas de

los residuos contra el orden de las Yij, contra los
valores estimados y contra los valores reales Yij
96
ANOVA para un factor
principal y dos o tres variables
de bloqueo
CUADRADO LATINO Y
GRECOLATINO
97
ANOVA – 3, 4 y 5 vías
 El diseño de Cuadrado latino utiliza dos variables de
bloqueo adicionales al factor de Tratamiento
 EL diseño de Cuadrado Grecolatino utiliza tres

variables adicionales al factor de Tratamiento
 El diseño de Cuadrado Hipergrecolatino utiliza cuatro

variables de bloqueo adicionales al factor de
tratamiento
98
ANOVA – Diseño de Cuadrado Latino
 Este diseño es útil para incluir dos fuentes de no homogeneidad
en las condiciones que afectan los resultados de las pruebas
 Una tercera variable, que es el tratamiento experimental se

aplica a las variables fuente de manera balanceada
 Un diseño de cuadrado latino es un experimento factorial

fraccional restringido por dos condiciones:
 El número de columnas, filas y tratamientos debe ser la
misma
 No debe hacer interacciones esperadas entre los factores de
filas y columnas
99
ANOVA – Diseño de Cuadrado Latino
 Se prueban 5 autos, con 5 carburadores diferentes
para determinar el consumo de gasolina con 5
chóferes en un cuadrado latino de 5 x 5.
100
ANOVA – Cuadrado Latino:
Factor principal (A,B,C,D)
b
SCTr   a ( X Tr  X ) 2
j 1
gl.SCTr  a  1  b  1
CMTr  SCTr /(b  1)
101
ANOVA – Cuadrado Latino: Cálculo
del error
SCE  SCT  SCTcol  SC Re ng  SCTr

gl.SCE  (a  2)( a  1)
CME  SCE /( a  2)( a  1)
102
Fc y Fexcel
MCTr
Fc 
MCE
103
ANOVA – Cuadrado Latino Reng / Col
MC Re ng
Fcreng 
MCE
MCCols
Fcols 
MCE
Fexcel  FINVALFA , gl.SCBl , gl.SCE
104
Tabla final ANOVA vías Factores
Renglores SCRen a-1 CMRen CMRen/CME
Columnas SCCol b-1 CMCol CMCol/CME
Tratamiento SCTr a-1 CMTr CMTr/CME
Dentro de muestras (error) SCE (a-2)(a-1) CME
105
Cuadrado Latino
Años exp. Turno
Empleado Mañana Tarde Noche
1 B=15 A=18 C=11
2 C=12 B=20 A=9
3 A=17 C=19 B=10

A, B, C = Máquinas 1, 2 y 3
106
Cuadrado Latino
Emplead Respuest
Maquina Turno o a
B M 1 15
A T 1 18
C N 1 11
A M 2 12
B T 2 20
C N 2 9
A M 3 17
C T 3 19
B N 3 10
107
Cuadrado Latino - Minitab
Stat>ANOVA> General Linear Model
108
Results
Factor Type Levels Values
Maquina fixed 3 A, B, C
Turno fixed 3 M, N, T
Empleado fixed 3 1, 2, 3
Analysis of Variance for Respuesta, using Adjusted SS for

Tests
Source DF Seq SS Adj SS Adj MS F P

Maquina 2 11.556 1.422 0.711 0.13 0.886
Turno 2 111.422 111.422 55.711 10.11 0.090
Empleado 2 4.222 4.222 2.111 0.38 0.723
Error 2 11.022 11.022 5.511
Total 8 138.222
109
Turno significativo
Main Effects Plot for Respuesta
Fitted Means
Maquina Turno
18
16
14
12
10
Mean
A B C M N T
Empleado
18
16
14
12
10
1 2 3
110
Diseño de cuadrado Greco Latino
 Es una extensión del diseño Cuadrado Latino con una
variable de bloqueo extra para tener 3 variables de
bloqueo, por ejemplo si se agrega el día se tiene:
111
ANOVA – Cuadrado Grecolatino
b
SCG   a ( X m  X ) 2
m 1
gl.SCG  b  1
CMG  SCG /(b  1)
112
para el error
SCE  SCT  SCTr  SCG  SC Re n  SCCol

gl.SCE  (a  3)( a  1)
CME  SCE /( a  3)( a  1)
113
Fc y Fexcel
MCG
Fc 
MCE
114
ANOVA – Cuadrado Grecolatino
MCTr
Fc 
MCE
Fexcel  FINVALFA , gl. SCBl , gl .SCE
115
Tabla final ANOVA 2 Factores
Renglores SCRen a-1 CMRen CMRen/CME
Columnas SCCol b-1 CMCol CMCol/CME

Letras griegas SCG a-1 CMG CMG/CME
Tratamiento SCTr a-1 CMTr CMTr/CME
Dentro de muestras (error) SCE (a-3)(a-1) CME
116
Cuadrado Greco Latino
Experiencia de los operadores
Lotes MP 1 2 3 4 5
1 Aa=-1 Bc=-5 Ce=-6 Db=-1 Ed=-1
2 Bb=-8 Cd=-1 Da=5 Ec=2 Ae=11
3 Cc=-7 De=13 Eb=1 Ad=2 Ba=-4
4 Dd=1 Ea=6 Ac=1 Be=-2 Cb=-3
5 Ee=-3 Ab=5 Bd=-5 Ca=4 Dc=6
a, b, c y d son 5 diferentes tipos de montaje A, B, C, D y E son las 5 formulaciones a probar
117
Cuadrado Greco latino en Minitab
 Se introducen las respuestas en una columna C1
 Se introducen los subíndices de los renglones en una
columna C2
 Se introducen los subíndices de las columnas en una

columna C3
 Introducir los subíndices del factor adicional de letras
griegas con letras latinas minúsculas (a,b,c,d,e) en C4
 Se introducen las letras mayúsculas que indican el nivel

del factor (A, B, C, D, etc.) correspondientes a cada
respuesta en la columna C5
118
Cuadrado Greco latino en Minitab
 Opción: ANOVA – General linear model
 En Response indicar la col. de Respuesta,
 En Model indicar la columna del factor e indicar las

variables adicionales al del efecto principal a probar (A,
B, C, D). También se pueden indicar interacciones entre
factores x-y con Cx * Cy
 Pedir gráfica de residuales Normal y vs fits y orden
119
Diseño de cuadrado hipergrecolatino
 Permite el estudio de tratamientos con más de tres
variables de bloqueo, por ejemplo:
120
VII.A.5 Experimentos factoriales 2K
121
Diseños factorial completo 2K
ALTO
ALTO
Representa- B
ción Gráfica BB ALTO
BAJO
C
BAJO
A
ALTO BAJO
BAJO
AA Factor
BAJO ALTO
Prueba A B C
AA BB 1 - - -
2 + - -
1 - - 3 - + -
Representa-
ción Tabular 2 + - 4
5
+
-
+
-
-
+
3 - + 6 + - +
7 - + +
4 + + 8 + + +
122
Experimentos de Factoriales Completos-
todas las combinaciones
Niveles
Factores Bajo Alto
Temperatura 350° 400°
Tiempo 1min. 2min.
Todas las combinaciones

Temperatura Tiempo
Corrida 1: 350° 1min.
123
Número de Niveles
• En Dos Niveles nos permite considerar únicamente
los efectos lineares.
• En Tres Niveles hay la necesidad de ejecutar más
pruebas, sin embargo, nos permite buscar la curvatura,
es decir, los efectos cuadráticos.
y y
1 2 1 2 3
2 Niveles 3 Niveles
124
Diseños de Dos Niveles
• Una estrategia que frecuentemente se emplea es
la de considerar un gran número de factores, cada
uno dispuesto en dos niveles para identificar los
factores que son significativos.
125
Determinación del Número de
Combinaciones de Prueba
El número de combinaciones de prueba para un
factorial completo con factores k, cada uno en dos
niveles es:
n2k
Por lo tanto, a estos diseños se les
conoce como diseños 2k .
126
Codificación de los
Niveles de los Factores
Los niveles de los factores para los diseños 2k
se codifican como: Nivel bajo = -1 Nivel alto = +1
Diseño 22: Diseño 23:

Corrida A B Corrida A B C
1 -1 -1 1 -1 -1 -1
2 +1 -1 2 +1 -1 -1
3 -1 +1 3 -1 +1 -1
4 +1 +1 4 +1 +1 -1
5 -1 -1 +1
6 +1 -1 +1
Minitab puede manejar 7 -1 +1 +1
diseños hasta 27 . 8 +1 +1 +1
127
Experimento factorial completo –
sin interacción
 Un experimento factorial completo es un experimento donde se
prueban todas las posibles combinaciones de los niveles de todos los
factores.
Factor A:
-1 +1
+1 30 52
Factor B: Y = Respuesta
-1 20 40
Efecto del factor A = (52+40)/2 - (30+20)/2 = 21

Efecto del factor B = (30+52)/2 - (20+40)/2 = 11
Efecto de A*B = (52+20)/2 – (30+40)/2 =1
128
Experimento sin interacción
B = +1 30 52
Respuesta
Promedio
B = -1 20 40
A = -1 A = +1
129
Experimento sin interacción
Respuesta
52
+1
B=
1 40
30 B =-
20
A = -1 A = +1
130
Modelo de regresión lineal
y  b 0  b1 x1  b 2 x2  b12 x1 x2
bˆ  (20  40  30  52) / 4  35.5
0
bˆ1  21/ 2  11
bˆ2  11/ 2  5.5
bˆ12  1/ 2  0.5
ˆ  35.5  10.5 x1  5.5 x2  0.5 x1 x2
y
El coeficiente 0.5 es muy pequeño dado que no hay interacción
131
Gráfica de contornos – Experimentos
sin interacción
1 49 Dirección
De ascenso
46 rápido
.5 40
X2 34
0
28
-.5 22
-1
X1 -1 -.6 -.4 -.2 0.0 +.2 +.4 +.6 +.8 +1
132
Superficie de respuesta –
Experimentos sin interacción
Y = respuesta
Superficie de respuesta
Gráfica del modelo de regresión
X1
X2
133
Experimento factorial completo –
con interacción
 Un experimento factorial completo es un experimento donde se
prueban todas las posibles combinaciones de los niveles de todos los
factores.
Factor A = X1 :
-1 +1
+1 40 12
Y = Respuesta
Factor B = X2:
-1 20 50
Efecto de A*B = {(12+20)-(40+50)}/2 = -29
134
Experimento con interacción
B = +1 40 12
Respuesta
Promedio
B = -1 20 50
A = -1 A = +1
135
Modelo de regresión lineal
y  b 0  b1 x1  b 2 x2  b12 x1 x2
bˆ  (20  40  30  52) / 4  30.5
0
bˆ1  2 / 2  1
bˆ2  18 / 2  9
bˆ12  58 / 2  29
ˆ  30.5  1x1  9 x2  29 x1 x2
y
El coeficiente -29 es muy grande representando la interacción
137
Gráfica de contornos
1 49 Dirección
De ascenso
25 43 rápido
.5
40
X2 31 34
0
28
-.5
-1
X1 -1 -.6 -.4 -.2 0.0 +.2 +.4 +.6 +.8 +1
138
Superficie de respuesta –
Experimentos con interacción
Superficie de respuesta
Gráfica del modelo de regresión
139
Experimento factorial con réplicas
 Un experimento factorial con réplicas tiene varios
resultados bajo la misma combinación de niveles
Factor A :
Horas entrenamiento
70 90
Factor B: 30’ y1 y5
Acceso al y2 Y = Tiempo de
Y6
sistema respuesta
y3 y7
60’
y4 y8
140
Análisis del efecto de la media
Factor A :
Horas de entrenam.
70 90
Factor B:
90 84
Acceso al 30 min.
87 87 Y = Tiempo de
sistema
95 79 conexión
60 min.
92 78
• ¿El tiempo de entrenamiento afecta el tiempo de conexión?

• ¿El tiempo de acceso afecta el tiempo de conexión?
• ¿Qué efecto tiene la interacción entre las horas de
entrenamiento y la hora del día sobre el tiempo de conexión?
141
El Efecto del entrenamiento
Factor B : Factor A : Horas de
Tiempo de entrenamiento
acceso
A1 = 70 A2 = 90
B1 = 30 min.
90 84
87 87
B2 = 60 min.
95 79
95
Tiempo de conexión
92 78 91
90
A1 = 90 + 87 + 95 + 92 = 91
85
82
4 80
84 + 87 + 79 + 78 = 82
A2 = 70 o
90
4
¿El tiempo de entrenamiento parece cambiar el

tiempo de conexión Y?
142
El Efecto del Tiempo de acceso
Factor B : Factor A : Horas de
Tiempo de entrenamiento
acceso
A1 = 70 A2 = 90
B1 = 30 min.
90 84
87 87
B2 = 60 min.
95 79
92 78 95
Tiempo de conexión
90 87
86
B1 = 90 + 87 + 84 + 87 = 87
85
4 80
95 + 92+ 79 + 78 = 86
B2 = 30 min. 60 min.
4
¿El cambio de tiempo de acceso parece cambiar

el tiempo de atención promedio del Call Center?
143
El Efecto de la Interacción
Factor A : Horas de entrenamiento
Factor B : Tiempo de o
A1 = 70 A2 = 90 o
acceso
B1 = 30 90 84
min. 87 87
B2 = 60 95 79
95
Tiempo de conexión
min. 92 78
70
A1 A2 90
B1 88.5 85.5
85
90
B2 93.5 78.5 80
30 min. 60 min.
A,B, = 90 + 87 = 88.5
2
• En una gráfica de interacción, las líneas paralelas indican que no hay interacción. ¿Por qué?
• ¿Las horas de entrenamiento y el tiempo de acceso parecen interactuar?
• ¿Qué niveles de los factores deben usarse para reducir al mínimo la dureza de
las partes? 144
Corrida con Minitab – Creación del diseño
para 2 factores 2 niveles
Stat > DOE > Factorial > Create Factorial Design
o Two level
Designs: Number of center points 0
Number of Replicates 2
Number of blocks 1 OK
Options Non randomize runs OK

Factors Introducir el nombre real de los factores
y en forma opcional los niveles reales
Results Summary table, alias table OK

146
Corrida con Minitab – Análisis del
diseño factorial
 Hacer una columna de RESPUESTAS e introducir los datos
correspondientes a cada celda
Stat > DOE > Factorial > Analyze Factorial Design
Response Seleccionar la columna de las respuestas

Residuals Estandardized
Terms Pasar todos los términos a Selected con >> OK
Graphs Seleccionar Effects Plots Normal y Pareto
Seleccionar Residual plots: Normal y vs fits OK
Results Full table of fits and residuals
Seleccionar todos los términos con >> OK
OK
147
Corrida con Minitab –
Interpretación de gráficas
MAIN EFFECTS
 La gráfica de EFFECTS PLOT debe indicar fuera de la recta los
factores e interacciones que son significativas
 La gráfica EFFECTS PARETO debe indicar en sus barras

principales más allá de la recta de 0.1 o 0.05 los factores e
interacciones significativas
RESIDUALS
 La gráfica NORMAL PLOT de residuos debe mostrar los puntos
cerca de la recta
 La gráfica de residuos RESIDUALS vs FITS debe mostrar
aleatoriedad en los residuos
148
Corrida con Minitab –
Interpretación de resultados
Estimated Effects and Coefficients for Res (coded units)
Term Effect Coef SE Coef T P Variables significativas (p < 0.05, 0.1)

Constant 86.500 0.6614 130.78 0.000
A -9.000 -4.500 0.6614 -6.80 0.002
B -1.000 -0.500 0.6614 -0.76 0.492
A*B -6.000 -3.000 0.6614 -4.54 0.011
Modelo de regresión Y = 86.5 – 4.5 A – 3 AB (incluyendo sólo las variables significativas)
Analysis of Variance for Res (coded units)

Source DF Seq SS Adj SS Adj MS F P
Main Effects 2 164.00 164.00 82.000 23.43 0.006 Existencia del modelo
2-Way Interactions 1 72.00 72.00 72.000 20.57 0.011
Residual Error 4 14.00 14.00 3.500
Pure Error 4 14.00 14.00 3.500
Total 7 250.00
149
Tabla ANOVA – Experimento de
Tiempo de respuesta
Las horas de
Origen DF SS Sec SS Aj MS Aj F P
entr. son
significativas.
Temp 1 162.000 162.00 162.00 46.29 0.002
El Tiempo de
Tiempo 1 2.000 2.000 2.000 0.57 0.492 acceso, no es
significativo.
Temp* 1 72.000 72.000 72.000 20.57 0.011
Tiempo
La interacción
Error 4 14.000 14.000 3.500 del tiempo de
acceso y horas
Total 7 250.000 de entr. es
significativa.
150
Corridas con Minitab – Gráficas
factoriales
Crear las gráficas factoriales y de interacción:
Stat > DOE > Factorial > Factorial Plots

Seleccionar Main effects e Interaction Plots
Setup para ambas: Seleccionar columna Respuesta
y con >> seleccionar todos los factores OK
Seleccionar Data Means OK
151
Interpretación de gráficas
 Si la interacción es significativa, entonces los mejores
niveles de operación del proceso ya sea para
maximizar o para minimizar la respuesta Y, se
seleccionan de la Gráfica de Interacción
 Si no es significativa la interacción, entonces los

mejores niveles de los factores se seleccionan de las
gráficas de efectos principales
152
Gráfica de efectos principales
Main Effects Plot (data means) for Res
90
88
Res
86
84
82
A B
153
Gráfica de interacciones
Interaction Plot (data means) for Res
A
-1
1
90
Mean
85
80
-1 1
B
154
Corridas con Minitab – Gráficas de
contorno y superficie de respuesta
Crear las gráficas de contorno y superficies de respuesta:
Stat > DOE > Factorial > Contour/Surface Plots
Seleccionar Contour / Surface Plots

Setup para ambas: Entrar a opción y dar OK
Seleccionar OK
155
Gráfica de contorno
Contour Plot of Res
1 82.5
85.0
87.5
90.0
92.5
0
B
-1
-1 0 1
A
Permite identificar la dirección de experimentación

de ascenso rápido perpendicular a los contornos
156
Gráfica superficie de respuesta
Surface Plot of Res
95
90
Res 85
80 1
-1
0 B
0 -1
A 1
157
Diseños de experimentos de tres
factores dos niveles
158
Factorial Completo con 3 Factores
Diseño 23, Factores A, B, C.

Permite la evaluación de todos los efectos:
Efectos Interacciones con Interacciones con

Principales 2 factores 3 factores
A AB ABC
B AC
C BC
159
Factorial completo con 3 factores
Corrida A B C
1 -1 -1 -1
2 +1 -1 -1
3 -1 +1 -1
4 +1 +1 -1
5 -1 -1 +1
6 +1 -1 +1
7 -1 +1 +1
8 +1 +1 +1
160
Diseño 23 con Columnas
de Interacción
Fila A B C AB AC BC ABC
1 -1 -1 -1 +1 +1 +1 -1
2 +1 -1 -1 -1 -1 +1 +1
3 -1 +1 -1 -1 +1 -1 +1
4 +1 +1 -1 +1 -1 -1 -1
5 -1 -1 +1 +1 -1 -1 +1
6 +1 -1 +1 -1 +1 -1 -1
7 -1 +1 +1 -1 -1 +1 -1
8 +1 +1 +1 +1 +1 +1 +1
Las columnas de interacción se obtienen multiplicando

los datos ingresados en la columna factor.
Las columnas de interacción no se usan para ejecutar
las pruebas.
Estas se usan en el análisis de los datos resultantes.
161
Análisis de los Datos
1. Análisis de las Medias
Determina los factores que afectan la respuesta
promedio.
2. Análisis de Desviación Estándar

Determina los factores que afectan la variabilidad
en la respuesta.
En ambos casos, se analizan los datos usando……
- Tablas y Gráficas de Respuesta
- Los valores P para significancia de los
coeficientes.
162
Experimento Factorial - 2 niveles
A B C
Leyenda:
1. - - -
- : Nivel bajo de un factor
2. + - -
+ : Nivel alto de un factor
3. - + -
Factor – +
4. + + -
A. Perfil #1 Posición 1 Posición 2
B. Angulo 90° 105° 5. - - +
C. Presión Baja Alta 6. + - +
7. - + +
Esta distribución
experimental muestra todas 8. + + +
las combinaciones posibles
de 3 factores en 2 niveles
163
La Distribución Experimental
A B C Muestra 1 Muestra 2 Muestra 3
1. - - - 19.18 19.02 19.09
2. + - -
3. - + -
4. + + -
5. - - +
6. + - +
7. - + +
8. + + +
Las corridas experimentales Entonces, tres piezas se
están dadas por las filas. Por manufacturan con el proceso
ejemplo, la corrida #1 nos establecido en los niveles bajos de
dice que todos los factores A, B y C. La dimensión interna se
deben posicionarse en sus mide y se registra.
niveles bajos (-). 164
Datos Experimentales Completos
A B C Muestra 1 Muestra 2 Muestra 3
1. - - - 19.18 19.02 19.09
2. + - - 19.15 19.40 19.62
3. - + - 19.41 18.82 19.14
4. + + - 19.89 18.94 19.40
5. - - + 18.73 18.63 18.79
6. + - + 19.17 18.76 18.94
7. - + + 18.40 18.73 19.04
8. + + + 18.54 19.46 18.97
Se estableció cada una de las 8 combinaciones de la
prueba y se manufacturaron tres piezas en cada
combinación.
165
Búsqueda de los Factores que Afectan al
Diámetro Promedio
A B C Muestra 1 Muestra 2 Muestra 3 Prom.
1. - - - 19.18 19.02 19.09 19.10
2. + - - 19.15 19.40 19.62 19.39
3. - + - 19.41 18.82 19.14 19.12
4. + + - 19.89 18.94 19.40 19.41
5. - - + 18.73 18.63 18.79 18.72
6. + - + 19.17 18.76 18.94 18.96
7. - + + 18.40 18.73 19.04 18.72
8. + + + 18.54 19.46 18.97 18.99
Para identificar cuáles son los factores que afectan la
dimensión promedio de las piezas, primero
calculamos el promedio de cada una de las
combinaciones de prueba.
166
Evaluación del Efecto del Factor C
A B C Prom.
1. - - - 19.10
 19 .39  19.12  19 .41
2. + - - 19.39 Prom. en C  19 .10  19 .26
3. - + - 19.12 4
4. + + - 19.41
5. - - + 18.72
  
6. + - + 18.96 Prom. en C  18 .72 18.96 18.72 18 .99  18 .85
7. - + + 18.72 4
8. + + + 18.99
El Factor C tiene un efecto en la respuesta promedio si la

dimensión promedio en el nivel C– difiere de la dimensión
promedio en el nivel C+.
167
Tabla de Respuesta
para las Medias
A B C Prom. A B C
1. - - - 19.10
– 18.92 19.04 19.26
2. + - - 19.39
3. - + - 19.12 + 19.19 19.06 18.85 Es el Efecto
más Grande
4. + + - 19.41  0.27 0.02 -0.41
5. - - + 18.72
6. + - + 18.96 También es un
7. - + + 18.72 Efecto significativo
8. + + + 18.99
168
Gráficas de los Efectos de los
Factores (Medias)
Gráfica de Efectos Principales (medias de los
datos) para Dimensión
19.25 -1 1 -1 1 -1 1
19.15
Dimensión
19.05
18.95
18.85
A B C
169
La Interacción AB
A B C AB = ( A x B) = AB
1. – – – + = (-1 x -1) = +1
2. + – – – = (+1 x -1) = -1
3. – + – – = (-1 x +1) = -1
4. + + – + = (+1 x +1) = +1
5. – – + + = (-1 x -1) = +1
6. + – + – = (+1 x -1) = -1
7. – + + – = (-1 x +1) = -1
8. + + + + = (+1 x +1) = +1
170
El Efecto de la Interacción AB
A B C AB Prom.
1. + 19.10
2. - 19.39 19.34  19.12  18.96  18.72
3. - 19.12 Prom. en AB    19.05
4
4. + 19.41
5. + 18.72
19.10  19.41  18.72  18.99
6. - 18.96 Prom. en AB    19.05
7. - 18.72 4
8. + 18.99
A B C AB
- 18.92 19.04 19.26 19.05
+ 19.19 19.06 18.85 19.05
 0.27 0.02 -0.41 0.00
171
Columnas de interacciones
A B C AB AC BC ABC Muestra 1 Muestra 2 Muestra 3 Prom.
1 – – – + + + – 19.18 19.02 19.09 19.10
2 + – – – – + + 19.15 19.40 19.62 19.39
3 – + – – + – + 19.41 18.82 19.14 19.12
4 + + – + – – – 19.89 18.94 19.40 19.41
5 – – + + – – + 18.73 18.63 18.79 18.72
6 + – + – + – – 19.17 18.76 18.94 18.96
7 – + + – – + – 18.40 18.73 19.04 18.72
8 + + + + + + + 18.54 19.46 18.97 18.99
Las columnas de interacción AC, BC y ABC

Se obtienen multiplicando las columnas A,B,C.
172
Tabla de Respuesta para Medias
A B C AB AC BC ABC
– 18.92 19.04 19.26 19.05 19.06 19.05 19.05
+ 19.19 19.06 18.85 19.05 19.04 19.05 19.06
 0.27 0.02 -0.41 0.00 -0.02 0.00 0.01
173
Efectos principales e Interacciones
Gráfica de Interacción (medias de los datos) Gráfica de Interacción (medias de los datos)
para Dimensión para Dimensión
A A
19.2 -1 19.4 -1
1 1
19.3
19.2
19.1
Media
Media
19.1
19.0
19.0
18.9
18.8
18.9
-1 1 -1 1
B C
Gráfica de Interacción (medias de los datos)
para Dimensión B
-1
19.25
1
19.15
Media
Las líneas paralelas significan que

19.05
18.95
no hay interacción.
18.85
-1 1
C
174
Ecuación de Predicción
A B  AB
ŷ  y  ( )A  ( )B  ( ) AB  ...
2 2 2
ŷ = Respuesta predicha
A
 Mitad del efecto para el factor A
2
B
 Mitad del efecto para el factor B
2
y  Promedio de todos los datos
En la ecuación de predicción se incluyen únicamente los efectos que

se consideran importantes (cuyo valor de P es menor o igual a 0.05).
175
Factores que Afectan la Variación
 Se identifican los factores que afectan la variación en la
respuesta.
 Se calcula la desviación estándar de cada uno de los
conjuntos de replicas.
 Se analiza dicha columna de la misma manera que se
analizó el promedio:
- Tabla de Respuesta (las deltas grandes muestran los
factores o interacciones que están afectando la variación).
- Gráficas (El eje vertical representa la desviación
estándar).
- Los valores P para la prueba de los coeficientes (generar
un modelo s-hat usando los términos significativos). 176
Factores que Afectan la Variación
Desviación
A B C Muestra 1 Muestra 2 Muestra 3 Estándar
1. - - - 19.18 19.02 19.09 0.080

2. + - - 19.15 19.40 19.62 0.235
3. - + - 19.41 18.82 19.14 0.295
4. + + - 19.89 18.94 19.40 0.475
5. - - + 18.73 18.63 18.79 0.081
6. + - + 19.17 18.76 18.94 0.206
7. - + + 18.40 18.73 19.04 0.320
8. + + + 18.54 19.46 18.97 0.460
Para identificar cuales son los factores que
afectan la variación en la dimensión de los
rieles, primero calculamos la desviación
estándar de cada una de las corridas.
177
Tabla de Respuesta de
la Desviación Estándar
A B C AB AC BC ABC
– 0.194 0.150 0.271 0.264 0.278 0.264 0.270
+ 0.344 0.388 0.267 0.274 0.260 0.274 0.268
 0.150 0.237 -0.005 0.010 -0.018 0.010 -0.002
 Se generó una tabla de respuesta, con las

desviaciones estándar, que muestre la fuerza que
tiene cada factor e interacción sobre la variación de
la dimensión
178
Gráficas de los Efectos de los
Factores (Variación)
Gráfica de Efectos Principales (medias de
los datos) de la Desviación Estándar
-1 1 -1 1 -1 1
Desviación Estándar
0.39
0.33
0.27
0.21
0.15
A B C
 Las gráficas muestran el efecto de cada factor sobre la
variación.
179
Mejoramiento en Dos Pasos
 Paso 1: Usar el análisis de desviación estándar para

reducir la variabilidad.
 Paso 2: Usar el análisis de la media para ajustar el

proceso o producto con la meta establecida, sin
aumentar la variación.
 Si se tiene conflicto con el nivel de algún factor, se

debe dar preferencia al nivel que reduzca la
variabilidad
180
Efectos de las Variables de Ruido
Las variables no controladas durante un experimento (tales como las
condiciones ambientales) pueden producir cambios en la respuesta de la
salida. Si una variable de fondo cambia un factor de la misma forma que
nuestro experimento lo cambia, entonces, nuestra conclusión es
incorrecta cuando decimos que el factor está produciendo el efecto.
Presión Las Corridas 1 a 4 se ejecutaron
de Datos
Inyección en la mañana cuando la
1. - 1.4 temperatura ambiental en la
2. - 1.6 Prom.= 1.23 planta es templada.
3. - 1.0 Las Corridas 5 a 8 se ejecutaron
en la tarde cuando hace calor.
4. - 0.9 ¿ Por qué
la diferencia? La diferencia observada en la
5. + 1.1 salida, ¿se debe al cambio en la
6. + 0.7 presión de inyección o al cambio
7. + 0.6 Prom.= 0.73 en la temperatura ambiental?
8. + 0.5 181
Orden Aleatorio de las Corridas
Una estrategia para protegerse de las variables de ruido es
aleatorizar el orden de las corridas experimentales.
Ejecutar el
A B C A B C experimento en orden
1. — — — 2. + — — aleatorio promediará,
los efectos de las
2. + — — 6. + — + variables de ruido.
3. — + — 4. + + —
4. + + — 7. — + + Sin embargo, por lo
5. — — + 3. — + — general es mejor
+ tratar las variables
6. + — + 8. + +
de ruido como un
7. — + + 5. — — + FACTOR DE RUIDO
8. + + + 1. — — — y así, ¡lograr una
fuerza contra el
Orden Estándar Orden Aleatorio ruido!
182
Ecuación de Predicción
EA EB EAB
Y = Y + 2 A + 2 B + 2 AB
^
183
Región óptima con puntos centrales
EA EB EAB
Y = Y + 2 A + 2 B + 2 AB
^
184
VII.B Implementación de soluciones
Esquemas de negocio B2C y B2B
185
Generar y evaluar las soluciones
 Generar soluciones para eliminar la causa raíz o
mejora del diseño
 Probar en pequeño la efectividad de las soluciones
 Evaluar la factibilidad, ventajas y desventajas de

cada una de las diferentes soluciones, con un
diagrama de árbol
 Por cada causa raíz – generar varias soluciones – ver
sus ventajas, desventajas, factibilidad, impacto y costo
186
Generar y evaluar las soluciones
 Realizar una definición analítica y selección
cuantitativa de las alternativas de solución, además
de analizar y evaluar cada una de ellas.
 Hacer un plan de implementación de las soluciones

(Gantt o 5W – 1H)
187
Implantación de soluciones
PUNTO CRITICO ACTIVIDADES
* Realizar las medidas como se habian acordado * Antes de aplicar las medidas correctivas
* Verificar si no hay efectos secundarios * Probar las ideas de mejora, investigar efectos
* Dar capacitacion y entrenamiento. secundarios que puedan afectar al producto o áreas* Los
equipos implantan las acciones correctivas y después poner en práctica las soluciones.
* Obtener la aprobación de las áreas relacionadas, turno o puesto, Jefe inmediato etc. Es decir,
Comunicar a todos los involucrados de la mejora a realizar.
EJEMPLO 1
LISTADO DE LAS MEDIDAS CORRECTIVAS
¿A QUE? - ¿COMO?
NO CUANDO DONDE RESUL JUICIO QUIEN
TOPE PROC. DE TADO
LIMPIEZA
AUNQUE SE DA
BARRA DE EFECTO J. PÉREZ
1 JULIO 97 APLICACION NO ES PERSISTENTE
PARA LOS EXISTE POCO L.TORRES

2 JULIO 97 MOLDES DEFECTO
188
Calendario de las actividades
¿qué? ¿por qué? ¿cómo? ¿cuándo ¿dónde ¿quién?

? ?
1 1.1 Por variación de 1.1.1 Tomar dimensiones de ensamble entre Abril ’04 1804 J. R.
Tacogenerador voltaje durante el coples. Embob.
de motor ciclo de cambio 1.1.2 Verificar estado actual y
embobinador especificaciones de escobillas.
1.1.3 tomar valores de voltaje de salida
durante el ciclo de cambio.
2 Sensor 2.1 Por que nos 2.1.1 Tomar dimensiones de la distancia Abril ’04 1804 U. P.
circular y de genera una varión en entre poleas y sensores. Embob.
velocidad de la señal de referencia 2.1.2 Tomar valores de voltaje de salida de
linea. hacia el control de los sensores.
velocidad del motor 2.1.3 Verificar estado de rodamientos de
embobinador poleas.
3 Ejes 3.1 Por vibración 3.1.1 Tomar lecturas de vibración en Abril’04 1804 F. F.
principales de excesiva durante el alojamientos de rodamientos Embob.
transmisión. ciclo de cambio 3.1.2 Comparar valores de vibraciones con
lecturas anteriores.
3.1.3 Analizar valor lecturas de vibración
tomadas.
4 Poleas de 4.1 Puede generar 4.1.1 Verificar alineación, entre poleas de Abril’04 1804 J. R.
transmisión de vibración excesiva ejes principales y polea de transmisión del Embob. U. P.
ejes durante el ciclo de motor.
embobinadores cambio. 4.1.2 Tomar dimensiones de poleas(dientes
. de transmisión).
4.1.3 Tomar dimensiones de bandas (dientes
de transmisión)
4.1.4 Verificar valor de tensión de bandas. 189
Implantación de soluciones
HACERLO
190
15 GUOQCSTORY.PPT
Prueba e implantación de soluciones
 Probar las soluciones investigando los efectos
secundarios que puedan afectar a otras áreas y
después ponerlas en practica.
 Planear la implantación de las alternativas

seleccionadas.
 Ejecutar las acciones del plan de acciones,

comprobando su efectividad con: diagramas, fotos,
cartas de control, Paretos, histogramas, etc.
191
Implementation Plan Components
1. Actions Describes the specific actions & tasks to be taken

for each root cause
2. Responsibilities Describes who is responsible for each action
3. Schedule Indicates when the actions & tasks will be

completed
4. Cost/Benefit Analysis Predicts direct & indirect costs & benefits
associated with each action
5. Measures Indicates whether the actions (solutions) are

successful
Assesses what could go wrong if the actions are
6. Risk Assessment implemented
Includes a back-up plan for each action based on a
7. Contingency Plan risk assessment
Identifies potential organizational barriers to
8. Change Strategy actions and strategies for addressing them
Details who must be informed as well as how they will be
9. Communication Plan informed and involved, before the actions are taken
Identifies who needs to be trained for the

10. Education Plan implementation to be successful as well as the
source, scheduling, method and content of that
training 192
Verificación de soluciones
PUNTO CRITICO ACTIVIDADES
* Verificar hasta obtener efectos estables ampliando * Hacer análisis comparativo antes y después
los datos históricos en gráficas de la etapa de * En caso de aplicar varias medidas correctivas
"razón de selección del tema" , Verificar los efectos intangibles sin omisiones
* Comparar el efecto en gráfica entre antes y después
de DMAIC respecto al objetivo. confirmar el efecto sobre cada concepto de
(relación humana, capacidad, trabajo en equipo, contramedidas.
entusiasmo, área de trabajo alegre).
* Determinar los beneficios monetarios, indirectos e intangibles.Investigar si existen áreas y operaciones
similares tanto dentro como fuera de la planta, para aplicar las mismas contramedidas. Dar reconocimiento.
Ejemplo 1.
%
D %D < 1 %
E
F
E Comprobar efec_
C tividad de las
T
U
Soluciones con
S Pruebas de Hipótesis
O 193
Verificación de resultados
 Verificar hasta obtener efectos estables ampliando
los datos históricos como confirmación inicial.
 Comparar el efecto antes y después del proyecto Seis

Sigma respecto al objetivo.
 Verificar los efectos intangibles sin omisiones(relación

humana, capacidad, trabajo en equipo, entusiasmo,
área de trabajo alegre).
 Convertirlo en monto de ahorro en lo posible
194
Verificación de resultados
195
QFD
FASE DE ANÁLISIS
Diagrama de
relaciones
Diagrama
Causa Efecto Diagrama de
Ishikawa
Diagrama
de Árbol
Definición
Y=X1 + X2+. .Xn
CTQs = Ys Medición Y,
Operatividad X1, X2, Xn
X's
Causas
Análisis del Modo y Efecto de potenciales
Falla (AMEF)
Pruebas
Llenar las últimas
de Columnas del FMEA
hipótesis y comprobar Hipótesis
Diagrama
de Flujo
del X's vitales
proceso No ¿Causa Si Causas raíz
Raíz? validadas
196

Lean Sigma BB Mejora A

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

Lean Sigma BB Mejora A

Cargado por

Copyright:

Formatos disponibles

Lean Seis Sigma

VII. Lean Seis Sigma - Mejora

P. Reyes / Abril 2010

 Comparaciones de la situación antes y después para

Efecto de X's Generación de soluciones

5. Experimentos fraccionales de dos niveles

6. Experimentos factoriales completos

 Otros que han contribuido son: F. Yates, G.E.P. Box,

 Se ha aplicado el DOE en la agricultura y ciencias

 Después de la II Guerra mundial se introdujeron en

 No se puede determinar la interacción

 Se puede perder tiempo en analizar las variables

 Se identifican los Factores que son significativos

 Las conclusiones obtenidas son confiables

 Se pueden encontrar los mejores niveles de

Entradas Salidas (Y) Entradas Salidas (Y)

 Los múltiples factores de entrada se consideran y

 Cuantifica los efectos de las principales X’s

 Produce una ecuación que cuantifica la relación entre

 Se puede predecir la respuesta en función de cambios

 Aleatorización: hacer en forma aleatoria:

fraccionales, el bloqueo se usa para agrupar las

relación lineal entre dos conjuntos de números. El cero

fueron planeadas a cambiar, como temperatura o

 Grados de libertad (DOF, DF, df o )

 EVOP (Evolutive operations)

Y = Bo + B1*X1 + B2*X2 + error

 Resolución VI - Exp. Factorial completo V+

 Resolución VII – Exp. Factoriales completos

- Los factores pueden ser cuantitativos o cualitativos

Factores Factores Se tiene No se tiene

Diseños Diseños Diseños Diseños de

Con punto central

2k-p con punto

2k-p con punto

Con punto central

Diseños Todos los factores

Plackett-Burman Con 2 niveles

Todos los factores Hay factores

Simplex-Lattice factores son

Simplex-Lattice Todos los

Aumentado factores son

S.L.** Aumentado factores son

Diseño Todos los

Sin factores dependientes

 Selección de los factores clave que afectan la

 Modelado de la superficie de respuesta para:

 Seleccionar un diseño experimental

 Verificar que los datos sean consistentes con los

 Analizar e interpretar los resultados

 Objetivo de filtraje de factores

 Objetivo del método de superficie de respuesta

 Optimizar las respuestas cuando los factores son

proporciones en un objetivo de mezclas

 Ser brillantes en seleccionar los niveles de factores

 Evitar usar respuestas que combinen dos o más

 ¿Los residuos se comportan adecuadamente?

Modelo X1 La varianza se Requiere un término

Sin interacción Interacción Interacción Interacción

 Aprender acerca del proceso antes de la tormenta de

 Tormenta de ideas para definir la lista de las

 Correr experimentos preliminares para afinar el

 Seleccionar un plan estándar de DOE o desarrollar

Y = Bo + B1X1 + B2X2 + error