1

Programa de certificacin
de Black Belts
VII. Lean Seis Sigma - Mejora


P. Reyes / Abril 2010
2
Seis Sigma - Mejora
A. Diseo de experimentos
1. Introduccin y terminologa
2. Tipos de experimentos
3. Planeacin de experimentos
4. Experimentos de un factor ANOVA
Una va o direccin
Una variable de bloqueo, dos vas o direcciones
Dos variables de bloqueo CUADRADO LATINO
Tres variables de bloqueo CUADRADO GRECOLATINO
5. Experimentos factoriales 2K de dos niveles

H. Implementacin de soluciones
3
Fase de mejora
Propsito:
Desarrollar, probar e implementar soluciones que atiendan a
las causas raz

Salidas
Acciones planeadas y probadas que eliminen o reduzcan el
impacto de las causas raz identificadas

Comparaciones de la situacin antes y despus para
identificar la dimensin de la mejora, comparar los
resultados planeados (meta) contra lo alcanzado


4
Tormenta de
ideas
Tcnicas de
creatividad
Metodologa
TRIZ
Generacin de soluciones
Diseo de
experimentos
Optimizacin
No
Implementacin de
soluciones y verificacin
de su efectivdad
Evaluacin de soluciones
(Fact., ventajas, desventajas)
Soluciones
verificadas
Solucin
factible?
Si
Causas
raz
FASE DE MEJORA
Efecto de X's
en las Y =
CTQs
Ideas
5
VII.A Diseo de Experimentos
(DOE)
6
VII.A Diseo de experimentos
1. Introduccin y terminologa

2. Principios de diseo

3. Planeacin de experimentos

4. Experimentos de un factor

5. Experimentos fraccionales de dos niveles

6. Experimentos factoriales completos
7
VII.A.1 Introduccin y
terminologa
8
Ronald Fisher los desarrolla en su estacin agrcola
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
biolgicas, industria textil y lana, en los 1930s

Despus de la II Guerra mundial se introdujeron en
la industria Qumica e industria electrnica
Perspectiva histrica
9
El cambiar un factor a un tiempo presenta las
desventajas siguientes:
Se requieren demasiados experimentos para el estudio
No se puede encontrar la combinacin ptima de
variables

No se puede determinar la interaccin
Se puede llegar a conclusiones errneas

Se puede perder tiempo en analizar las variables
equivocadas
Introduccin
10
Por qu no probar
un factor a la vez?
P
R
E
S
I
O
N

TEMPERATURA
P
R
E
S
I
O
N

1
2
Zona Mxima
Respuesta Mxima
P
R
E
S
I
O
N

4
TEMPERATURA
3
P
R
E
S
I
O
N

TEMPERATURA
Conclusin de la Prueba
TEMPERATURA
Conclusin de la Prueba
Optimo
11
El DOE varia varios factores simultneamente de
forma que se puede identificar su efecto combinado
en forma econmica:

Se identifican los Factores que son significativos
No es necesario un alto conocimiento estadstico

Las conclusiones obtenidas son confiables

Se pueden encontrar los mejores niveles de
factores controlables que inmunicen al proceso
contra variaciones en factores no controlables
Introduccin
12
Cambios deliberados y sistemticos de las variables de entrada
(factores) para observar los cambios correspondientes en la
salida (respuesta).
Proceso
Entradas Salidas (Y)
Diseo de
Producto
Entradas Salidas (Y)
Qu es un diseo de
experimentos?
13
Diseo de experimentos
Proceso proactivo y estructurado para investigar las
relaciones entre los factores de entrada (xs) y salida
(y) de un proceso.

Los mltiples factores de entrada se consideran y
controlan al mismo tiempo para asegurar que el
efecto en la(s) respuesta(s) es causal y
estadsticamente significativo.


14
Diseo de experimentos
PROCESO
Factores conocidos no controlados
Factores desconocidos
w
1
w
2
w
3
w
4
w
s
. . .
z
1
z
2
z
3
z
4
z
n
. . .
x
1
x
2
x
a
.
.
.
y
1
y
2
y
m
.
.
.
Factores con niveles
(xs)
Variables de respuesta (ys)
(CTQs)
E
N
T
R
A
D
A
S
S
A
L
I
D
A
S
15
Planeacin emprica
versus planificada
N
I
V
E
L

D
E

E
S
F
U
E
R
Z
O
Trabajar a
prueba
y error

Analizar Planear
E
S
F
U
E
R
Z
O
Analizar
Planear
Experimentar
E
S
F
U
E
R
Z
O
Analizar
Planear
Experimentar
Tiempo
Tiempo
Fase 2
Fase 1
16
Las Xs con mayor influencia en las Ys

Cuantifica los efectos de las principales Xs
incluyendo sus interacciones

Produce una ecuacin que cuantifica la relacin entre
las Xs y las Ys

Se puede predecir la respuesta en funcin de cambios
en las variables de entrada
El Diseo de experimentos tiene
como objetivos determinar:
17
Obtencin de rplicas: repeticin del experimento (5
resultados en cada corrida experimental)

Aleatorizacin: hacer en forma aleatoria:
Permite confundir el efecto de los factores no controlables
La asignacin de los materiales utilizados en la
experimentacin
El orden en que se realizan los experimentos

Bloqueo
- Orden de corridas aleatorio en cada bloque
(Ej. , bloque de tiempo: AM vs PM, o Da 1 vs Da 2).

Trminos
18
Bloques:
Unidades experimentales homogneas

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 interacta con los factores
reales


Trminos
19
Error experimental
Variacin en respuesta bajo las mismas condiciones de
prueba. Tambin se denomina error residual.
Fraccional
Un arreglo con menos experimentos que el arreglo
completo (1/2, , etc.)
Factorial completo
Arreglo experimental que considera todas las
combinaciones de factores y niveles
Interaccin
Ocurre cuando el efecto de un factor de entrada en la
respuesta depende del nivel de otro factor diferente
Trminos
20
Nivel o Tratamiento
Un valor especfico para un factor controlable de
entrada (100C, 120C, 140C)

Efecto principal
Un estimado del efecto de un factor
independientemente del efecto de los dems

Optimizacin
Hallar las combinaciones de los factores que
maximizen o minimizen la respuesta
Trminos
21
Colinealidad
Ocurre cuando 2 variables estn 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)
Trminos
22
Correlacin
Un nmero entre -1 y +1 que indica el grado de
relacin lineal entre dos conjuntos de nmeros. El cero
indica que no hay relacin

Covarianza
Cosas que cambian durante los experimentos pero no
fueron planeadas a cambiar, como temperatura o
humedad. Con la aleatorizacin se alivia este
problema. Registrar los valores del covariado para su
posible uso en anlisis de regresin

Trminos
23
Curvatura
Comportamiento no lineal que requiere un modelo de
al menos segundo grado

Grados de libertad (DOF, DF, df o )
Nmero de mediciones independientes para estimar un
parmetro poblacional (vg. la media con n-1)

EVOP (Evolutive operations)
Describe una forma secuencial de experimentacin
haciendo pequeos cambios en el proceso para
mejorarlo
Trminos
24
Error experimental
Variacin en respuesta bajo las mismas condiciones de
prueba. Tambin se denomina error residual.

Primer orden
Se refiere a la potencia a la cul 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
Trminos
25
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, , etc.)


Trminos
26
Factoriales completos
vs fraccionales
Un diseo factorial completo es el que contiene todos los
niveles de todos los factores, no se omite ninguno
Un diseo factorial fraccional es un diseo experimental
balanceado donde que contiene menos combinaciones de
todos los niveles y factores. Por ejemplo para 3 factores y
2 niveles se tiene:

27
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 extraas en la
experimentacin

Error residual (e o E)
Es la diferencia entre los valores observados y los
estimados por un modelo determinado empricamente.
Puede ser la variacin en resultados de condiciones de
prueba virtualmente idnticas
Trminos
28
Resolucin I
Experimentos donde se varia slo un factor a la vez
Resolucin II
Experimentos donde algunos efectos principales se
confunden, es indeseable
Resolucin III- Exp. fraccionales
Experimentos fraccionales donde no se confunden los
efectos principales entre s, slo con sus interacciones
de dos factores
Resolucin IV- Exp. fraccionales
No se confunden los efectos principales ni con sus
interacciones pero si lo hacen las interacciones entre si
Trminos
29
Resolucin V Exp. Fraccionales
Slo puede haber confusin entre interacciones de dos
factores con interacciones de tres factores o de mayor
orden

Resolucin VI - Exp. Factorial completo V+
Experimentos sin confusin, factoriales completos o
dos bloques de 16 experimentos

Resolucin VII Exp. Factoriales completos
Experimentos en 8 bloques de experimentos
Trminos
30
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 Niveles
B. Temp. de Moldeo 600 700
E. Tipo de Material Nylon Acetal
Factor cuantitativo,
dos niveles
Factor cualitativo,
dos niveles
Factores y niveles
31
VII.A.2 Tipos de experimentos
32
Tipo de Diseo de Experimentos
Experimentacin
posible
No es posible
experimentar
Diseos
Activos
Diseos
Pasivos
No se tiene
Informacin
Histrica
Se tiene
Informacin
Histrica
Caracterizacin Data Minning
Factores
Independientes
Factores
Interdependientes
Diseos
Factoriales
Con
Restricciones
Sin
Restricciones
Dependencia
Parcial
(B depende
de A, pero
A no depende
de B)
Diseos
D-Optimal
Diseos
Ortogonales
Diseos
Anidados
Diseos de
Mezclas
a b
Interdependencia
de algunos
Todos los
factores
33
Diseos
Ortogonales
a
De filtraje
De Caracterizacin
Diseos
Factorial
Completo
(2
k
)
De Optimizacin
<5
Factores
4-15
Factores
> 15
Factores
D
i
s
e

o
s

P
l
a
c
k
e
t
t
-
B
u
r
m
a
n

D
i
s
e

o
s

T
a
g
u
c
h
i

Diseos
Factorial
Fraccionado
(2
k-p
)
E
j
e
c
u
c
i

n

I
n
i
n
t
e
r
r
u
m
p
i
d
a

E
j
e
c
u
c
i

n


e
n

p
a
r
t
e
s

2
k

n
o

B
l
o
q
u
e
a
d
o

2
k


B
l
o
q
u
e
a
d
o

E
j
e
c
u
c
i

n

I
n
i
n
t
e
r
r
u
m
p
i
d
a

E
j
e
c
u
c
i

n


e
n

p
a
r
t
e
s

2
k
-
p

n
o

B
l
o
q
u
e
a
d
o

2
k
-
p


B
l
o
q
u
e
a
d
o

d
Diseos de
Superficie de
Respuesta
Diseos
con
Punto
Central
Diseos a 2 niveles Factores
con ms de
2 niveles
<4
Factores
> 4
Factores
D
i
s
e

o
s

F
a
c
t
o
r
i
a
l

c
o
m
p
l
e
t
o

g
34
Diseos de
caracterizacin
g
Diseos Factorial
Completo
Con punto central
<5
Factores
4-15
Factores
> 15
Factores
D
i
s
e

o
s

P
l
a
c
k
e
t
t
-
B
u
r
m
a
n

C
o
n

p
u
n
t
o

c
e
n
t
r
a
l

T
o
d
o
s

l
o
s

f
a
c
t
o
r
e
s

C
o
n

2

n
i
v
e
l
e
s
Diseos Factorial
Fraccionado
Con punto central
E
j
e
c
u
c
i

n

I
n
i
n
t
e
r
r
u
m
p
i
d
a

E
j
e
c
u
c
i

n


e
n

p
a
r
t
e
s

2
k

c
o
n

p
u
n
t
o

C
e
n
t
r
a
l

n
o

B
l
o
q
u
e
a
d
o

2
k

c
o
n

p
u
n
t
o

C
e
n
t
r
a
l


B
l
o
q
u
e
a
d
o

2
k
-
p

c
o
n

p
u
n
t
o

C
e
n
t
r
a
l

n
o

B
l
o
q
u
e
a
d
o

2
k
-
p

c
o
n

p
u
n
t
o

C
e
n
t
r
a
l


B
l
o
q
u
e
a
d
o

E
j
e
c
u
c
i

n

I
n
i
n
t
e
r
r
u
m
p
i
d
a

E
j
e
c
u
c
i

n


e
n

p
a
r
t
e
s

35
Diseos de
Superficie de Respuesta
d
Todos los factores
son continuos
Hay factores
discretos
Diseo Central
Compuesto
Diseo axial
(CCD)
E
j
e
c
u
c
i

n

I
n
-
i
n
t
e
r
r
u
m
p
i
d
a

E
j
e
c
u
c
i

n


e
n

p
a
r
t
e
s

C
C
D

n
o

B
l
o
q
u
e
a
d
o

C
C
D


B
l
o
q
u
e
a
d
o

2
Factores
> 2
Factores
Diseo Central Factorial
Diseo Centrado en las caras
(CCF)
D
i
s
e

o


B
o
x
-
B
e
h
n
k
e
n

E
j
e
c
u
c
i

n

I
n
-
i
n
t
e
r
r
u
m
p
i
d
a

E
j
e
c
u
c
i

n


e
n

p
a
r
t
e
s

C
C
F

n
o

B
l
o
q
u
e
a
d
o

C
C
F


B
l
o
q
u
e
a
d
o

36
Diseos de
Mezclas
Con
Restricciones
Sin Restricciones
Diseos
Vrtices
Extremos
Diseos Simplex
b
De filtraje De Caracterizacin De Optimizacin
Diseos
Simplex-Lattice
Diseos Simplex-Lattice
Aumentado
Diseos Simplex
Centroide
D
i
s
e

o


S
i
m
p
l
e
x
-
L
a
t
t
i
c
e

S
i
n

f
a
c
t
o
r
e
s


d
e

P
r
o
c
e
s
o

T
o
d
o
s

l
o
s


f
a
c
t
o
r
e
s

s
o
n

d
e
p
e
n
d
i
e
n
t
e
s

A
l
g
u
n
o
s


f
a
c
t
o
r
e
s

s
o
n

I
n
d
e
p
e
n
d
i
e
n
t
e
s

S
i
m
p
l
e
x
-
L
a
t
t
i
c
e

+

F
a
c
t
o
r
i
a
l

2
k

S
i
m
p
l
e
x
-
L
a
t
t
i
c
e

+

F
a
c
t
o
r
i
a
l

2
k
-
p

<5
F.I.*
>3
F.I.*
D
i
s
e

o

V

r
t
i
c
e
s

E
x
t
r
e
m
o
s

S
i
n

f
a
c
t
o
r
e
s


d
e

P
r
o
c
e
s
o

T
o
d
o
s

l
o
s


f
a
c
t
o
r
e
s

s
o
n

d
e
p
e
n
d
i
e
n
t
e
s

A
l
g
u
n
o
s


f
a
c
t
o
r
e
s

s
o
n

I
n
d
e
p
e
n
d
i
e
n
t
e
s

V

r
t
i
c
e
s

E
x
t
r
e
m
o
s

+

F
a
c
t
o
r
i
a
l

2
k

V

r
t
i
c
e
s

E
x
t
r
e
m
o
s

+

F
a
c
t
o
r
i
a
l

2
k
-
p

<5
F.I.*
>3
F.I.*
S
i
m
p
l
e
x
-
L
a
t
t
i
c
e

A
u
m
e
n
t
a
d
o

S
i
n

f
a
c
t
o
r
e
s


d
e

P
r
o
c
e
s
o

T
o
d
o
s

l
o
s


f
a
c
t
o
r
e
s

s
o
n

d
e
p
e
n
d
i
e
n
t
e
s

A
l
g
u
n
o
s


f
a
c
t
o
r
e
s

s
o
n

I
n
d
e
p
e
n
d
i
e
n
t
e
s

S
.
L
.
*
*

A
u
m
e
n
t
a
d
o


+

F
a
c
t
o
r
i
a
l

2
k

S
.
L
.
*
*

A
u
m
e
n
t
a
d
o

+

F
a
c
t
o
r
i
a
l

2
k
-
p

<5
F.I.*
>3
F.I.*
D
i
s
e

o

S
i
m
p
l
e
x
-
C
e
n
t
r
o
i
d
e

S
i
n

f
a
c
t
o
r
e
s


d
e

P
r
o
c
e
s
o

T
o
d
o
s

l
o
s


f
a
c
t
o
r
e
s

s
o
n

d
e
p
e
n
d
i
e
n
t
e
s

A
l
g
u
n
o
s


f
a
c
t
o
r
e
s

s
o
n

I
n
d
e
p
e
n
d
i
e
n
t
e
s

S
i
m
p
l
e
x
-
C
e
n
t
r
o
i
d
e

+

F
a
c
t
o
r
i
a
l

2
k

S
i
m
p
l
e
x
-
C
e
n
t
r
o
i
d
e

+

F
a
c
t
o
r
i
a
l

2
k
-
p

<5
F.I.*
>3
F.I.*
37
Seleccin entre diversas alternativas

Seleccin 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 mltiples
Aplicacin del DOE
38
VII.A.3 Planeacin de
experimentos
39
Establecer objetivos
Seleccionar variables del proceso

Seleccionar un diseo experimental
Ejecutar el diseo

Verificar que los datos sean consistentes con los
supuestos experimentales

Analizar e interpretar los resultados
Usar / presentar los resultados
Pasos del DOE
40
La seleccin de un diseo experimental depende de los
objetivos del experimento y del nmero de factores a
ser investigados:
Objetivo comparativo
Objetivo de filtraje de factores
Objetivo del mtodo de superficie de respuesta
Optimizar las respuestas cuando los factores son
proporciones en un objetivo de mezclas
Ajuste ptimo en un objetivo de modelo de regresin
Objetivos experimentales
41
Las variables de proceso incluyen ambas entradas y
salidas, es decir factores y respuestas. La seleccin
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
imprcticas o imposibles
Incluir todas las respuestas relevantes
Evitar usar respuestas que combinen dos o ms
mediciones de proceso
Evitar valores extremos en los factores de entrada
Seleccin y escala
de variables del proceso
42
Guas de diseo
Nmero de
factores
Objetivo
comparativo
Objetivo de
filtraje de
factores
Objetivo de
superficie de
respuesta
1 1- factor
completamente
aleatorizado
- -
2-4 Diseo
aleatorizado
por bloques
Factorial
completo o
fraccional
Diseo central
compuesto o
Box-Behnken
5 o ms Diseo
aleatorizado
por bloques
Factorial
fraccional o
Placket Burman
Fltrar primero
para reducir el
nmero de
factores
43
Supuestos experimentales
Son capaces los sistemas de medicin para todas las
respuestas?
Es estable el proceso?
Los residuos se comportan adecuadamente?
Modelo X1 La varianza se Requiere un trmino
Adecuado incrementa con X2 cuadrtico agregado a X2

44
Interacciones
Interaccin
Ocurre cuando el efecto de un factor de entrada en la
respuesta depende del nivel de otro factor de entrada
diferente

45
Interacciones
Una interaccin 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 diseos factoriales
fraccionales

Sin interaccin Interaccin Interaccin Interaccin
moderada fuerte fuerte
46
Lista de verificacin
tpica 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
47
Lista de verificacin
tpica del DOE
Asignar niveles a cada variable independiente en
funcin del conocimiento sobre el proceso

Seleccionar un plan estndar de DOE o desarrollar
uno

Correr los experimentos en orden aleatorio y analizar
los resultados peridicamente

Establecer conclusiones
48
El mtodo iterativo del DOE
Mientras que un experimento puede dar un resultado
til, es ms comn realizar dos o tres o ms
experimentos antes de dar una respuesta completa.
Esto es mejor y ms econmico.


49
Pasos para Disear y Realizar un
Diseo de Experimentos
1. Observar datos histricos y/o recolectar datos para
establecer la capacidad actual del proceso debe estar
en control estadstico.

2. Determinar el objetivo del experimento (CTQs a
mejorar).

Por medio de un equipo de trabajo multidisciplinario
3. Determinar qu se va a medir como resultado del
experimento.

4. Identificar los factores de control y de ruido que
pueden afectar el resultado.
50
Pasos para Disear y Realizar un
Diseo de Experimentos
5. Determinar el nmero de niveles de cada factor y sus
valores reales.

6. Seleccionar un esquema experimental que acomode
los factores y niveles seleccionados y decidir el
nmero de replicas.

7. Verificar todos los sistemas de medicin (R&R < 10%)


8. Planear y preparar los recursos (gente, materiales,
etc.) para llevar a cabo el experimento. Hacer un plan
de prueba.

51
Pasos para Disear y Realizar un
Diseo de Experimentos
9. Realizar el experimento, identificar muestras con la
condicin experimental que la produce

Medir las unidades experimentales.


11. Analizar los datos e identificar los factores
significativos.

12. Determinar la combinacin de niveles de factores que
mejor alcance el objetivo.
52
Pasos para Disear y Realizar un
Diseo de Experimentos

13. Correr un experimento de confirmacin con esta
combinacin "ptima".


14. Asegurar que los mejores niveles para los factores
significativos se mantengan por largo tiempo mediante
la implementacin de Procesos de Operacin Estndar
y controles visuales.


15. Re evaluar la capacidad del proceso.
53
Objetivos de los experimentos

Caracterizar el proceso (identificar los factores que
influyen en la ocurrencia de errores)

Optimizar, identificar el nivel ptimo de los factores
crticos para reducir el nmero de errores

Identificar los factores controlables que pueden afectar
a la respuesta Y = Tiempo de solucin de problema

Identificar los factores de ruido que no podemos o
queremos controlar
Ejemplo: Proceso de atencin a clientes
en un Call Center
54
Variables de control Xs
Nmero de lneas telefnicas

Nivel del Personal

Tiempo de acceso a bases de datos

Horas laboradas al da

Horas de atencin
Ejemplo: Proceso de atencin a clientes
en un Call Center
55
Variables que no se pueden o desean controlar Zs
Variables de ruido
Edad del ejecutivo de cuenta
Distribucin del Call Center
Da del ao
Medio ambiente
Horarios de comida
Ejemplo: Proceso de atencin a clientes
en un Call Center
56
Los Factores Pueden Afectar...
2. El Resultado Promedio
3. La Variacin y el Promedio
1. La Variacin del Resultado
4. Ni la Variacin ni el Promedio
Banda ancha
Banda
angosta
Tiempo del servicio
Sin
entren.
Con
Entren.
Pocos ejecutivos
Suficientes
ejectuvos
Ambos sexos
Toman el mismo
tiempo
Tiempo del servicio
Tiempo del servicio Tiempo del servicio
57
Tipos de Salidas
Las salidas se clasifican de acuerdo con nuestros objetivos.
3. El Valor Mximo es el Mejor
Tiempo de Ciclo
Tiempo de
conexin
Confiabilidad
Satisfaccin
Objetivo Ejemplos de Salidas
1. El Valor Meta es el Mejor
Meta
Lograr un
valor meta con
variacin mnima
Tiempo de atencin
Tiempo de conexin
2. El Valor Mnimo es el Mejor
0
Tendencia de salida
hacia arriba
Tendencia de
salida hacia cero

58
Estrategia cuando
el Valor Meta es Mejor
Paso 1: Encuentra los factores que
afectan la variacin. Usa estos
factores para reducir al mnimo
la variacin.
Paso 2: Encuentra los factores que
desplazan el promedio (y no
afectan la variacin). Usa estos
factores para ajustar la salida
promedio con la meta deseada.
Meta
59
Estrategia cuando el
Valor Mnimo es Mejor
0
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 variacin en la salida al mnimo,
tambin se mejora la salida al detectar los factores que
contribuyen en gran medida a la variacin.
60
Pruebas o Corridas Experimentales
Las combinaciones de pruebas especficas de factores y
niveles que se corren durante el experimento.
Experiencia x Material
usado:
El mejor nivel de Material
depende de la experiencia.
Interacciones
El grado en que los factores dependen unos de otros.
Algunos experimentos evalan el efecto de las
interacciones; otros no.
Factor (Xs) Niveles
A. Tiempo llamada 30 60 min.
B. Localizacin 1 2
C. Experiencia 1 3
D. Material usado A B
Niveles
Los valores en los que se establecen los factores.
A. Tiempo de llamada
B. LOcalizacin
C. Experiencia
D. Tipo de Material usado
Factores
Las variables de entrada de proceso que se
establecen a diferentes niveles para observar
su efecto en la salida.
Y =Tiempo de
conexin
Respuesta de Salida
La salida que se mide como resultado del experimento
y se usa para juzgar los efectos de los factores.
+1 -1 +1 -1 3
+1 +
1
-1 -1 2
-1 -1 -1
-1
1
Datos D C B A
Corridas
-1=Nivel Bajo +1=Nivel Alto
.
.

61

62
Contenido
ANOVA de un factor, una va o una direccin

ANOVA de un factor y una variable de bloqueo, dos
vas 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
63
ANOVA para un factor
o direccin
64
ANOVA Prueba de hiptesis para
probar la igualdad de medias de
varias poblaciones para un factor
diferentes son s unas A Ha
Ho
a
. . ' . lg :
......... :
3 2 1

= = = =
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.)
65
ANOVA - Condiciones
Todas las poblaciones son normales

Todas las poblaciones tiene la misma varianza

Los errores son independientes con distribucin
normal de media cero

La varianza se mantiene constante para todos los
niveles del factor

66
ANOVA Ejemplo de datos
Niveles del Factor Peso % de algodn y Resistencia de tela
Peso porc. Respuesta
de algodn 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
67
ANOVA Suma de
cuadrados total
Xij
Xij
Gran media
2
1 1
) (

= =
=
b
j
a
i
X Xij SCT
68
ANOVA Suma de cuadrados de
renglones (a)-tratamientos
Gran media
Media Trat. 1
Media Trat. a
Media trat. 2
a renglones

=
=
a
i
i
X X b SCTr
1
2
) (
69
ANOVA Suma de cuadrados
del error
Media X1.
X1j
X3j
X2j
Media X2.
Media X3.
Muestra 1 Muestra 2 Muestra 3
2
1 1
) (
i
b
j
ij
a
i
X X SCE =

= =
70
ANOVA Suma de cuadrados
del error
Media X1.
X1j
X3j
X2j
Media X2.
Media X3.
Muestra 1 Muestra 2 Muestra 3
SCTr SCT SCE =
71
ANOVA Grados de libertad:
Totales, Tratamientos, Error
a n a n SCE gl
a SCTr gl
n SCT gl
= =
=
=
) 1 ( ) 1 ( .
1 .
1 .
72
ANOVA Cuadrados medios:
Total, Tratamiento y Error
) /(
) 1 /(
) 1 /(
a n SCE MCE
a SCTr MCTr
n SCT MCT
=
=
=
73
ANOVA Clculo del estadstico
Fc y Fexcel
SCE gl SCTr gl ALFA
FINV Fexcel
MCE
MCTr
Fc
. , . ,
=
=
74
Tabla final de ANOVA
TABLA DE ANOVA
FUENTE DE VARIACIN 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
Variacin 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
75
ANOVA Toma de decisin
Fexcel
Fc
Alfa
Zona de rechazo
De Ho o aceptar Ha
Zona de no rechazo de Ho
O de no aceptar Ha
Distribucin F
76
ANOVA Toma de decisin
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
77
ANOVA Identificar las medias
diferentes por Prueba de Tukey T
Para diseos balanceado
(mismo nmero de columnas
en los tratamientos) el valor
de q se determina por medio
de la tabla en el libro de texto
b
CME
q T
a n a
=
, , o
78
ANOVA Identificar las medias
diferentes por Prueba de Tukey T
Se calcula la diferencia Di entre cada par de Medias Xis:

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
79
ANOVA Identificar las medias
diferentes por Prueba de Diferencia
Mnima Significativa DMS
Para diseos 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
b
F CME
DMS
a n
=
, 1 ,
) ( 2
o
80
Prueba DMS para Diseos no
balanceados
a n a
k j
k j
F CME
b b
DMS

(
(

+ =
, 1 , ,
) (
1 1
o
Para diseos no balanceados (los
tratamientos tienen diferente no. De
columnas), se calcula un factor DMS
Para cada una de las diferencias Xi Xi
81
ANOVA Para un factor
principal y una variable de
bloqueo
Planes aleatorizados bloqueados
82
Diseos aleatorizados bloqueados
Cuando cada grupo homogneo del experimento
contiene exactamente una medicin en cada
tratamiento, el plan experimental se denomina plan
aleatorizado bloqueado. Ver el ejemplo siguiente:
83
Diseos aleatorizados bloqueados
Un ejemplo de diseo de bloques incompleto para la
respuesta a la tensin es:
84
ANOVA Prueba de hiptesis para
probar la igualdad de medias de
varias poblaciones con dos vas
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
85
ANOVA Prueba de hiptesis para
probar la igualdad de medias de
varias poblaciones con dos vas
diferentes son s unas A Ha
Ho
a
. . ' . lg :
......... :
3 2 1

= = = =
diferentes son s unas A Ha
Ho
a
. . ' . lg :
' ......... ' ' ' :
3 2 1

= = = =
Para el tratamiento en renglones
Para la variable de bloqueo en columnas
86
ANOVA de 2 vas - Ejemplo
Experiencia en aos 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
87
ANOVA Dos vas o direcciones
La SCT y SCTr (renlgones) se determina de la misma
forma que para la ANOVA de una direccin 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

88
ANOVA de 2 vas Suma de
cuadrados, gl. y Cuadrado medio
para el factor de bloqueo (en cols)
) 1 /(
1 .
) (
2
1
=
=
=

=
b SCBl CMBl
b SCBl gl
X X a SCBl
j
b
j
89
ANOVA de 2 vas Suma de
cuadrados, gl. y Cuadrado medio
para el error
) )( /(
) )( ( .
b n a n SCBl CME
b n a n SCE gl
SCBl SCTr SCT SCE
=
=
=
90
ANOVA Clculo del estadstico
Fc y Fexcel
SCE gl SCTr gl ALFA
FINV Fexcel
MCE
MCTr
Fc
. , . ,
=
=
91
ANOVA de 2 vas Clculo del
estadstico Fcbl y Fexcel bloques
(columnas)
SCE gl SCBl gl ALFA
FINV Fexcel
MCE
MCBl
Fc
. , . ,
=
=
92
Tabla final ANOVA 2 vas
FUENTE DE VARIACIN SUMA DE GRADOS DE CUADRADO VALOR F
CUADRADOS LIBERTAD MEDIO
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
Variacin total SCT n-1 CMT
Regla: No rechazar si la F de la muestra es menor que la F de Excel para una cierta alfa
93
ANOVA 2 vas Toma de decisin
Fexcel
Fc
Tr o Bl
Alfa
Zona de rechazo
De Ho o aceptar Ha
Zona de no rechazo de Ho
O de no aceptar Ha
Distribucin F
94
ANOVA 2 vas Toma de decisin
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
95
Clculo de los residuales
.
.
*

. , , 05 . 0
.. . .
i
i
y MSE gl k k
y
ij ij ij
j i ij
s r R
b
MSE
s
y y e
y y y y
=
=
=
+ =
Y estimada
Error o residuo
Error estndar
Factor de comparacin
Si la diferencia de medias excede a Rk es significativa
96
Adecuacin del modelo
Los residuales deben seguir una recta en la grfica
normal

Deben mostrar patrones aleatorios en las grficas de
los residuos contra el orden de las Yij, contra los
valores estimados y contra los valores reales Yij
97
ANOVA para un factor
principal y dos o tres variables
de bloqueo
CUADRADO LATINO Y
GRECOLATINO
98
ANOVA 3, 4 y 5 vas
El diseo de Cuadrado latino utiliza dos variables de
bloqueo adicionales al factor de Tratamiento

EL diseo de Cuadrado Grecolatino utiliza tres
variables adicionales al factor de Tratamiento

El diseo de Cuadrado Hipergrecolatino utiliza cuatro
variables de bloqueo adicionales al factor de
tratamiento
99
ANOVA Diseo de Cuadrado Latino
Este diseo es til 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 diseo de cuadrado latino es un experimento factorial
fraccional restringido por dos condiciones:
El nmero de columnas, filas y tratamientos debe ser la
misma
No debe hacer interacciones esperadas entre los factores de
filas y columnas
100
ANOVA Diseo de Cuadrado Latino
Se prueban 5 autos, con 5 carburadores diferentes
para determinar el consumo de gasolina con 5
chferes en un cuadrado latino de 5 x 5.
101
ANOVA Cuadrado Latino:
Factor principal (A,B,C,D)
) 1 /(
1 1 .
) (
2
1
=
= =
=

=
b SCTr CMTr
b a SCTr gl
X X a SCTr
Tr
b
j
102
ANOVA Cuadrado Latino: Clculo
del error
) 1 )( 2 /(
) 1 )( 2 ( .
Re
=
=
=
a a SCE CME
a a SCE gl
SCTr ng SC SCTcol SCT SCE
103
ANOVA Clculo del estadstico
Fc y Fexcel
SCE gl SCTr gl ALFA
FINV Fexcel
MCE
MCTr
Fc
. , . ,
=
=
104
ANOVA Cuadrado Latino Reng / Col
SCE gl SCBl gl ALFA
FINV Fexcel
MCE
MCCols
Fcols
MCE
ng MC
Fcreng
. , . ,
Re
=
=
=
105
Tabla final ANOVA vas Factores
FUENTE DE VARIACIN SUMA DE GRADOS DE CUADRADO VALOR F
CUADRADOS LIBERTAD MEDIO
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
Variacin total SCT n-1 CMT
106
Cuadrado Latino
Aos exp. Turno
Empleado Maana 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 = Mquinas 1, 2 y 3
Cuadrado Latino
107
Maquina Turno
Emplead
o
Respuest
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
Cuadrado Latino - Minitab
108
Stat>ANOVA> General Linear Model
Cuadrado Latino - Minitab
109
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
Cuadrado Latino - Minitab
110
Turno significativo
C B A
18
16
14
12
10
T N M
3 2 1
18
16
14
12
10
Maquina
M
e
a
n
Turno
Empleado
Main Effects Plot for Respuesta
Fitted Means
111
Diseo de cuadrado Greco Latino
Es una extensin del diseo Cuadrado Latino con una
variable de bloqueo extra para tener 3 variables de
bloqueo, por ejemplo si se agrega el da se tiene:
112
ANOVA Cuadrado Grecolatino
) 1 /(
1 .
) (
2
1
=
=
=

=
b SCG CMG
b SCG gl
X X a SCG
m
b
m
113
ANOVA de 4 vas Suma de
cuadrados, gl. y Cuadrado medio
para el error
) 1 )( 3 /(
) 1 )( 3 ( .
Re
=
=
=
a a SCE CME
a a SCE gl
SCCol n SC SCG SCTr SCT SCE
114
ANOVA Clculo del estadstico
Fc y Fexcel
SCE gl SCTr gl ALFA
FINV Fexcel
MCE
MCG
Fc
. , . ,
=
=
115
ANOVA Cuadrado Grecolatino
SCE gl SCBl gl ALFA
FINV Fexcel
MCE
MCTr
Fc
. , . ,
=
=
116
Tabla final ANOVA 2 Factores
FUENTE DE VARIACIN SUMA DE GRADOS DE CUADRADO VALOR F
CUADRADOS LIBERTAD MEDIO
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
Variacin total SCT n-1 CMT
117
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
118
Cuadrado Greco latino en Minitab
Se introducen las respuestas en una columna C1
Se introducen los subndices de los renglones en una
columna C2

Se introducen los subndices de las columnas en una
columna C3
Introducir los subndices del factor adicional de letras
griegas con letras latinas minsculas (a,b,c,d,e) en C4

Se introducen las letras maysculas que indican el nivel
del factor (A, B, C, D, etc.) correspondientes a cada
respuesta en la columna C5


119
Cuadrado Greco latino en Minitab
Opcin: 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). Tambin se pueden indicar interacciones entre
factores x-y con Cx * Cy

Pedir grfica de residuales Normal y vs fits y orden

120
Diseo de cuadrado hipergrecolatino
Permite el estudio de tratamientos con ms de tres
variables de bloqueo, por ejemplo:
121

122
Diseos factorial completo 2K
A
B
BAJO
ALTO
ALTO
BAJO
A B
1 - -
2 + -
3 - +
4 + +
Representa-
cin Grfica
Representa-
cin Tabular
ALTO
ALTO
ALTO BAJO
BAJO
BAJO
B
A
C
Factor

Prueba A B C

1 - - -
2 + - -
3 - + -
4 + + -
5 - - +
6 + - +
7 - + +
8 + + +
123
Experimentos de Factoriales Completos-
todas las combinaciones
Todas las combinaciones
Temperatura Tiempo
Corrida 1: 350 1min.
Corrida 2: 350 2min.
Corrida 3: 400 1min.
Corrida 4: 400 2min.
Factores
Niveles
Bajo Alto
Temperatura 350

400
Tiempo 1min. 2min.
124
Nmero de Niveles
En Tres Niveles hay la necesidad de ejecutar ms
pruebas, sin embargo, nos permite buscar la curvatura,
es decir, los efectos cuadrticos.
En Dos Niveles nos permite considerar nicamente
los efectos lineares.
1 2
y
2 Niveles
1 2 3
y
3 Niveles
125
Diseos de Dos Niveles
Una estrategia que frecuentemente se emplea es
la de considerar un gran nmero de factores,
cada uno dispuesto en dos niveles para identificar
los factores que son significativos.
126
Determinacin del Nmero de
Combinaciones de Prueba
El nmero de combinaciones de prueba para un
factorial completo con factores k, cada uno en dos
niveles es:
k
2 n =
Por lo tanto, a estos diseos se les
conoce como diseos .
k
2
127
Codificacin de los
Niveles de los Factores
Los niveles de los factores para los diseos 2
k
se codifican como: Nivel bajo = -1 Nivel alto = +1
Minitab puede manejar
diseos hasta .
7
2
Diseo :
2
2
Corrida
A B
1 -1 -1
2 +1 -1
3 -1 +1
4 +1 +1
Diseo :
3
2
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
128
Un experimento factorial completo es un experimento donde se
prueban todas las posibles combinaciones de los niveles de todos los
factores.
40 20 -1
52 30 +1
+1 -1
Factor A:
Factor B: Y = Respuesta
Experimento factorial completo
sin interaccin
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
129
Experimento sin interaccin
A = -1 A = +1
Respuesta
Promedio
B = +1





B = -1
20
30
40
52
130
Experimento sin interaccin
A = -1 A = +1
Respuesta
20
30
40
52
131
Modelo de regresin lineal
0 1 1 2 2 12 1 2
0
1
2
12
1 2 1 2

(20 40 30 52) / 4 35.5

21/ 2 11

11/ 2 5.5

1/ 2 0.5

35.5 10.5 5.5 0.5

y x x x x
y x x x x
| | | |
|
|
|
|
= + + +
= + + + =
= =
= =
= =
= + + +
El coeficiente 0.5 es muy pequeo dado que no hay interaccin
132
Grfica de contornos Experimentos
sin interaccin
X1 -1 -.6 -.4 -.2 0.0 +.2 +.4 +.6 +.8 +1
X2
1


.5


0


-.5

-1
22
28
34
40
46
49
Direccin
De ascenso
rpido
133
Superficie de respuesta
Experimentos sin interaccin
X1
X2
Superficie de respuesta

Grfica del modelo de regresin
Y = respuesta
134
Un experimento factorial completo es un experimento donde se
prueban todas las posibles combinaciones de los niveles de todos los
factores.
50 20 -1
12 40 +1
+1 -1
Factor A = X1 :
Factor B = X2:
Y = Respuesta
Experimento factorial completo
con interaccin
Efecto de A*B = {(12+20)-(40+50)}/2 = -29
135
Experimento con interaccin
A = -1 A = +1
Respuesta
Promedio
B = +1





B = -1
20
40
50
12
137
Modelo de regresin lineal
0 1 1 2 2 12 1 2
0
1
2
12
1 2 1 2

(20 40 30 52) / 4 30.5

2/ 2 1

18/ 2 9

58/ 2 29

30.5 1 9 29
y x x x x
y x x x x
| | | |
|
|
|
|
= + + +
= + + + =
= =
= =
= =
= +
El coeficiente -29 es muy grande representando la interaccin
138
Grfica de contornos
X1 -1 -.6 -.4 -.2 0.0 +.2 +.4 +.6 +.8 +1
X2
1


.5


0


-.5

-1
25
28
31
34
43
49
Direccin
De ascenso
rpido
40
139
Superficie de respuesta
Experimentos con interaccin
Superficie de respuesta

Grfica del modelo de regresin
140
Un experimento factorial con rplicas tiene varios
resultados bajo la misma combinacin de niveles
y
7
y
8
y
3
y
4

60
y
5
Y
6
y
1
y
2
30
90 70
Factor A :
Horas entrenamiento
Factor B:
Acceso al
sistema
Y = Tiempo de
respuesta
Experimento factorial con rplicas
141
Factor A :
Horas de entrenam.
79
78
95
92
60 min.
84
87
90
87
30 min.
90 70
Factor B:
Acceso al
sistema
Y = Tiempo de
conexin
El tiempo de entrenamiento afecta el tiempo de conexin?
El tiempo de acceso afecta el tiempo de conexin?
Qu efecto tiene la interaccin entre las horas de
entrenamiento y la hora del da sobre el tiempo de conexin?
Anlisis del efecto de la media
142
A
2
=
El Efecto del entrenamiento
Factor B :
Tiempo de
acceso
79
78
95
92
B
2
= 60 min.
84
87
90
87
B
1
= 30 min.
A
2
= 90 A
1
= 70
Factor A : Horas de
entrenamiento
A
1
=
90 + 87 + 95 + 92
4
= 91
84 + 87 + 79 + 78
4
= 82
El tiempo de entrenamiento parece cambiar el
tiempo de conexin Y?
T
i
e
m
p
o

d
e

c
o
n
e
x
i

n

70 90
o
95
90
85
80
91
82
143
El Efecto del Tiempo de acceso
B
2
=
Factor B :
Tiempo de
acceso
B
1
=
90 + 87 + 84 + 87
4
= 87
95 + 92+ 79 + 78
4
= 86
T
i
e
m
p
o

d
e

c
o
n
e
x
i

n


30 min. 60 min.
95
90
85
80
79
78
95
92
B
2
= 60 min.
84
87
90
87
B
1
= 30 min.
A
2
= 90 A
1
= 70
Factor A : Horas de
entrenamiento
El cambio de tiempo de acceso parece cambiar
el tiempo de atencin promedio del Call Center?
87
86
144
El Efecto de la Interaccin
Factor B : Tiempo de
acceso
o o
Factor A : Horas de entrenamiento
79
78
95
92
B
2
= 60
min.
84
87
90
87
B
1
= 30
min.
A
2
= 90 A
1
= 70
78.5 93.5 B
2

85.5 88.5 B
1

A
2
A
1

A,B, =
90 + 87
2
= 88.5

T
i
e
m
p
o

d
e

c
o
n
e
x
i

n

30 min. 60 min.
95
90
85
80
En una grfica de interaccin, las lneas paralelas indican que no hay interaccin. Por qu?
Las horas de entrenamiento y el tiempo de acceso parecen interactuar?
Qu niveles de los factores deben usarse para reducir al mnimo la dureza de
las partes?
146
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
Corrida con Minitab Creacin del diseo
para 2 factores 2 niveles
147
Corrida con Minitab Anlisis del
diseo 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 trminos 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 trminos con >> OK
OK
148
Corrida con Minitab
Interpretacin de grficas
MAIN EFFECTS
La grfica de EFFECTS PLOT debe indicar fuera de la recta los
factores e interacciones que son significativas

La grfica EFFECTS PARETO debe indicar en sus barras
principales ms all de la recta de 0.1 o 0.05 los factores e
interacciones significativas

RESIDUALS
La grfica NORMAL PLOT de residuos debe mostrar los puntos
cerca de la recta
La grfica de residuos RESIDUALS vs FITS debe mostrar
aleatoriedad en los residuos
149
Corrida con Minitab
Interpretacin 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 regresin Y = 86.5 4.5 A 3 AB (incluyendo slo 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

150
Tabla ANOVA Experimento de
Tiempo de respuesta
250.000 7 Total
3.500 14.000 14.000 4 Error
0.011 20.57 72.000 72.000 72.000 1 Temp*
Tiempo
0.492 0.57 2.000 2.000 2.000 1 Tiempo
0.002 46.29 162.00 162.00 162.000 1 Temp
P F MS Aj SS Aj SS Sec DF Origen
Las horas de
entr. son
significativas.
La interaccin
del tiempo de
acceso y horas
de entr. es
significativa.
El Tiempo de
acceso, no es
significativo.
151
Crear las grficas factoriales y de interaccin:
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


Corridas con Minitab Grficas
factoriales
152
Interpretacin de grficas
Si la interaccin es significativa, entonces los mejores
niveles de operacin del proceso ya sea para
maximizar o para minimizar la respuesta Y, se
seleccionan de la Grfica de Interaccin

Si no es significativa la interaccin, entonces los
mejores niveles de los factores se seleccionan de las
grficas de efectos principales
153
Grfica de efectos principales
B A
1 -1 1 -1
90
88
86
84
82
R
e
s
Main Effects Plot (data means) for Res
154
Grfica de interacciones
-1
1
11 -1 -1
90
85
80
B
A
M
e
a
n
Interaction Plot (data means) for Res
155
Crear las grficas de contorno y superficies de respuesta:
Stat > DOE > Factorial > Contour/Surface Plots

Seleccionar Contour / Surface Plots
Setup para ambas: Entrar a opcin y dar OK

Seleccionar OK


Corridas con Minitab Grficas de
contorno y superficie de respuesta
156
Grfica de contorno
82.5
85.0
87.5
90.0
92.5
1 0 -1
1
0
-1
A
B
Contour Plot of Res
Permite identificar la direccin de experimentacin
de ascenso rpido perpendicular a los contornos
157
Grfica superficie de respuesta
1
0
-1
B
80
85
90
95
0
Res
-1
1 A
Surface Plot of Res
158
Diseos de experimentos de tres
factores dos niveles
159
Factorial Completo con 3 Factores
Diseo 2
3
, Factores A, B, C.
Permite la evaluacin de todos los efectos:
A AB ABC
B AC
C BC
Efectos
Principales
Interacciones con
2 factores
Interacciones con
3 factores
160
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
161
Diseo 2
3
con Columnas
de Interaccin
Las columnas de interaccin se obtienen multiplicando
los datos ingresados en la columna factor.
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 interaccin no se usan para ejecutar
las pruebas.
Estas se usan en el anlisis de los datos resultantes.
162
Anlisis de los Datos
1. Anlisis de las Medias
Determina los factores que afectan la respuesta
promedio.

2. Anlisis de Desviacin Estndar
Determina los factores que afectan la variabilidad
en la respuesta.
En ambos casos, se analizan los datos usando
- Tablas y Grficas de Respuesta
- Los valores P para significancia de los
coeficientes.
163
Experimento Factorial - 2 niveles
A B C
1. - - -
2. + - -
3. - + -
4. + + -
5. - - +
6. + - +
7. - + +
8. + + +
Leyenda:
- : Nivel bajo de un factor
+ : Nivel alto de un factor
Factor +
A. Perfil #1 Posicin 1 Posicin 2
B.
Angulo
90 105
C. Presin Baja Alta
Esta distribucin
experimental muestra todas
las combinaciones posibles
de 3 factores en 2 niveles
164
A B C
Muestra 1 Muestra 2 Muestra 3
1. - - - 19.18 19.02 19.09
2. + - -
3. - + -
4. + + -
5. - - +
6. + - +
7. - + +
8. + + +
La Distribucin Experimental
Las corridas experimentales
estn dadas por las filas. Por
ejemplo, la corrida #1 nos
dice que todos los factores
deben posicionarse en sus
niveles bajos (-).
Entonces, tres piezas se
manufacturan con el proceso
establecido en los niveles bajos de
A, B y C. La dimensin interna se
mide y se registra.
165
Datos Experimentales Completos
Se estableci cada una de las 8 combinaciones de la
prueba y se manufacturaron tres piezas en cada
combinacin.
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
166
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
Bsqueda de los Factores que Afectan al
Dimetro Promedio
Para identificar cules son los factores que afectan la
dimensin promedio de las piezas, primero
calculamos el promedio de cada una de las
combinaciones de prueba.
167
A B C Prom.
1. - - - 19.10
2. + - - 19.39
3. - + - 19.12
4. + + - 19.41
5. - - + 18.72
6. + - + 18.96
7. - + + 18.72
8. + + + 18.99
Evaluacin del Efecto del Factor C
El Factor C tiene un efecto en la respuesta promedio si la
dimensin promedio en el nivel C difiere de la dimensin
promedio en el nivel C+.

26 . 19
4
41 . 19 12 . 19 39 . 19 10 . 19
Prom. en C
=
+ + +
=
85 . 18
4
99 . 18 72 . 18 96 . 18 72 . 18
=
+ + +
= +
Prom. en C
168
Tabla de Respuesta
para las Medias
A B C Prom.
1. - - - 19.10
2. + - - 19.39
3. - + - 19.12
4. + + - 19.41
5. - - + 18.72
6. + - + 18.96
7. - + + 18.72
8. + + + 18.99
A B C
18.92 19.04 19.26
+ 19.19 19.06 18.85
A
0.27 0.02 -0.41
Tambin es un
Efecto significativo
Es el Efecto
ms Grande
169
Grficas de los Efectos de los
Factores (Medias)
C B A
1 9 . 2 5
1 9 . 1 5
1 9 . 0 5
1 8 . 9 5
1 8 . 8 5
D
i
m
e
n
s
i

n

Grfica de Efectos Principales (medias de los
datos) para Dimensin
170
La Interaccin 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
171
El Efecto de la Interaccin AB
A B C AB Prom.
1. + 19.10
2. - 19.39
3. - 19.12
4. + 19.41
5. + 18.72
6. - 18.96
7. - 18.72
8. + 18.99
05 . 19
4
72 . 18 96 . 18 12 . 19 34 . 19
Prom. en AB =
+ + +
=
05 . 19
4
99 . 18 72 . 18 41 . 19 10 . 19
=
+ + +
= +
A B C AB
- 18.92 19.04 19.26 19.05
+ 19.19 19.06 18.85 19.05
A 0.27 0.02 -0.41 0.00
Prom. en AB
172
Columnas de interacciones
Las columnas de interaccin AC, BC y ABC
Se obtienen multiplicando las columnas A,B,C.
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
173
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
A
0.27 0.02 -0.41 0.00 -0.02 0.00 0.01
174
Efectos principales e Interacciones
Las lneas paralelas significan que
no hay interaccin.
- 1
1
1 1 - 1 - 1
1 9 . 2
1 9 . 1
1 9 . 0
1 8 . 9
B
A
M
e
d
i
a

- 1
1
1 1 - 1 - 1
1 9 . 4
1 9 . 3
1 9 . 2
1 9 . 1
1 9 . 0
1 8 . 9
1 8 . 8
C
A
- 1
1
1 1 - 1 - 1
1 9 . 2 5
1 9 . 1 5
1 9 . 0 5
1 8 . 9 5
1 8 . 8 5
C
B
Grfica de Interaccin (medias de los datos)
para Dimensin
Grfica de Interaccin (medias de los datos)
para Dimensin
Grfica de Interaccin (medias de los datos)
para Dimensin
M
e
d
i
a

M
e
d
i
a

175
Ecuacin de Prediccin
En la ecuacin de prediccin se incluyen nicamente los efectos que
se consideran importantes (cuyo valor de P es menor o igual a 0.05).
A A A
... AB )
2
AB
( B )
2
B
( )
2
A
( y y
+ + + + = A
y

=
=
A
2
A
=
A
2
B
=
y
y

=
y

= Respuesta predicha
=
A
2
A
=
A
2
A
Mitad del efecto para el factor A
=
A
2
B
=
A
2
B
=
y Promedio de todos los datos
=
y
Mitad del efecto para el factor B
176
Factores que Afectan la Variacin
Se identifican los factores que afectan la variacin en la
respuesta.
Se calcula la desviacin estndar de cada uno de los
conjuntos de replicas.
Se analiza dicha columna de la misma manera que se
analiz el promedio:
- Tabla de Respuesta (las deltas grandes muestran los
factores o interacciones que estn afectando la variacin).
- Grficas (El eje vertical representa la desviacin
estndar).
- Los valores P para la prueba de los coeficientes (generar
un modelo s-hat usando los trminos significativos).

177
Factores que Afectan la Variacin
A B C
Muestra 1 Muestra 2 Muestra 3
Desviacin
Estndar
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 variacin en la dimensin de los
rieles, primero calculamos la desviacin
estndar de cada una de las corridas.
178
Tabla de Respuesta de
la Desviacin Estndar
Se gener una tabla de respuesta, con las
desviaciones estndar, que muestre la fuerza que
tiene cada factor e interaccin sobre la variacin de
la dimensin
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
A
0.150 0.237 -0.005 0.010 -0.018 0.010 -0.002
179
Grficas de los Efectos de los
Factores (Variacin)
Las grficas muestran el efecto de cada factor sobre la
variacin.
C B A
0 . 3 9
0 . 3 3
0 . 2 7
0 . 2 1
0 . 1 5
D
e
s
v
i
a
c
i

n

E
s
t

n
d
a
r

Grfica de Efectos Principales (medias de
los datos) de la Desviacin Estndar
180
Mejoramiento en Dos Pasos
Paso 1: Usar el anlisis de desviacin estndar para
reducir la variabilidad.
Paso 2: Usar el anlisis de la media para ajustar el
proceso o producto con la meta establecida, sin
aumentar la variacin.
Si se tiene conflicto con el nivel de algn factor, se
debe dar preferencia al nivel que reduzca la
variabilidad

181
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 conclusin es
incorrecta cuando decimos que el factor est produciendo el efecto.
Presin
de
Inyeccin
1. - 1.4
2. - 1.6
3. - 1.0
4. - 0.9
5. + 1.1
6. + 0.7
7. + 0.6
8. + 0.5
Por qu
la diferencia?
Prom.= 1.23
Prom.= 0.73
Las Corridas 1 a 4 se ejecutaron
en la maana cuando la
temperatura ambiental en la
planta es templada.
Las Corridas 5 a 8 se ejecutaron
en la tarde cuando hace calor.
La diferencia observada en la
salida, se debe al cambio en la
presin de inyeccin o al cambio
en la temperatura ambiental?
Datos
182
Orden Aleatorio de las Corridas
Una estrategia para protegerse de las variables de ruido es
aleatorizar el orden de las corridas experimentales.
2.
6.
4.
7.
3.
8.
5.
1.

1.
2.
3.
4.
5.
6.
7.
8.

A B C


+

+

+ +
+
+ +

+ +
+
+ +
Orden Estndar Orden Aleatorio
Ejecutar el
experimento en orden
aleatorio promediar,
los efectos de las
variables de ruido.
Sin embargo, por lo
general es mejor
tratar las variables
de ruido como un
FACTOR DE RUIDO
y as, lograr una
fuerza contra el
ruido!
A B C

+
+ +

+ +

+ +

+
+
+ +
+

183
Ecuacin de Prediccin

Y = Y + A +
E
A
2
E
B
2
B +
E
AB
2
AB
^
184
Regin ptima con puntos centrales

Y = Y + A +
E
A
2
E
B
2
B +
E
AB
2
AB
^
185
Esquemas de negocio B2C y B2B
186
Generar y evaluar las soluciones
Generar soluciones para eliminar la causa raz o
mejora del diseo

Probar en pequeo la efectividad de las soluciones

Evaluar la factibilidad, ventajas y desventajas de
cada una de las diferentes soluciones, con un
diagrama de rbol
Por cada causa raz generar varias soluciones ver
sus ventajas, desventajas, factibilidad, impacto y costo
187
Generar y evaluar las soluciones
Realizar una definicin analtica y seleccin
cuantitativa de las alternativas de solucin, adems
de analizar y evaluar cada una de ellas.

Hacer un plan de implementacin de las soluciones
(Gantt o 5W 1H)
188
Implantacin 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 reas*
Los equipos implantan las acciones correctivas y despus poner en prctica las soluciones.
* Obtener la aprobacin de las reas relacionadas, turno o puesto, Jefe inmediato etc. Es decir,
Comunicar a todos los involucrados de la mejora a realizar.

EJ EMPLO 1
LISTADO DE LAS MEDIDAS CORRECTIVAS
NO
CUANDO
A QUE? - COMO?
DONDE RESUL
TADO
JUICIO QUIEN
TOPE PROC. DE
LIMPIEZA
1
2
JULIO 97
JULIO 97
BARRA DE
APLICACION
PARA LOS
MOLDES
AUNQUE SE DA
EFECTO
NO ES PERSISTENTE
EXISTE POCO
DEFECTO
J. PREZ
L.TORRES
189
Calendario de las actividades
qu? por qu? cmo? cundo
?
dnde
?
quin?
1
Tacogenerador
de motor
embobinador
1.1 Por variacin de
voltaje durante el
ciclo de cambio
1.1.1 Tomar dimensiones de ensamble entre
coples.
1.1.2 Verificar estado actual y
especificaciones de escobillas.
1.1.3 tomar valores de voltaje de salida
durante el ciclo de cambio.
Abril 04 1804
Embob.
J. R.
2 Sensor
circular y de
velocidad de
linea.
2.1 Por que nos
genera una varin en
la seal de referencia
hacia el control de
velocidad del motor
embobinador
2.1.1 Tomar dimensiones de la distancia
entre poleas y sensores.
2.1.2 Tomar valores de voltaje de salida de
los sensores.
2.1.3 Verificar estado de rodamientos de
poleas.
Abril 04 1804
Embob.
U. P.
3 Ejes
principales de
transmisin.
3.1 Por vibracin
excesiva durante el
ciclo de cambio
3.1.1 Tomar lecturas de vibracin en
alojamientos de rodamientos
3.1.2 Comparar valores de vibraciones con
lecturas anteriores.
3.1.3 Analizar valor lecturas de vibracin
tomadas.
Abril04 1804
Embob.
F. F.
4 Poleas de
transmisin de
ejes
embobinadores
.
4.1 Puede generar
vibracin excesiva
durante el ciclo de
cambio.
4.1.1 Verificar alineacin, entre poleas de
ejes principales y polea de transmisin del
motor.
4.1.2 Tomar dimensiones de poleas(dientes
de transmisin).
4.1.3 Tomar dimensiones de bandas (dientes
de transmisin)
4.1.4 Verificar valor de tensin de bandas.
Abril04 1804
Embob.
J. R.
U. P.
190
Implantacin de soluciones
15 GUOQCSTORY.PPT
191
Prueba e implantacin de soluciones
Probar las soluciones investigando los efectos
secundarios que puedan afectar a otras reas y
despus ponerlas en practica.

Planear la implantacin de las alternativas
seleccionadas.

Ejecutar las acciones del plan de acciones,
comprobando su efectividad con: diagramas, fotos,
cartas de control, Paretos, histogramas, etc.
192
1. Actions
2. Responsibilities
3. Schedule
4. Cost/Benefit Analysis
5. Measures
6. Risk Assessment
7. Contingency Plan
8. Change Strategy
9. Communication Plan
10. Education Plan
Describes the specific actions & tasks to be taken
for each root cause
Describes who is responsible for each action

Indicates when the actions & tasks will be
completed
Predicts direct & indirect costs & benefits
associated with each action
Indicates whether the actions (solutions) are
successful
Assesses what could go wrong if the actions are
implemented
Includes a back-up plan for each action based on a
risk assessment
Identifies potential organizational barriers to
actions and strategies for addressing them
Details who must be informed as well as how they will be
informed and involved, before the actions are taken
Identifies who needs to be trained for the
implementation to be successful as well as the
source, scheduling, method and content of that
training
Implementation Plan Components
193
Verificacin de soluciones

PUNTO CRITICO
ACTIVIDADES
* Verificar hasta obtener efectos estables ampliando * Hacer anlisis comparativo antes y despus
los datos histricos en grficas de la etapa de * En caso de aplicar varias medidas
correctivas
"razn de seleccin del tema" , Verificar los efectos intangibles sin omisiones
* Comparar el efecto en grfica entre antes y despus
de DMAIC respecto al objetivo. confirmar el efecto sobre cada concepto de
(relacin humana, capacidad, trabajo en equipo, contramedidas.
entusiasmo, rea de trabajo alegre).
* Determinar los beneficios monetarios, indirectos e intangibles.Investigar si existen reas y operaciones
similares tanto dentro como fuera de la planta, para aplicar las mismas contramedidas. Dar reconocimiento.
2.1
2
1.9
1.8
1.7
1.6
1.5
1.4
1.3
1.2
1.1
1
2.19
2.14
2.22
2.33
1.76
1.32
0.9
0.87
0.94
0.79
0.99
0.94
0
0.5
1
1.5
2
2.5
May-97 Jun-97 Jul-97 Ago-97 Sep-97 Oct-97 Nov-97 Dic-97 Ene-98 Feb-98 Mzo-98 Abr-98
%D < 1 %
Ejemplo 1.
%
D
E
F
E
C
T
U
S
O

Comprobar efec_
tividad de las
Soluciones con
Pruebas de Hiptesis
194
Verificacin de resultados
Verificar hasta obtener efectos estables ampliando
los datos histricos como confirmacin inicial.

Comparar el efecto antes y despus del proyecto Seis
Sigma respecto al objetivo.

Verificar los efectos intangibles sin omisiones(relacin
humana, capacidad, trabajo en equipo, entusiasmo,
rea de trabajo alegre).

Convertirlo en monto de ahorro en lo posible
195
Verificacin de resultados

0
10
20
30
40
50
60
70
80
90
1e r t rim. 2do t rim. 3e r t rim. 4t o t rim.
Est e
Oe st e
Nor t e
0
10
20
30
40
50
60
70
80
90
1er t rim. 2do t rim. 3er t rim. 4to t rim.
Este
Oeste
Norte
A N TE S DE SP U E S
ME J O R A
C OS TO
$ 5 , 0 0 0
C OS TO
$ 1 , 0 0 0
196
Diagrama de
Ishikawa
Diagrama de
relaciones
Diagrama
de rbol
Anlisis del Modo y Efecto de
Falla (AMEF)
QFD
Diagrama
Causa Efecto
CTQs = Ys
Operatividad
X's vitales
Diagrama
de Flujo
del
proceso
Pruebas
de
hiptesis
Causas raz
validadas
Causa
Raz?
Definicin
Y=X1 + X2+. .Xn
X's
Causas
potenciales
Medicin Y,
X1, X2, Xn
FASE DE ANLISIS
Si No
Llenar las ltimas
Columnas del FMEA
y comprobar Hiptesis