Вы находитесь на странице: 1из 688

Programa de certificacin

de Black Belts ASQ


VI. Seis Sigma - Anlisis
P. Reyes / Noviembre de 2007

Fase de Anlisis

Propsitos:

Establecer hiptesis sobre las posibles Causas


Raz
Refinar, rechazar, o confirmar la Causa Raz
Seleccionar las Causas Raz ms importantes:

Las pocas Xs vitales

Salidas:

Causas raz validadas


Factores de variabilidad identificados

QFD

FASE DE ANLISIS

Diagrama
Causa Efecto
Definicin
Y=X1 + X2+. .Xn
CTQs = Ys
Operatividad

Diagrama de
relaciones
Diagrama de
Ishikawa
Diagrama
de rbol

Medicin Y,
X1, X2, Xn

Anlisis del Modo y Efecto de


Falla (AMEF)

Pruebas
de
hiptesis
Diagrama
de Flujo
del
proceso

X's
Causas
potenciales

Llenar columnas del FMEA


Hasta sol. Propuesta y
comprobar causas con
Pruebas de Hiptesis
X's vitales

No

Causa
Raz?

Si

Causas raz
validadas

VI. Anlisis
A. Medicin y modelaje de relacin entre
variables
B: Pruebas de hiptesis
C. Anlisis del modo y efecto de falla (AMEF)
D. Mtodos adicionales de anlisis
4

A. Medicin y modelaje de
relacin entre variables

A. Medicin y modelaje de
relacin entre variables
1. Coeficiente de correlacin
2. Regresin
3. Herramientas Multivariadas
4. Estudios Multivari
5. Anlisis de datos por atributos
6

VI.A.1 Coeficiente de
correlacin

Correlacin

Definiciones

Establece si existe una relacin entre las variables y


responde a la pregunta, Qu tan evidente es esta
relacin?"
Regresin
Describe con ms detalle la relacin entre las variables.
Construye modelos de prediccin a partir de informacin
experimental u otra fuente disponible.
Regresin lineal simple
Regresin lineal mltiple
Regresin no lineal cuadrtica o cbica
8

Correlacin

Accidentes laborales

Propsito:
Propsito: Estudiar
Estudiarla
laposible
posiblerelacin
relacin
entre
entredos
dosvariables.
variables.

Correlacin
positiva,
posible

Numero de rdenes urgentes

El 1er. paso es realizar una grfica de la informacin.


9

Coeficiente de correlacin (r )

Mide la fuerza de la relacin lineal entre las


variables X y Y en una muestra.

El coeficiente de correlacin muestral de


Pearson rx,y con valores entre -1 y +1 es:

10

Correlacin de la informacin (R ) de las X y las Y


Correlacin Negativa
Evidente
25

20

20

15

15

10

Correlacin Positiva
Evidente
25

5
0

10

15

20

25

Sin Correlacin

10

0
0

10

25

R=1

15

20

25

R=-1

20
15

25

Correlacin
Positiva

Correlacin
Negativa

5
0
0

20

10

15
X

15
10

20

25

25

R=
0

20
15
Y

10

10
5

0
0

10

15
X

20

25

R=>1

0
0

10

15
X

20

25

R=>-1

11

Coeficiente de correlacin

El coeficiente de correlacin r asume el mismo


signo de la pendiente de la recta 1 siendo cero
cuando
1 =0

Un valor positivo de r implica que la pendiente de


la lnea es ascendente hacia la derecha
Un valor negativo de r implica que la pendiente de
la lnea es descendente hacia la derecha
Si r=0 no hay correlacin lineal, aunque puede
haber correlacin curvilnea

12

Coeficiente de correlacin
Reglas empricas
Coeficiente de
correlacin

Fuerte, positiva

0.8 < r < 1.0

Dbil, positiva

0.3 < r < 0.8

No existe

-0.3 < r < 0.3

Dbil, negativa

-0.8 < r < -0.3

Fuerte, negativa

Relacin

-1.0 < r < -0.8


13

Correlaciones (Pearson)
Tabla de Correlacin mnima
n
3
4
5
6
7
8
9
10
11
12
13
14

95%
de confianza
1.00
0.95
0.88
0.81
0.75
0.71
0.67
0.63
0.60
0.58
0.53
0.53

99%
de confianza
1.00
0.99
0.96
0.92
0.87
0.83
0.80
0.76
0.73
0.71
0.68
0.66

n
15
16
17
18
19
20
22
24
26
28
30

95%
de confianza
0.51
0.50
0.48
0.47
0.46
0.44
0.42
0.40
0.39
0.37
0.36

99%
de confianza
0.64
0.61
0.61
0.59
0.58
0.56
0.54
0.52
0.50
0.48
0.46

Para un 95% de confianza, con una muestra de 10,


el coeficiente (r) debe ser al menos .63
14

Correlacin
La correlacin puede usarse para informacin de
atributos, variables normales y variables no normales.
La correlacin puede usarse con un predictor o
ms para una respuesta dada.
La correlacin es una prueba fcil y rpida para
eliminar factores que no influyen en la prediccin, para
una respuesta dada.
15

Coeficiente de Correlacin
Para determinar que tanto se acercan los datos
predichos por el modelo a los datos observados
aplicando el coeficiente de correlacin de
Pearson (ver tabla anterior para identificar la
significancia)
S(yeyo)
r=
S(yeye) S(yoyo)
2
y
)
ei
S(yeye) = yei2 n
2
y
)
oi
S(yoyo) = yoi2 n
yei)yoi)
S(yeyo) = yei yoi -

r = Coeficiente de correlacin
yo = Respuesta observada
ye = Respuesta esperada

16

Coeficiente de Correlacin ajustad


Otra forma para no consultar la tabla de
coeficiente de correlacin de Pearson es la r
ajustada
R2(Adj) = 1 (1 r2) (n-1)
(n-p)
Criterios
Donde :
R2(Adj) = Coeficiente de correlacin ajustado
r = Coeficiente de correlacin de Pearson
n = Nmero de datos
p = Nm. trminos en el modelo
(Incluyendo la constante)

en funcin a la R2(Adj)

> 90% = Correlacin Fuerte


80% - 90% = Buena correlacin
60% - 80% = Correlacin media
40% - 60% = Correlacin dbil
< 40% = No existe correlacin

17

Coeficiente de Determinacin
(R2)

El coeficiente de determinacin es la
proporcin de la variacin total explicada por
la regresin, R2 se encuentra en el rango de
valores de 0 a 1.

18

Correlacin vs causacin

Tener cuidado de no tener variables colineales,


por ejemplo peso de un coche y peso de las
personas que transporta, o que no la relacin
no tenga sentido, como si lavo mi coche,
llueve.

19

VI.A.2 Regresin

20

Anlisis de Regresin
El
Elanlisis
anlisisde
deregresin
regresin es
esun
unmtodo
mtodo
estandarizado
estandarizadopara
paralocalizar
localizarla
lacorrelacin
correlacinentre
entredos
dos
grupos
grupos de
dedatos,
datos, y,y,quiz
quizms
ms importante,
importante, crear
crear un
un
modelo
modelode
deprediccin.
prediccin.
Puede
Puedeser
ser usado
usadopara
para analizar
analizar las
lasrelaciones
relacionesentre:
entre:
Una
Unasola
solaX
Xpredictora
predictorayyuna
unasola
sola Y
Y
Mltiples
Mltiplespredictores
predictoresX
Xyy una
unasola
solaY
Y
Varios
Variospredictores
predictoresX
X entre
entres
s
21

Supuestos de la regresin
lineal
Los principales supuestos que se hacen en el anlisis de
regresin lineal son los siguientes:
La relacin entre las variables Y y X es lineal, o al
menos bien aproximada por una
y lnea
recta.
X
0

El trmino de error tiene media cero.

El trmino de error tiene varianza constante 2.

Los errores no estn correlacionados.

Los errores estn normalmente distribuidos.

22

Modelo de regresin lineal

Se aume que para cualquier valor de X el valor


observado de Y varia en forma aleatoria y tiene una
distribucin de probabilidad normal

El modelo general es:


Y = Valor medio de Yi para Xi + error aleatorio

y 0 1 X

23

Regresin Lineal Simple


La lnea de regresin se calcula por el mtodo de mnimos
cuadrados.
Un residuo es la diferencia entre un punto de referencia en
particular (xi, yi) y el modelo de prediccin ( y = a + bx ). El
modelo se define de tal manera que la suma de los cuadrados
de los residuales es un mnimo. La suma residual de los
cuadrados es llamada con frecuencia la suma de los cuadrados
y = b0 + b1x
de los errores (SSE) acerca de la lnea
de regresin
i

ei

SSE =

ei2

xi

yi - yi2

a y b son
Estimados de
0 y 1

Grfica de la Lnea de Ajuste


Recta de regresin
Y=-.600.858+5738.89X
R2 = .895

Retencin

600

Regresin

500

95% Intervalo
de confianza
95% Intervalo
de prediccin

400
0.18

0.19
Altura del muelle

0.20

Interpretacin de los Resultados


La ecuacin de regresin (Y = -600.858 + 5738.89X) describe
la relacin entre la variable predictora X y la respuesta de
prediccin Y.
RR22(coef.
(coef.de
dedeterminacin)
determinacin)es
eselelporcentaje
porcentajede
devariacin
variacin
explicado
explicadopor
porlalaecuacin
ecuacinde
deregresin
regresinrespecto
respectoaalalavariacin
variacintotal
total
en
enelelmodelo
modelo
El intervalo de confianza es una banda con un 95% de
confianza de encontrar la Y media estimada para cada valor de
X [Lneas rojas]
El intervalo de prediccin es el grado de certidumbre de la
difusin de la Y estimada para puntos individuales X. En general,
95% de los puntos individuales (provenientes de la poblacin
sobre la que se basa la lnea de regresin), se encontrarn dentro
de la banda [Lneas azules]

26

Interpretacin de los Resultados


Los valores p de la constante (interseccin en Y) y las variables
de prediccin, se leen igual que en la prueba de hiptesis.
Ho: El factor no es significativo en la prediccin de la respuesta.
Ha: El factor es significativo en la prediccin de la respuesta.
s es el error estndar de la prediccin = desviacin estndar del
error con respecto a la lnea de regresin.
R2 (ajustada) es el porcentaje de variacin explicado por la
regresin, ajustado por el nmero de trminos en el modelo y por
el nmero de puntos de informacin.
El valor p para la regresin se usa para ver si el modelo completo
de regresin es significativo.
Ho: El modelo no es significativo en la prediccin de la respuesta.
Ha: El modelo es significativo en la prediccin de la respuesta.

Errores residuales

Los errores se denominan frecuentemente residuales.


Podemos observar en la grfica de regresin los errores
indicados por segmentos verticales.

28

Errores residuales
^

Los residuosei Yi Y i , i 1,2,3..., n

pueden ser graficados para:

Checar normalidad.
Checar el efecto del tiempo si su orden es conocido en los
datos.
Checar la constancia de la varianza y la posible necesidad
de transformar los datos en Y.
Checar la curvatura de ms alto orden que ajusta en las
Xs.

A veces es preferible trabajar con residuos estandarizados o


ei
estudentizados:
ri
,
e

di

MS E

,....1 1,2,....., n

1 ( X i X )2

MSE 1
n
S
XX

29

Errores residuales

Anlisis de los errores o residuales

30

Ejemplo
Considere el problema de predecir las ventas
mensuales en funcin del costo de publicidad.
Calcular el coeficiente de correlacin, el de
determinacin y la recta.
MES

Publicidad

Ventas

1
2
3
4
5
6
7
8
9

1.2
0.8
1.0
1.3
0.7
0.8
1.0
0.6
0.9

101
92
110
120
90
82
93
75
91

31

Clculo manual
Calcular columnas para Suma X, Suma Y, Xi2, XiYi y Yi2
Xi
Yi
MES Publicidad
Ventas
Xi2
XiYi
Yi2
1
2
3
4
5
6
7
8
9
10

1.2
0.8
1.0
1.3
0.7
0.8
1.0
0.6
0.9
1.1

101
92
110
120
90
82
93
75
91
105

1.44
0.64
1.00
1.69
0.49
0.64
1.00
0.36
0.81
1.21

121.2
73.6
110.0
156
63.0
65.6
93.0
45.0
81.9
115.5

10201
8464
12100
14400
8100
6724
8649
5625
8281
11025

SUMA 9.4

959

9.28

924.8

93,569

32

Mtodo de mnimos
cuadrados
Donde:
Yest = Valor predicho de para un valor particular de x.
b0 = Estimador puntual de .(ordenada al origen)
b1= Estimador puntual de (pendiente)
Para el clculo de b0 y b1 se utilizamos las siguientes
frmulas:

33

Anlisis de varianza en la
regresin

La desviacin estndar S corresponde a la raz cuadrada del


valor de MSE o cuadrado medio residual.

SS E
SYY b1 S XY
2
S

n2
n2

SYY Yi 2
i 1

Y
n

X Y

i 1

S XY X iYi

i 1

i 1

i 1

Los residuos son:


^

ei Yi Y i

__

__

Yi Y i Yi Y (Y i Y ) (Y

__

__

Y ) 2 (Y i Y ) 2 (Yi Y i ) 2

34

1
t ( n 2,1 ).S
2
b1
__
(
X

X
i )2

Anlisis de varianza en la
regresin

Las conclusiones son como sigue:

Intervalos de confianza para Beta 0 y Beta 1

se(b1 )

__ 2

1 X
se(b0 ) MSE
n S XX

X i2

1/ 2

__

n ( X i X )

MSE

S XX

S
S XX

1
X
b0 t ( n 2,1 )
2 n ( X X__ ) 2
i

b1

2
i

t ( n 2,1

( X

1
). S
2
__

1/ 2

X )2

35

1
t ( n 2,1 ).S
2
b1
__
(
X

X
i )2

Anlisis de varianza en la
regresin

El intervalo de confianza para la desviacin estndar es:

( n 2) MSE
( n 2) MSE
2

2 / 2,n 2
12 / 2,n 2
Intervalos de confianza para la Y estimada promedio
^

Y0 t a / 2 , n 2

__

2
1 (X0 X )
MSE
S XX
n

Intervalo de prediccin para un valor particular de Y


estimado

__

Y0 t / 2 ,n 2

1 ( X 0 X )2

MSE 1
Y0 Y0 t / 2 ,n 2

n
S XX

__

1 ( X 0 X )2

MSE 1

n
S XX

36

1
t ( n 2,1 ).S
2
b1
__
(
X

X
i )2

Anlisis de varianza en la
regresin

Prueba de Hiptesis para Beta 1:


Ho: 1 = 0 contra H1:1 0
t0

b1
MSE

S XX

Si t 0 t / 2,n 2 el coeficiente Beta 1 es significativo

37

1
t ( n 2,1 ).S
2
b1
__
(
X

X
i )2

Anlisis de varianza en la
regresin

Coeficiente de correlacin r:

S XY
S XX SYY

Coeficiente de determinacin: r2
R2 mide la proporcin de la variacin total respecto a la
media que es explicada por la regresin. Se expresa en
porcentaje.
^

( SS .de.la.regresin . por.b0 )
R2

( SSTotal .corregido. para.la.media )

__

2
(
Y

Y
)

(Y

__

Y )2

SSE
SYY

38

1
t ( n 2,1 ).S
2
b1
__
(
X

X
i )2

Anlisis de varianza en la
regresin

Prueba de hiptesis para el Coeficiente de correlacin r:

H0: = 0 contra H1: 0


t0

Si

r n2
1 r2

t 0 t / 2,n 2

se rechaza la hiptesis Ho, indicando que


existe una correlacin significativa

39

Riesgos de la regresin

Los modelos de regresin son vlidos como ecuaciones


de interpolacin sobre el rango de las variables
utilizadas en el modelo. No pueden ser vlidas para
extrapolacin fuera de este rango.

Mientras que todos los puntos tienen igual peso en la


determinacin de la recta, su pendiente est ms
influenciada por los valores extremos de X.

40

Riesgos de la regresin

Los outliers u observaciones aberrantes pueden


distorsionar seriamente el ajuste de mnimos cuadrados.

Si se encuentra que dos variables estn relacionadas


fuertemente, no implica que la relacin sea casual, se
debe investigar la relacin causa efecto entre ellas.
Por ejemplo el nmero de enfermos mentales vs.
nmero de licencias recibidas.

41

Clculo manual (cont..)


Clculo de la recta de regresin lineal:
Sxx = 9.28 - (9.4)^2/10 = 0.444
Sxy = 924.8 - (9.4)(959) / 10 = 23.34
Ymedia = 959 / 10 = 95.9

Xmedia = 9.4 / 10 = 0.94

b1 = Sxy / Sxx = 23.34 / 0.444 = 52.57


b0 = Ymedia - b1*Xmedia = 95.9 - (52.5676)(0.94) = 46.49
Yest. = 46.49 + 52.57* X

42

Ejemplo (cont..)
Clculo de S2 estimador de
S2 = SSE / (n - 2) = Syy - (Sxy)^2/Sxx
Syy = 93,569 - (959)^2 / 10 = 1600.9
SSE = Syy - b1*Sxy = 1600.9 - (52.567)(23.34) = 373.97
S2 = SSE / (n - 2) = 373.97 / 8 = 46.75
S = 6.84
El intervalo de confianza donde caern el 95% de los puntos
es el rango de 1.96S = 13.41 o sea a 13.41 de la lnea.

43

Ejemplo (cont..)
Inferencias respecto a la pendiente de la lnea b1:
Se usa el estadstico t = b1 / (S / Sxx)
El trmino del denominador es el error estndar de la
pendiente.
Para probar la hiptesis nula Ho: 1 = 0
En este caso tc = 52.57 / (6.84 / 0.444) = 5.12
El valor crtico tcrit. para alfa/2 = 0.025 con (n-2) = 8 grados
de libertad es 2.306.
Como tc > tcrtico se rechaza la hiptesis de que b1 = 0
existiendo la regresin.

44

Ejemplo (cont..)
Estableciendo un 95% de confianza para la pendiente de
la recta b1.
Usando la frmula b1 t0.025 (S / Sxx) se tiene:
52.57 2.306 * 6.84 / 0.444 = 52.57 23.67.
Por tanto una unidad de incremento en publicidad, har que
el volumen de ventas se encuentre entre $28.9 a $76.2.

45

Ejemplo (cont..)
Clculo del coeficiente de Correlacin:
________
r = Sxy / (SxxSyy)
____________
r = 23.34 / 0.444*1600.9 = 0.88
Como r es positivo, la pendiente de la recta apunta hacia
arriba y a la derecha.
El coeficiente de determinacin r^2 = 1 - SSE/Syy
r^2 = ( Syy - SSE ) / Syy = 0.774

46

Anlisis de Regresin
1. Teclear los datos para Xi y Yi
2. Llamar a TOOLS o HERRAMIENTAS, DATA ANALYSIS o
ANALISIS DE DATOS, CORRELATION o CORRELACIN
3. Dar INPUT RANGE (rango de datos), OUTPUT RANGE
(para los resultados) y obtener los resultados
Column 1
Column 2

Column 1
1
0.875442

Column 2
0.875442
1

El coeficiente de correlacin r = 0.875442


47

Clculo con Excel)


4. Llamar a TOOLS o HERRAMIENTAS, DATA ANALYSIS o
ANALISIS DE DATOS, REGRESION o REGRESIN
3. Dar INPUT RANGE Y (rango de datos Yi), INPUT RANGE X
(rango de datos Xi), CONFIDENCE INTERVAL 95%, OUTPUT
RANGE (para los resultados), RESIDUAL PLOTS o GRAFICAS DE
RESIDUALES y obtener una tabla de resultados como los que se
muestran en las pginas siguientes.
NOTAS:
a) La grfica de probabilidad normal debe mostrar puntos
fcilmente aproximables por una lnea recta, indicando normalidad.
B) La grfica de residuos estandarizados se deben distribuir en
forma aleatoria alrededor de la lnea media igual a cero.

48

Resultados de Excel
SUMMARY OUTPUT
Regression Statistics
Multiple R
0.875442
Adjusted R Square0.737198
Observations
10

R Square
0.766398
Standard Error 6.83715

ANOVA
df
1
8
9

SS
MS
F
Significance F
Regression
1226.927 1226.927 26.24633 0.000904
Residual
373.973 46.74662
Total
1600.9
Confidence 95%
Coefficients Standard Error t Stat
P-value Lower
Upper
Intercept 46.48649

9.884566

4.702936

0.001536 23.69262 69.28035

X Variable1 52.56757 10.26086 5.123117 0.000904

28.90597 76.22916

La ecuacin de la recta es Yest = 46.48649 + 52.56757 X


Como los valores p para los coeficientes son menores a 0.05,
ambos son significativos

Grfica normal de Excel


Normal Probability Plot
140
120

100
80
60
40
20
0
0

20

40

60

80

100

Sample Percentile

50

Grfica de Residuos vs. X de Excel


X Variable 1 Residual Plot

Residuals

20
10
0
-10 0

0.5

1.5

X Variable 1
51

Ejercicio
Calcular la recta de prediccin con sus bandas de
confianza, la correlacin y la determinacin para la
respuesta de un Taxi, los datos se muestran a
continuacin:
Distancia

Tiempo

0.8

200

2.2
1.0
0.6
1.0
1.4
2.2
0.6

400
160
120
360
280
560
320

52

Relaciones no Lineales
Qu pasa si existe una relacin causal, no lineal?
Cmo describira
El siguiente es un conjunto de datos
esta relacin?
experimentales codificados, sobre
resistencia a la compresin de una
aleacin especial:
Concentracin
x
10.0
15.0
20.0
25.0
30.0

Resistencia a
la Compresin
y
25.2 27.3 28.7
29.8 31.1 27.8
31.2 32.6 29.7
31.7 30.1 32.3
29.4 30.8 32.8

(ref. Walpole & Myers, 1985)

53

Resultados del Anlisis de Regresin - Modelo Cuadrt

Y = 19.0333 + 1.00857X - 2.04E-02X**2


R2 = 0.614
Anlisis de Variancia
FUENTE
Regresin
Error
Total

DF
2
12
14

SS
MS
F
p
38.9371 19.4686 9.54490 3.31E-03
24.4762 2.0397
63.4133

FUENTE DF
Lineal
1
Cuadrtica 1

Seq SS F
p
28.0333 10.3005 6.84E-03
10.9038 5.34584 3.93E-02

54

Regresin cuadrtica

55

Regresin cuadrtica

56

Regresin cuadrtica

Los residuos
No son normales
Se deben transforma
Las variables

57

Otros Patrones No Lineales


A veces es posible transformar una o ambas variables, para mostrar
mejor la relacin entre ambas. La meta es identificar la relacin
matemtica entre las variables, para que con la variable transformada
se obtenga una lnea ms recta. Algunas transformaciones comunes
incluyen:

x = 1/x
x = Raz cuadrada de (x)

Funciones trigonomtricas: x = Seno


de x

x = log x

Trasformacin de funciones

Ejemplo: seaY 0 e 1 X

ln Y ln 0 1 X ln
se transforma como

Y ' 0 ' 1 X '

59

Transformacin de variables del


ejemplo de regresin cuadrtica

Transformando la variable X = 1/X se tiene, utilizando


Minitab

60

Transformacin de variables del


ejemplo de regresin cuadrtica

Transformando la variable X = 1/X se tiene, utilizando


Minitab

61

Transformacin de variables del


ejemplo de regresin cuadrtica

Los residuos ahora ya se muestran normales

62

Transformacin para
homoestacidad de la varianza

Algunas transformaciones para estabilizar la varianza

63

Transformacin para
homoestacidad de la varianza

Ejemplo: Se hizo un estudio entre la demanda (Y) y la


energa elctrica utilizada (X) durante un cierto periodo
de tiempo

64

Transformacin para
homoestacidad de la varianza

Ejemplo: Se hizo un estudio entre la demanda (Y) y la


energa elctrica utilizada (X) durante un cierto periodo
de tiempo

65

Transformacin para
homoestacidad de la varianza

Se observa que la varianza se incrementa conforme


aumenta X

66

Transformacin para
homoestacidad de la varianza

Se observa que la varianza se incrementa conforme


aumenta X

67

Transformacin para
homoestacidad de la varianza

Transformando a X por su raz cuadrada se tiene:

68

Transformacin para
homoestacidad de la varianza

Transformando a X por su raz cuadrada se tiene:

69

Transformacin para
homoestacidad de la varianza

Transformando a X por su raz cuadrada se tiene:

70

Regresin lineal mltiple

71

Regresin mltiple

Cuando se usa ms de una variable independiente para


predecir los valores de una variable dependiente, el proceso
se llama anlisis de regresin mltiple, incluye el uso de
ecuaciones lineales.

Yu 0 1 X u1 2 X u 2 ....... k X uk u
Se asume que los errores u tienen las caractersticas
siguientes:
Tienen media cero y varianza comn 2.
Son estadsticamente independientes.
Estn distribuidos en forma normal.

72

Regresin mltiple
Estimacin de los parmetros del modelo

Se trata de minimizar los errores cuadrticos en:


N

R ( 0 , 1 ,..., k ) (Yu 0 1 X u1 2 X u 2 ..... uk ) 2


u 1

El modelo de regresin mltiple en forma matricial es:


Y = X + = [1 : D] +
Y es un vector N x 1.
X es una matriz de orden N x (k + 1), donde la 1. columna es 1s.
es un vector de orden (k + 1) x 1.
es un vector de orden N x 1.
D es la matriz de Xij con i = 1, 2, ..., N; j = 1, 2, ......, k

73

Regresin mltiple
Estimacin de los parmetros del modelo:
b = (XX)-1 XY
El vector de valores ajustados
Y Xb
como:

se puede expresar

Y Xb X ( X ' X ) 1 X ' Y Hy

La
varianza del modelo se estima como:
SSE (Y Y ) e e' e
2

i 1

2
i

SSE (Y Xb)' (Y Xb) Y ' Y b' X ' Y Y ' Xb b' X ' Xb Y ' Y 2b' X ' Y b' X ' Xb

SSE Y ' Y b' X ' Y

s 2 MSE

SSE
Np

74

Tamao de muestra

Tomar 5 observaciones para cada una de las


variables independientes, si esta razn es
menor de5 a 1, se tiene el riesgo de
sobreajustar el modelo

Un mejor nivel deseable es tomar 15 a 20


observaciones por cada variable
independiente

75

Ejemplo de regresin mltiple

Un embotellador est analizando las rutas de servicio de


mquinas dispensadoras, est interesado en predecir la
cantidad de tiempo requerida por el chofer para surtir
las mquinas en el local (Y).

La actividad de servicio incluye llenar la mquina con


refrescos y un mantenimiento menor.

Se tienen como variables el nmero de envases con que


llena la mquina (X1) y la distancia que tiene que
caminar (X2).

76

Ejemplo de regresin mltiple

77

Ejemplo de regresin mltiple


Solucin matricial

78

Ejemplo de regresin mltiple


Solucin matricial

79

Ejemplo de regresin mltiple


Solucin matricial

80

Ejemplo de regresin mltiple


Solucin matricial

Intervalo de confianza para Beta 1

b1 t.025, 22 se(b1 ) 1 b1 t.025, 22 se(b1 )


1.61591 ( 2.074) (10.6239)(0.00274378) 1 1.6191 ( 2.074)(0.17073)
Por tanto el intervalo de confianza para el 95% es:
1.26181 1 1.97001

81

Ejemplo de regresin mltiple


Solucin matricial

El embotellador desea construir un intervalo de


confianza sobre el tiempo medio de entrega para un
local requiriendo:
X1 = 8 envases y cuya distancia es X2 = 275 pies.
2.34123
1
Y0 X ' 0 b 1,8,275 1.61591 19.22minutos
X0 8

0.01438
275

La varianza de la Y0 estimada es 1(tomando


M8=inv(XX) :

Var (Y0 ) S 2 X ' 0 ( X ' X ) 1 X 0 10.62391,8,275 M 8 8 10.6239(0.05346) 0.56794

275

82

Ejemplo de regresin mltiple


Solucin matricial

El intervalo de confianza sobre el tiempo medio de


entrega para un local requiriendo es para 95% de nivel
de confianza:

19.22 2.074 0.56794 Y0 19.22 2.074 0.56794

Que se reduce a: 17.66 Y0 20.78

83

Ejemplo de regresin mltiple


Solucin matricial

El anlisis de varianza es:

84

Ejemplo de regresin mltiple


Solucin matricial

El comportamiento de los residuos es como sigue:

85

Multicolinealidad

La multicolinealidad implica una dependencia cercana


entre regresores (columnas de la matriz X ), de tal forma
que si hay una dependencia lineal exacta har que la
matriz XX sea singular.

La presencia de dependencias cercanamente lineales


impactan dramticamente en la habilidad para estimar
los coeficientes de regresin.

La varianza de los coeficientes de la regresin son


inflados debido a la multicolinealidad. Es evidente por los
valores diferentes de cero que no estn en la diagonal
principal de XX. Que son correlaciones simples entre los
regresores.

86

Multicolinealidad

Una prueba fcil de probar si hay multicolinealidad entre dos


variables es que su coeficiente de correlacin sea mayor a
0.7

Los elementos de la diagonal principal de la matriz XX se


denominan Factores de inflacin de varianza (VIFs) y se usan
como un diagnstico importante de multicolinealidad. Para el
componente j simo se tiene:

1
VIF j
1 R 2j

Si es mayor a 10 implica que se tienen serios problemas de


multicolinealidad.

87

Anlisis de los residuos

Los residuos graficados vs la Y estimada, pueden mostrar


diferentes patrones indicando adecuacin o no
adecuacin del modelo:

Grfica de residuos aleatorios cuya suma es cero (null


plot) indica modelo adecuado

Grfica de residuos mostrando una no linealidad


curvilnea indica necesidad de transformar las variables

Si los residuos se van abriendo indica que la varianza


muestra heteroestacidad y se requiere transformar las
variables. Se puede probar con la prueba de Levene de
homogeneidad de varianzas

88

Escalamiento de residuos

En algunos casos es difcil hacer comparaciones directas


entre los coeficientes de la regresin debido a que la
magnitud de bj refleja las unidades de medicin del
regresor Xj. Por ejemplo:

Y 5 X 1 1000 X 2

Para facilitarla visualizacin de residuos ante grandes


diferencias en los coeficientes, se sugiere estandarizar o
estudentizar los residuos

89

Escalamiento de residuos

Residuos estandarizados

Se obtienen dividiendo cada residuo entre la


desviacin estndar de los residuos

di

ei
,
MSE

Despus de la estandarizacin, los residuos


tienen una media de 0 y desviacin estndar de 1

Con ms de 50 datos siguen a la distribucin t, de


manera que si exceden a 1.96 (lmite para alfa
0.05) indica significancia estadstica y son
outliers

90

Escalamiento de residuos

Residuos estudentizados

Son similares a los residuos donde se elimina una


observacin y se predice su valor, pero adems se
elimina la i-sima observacin en el clculo de la
desviacin estndar usada para estandarizar la sima observacin

Puede identificar observaciones que tienen una gran


influencia pero que no son detectadas por los
residuos estandarizados

H = X (XX)-1X es
e la matriz sombrero o hat matriz.

ri

MSE (1 hii )

91

Escalamiento de residuos

El estadstico PRESS (Prediction Error Sum of Squares) es


una medida similar a la R2 en la regresin. Difiere en que se
estiman n-1 modelos de regresin.

En cada modelo se omite una observacin en la estimacin


del modelo de regresin y entonces se predice el valor de la
observacin omitida con el modelo estimado. El residuo
isimo ser:

e( i ) Yi Y( i )

El residuo PRESS es la suma al cuadrado de los residuos


individuales e indica una medida de la capacidad de
prediccin
2
PRESS e(2i ) Yi Y( i )
N

i 1

RPr2 ediccin 1

PRESS
SYY

92

Grficas parciales de
regresin

Para mostrar el impacto de casos individuales es ms efectiva


la grfica de regresin parcial. Un caso outlier impacta en la
pendiente de la ecuacin de regresin (y su coeficiente).

Una comparacin visual de la grfica de regresin parcial con


y sin la observacin muestra la influencia de la observacin

El coeficiente de correlacin parcial es la correlacin de la


variable independiente Xi la variable dependiente Y cuando
se han eliminado de ambos Xi y Y

La correlacin semiparcial refleja la correlacin entre las


variables independiente y dependiente removiendo el efecto
Xi

93

Matriz sombrero

Los puntos de influencia son observaciones


substancialmente diferentes de las observaciones
remanentes en una o ms variables independientes

Contiene valores (sombrero en su diagonal) para cada


observacin que representa influencia. Representa los
efectos combinados de todos las variables
independientes para cada caso

94

Matriz sombrero

Los valores en la diagonal de la matriz sombrero miden


dos aspectos:
Para cada observacin miden la distancia de la
observacin al centro de la media de todas las
observaciones de las variables independientes

Valores altos en la diagonal indica que la observacin


tiene mucho peso para la prediccin del valor de la
variable dependiente, minimizando su residuo
El rango de valores es de 0 a 1, con media p/n, p es
el nmero de predictores y n es el tamao de
muestra. Valores lmite se encuentran en 2p/n y 3p/n

95

Distancia de Mahalanobis

D2 es una medida comparable a los valores sombrero


(hat values) que considera slo la distancia de una
observacin del valor medio de las variables
independientes.

Es otra forma de identificar outliers

La significancia estadstica de la distancia de


Malahanobis se puede hacer a partir de tablas del texto:
Barnett, V., Outliers in Statistical Data, 2nd. Edition,
Nueva York, Wiley, 2984

96

Influencia en coeficientes
individuales

El impacto de eliminar una observacin simple en


cada uno de los coeficientes de la regresin mltiple
se muestra con la DFBETA y su versin
estandarizada SDFBETA.

Se sugiere aplicar como lmites 1.0 o 2 para


tamaos de muestra pequeos y n para muestras
medias y grandes

La distancia de Cook (Di) captura el impacto de una


observacin:
La dimensin del cambio en los valores pronosticados
cuando se omite la observacin y la distancia de las
otras observaciones, el lmite es 1 o 4/(n-k-1)

97

Influencia en coeficientes
individuales

La medida COVRATIO estima el efecto de la


observacin en la eficiencia del proceso, en sus
errores estndar de los coeficientes de la regresin.
Considera a todos los coeficientes colectivamente.

El lmite puede ser establecido en 1 3p/n, los


valores mayores al lmite hacen el proceso ms eficiente y
los menores ms ineficiente

La medida SDFFIT es el grado en que cambian los


valores ajustados o pronosticados cuando el caso se
elimina. El valor lmite es 2*raz((k+1)/(n-k-1))

Ejemplo de regresin
mltiple
Solucin con Excel y Minitab

99

Ejemplo de Regresin Mltiple


Cat. (US News)
Stanford
1
Harvard
2
Penn (Wharton)
3
MIT (Sloan)
4
Chicago
5
Northwestern
6
Columbia
7
Dartmouth
8
Duke
9
Berkeley
10
Virginia
11
Michigan
12
NYU
13
Carnegie Mellon
14
Yale
15
U.N.C.
16
UCLA
17
Texas-Austin
18
Indiana
19
Cornell
20
Rochester
21
Ohio State
22
Emory
23
Purdue
24
Maryland
25

GMAT
711
670
662
650
680
660
660
670
646
653
660
645
646
640
675
630
651
630
630
637
630
611
626
603
640

Salario Inicial ($)


82000
80000
79000
78000
65000
70000
83000
70000
67500
70000
66000
65000
70583
67200
65000
60000
65000
60000
61500
64000
58500
61000
60000
63700
53000

% Aceptacin
7.4
12.8
14.7
15.1
25.0
16.0
14.8
12.6
20.5
13.3
18.9
28.0
20.9
30.8
23.5
19.8
17.5
27.3
44.7
25.4
36.0
23.2
33.0
20.7
18.9

100

Interpretacin de Resultados de Excel- Regresin Multiple


SUMMARY OUTPUT
Regression Statistics
Multiple R

0.8749313 R Square

0.76550478

Adjusted R Square
Observations
25
ANOVA
df
Regression
3
8.17E-07
Residual
21

0.732005463 Standard Error

4050.855918

SS
MS
1.12E+09

F
374977790.1

Significance F
22.851355

3.45E+08

16409433.67

Total

1.47E+09

24

Coefficients Standard
t Stat
P-value Lower 95% U pper 95%
Error
Intercept
122481.40 41473.13 2.953271081
0.007589
36233.29
208729.5
X Variable1 -926.873
-513.424
X Variable2 -59.9488
65.76118

198.8104 -4.662094325 0.0001336


60.44875 -0.991730876 0.3326192

-1340.32
-185.659

Resultados de Excel- Regresin slo con slo X1


SUMMARY OUTPUT
Regression Statistics
Multiple R
0.855974

R Square

0.732691

Adjusted R Square
Standard Error
Observations

0.721069

4132.688
25

ANOVA
df

SS

F
Regression
63.04264
Residual

1
1.08E+09
4.88E-08
23
3.93E+08

Total

24

MS

Significance

1.08E+09
17079107

1.47E+09

Coefficients Standard Error


t Stat
P-value Lower 95%
Upper 95%
Con
el
simplifica
enormemente
Intercept
79230.32
46.49801
2.98E-24
Conslo
sloX1,
X1,
elModelo
Modelose
se1703.951
simplifica
enormemente
75705.43405
82755.20595 prctica se pierde en R22 (ajustada)
poca
importancia
poca
importancia
prctica se pierde4.88E-08-1147.186411
en R (ajustada)
X Variable1 -910.077
114.6201 -7.93994
-672.9674353

Reduccin
del Modelo
Vuelva a correr
la regresin usando la categora
US News, como el nico agente de prediccin (predictor)
La ecuacin de regresin es:
y = 79230 - 910 x
Predictor
Constante
x

Coef
79230
-910.1

Desv. Estndar
1704
114.6

S = 4133

R2 = 73.3%

T
46.50
-7.94

p
0.000
0.000

R2 (ajustada) = 72.1%

Anlisis de Variancia
Fuente
Regresin
Error
Total

DF
1
23
24

SS
1076712008
392819470
1469531477

MS
1076712008
17079107

F
63.04

p
0.000

El
El Modelo
Modelo se
se simplifica
simplifica enormemente..poca
enormemente..poca
22
importancia
prctica
se
pierde
en
R
importancia prctica se pierde en R (ajustada)
(ajustada)

Corrida en Minitab

Se introducen los datos en varias columnas C1


a C5 incluyendo la respuesta Y (heatflux) y las
variables predictoras Xs (North, South, East)
HeatFlux

Insolation

East

South

271.8

783.35 33.53

40.55

16.66

264.0

748.45 36.50

36.19

16.46

238.8

684.45 34.66

37.31

17.66

230.7

827.80 33.13

32.52

17.50

251.6

860.45 35.75

33.71

16.40

257.9

875.15 34.46

34.14

16.28

North

104

Corrida en Minitab

Utilzar el archivo de ejemplo Exh_regr.mtw


Opcin: Stat > Regression > Regression
Para regresin lineal indicar la columna de
respuesta Y (Score2) y X (Score1)

En Regresin lienal en opciones se puede


poner un valor Xo para predecir la respuesta e
intervalos. Las grficas se obtienen Stat >
Regression > Regression > Fitted line Plots

Para regresin mltiple Y (heatflux) y las


columnas de los predictores (north, south,
105
east)

Resultados de la regresin
lineal
The regression equation is
Score2 = 1.12 + 0.218 Score1
Predictor
Constant
Score1

Coef

SE Coef

1.1177

0.1093

10.23

0.000

0.21767

0.01740

12.51

0.000

S = 0.1274

R-Sq = 95.7%

R-Sq(adj) = 95.1%

Analysis of Variance
Source
Regression

DF

SS

MS

2.5419

2.5419

156.56

0.000

Residual Error

Total

0.1136
8

0.0162

2.6556

Predicted Values for New Observations


New Obs
1

2.6414

Fit

SE Fit
0.0474

95.0% CI
(

2.5292,

New Obs

2.7536)

Score1

95.0% PI
(

2.3197,

2.9631)

106

Resultados de la regresin
lineal
Regression Plot
Score2 = 1.11771 + 0.217670 Score1
S = 0.127419

R-Sq = 95.7 %

R-Sq(adj) = 95.1 %

Score2

3.5

2.5

Regression
1.5

95% CI
95% PI
2

Score1

107

Resultados de la regresin
Mltiple
The regression equation is
HeatFlux = 389 - 24.1 North + 5.32 South + 2.12 East
Predictor

Coef

SE Coef

389.17

66.09

5.89

0.000

North

-24.132

1.869

-12.92

0.000

South

5.3185

0.9629

5.52

0.000

2.125

1.214

1.75

0.092

Constant

East
S = 8.598

R-Sq = 87.4%

R-Sq(adj) = 85.9%

Analysis of Variance
Source
Regression

DF

SS

MS

12833.9

4278.0

57.87

0.000

Residual Error

25

1848.1

Total

28

73.9

14681.9

Source

DF

Seq SS

North

10578.7

South

2028.9

East

226.3

108

Resumen de la Regresin
La regresin slo puede utilizarse con informacin de variables
continuas.
Los residuos deben distribuirse normalmente con media cero.
Importancia prctica: (R2). Importancia estadstica: (valores p)
La regresin puede usarse con un predictor X o ms,
para una respuesta dada
Reduzca el modelo de regresin cuando sea posible,
sin perder mucha importancia prctica

109

VI.A.4 Herramientas
multivariadas

110

Herramientas multivariadas
1. Introduccin
2. Anlisis de componentes principales
3. Anlisis factorial
4. Anlisis discriminante
5. MANOVA
111

Introduccin

En el anlisis multivariado se incluyen dos o


ms variables dependientes Y1, Y2, etc.
Consideradas simultneamente para las
variables independientes X1, X2, ., Xn

Normalmente se resuelven con herramientas


computacionales tales como Minitab y SPSS.

Entre las herramientas principales se


encuentran:

Componentes principales, anlisis factorial,


anlisis discriminante, anlisis de conglomerados,
anlisis cannico, MANOVA

112

Anlisis de componentes
principales

El anlisis (PCA) y el anlisis factorial (FA) se usan


para encontrar patrones de correlacin entre
muchas variables posibles y subconjuntos de datos

Busca reducirlas a un menor nmero de


componentes o factores que representen la mayor
parte de la varianza.

Normalmente se requieren al menos cinco


observaciones por variable

113

Anlisis de componentes
principales

Pasos de anlisis en Minitab

Se usa una matriz de correlacin para determinar


la relacin entre componentes
Las matrices definen cantidades como
eigenvalores y eigenvectores
Se suman los eigenvalores y se calculan las
proporciones de cada componente
Se identifican los PC1, PC2, que explican la
mayor parte de la varianza
Se puede hacer un diagrama de Pareto como
apoyo

114

Ejemplo: Alimentos en
Europa

115

Corrida en Minitab
2Stat > Multivariate > Principal components
3En Variables, X1, X2, X3, X4, X6, X7, X8, X9
4En Number of factors to extract, 3. Seleccionar
Correlation Matrix
5Click Graphs y seleccionar Scree Plot, Score plot
for first 2 components Loading plot for first 2
components
8 Click Storage e indicar las columnas donde se guarden
los coeficientes y los valores Z (scores) Coef1 Coef 2 y
Z1 Z2
9. Click OK en cada uno de los cuadros de dilogo

116

Ejemplo: Alimentos en
Europa

Dos componentes exceden


El eigenvalor de ref. de 1
117

Ejemplo: Alimentos en
Europa

118

Anlisis factorial

Es una tcnica de reduccin de variables para


identificar factores que expliquen la variacin,
aunque se reiere un juicio subjetivo.

Las variables de salida estn relacionadas


linealmente con las variables de entrada.

Las variables deben ser medibles y simtricas.


Debe haber cuatro o ms factores de entrada
para cada variable independiente
119

Anlisis factorial

Se especifican un cierto nmero de factores


comunes

El anlisis factorial se hace en dos etapas:

Extraccin de factores, para identificar los


factores principales para un estudio posterior
Rotacin de factores, para hacerlos ms
significativos

120

Corrida con Minitab


2Stat > Multivariate > Factor Analysis.
3En Variables, X1, X2, X3, X4, X6, X7, X8, X9
4En Number of factors to extract, 4.
En Method of Extraction, seleccionar Principal
components
6En Type of Rotation, seleccionar Varimax.
7Click Graphs y seleccionar Loading plot for first 2
factors y Scree Plot.
Click Results y seleccionar Sort loadings.
Seleccionar Storage e indicar columnas para
ponderaciones, coeficientes, Zs, eigenvalores, etc.
Click OK en cada uno de los cuadros de d

121

Ejemplo

122

Ejemplo:

123

Anlisis discriminante

Si se tiene una muestra con grupos conocidos,


el anlisis discriminante clasifica las
observaciones o atributos en dos o ms grupos

Puede utilizarse como herramienta predictiva o


descriptiva

Las variables deben ser multivariadamente


normales, con la misma varianza y covarianza
poblacional entre variables dependientes, y las
muestras exhiben independencia
124

pases

125

Corrida con Minitab


2Stat > Multivariate > Discriminant
Analysis.
3En Groups, poner SalmonOrigin.
4 En Predictors, poner Freshwater Marine.
Click OK.

126

Corrida con Minitab

127

Anlisis de conglomerados

128

Anlisis de conglomerados

Se usa para determinar agrupaciones o


clasificaciones de un conjunto de datos

Las personas se pueden agrupar por IQ,


padres, hbitos de estudio, etc.

Se trata de dar sentido a grandes cantidades


de datos de cuestionarios, ecnuestas, etc.

129

Ejemplo

Suponer que un estudio


de mercado trata de
determinar segmentos
de mercado en base a los
patrones de lealtad de
marcas (V1) y tiendas
(V2), medidas del 0 al 10
en 7 personas (A-G).

Variables V1

V2

130

Corrida en Minitab

Stat > Multivariate Anlisis > Cluster


Observations
Distance Measured Euclidean Seleccionar
Show Dendogram OK

131

Anlisis de correlacin
cannico

Prueba la hiptesis de que los efectos pueden


tener causas mltiples y de que las causas
pueden tener efectos mltiples (Hotelling 1935)

Es como una regresin mltiple para determinar


la correlacin entre dos conjuntos de
combinaciones lieneales, cada conjunto puede
tener varias variables relacionadas.
La relacin de un conjunto de variables
dependientes a un conjunto de variables
independientes forma combinaciones lineales

132

Anlisis de correlacin
cannico

Se usan los ms altos valores de correlacin


para los conjuntos. Los pares de combinaciones
lineales se denominan variates cannicas con
correlaciones cannicas (Rc con valor mayor a
0.3)

Por ejemplo se quiere determinar si hay una


correlacin entre las caractersticas de un
ingeniero industrial y las habilidades requeridas
en la descripcin de puesto del mismo ingeniero.

133

MANOVA
(Anlisis de varianza mltiple)

Es un modelo para analizar la relacin entre


una o ms variables independientes y dos o
ms variables dependientes

Prueba si hay diferencias significativas en las


medias de grupos de una combinancin de
respuestas Y.

Los datos deben ser normales, con covarianza


homogenea y observaciones independientes
134

MANOVA
(Anlisis de varianza mltiple)

135

Diferencias de ANOVA y MANOVA

136

Ejemplo:
Extrusin de pelcula plstica

Se realiza un estudio para determinar las


condiciones ptimas para extruir pelcula plstica.

Se miden tres respuestas Tear, gloss y opacity


cinco veces en cada combinacin de dos factores
tasa de extrusin y cantidad de aditivo cada
grupo se pone en niveles bajos y altos.

Se utiliza el MANOVA balanceado para probar la


igualdad de las medias.

137

Ejemplo:
Extrusin de pelcula plstica

138

Ejemplo:
Extrusin de pelcula plstica
1Abrir el archivo EXH_MVAR.MTW.
2Seleccionar Stat > ANOVA > Balanced
MANOVA.
3En Responses, poner Tear Gloss Opacity.
4En Model, poner Extrusion | Additive.
5Click Results. En Display of Results,
seleccionar Matrices (hypothesis, error,
partial correlations) y Eigen analysis.
6 Click OK en cada cuadro de dilogo.
139

Ejemplo

140

Ejemplo:
Extrusin de pelcula plstica
Las matrices SSCP evalan la contribucin a la
variabilidad de manera similar a la suma de
cuadrados en la ANOVA univariada.
Las correlaciones parciales entre Tear y Gloss son
pequeas. Como la estructura de las
correlaciones es dbil, se pueden realizar
anlisis univariados de ANOVA para cada una
de las respuestas.

141

VI.A.4 Estudios Multivari

142

Estudios Multivari

La carta multivari permite analizar la variacin


dentro de la pieza, de pieza a pieza o de
tiempo en tiempo

Permite investigar la estabilidad de un proceso


consiste de lneas verticales u otro esquema
en funcin del tiempo. La longitud de la lnea o
del esquema representa el rango de valores
encontrados en cada conjunto de muestras

143

Estudios Multivari

La variacin dentro de las muestras (cinco


puntos en cada lnea). La variacin de muestra
a muestra como posicin vertical de las lneas.
E
S
P
E
S
O
R

Nmero de subgrupo

144

Estudios Multivari

Ejemplo de parte metlica


Centro ms grueso

145

Estudios Multivari

Procedimiento de muestreo:

Seleccionar el proceso y la caracterstica a


investigar

Seleccionar tamao de muestra y frecuencia


de muestreo

Registrar en una hoja la hora y valores para


conjunto de partes
146

Estudios Multivari

Procedimiento de muestreo:

Realizar la carta Multivari


Unir los valores observados con una lnea

Analizar la carta para variacin dentro de la


parte, de parte a parte y sobre el tiempo

Puede ser necesario realizar estudios


adicionales alrededor del rea de mxima
variacin aparente
Despus de la accin de mejora comprobar
con otro estudio Multivari
147

Cartas Multivari

Su propsito fundamental es reducir el gran nmero de


causas posibles de variacin, a un conjunto pequeo de
causas que realmente influyen en la variabilidad.

Sirven para identificar el patrn principal de variacin de


entre tres patrones principales:

Temporal: Variacin de hora a hora; turno a


turno; da a da; semana a semana; etc.

Cclico: Variacin entre unidades de un mismo


proceso; variacin entre grupos de unidades;
variacin de lote a lote.

148

Cartas Multivari

Posicional:

Variaciones dentro de una misma unidad


(ejemplo: porosidad en un molde de metal) o a
travs de una sola unidad con mltiples partes
(circuito impreso).
Variaciones por la localizacin dentro de un
proceso que produce mltiples unidades al mismo
tiempo. Por ejemplo las diferentes cavidades de
un molde
Variaciones de mquina a mquina; operador a
operador; planta a planta

149

Cartas Multivari

Ejemplo: Se toman 3 a 5 unidades consecutivas, repitiendo el


proceso tres o ms veces a cierto intervalo de tiempo, hasta
que al menos el 80% de la variacin en el proceso se ha
capturado.

1 2 3 4 5

27 28 29 30 31

55 56 57 58 59

VARIACIN POSICIONAL DENTRO DE LA UNIDAD

150

Cartas Multivari

Ejemplo: (cont...)

1 2 3 4 5

27 28 29 30 31

55 56 57 58 59

VARIACIN CCLICA DE UNIDAD A UNIDAD

151

Cartas Multivari

Ejemplo: (cont...)

1 2 3 4 5

27 28 29 30 31

55 56 57 58 59

VARIACIN TEMPORAL DE TIEMPO A TIEMPO

152

Cartas Multivari

Ejemplo: Un proceso produce flecha cilndricas,


con un dimetro especificado de 0.0250 0.001.

Sin embargo un estudio de capacidad muestra un


Cp = 0.8 y una dispersin natural de 0.0025 (6
) contra la permitida de 0.0002.

Se tiene pensado comprar un torno nuevo de


US$70,000 para tolerancia de 0.0008, i.e. Cpk
= 1.25. Se sugiri un estudio Multi Vari previo.

153

Cartas Multivari

Se tomaron cuatro lecturas en cada flecha, dos a


cada lado. Estas muestran una disminucin
gradual desde el lado izquierdo al lado derecho de
las flechas, adems de excentricidad en cada lado
de la flecha.

La variacin cclica, de una flecha a la siguiente,


se muestra mediante las lneas que concentran las
cuatro lecturas de cada flecha.

Tambin se muestra la variacin temporal.

154

Cartas Multivari
8 AM

9 AM

10 AM

11 AM

12 AM

0.25
10

0.2500

0.2490

Izquierda
Mximo
Derecha
Mnimo

155

Cartas Multivari

Un anlisis rpido revela que la mayor variacin es temporal con un cambio mayor entre las 10 AM y las 11 AM.

A las 10 AM se para el equipo para el almuerzo y se arranca a las 11 AM, con lecturas similares a las de las 8 AM. Conforme
pasa el tiempo las lecturas tienden a decrecer ms y ms, hasta que se invierten a las 10 A.M. en forma drstica.

Se investig y se encontr que la temperatura tena influencia en la variacin.

La variacin en temperatura era causada por que la cantidad de refrigerante no era la adecuada, lo cual se notaba ms cuando
se paraba el equipo y se volva a arrancar. Se adicion, reduciendo la variacin en 50% aproximadamente..

156

Cartas Multivari

Tambin se encontr que el acabado cnico era causado por que la herramienta de corte
estaba mal alineada. Se ajust, contribuyendo a otra reduccin del 10% de la variabilidad.

La excentricidad de las flechas se corrigi al cambiar un rodamiento excntrico por desgaste


en el torno. Se instal un nuevo rodamiento eliminndose otro 30% de la variabilidad.

La tabla siguiente muestra un resumen de los resultados.

157

Cartas Multivari
Tipo de

% var.

Causas de

Accin

% de variacin

Variacin

Total

Variacin

Correctiva

Reducida

Temporal

50

Bajo nivel de

Adicionar

Casi 50

Refrigerante

refrigerante

Ajuste no

Ajuste de la

no paralelo

herramienta de

Tiempo a tiempo
Dentro de

10

la flecha

Casi 10

corte
Dentro de

30

la flecha

Flecha a
flecha

Rodamiento

Nuevo

gastado

rodamiento

-???

Casi 30

158

Cartas Multivari

Resultados:

La variacin total en la siguiente corrida de produccin se redujo de 0.0025 a 0.0004

El nuevo Cp fue de 0.002 / 0.0004 = 5.0

Como beneficios se redujo a cero el desperdicio y no hubo necesidad de adquirir una nueva mquina.

Se observa que antes de cambiar equipo o mquinas, es conveniente realizar un estudio de variabilidad para identificar
las fuentes de variacin y tratar de eliminarlas.

159

Cartas Multivari
Ejemplo: Bsqueda de fuentes de variacin con el diagrama sistemtico.

Dimetro de Flecha
(0.150" +/- .002)
Variacin
de
proceso
Pieza a
pieza

Lote a lote

Programa

Dentro de
la pieza

Mquina

Variacin de
sist. medicin
Mquina a
mquina

Accesorios

Turno a
turno

Tiempo a
tiempo

Operador a
operador

160

Cartas Multivari
Ejemplo (cont..):
Al realizar la prueba de homogeneidad de varianza F, se
encontr que haba una diferencia significante entre los
operadores.

Se Rechaza Ho: Oper1 = Oper2 = Oper3


Para probar si existe diferencia significativa entre
medias de operadores se hacen las siguientes
comparaciones

Ho: Oper1 = Oper2


Ho: Oper2 = Oper3

Ho: Oper1 = Oper3


Ha: Oper1 Oper2 Oper3

161

Corrida en Minitab

Se introducen los datos en varias columnas C1


a C3 incluyendo la respuesta (strenght) y los
factores (time y Metal)
SinterTime

MetalType

Strength

0.5

15

23

0.5

15

20

0.5

15

21

0.5

18

22

0.5

18

19

0.5

18

20

0.5

21

19

0.5

21

18

162

Corrida en Minitab

Utilizar el achivo de ejemplo Sinter.mtw

Opcin: Stat > Quality Tools > Multivari charts

Indicar la columna de respuesta y las


columnas de los factores

En opciones se puede poner un ttulo y


conectar las lneas
163

Resultados
Multi-Vari Chart for Strength by SinterTime - MetalType
SinterTime
0.5
23.5

1.0
2.0

22.5

Strength

21.5

20.5

19.5

18.5

17.5
15

18

21

MetalType

164

VI.A.5 Anlisis de datos


por atributos

165

Anlisis de datos por


atributos

Si los CTQs son variables continuas, se usa la


regresin, dependiendo de la naturaleza de la
caracterstica crtica para el cliente (CTSs) como
ste la expresa:
CTS
HERRAMIENTA
Nominal (Verde, Rojo, azul) Regresin Logstica
Nominal
Atributo (Pasa/No pasa)
Regresin Logstica
Binaria
Ordinal (1, 2, 3, 4, 5)
Regresin Logstica Ordinal

166

Anlisis de datos por


atributos

El anlisis de datos por atributos se organiza


en valores, categoras o grupos dicotmicos

Las decisiones incluyen: si / no, pasa / no pasa,


bueno / malo,
pobre/justo/bueno/superior/excelente, etc.

Entre los modelos no lineales de regresin


usados se tienen: regresin logstica, regresin
logit y regresin probit
167

Anlisis de datos por


atributos

Regresin logstica

Relaciona variables independientes categricas


a una variable dependiente (Y). Minitab incluye
los modelos binario, ordinal y nominal

Regresin logit

Es subconjunto del modelo log-lineal. Tiene solo


una variable dependiente, usa determinaciones
de probabilidad o tasa de probabilidad

168

Anlisis de datos por


atributos

Regresin probit

Es similar a la prueba de vida acelerada, la


unidad se somete a esfuerzo con la respuesta
pasa/falla, bueno o malo. Es una respuesta
binaria en un tiempo de falla futuro

169

Regresin logstica o binaria

En caso de informacin cualitativa es


necesario traducir las preferencias del cliente
expresadas como atributos a un intervalo de
valores
aceptables
de
variables
(Especificaciones).

170

Regresin logstica o binaria

Es similar a la regresin mltiple excepto que


la respuesta es binaria (si/no, bueno/malo,
etc.) Sus coeficientes se determinan por el
mtodo de mxima verosimilitud

Su funcin tiene forma de S, con valores


mximos de Cero y Uno.
Yi = 0, 1

171

Regresin logstica o binaria

La probabilidad de que el resultado est en


cierta categora es:

El mtodo de clculo del coeficiente b es


diferente que en la regresin lineal

Los coeficientes se determinan con la relacin


sig.:

172

Regresin logstica

Condiciones:

Hay solo dos resultados posibles


Hay solo un resultado por evento
Los resultados son independientes estadsticamente
Todos los predictores relevantes estn en el modelo
Es mutuamente exclusivo y colectivamente
exhaustivo
Los tamaos de muestra son mayores que para la
regresin mltiple

Los efectos positivos se obtienen con b1>1 y los


negativos con b1 e 0 a 1

173

Regresin logstica
Relacin con ajuste pobre

Relacin con buen ajuste

174

Regresin logstica Procedimiento

Definir el atributo a traducir (y)


Definir la variable apropiada para el atributo
(x)
Definir el modelo matemtico a probar
Determinar los defectos que est dispuesto a
aceptar
Recolecte informacin de x vs y. Asigne 1
si falla y 0 si es aceptable.
Analice la informacin mediante Regresin
Logstica Binaria

175

Regresin logsticaProcedimiento

176

Regresin logstica Procedimiento


Coeficientes del modelo

P-Value de Deviance

Observe el P-Value de Deviance en la Sesin,


debe de ser grande (P >0.10)
Obtenga los coeficientes del modelo (De la
Sesin)

177

Regresin logstica Procedimiento

Construya el modelo de regresin para la


probabilidad de falla estar dado por :

b +b x +....
e
Donde :
P(Falla) =
b +b x +....
b , b , ... = Coeficientes del modelo
1 +e
0

Identifique el(los) valor(es) de x que le


generarn como mximo la cantidad de
defectos que usted est dispuesto a aceptar
[4]
178

Ejemplo de riesgo de paro


cardiaco

Para Fuma, el coeficiente negativo de -1.193 y la tasa de


posibilidades de 0.30, indica que quien fuma, tiende a
tener una tasa de pulso ms alta que los sujetos que no
fuman. Si los sujetos tienen el mismo peso, las
posibilidades de que los fumadores tengan un pulso bajo
sea slo del 30% de las posibilidades de que los no
fumadores tengan un pulso bajo.
179

Regresin logstica ordinal

Cuando la respuesta CTS es de tipo ordinal


(Varias categoras de respuesta como
totalmente de acuerdo, de acuerdo, en
desacuerdo y totalmente en desacuerdo) y
el Factor CTQ es de naturaleza continua,
entonces, para definir Especificaciones, la
herramienta a utilizar es la Regresin
Logstica Ordinal.

180

Regresin logstica ordinal Procedimiento

Defina la variable de respuesta a traducir


(y CTS)
Defina el CTQ (x) variable a relacionar con
el CTS
Defina el modelo matemtico a probar
Determine los defectos que est dispuesto a
aceptar en la categora de inters
Recolecte informacin de x vs y
Analice la informacin mediante Regresin
Logstica Ordinal

181

Regresin logstica ordinal Procedimiento

Stat > Regression > Ordinal Logistic


Regression

Seleccione la respuesta (y)


Seleccione los trminos que estima tiene el
modelo [3]

Constantes y
Coeficientes
del modelo

182

Regresin logstica ordinal Procedimiento

Observe el P-Value de Deviance en la


Sesin, debe de ser grande (P >0.10)

Obtenga las constantes y coeficientes del


modelo (De la Sesin)

Construya los modelos de regresin para la


probabilidad acumulada por categora

183

Regresin logstica ordinal Procedimiento


P

acumulada hasta
categora i

e
1+

Ki+b1x1+ b2x2....

Ki+b1x1+ b2x2....

Donde :
Ki = Constante de la categora i
b1, b2, ... = Coeficientes del modelo

Constantes y
Coeficientes
del modelo

Identifique el(los) valor(es) de x que le generarn como mximo la


cantidad de defectos que usted est dispuesto a aceptar en la
categora de inters [4]

184

Regresin logstica ordinal Procedimiento

LIE LSE Otra

Expectativas
(CTSs)

Especificaciones

Tipo
Importan.

CTQs

Producto
(General)

Matriz de
Diseo

Una vez que se tienen establecidos los CTQs


con los que se medir el desempeo del
producto, es necesario indicar las
Especificaciones de los mismos
Parmetros
de Diseo
(DPs)

Clientes
Usuarios
Finales

Producto
(Especfico)

185

Anlisis Logit

Usa razones para determinar que tanta


posibilidad tiene una observacin de pernecer a
un grupo que a otro.

Una posibilidad de 0.8 de estar en el grupo A se


puede expresar como una tasa de posibilidades
de 4:1 ( que es p/(1-p)), cuyo logaritmo es el
logit.

La probabilidad para un valor L est dado por la


ecuacin

186

Anlisis Logit - ejemplo


50 estudiantes tomaron un examen, donde solo 27
pasaron. Cules son las posibilidades de pasar?
Posibilidades = P/(1-P) = 0.54/0.46 = 1.17 o 1.71:1
Un estudiante que estudia 80 horas tiene un 54.5% de
pasar, cules son las posibilidades?
Posibilidades = 0.545/(1-0.545) = 1.198 o 1.198:1
Logit = ln(p/(1-p)) = ln(1.189) = 0.1809 y despejando al
Exp(b1) = exp(0.1082) = 1.11 que es la tasa de pasar a
otro nivel

187

Anlisis Probit

Es similar a las pruebas de vida acelerada y


anlisis de sobrevivencia. Un artculo sujeto a
esfuerzo puede fallar o sobrevivir. El modelo probit
tiene un valor esperado de 0 y una varianza de 1.

Requiere tamaos de muestra muy grandes para


diferenciarse del modelo logit

Los coeficientes b del modelo logit difieren del


probit en 1.814 con: bl = -1.1814 bp

188

VI.B Pruebas de
hiptesis

189

VI.B Pruebas de hiptesis


1.
2.
3.
4.

Conceptos fundamentales
Estimacin puntual y por intervalo
Pruebas para medias, varianzas y proporciones
Pruebas comparativas para varianzas, medias y
prop.

5.
6.
7.
8.

Bondad de ajustes
Anlisis de varianza (ANOVA)
Tablas de contingencia
Pruebas no paramtricas

190

VI.B.1 Conceptos
fundamentales

191

Anlisis
Estadstico
En CADA prueba estadstica, se comparan algunos
valores observados a algunos esperados u otro valor
observado comparando estimaciones de parmetros
(media, desviacin estndar, varianza)
Estas estimaciones de los VERDADEROS parmetros son
obtenidos usando una muestra de datos y calculando los
ESTADSTICOS...
La capacidad para detectar un diferencia entre lo que es
observado y lo que es esperado depende del desarrollo de
la muestra de datos
Incrementando el tamao de la muestra mejora la
estimacin y tu confianza en las conclusiones estadsticas.192

Conceptos fundamentales

Hiptesis nula Ho
Es la hiptesis o afirmacin a ser probada
Puede ser por ejemplo , , , = 5
Slo puede ser rechazada o no rechazada

Hiptesis alterna Ha
Es la hiptesis que se acepta como verdadera cuando
se rechaza Ho, es su complemento
Puede ser por ejemplo = 5 para prueba de dos colas
< 5 para prueba de cola izquierda
> 5 para prueba de cola derecha
Esta hiptesis se acepta cuando se rechaza Ho

193

Conceptos fundamentales

Ejemplos:

Se est investigando si una semilla modificada


proporciona una mayor rendimiento por
hectrea, la hiptesis nula de dos colas asumir
que los rendimientos no cambian Ho: Ya = Yb

Se trata de probar si el promedio del proceso A


es mayor que el promedio del proceso B. La
hiptesis nula de cola derecha establecer que
el proceso A es <= Proceso B. O sea Ho: A <=
B.

194

Conceptos fundamentales

Estadstico de prueba

Error tipo I (alfa = nivel de significancia,


normal=.05)

Para probar la hiptesis nula se calcula un estadstico


de prueba con la informacin de la muestra el cual se
compara a un valor crtico apropiado. De esta forma
se toma una decisin sobre rechazar o no rechazar la
Ho

Se comete al rechazar la Ho cuando en realidad es


verdadera. Tambin se denomina riesgo del productor

Error tipo II (beta )

Se comete cuando no se rechaza la hiptesis nula


195
siendo en realidad falsa. Es el riesgo del consumidor

Conceptos fundamentales

Tipos de errores
Se asume que un valor pequeo para es deseable, sin
embargo esto incrementa el riesgo .
Para un mismo tamao de muestra n ambos varan
inversamente
Incrementando el tamao de muestra se pueden reducir
ambos riesgos.

Decisin realizada

Ho en realidad es
Verdadera

Ho en realidad
es falsa

No hay evidencia
para rechazar Ho

p = 1-
Decisin correcta

p=
Error tipo II

Rechazar Ho

p=
Error tipo I

p=1-
Decisin
correcta

196

Conceptos fundamentales

Pruebas de dos colas

Si la Ho: , , , = cte. que un valor


poblacional, entonces el riesgo alfa se reparte
en ambos extremos de la distribucin. Por
ejemplo si Ho = 10 se tiene:

P(Z<= - Zexcel ) = alfa/2

P(Z>= + Zexcel ) = alfa/2

197

Conceptos fundamentales

Pruebas de una cola

Si la Ho: , , , >= Cte. que un valor


poblacional, entonces el riesgo alfa se coloca en
la cola izquierda de la distribucin. Por ejemplo
si Ho: >= 10 y Ha: < 10 se tiene una prueba
de cola izquierda:

198

Conceptos fundamentales

Pruebas de una cola

Si la Ho: , , , <= Cte. que un valor


poblacional, entonces el riesgo alfa se coloca en
la cola derecha de la distribucin. Por ejemplo si
Ho: <= 10 y Ha: > 10 se tiene una prueba de
cola derecha:

P(Z>= + Zexcel ) = alfa

199

Conceptos fundamentales

Tamao de muestra requerido

Normalmente se determina el error alfa y beta


deseado y despus se calcula el tamao de
muestra necesario para obtener el intervalo de
confianza.

El tamao de muestra (n) necesario para la


prueba de hiptesis depende de:

El riesgo deseado tipo I alfa y tipo II Beta


El valor mnimo a ser detectado entre las medias
de la poblacin (Mu Mu0)
La variacin en la caracterstica que se mide (S o
200
sigma)

Conceptos fundamentales

El Tamao de muestra requerido en funcin del


error mximo E o Delta P intervalo
proporcional esperado se determina como
sigue:2
2

/2

E2

Z 2 / 2 ( p )(1 p )
n
( p ) 2

201

Conceptos fundamentales

Ejemplo:

Cul es el tamao de muestra mnimo que al


95% de nivel de confianza (Z=1.96) confirma la
significancia de una corrida en la media mayor a
4 toneladas/hora (E), si la desviacin estndar
(sigma) es de 20 toneladas?

n = (1.96^2)(20^2)/(4)^2 = 96
Obtener 96 valores de rendimiento por hora y
determinar el promedio, si se desva por ms de
4 toneladas, ya ha ocurrido un cambio
significativo al 95% de nivel de confianza 202

Efecto del tamao de


muestra

203

Efecto del tamao de


muestra

204

Efecto del tamao de


muestra

205

Efecto del tamao de


muestra

206

Potencia de la prueba

La potencia de una prueba estadstica es su


habilidad para detectar una diferencia crtica

Potencia 1

Si Beta = 0.1 la potencia es del 90%

Delta se puede normalizar dividindolo entre la


desviacin estndar
y se expresa en un

cierto

nmero de (1 , 1.5 )

207

Potencia de la prueba

La potencia de la prueba es la probabilidad de de


rechazar correctamente la hiptesis nula siendo
que en realidad es falsa.
El anlisis de potencia puede ayudar a contestar
preguntas como:

Cuntas muestras se deben tomar para el anlisis?


Es suficiente el tamao de muestra?
Qu tan grande es la diferencia que la prueba
puede detectar?
Son realmente valiosos los resultados de la
prueba?

208

Potencia de la prueba

Para estimar la potencia, Minitab requiere de


dos de los siguientes parmetros:

Tamaos de muestra
Diferencias - un corrimiento significativo de la
media que se desea detectar
Valores de potencia - La probabilidad deseada
de rechazar Ho cuando es falsa

209

Considerando la potencia de
prueba

210

VI.2 Significancia estadstica


vs prctica

211

Estimacin de riesgos

212

Pruebas de Minitab

Permite hacer las siguientes pruebas:

Prueba
Prueba
Prueba
Prueba
Prueba

z de una muestra
t de una muestra
t de dos muestras
de 1 proporcin
de 2 proporciones

ANOVA
Diseos factoriales de dos niveles
Diseos de Packett Burman

213

Calculo manual

214

Calculo manual

215

VI.3 Tamao de muestra

216

Calculo manual de tamao de


muestra

217

Calculo manual de tamao de


muestra Pruebas de una cola

218

Calculo manual de tamao de


muestra Pruebas de una cola

219

Ejemplo con prueba de una


media t

Ejemplo: Se tiene una poblacin normal con media de


365 y lmites de especificacin de 360 y 370. Si la
media se desplaza 2.5 gramos por arriba de la media, el
nmero de defectos sera inaceptable, la desviacin
estndar histrica es de 2.403:

220

Ejemplo con prueba de una


media t

221

Ejemplo con prueba de una


media t

222

Ejemplo con prueba de una


media t

223

Ejemplo con prueba de 2 medias


t

224

Ejemplo con prueba de 1


proporcin

225

Ejemplo con prueba de 1


proporcin

226

Ejercicios
Calcular los tamaos de muestra necesarios para los siguientes
escenarios (usar pruebas de dos colas):
a. 1-muestra Z a=0.05, b=0.1 y 0.2, d = 1.5s
b. 1-muestra t a=0.05, b=0.1 y 0.2, d = 1.5s
c. 1-muestra t a=0.01, b=0.05, d = 0.5s y 1.0s
d. 2-muestras t a=0.05, b=0.1, d = 1.5s y 2.0s
2. Calcular la potencia de la prueba para los siguientes
escenarios
(usar pruebas de dos colas):
a. 1-muestra Z a=0.05, d = 0.5s, n = 25, 35
b. 1-muestra t a=0.05, d = 1.0s, n = 10, 20
c. 1-muestra t a=0.01, d = 1.0s, n = 10, 25
d. 2-muestras t a=0.05, d = 0.5s, n = 10, 25, 50, 75, 100

227

Ejercicios
Calcular el tamao de muestra requerido para los siguientes
escenarios (usar pruebas de dos colas):
a. 1-proporcin a=0.05, b=0.1 & 0.2, P0 = 0.5, PA = 0.6
b. 1-proporcin a=0.01, b=0.1 & 0.2, P0 = 0.8, PA = 0.9
c. 2-proporcin a=0.05, b=0.1, P0 = 0.5, PA = 0.6, 0.8
d. 2-proporciones a=0.01, b=0.1, P0 = 0.8, PA = 0.85, 0.95
2. Calcular la potencia de la prueba para los siguientes
escenarios
(usar pruebas de dos colas):
a. 1-proporcin a=0.05, P0 = 0.5, PA = 0.6, n = 250, 350
b. 1-proporcin a=0.01, P0 = 0.9, PA = 0.95, n = 400, 500
c. 2-proporciones a=0.05, P0 = 0.5, PA = 0.6, n = 250, 350
d. 2-proporciones a=0.01, P0 = 0.9, PA = 0.95, n = =400, 500

228

229

230

VI.B.4 Estimacin puntual


y por intervalo

231

Estimacin puntual y por


intervalo

Las medias o desviaciones estndar calculadas de una


muestra se denominan ESTADSTICOS, podran ser
consideradas como un punto estimado de la media y
desviacin estndar real de poblacin o de los
PARAMETROS.

Qu pasa si no deseamos una estimacin puntual como


media basada en una muestra, qu otra cosa podramos
obtener como margen, algn tipo de error?

Un Intervalo de Confianza

232

Intervalo de confianza
Error de estimacin

233

Estimacin puntual y por


intervalo

Cmo obtenemos un intervalo de confianza?


Estimacin puntual + error de estimacin

De dnde viene el error de estimacin?

Desv. estndar X multiplicador de nivel de confianza deseado


Z/2
Por Ejemplo: Si la media de la muestra es 100 y la desviacin
estndar es 10, el intervalo de confianza al 95% donde se
encuentra la media para una distribucin normal es:
100 + (10) X 1.96 => (80.4, 119.6)

1.96 = Z0.025

234

Estimacin puntual y por


intervalo
95% de Nivel de Confianza significa que slo tenemos un 5% de
oportunidad de obtener un punto fuera de ese intervalo.
Esto es el 5% total, o 2.5% mayor o menor. Si vamos a la tabla Z
veremos que para un rea de 0.025, corresponde a una Z de 1.960.

C. I.
99

Multiplicador Z/2
2.576

95
1.960
90
1.645
85
1.439
80
1.282
Para tamaos de muestra >30, o conocida usar la distribucin Normal
Para muestras de menor tamao, o desconocida usar la distribucin t

235

Estimacin puntual y por


intervalo
para .n 30 X Z

para .n 30 X t
2

( n 1) s 2

2
2

, n 1

( n 1) s 2

p Z
2

; con n-1 gl.

, n 1

p (1 p )
n
236

Para n grande el IC es
pequeo

237

Para n grande el IC es
pequeo

238

Ejemplo

Dadas las siguientes resistencias a la tensin:


28.7, 27.9, 29.2 y 26.5 psi

Estimar la media puntual


X media = 28.08 con S = 1.02

Estimar el intervalo de confianza para un nivel de


confianza del 95% (t = 3.182 con n-1=3 grados
de libertad)
Xmedia3.182*S/n = 28.083.182*1.02/2=(26.46, 29.70)

239

Ejemplos para la media con


Distribucin normal Z
Z 1. El peso promedio de una muestra de 50 bultos de productos
Xmedia = 652.58 Kgs., con S = 217.43 Kgs. Determinar el
intervalo de confianza al NC del 95% y al 99% donde se
encuentra la media del proceso (poblacional). Alfa = 1 - NC
2. Un intervalo de confianza del 90% para estimar la ganancia
promedio del peso de ratones de laboratorio oscila entre 0.93 y
1.73 onzas. Cul es el valor de Z?.
3. 100 latas de 16 onzas de salsa de tomate tienen una media de
Xmedia = 15.2 onzas con una S = 0.96 onzas.
A un nivel de
confianza del 95%, las latas parecen estar llenas con 16 onzas?.
4. Una muestra de 16 soluciones tienen un peso promedio de 16.6
onzas con S = 3.63. Se rechaza la solucin si el peso promedio de
todo el lote no excede las 18 onzas. Cul es la decisin a un 90%
de nivel de confianza?.

240

Ejemplos para la media y


varianza con Distribucin t
t 5. 20 cajas de producto pesaron 102 grs. Con S = 8.5 grs.
Cul es el intervalo donde se encuentra la media y
varianza del lote para un 90% de nivel de confianza?.
Grados libertad=20 -1 =19
6. Una muestra de 25 productos tienen un peso promedio de
23.87 grs. Con una S = 9.56. Cul es la estimacin del
intervalo de confianza para la media y varianza a un nivel
de confianza del 95 y del 98% del peso de productos del
lote completo?.
7. Los pesos de 25 paquetes enviados a travs de UPS
tuvieron una media de 3.7 libras y una desviacin estndar
de 1.2 libras. Hallar el intervalo de confianza del 95% para
estimar el peso promedio y la varianza de todos los
paquetes. Los pesos de los paquetes se distribuyen
normalmente.

241

Ejemplos para proporciones con


Distribucin Z
Z 8. De 814 encuestados 562 contestaron en forma
afirmativa. Cul es el intervalo de confianza para un
90% de nivel de confianza?
9. En una encuesta a 673 tiendas, 521 reportaron
problemas de robo por los empleados Se puede
concluir con un 99% de nivel de confianza que el 78%
se encuentra en el intervalo de confianza. ?

242

Instrucciones con Minitab


Intervalo de confianza para la
media
Stat > Basic Statistics > 1-Sample Z, t
Variable -- Indicar la columna de los datos o Summarized
Data
En caso de requerirse dar el valor de Sigma = dato
En Options:
Indicar el Confidence level -- 90, 95 o 99%
OK

243

Instrucciones con Minitab


Intervalo de confianza para
proporcin

Stat > Basic Statistics > 1-Proportion


Seleccionar Summarized Data
Number of trials = n tamao de la muestra
Number of events = D xitos encontrados en la muestra
En Options:
Indicar el Confidence Interval -- 90, 95 o 99%
Seleccionar Use test and interval based in normal
distribution

244

VI.B.5 Pruebas de hiptesis para


medias, varianzas y
proporciones

245

Elementos de una
Prueba de Hiptesis
Prueba Estadstica- Procedimiento para decidir no rechazar
Ho aceptando Ha o rechazar Ho.
Hiptesis Nula (Ho) - Usualmente es una afirmacin
representando una situacin status quo. Generalmente
deseamos rechazar la hiptesis nula.
Hiptesis Alterna (Ha) - Es lo que aceptamos si podemos
rechazar la hiptesis nula. Ha es lo que queremos probar.

246

Elementos de una
Prueba de Hiptesis
Estadstico de prueba: Calculado con datos de la muestra
(Z, t, X2 or F).
Regin de Rechazo Indica los valores de la prueba
estadstica para que podamos rechazar la Hiptesis nula
(Ho). Esta regin esta basada en un riesgo deseado,
normalmente 0.05 o 5%.

247

Pasos en la Prueba de Hiptesis


1. Definir el Problema - Problema Prctico

2. Sealar los Objetivos - Problema Estadstico

3. Determinar tipo de datos - Atributo o Variable

4. Si son datos Variables - Prueba de Normalidad

248

Pasos en la Prueba de Hiptesis


5. Establecer las Hiptesis
- Hiptesis Nula (Ho) - Siempre tiene el signo =, ,

- Hiptesis Alterna (Ha) Tiene signos , > o <.

El signo de la hiptesis alterna indica el tipo de prueba a usar

249

Elementos de una Prueba de Hiptesis


Pruebas de Hiptesis de dos colas:
Ho: a = b
Regin de
Ha: a b
Rechazo
-Z
Pruebas de Hiptesis de cola derecha:
Ho: a b
Ha: a > b

Pruebas de Hiptesis cola izquierda:


Ho: a b
Regin de
Ha: a < b

Regin de
Rechazo

Regin de
Rechazo
0

Rechazo

-Z

250

Pasos en la Prueba de Hiptesis


6. Seleccionar el nivel de Alfa (normalmente 0.05 o 5%) o el
nivel de confianza NC = 1 - alfa

7. Establecer el tamao de la muestra, >= 10.

8.Desarrollar el Plan de Muestreo

9.Seleccionar Muestras y Obtener Datos

10. Decidir la prueba estadstica apropiada y calcular el


estadstico de prueba (Z, t, X2 or F) a partir de los datos.

251

Estadsticos para medias,


varianzas y proporciones
X
;Una.media; n 30; conocida
/ n
X
t
;Una.media; n 30; desconocida
S/ n
S12
F 2 ; DF n1 1, n2 1; prueba.dos. var ianzas
S2
Z

X1 X 2
; dos.medias; ' s desconocidas. pero.
1
1
Sp /

n1
n2

Sp
t

( n1 1) s12 ( n2 1) s22
; DF n1 n2 2
n1 n2 2

X1 X 2
2
1

2
2

s
s

n1
n2

; dos.medias; ' s desconocidas.diferentes

DF formula.especial

252

Estadsticos para medias,


varianzas y proporciones

Para el caso de muestras pareadas se calculan


las diferencias d individuales como sigue:
t
X

d
; Pares.de.medias; d i . para.cada. par
Sd / n

( n 1) S 2

; DF (n 1); prueba.una.v ar ianza

(O E ) 2

; DF ( r 1)(c 1); bondad .ajuste


E

253

Pasos en la Prueba de Hiptesis


11. Obtener el estadstico correspondiente de tablas o Excel.

12.Determinar la probabilidad de que el estadstico de prueba


calculado ocurre al azar.

13.Comparar el estadstico calculado con el de tablas y ver si


cae en la regin de rechazo o ver si la probabilidad es menor a
alfa, rechaze Ho y acepte Ha. En caso contrario no rechaze Ho.

14.Con los resultados interprete una conclusin estadstica


para la solucin prctica.

254

Estadstico
Prueba de Hiptesis
Calculado con
Datos de la muestr
Pruebas de Hiptesis de dos colas:
Ho: a = b
Ha: a b

Regin de
Rechazo

Regin de
Rechazo

-Z
Pruebas de Hiptesis de cola derecha:
Ho: a b
Ha: a > b

Pruebas de Hiptesis cola izquierda:


Ho: a b
Regin de
Ha: a < b

Regin de
Rechazo
0

Rechazo

-Z

255

Prueba de hiptesis para la


varianza

Las varianzas de la poblacin se ditribuyen de


acuerdo a la distribucin Chi Cuadrada. Por
tanto las inferencias acerca de la varianza
poblacional se basarn en este estadstico

La distribucin Chi Cuadrada se utiliza en:


Caso I. Comparacin de varianzas cuando la
varianza de la poblacin es conocida
Caso II. Comparando frecuencias observadas y
esperadas de resultados de pruebas cuando no
hay una varianza de la poblacin definida (datos
por atributos)

256

Prueba de hiptesis para la


varianza

Las pruebas de hiptesis para comparar una


varianza poblacional a un cierto valor
constante 0, si la poblacin sigue la
distribucin normal es:

Con el estadstico Chi Cuadrada con n-1


grados de libertad
257

Prueba de hiptesis para la


varianza

2.17
Ejemplo: El material muestra una variacin (sigma) en la
resistencia a la tensin menor o igual a 15 psi con 95% de
confianza?. En una muestra de 8 piezas se obtuvo una S = 8psi.
X^2c =(7)(8)^2/(15)^2 = 1.99
Como La Chi calculada es menor a la Chi de Excel de 2.17 se debe
rechazar la hiptesis nula. Si hay decremento en la resistencia

258

Prueba de hiptesis para


atributos
Ejemplo: Un supervisor quiere evaluar la habilidad de 3 inspectores
para detectar radios en el equipaje en un aeropuerto.
Hay diferencias significativas para un 95% de confianza?

Valores
observados
O

Inspector Inspector
1
2

Inspector
3

Total por
tratamient
o

Radios
detectados

27

25

22

74

Radios no
detectados

16

Total de la
muestra

30

30

30

90

259

Prueba de hiptesis para


atributos
Ho: p1 = p2 = p3
Ha: p1 p2 p3
Grados de libertad = (No. de columnas -1)*(No. renglones -1)
Las frecuencias esperadas son: (Total columna x Total rengln)

Valores
esperados
E

Inspector Inspector
1
2

Inspector
3

Total por
tratamient
o

Radios
detectados

24.67

24.67

24.67

74

Radios no
detectados

5.33

5.33

5.33

16

Total de la
muestra

30

30

30

90

260

Prueba de hiptesis para


atributos
El estadstico Chi Cuadrado en este caso es:

El estadstico Chi Cuadrada de alfa = 0.05 para 4 grados de libertad es 5.99.


El estadstico Chi Cuadrada calculada es menor que Chi de alfa, por lo que no se rechaza Ho y las habilidades son similares

5.99

261

Ejemplo de Prueba de hiptesis para la media


Para una muestra grande (n>30)probar la hiptesis de una media u
1.) Ho:
2.) Ha:
3.) Calcular el estadstico de prueba
4.) Establecer la regin de rechazo
Las regiones de rechazo para prueba de 2 colas: -Z Z
Zcalc=

Regin de
Rechazo

s
n

Regin de
Rechazo
0

-Z

Si el valor del estadstico de prueba cae en la regin de rechazo


rechazaremos Ho de otra manera no podemos rechazar Ho.

262

Prueba de hiptesis de una


poblacin para muestras
grandes con Z

263

264

Prueba de hiptesis de una


poblacin para muestras
pequeas con t

Gl=14;

265

266

Prueba de hiptesis
para una proporcin con Z

267

268

Instrucciones con Minitab para la


prueba de hiptesis de una
media
Stat > Basic Statistics > 1-Sample Z, t
Variable -- Indicar la columna de los datos o Summarized
Data
En caso de requerirse dar el valor de Sigma = dato
Proporcionar la Media de la hiptesis Test Mean
En Options:
Indicar el Confidence Interval -- 90, 95 o 99%
Indicar el signo de la hiptesis alterna: Less Than, Not
equal, Greater than
OK

269

Instrucciones con Minitab para la


prueba de hiptesis de una
proporcin
Stat > Basic Statistics > 1-Proportion
Seleccionar Summarized Data
Number of trials = n tamao de la muestra
Number of events = D xitos encontrados en la muestra
En Options:
Indicar el Confidence Interval -- 90, 95 o 99%
Indicar la Test Proportion Proporcin de la hiptesis
Indicar el signo de la hiptesis alterna: Less Than, Not
equal, Greater than
Seleccionar Use test and interval based in normal distribution
OK

270

Pruebas de hiptesis para


comparacin de varianzas,
medias, y proporciones

271

Prueba de Hiptesis

Supongamos que tenemos muestras de dos reactores


que producen el mismo artculo. Se desea ver si hay
diferencia significativa en el rendimiento de Reactor a
Reactor A
Reactor B
Reactor.
Estadsticas Descriptivas

89.7

84.7

81.4

86.1

84.5

83.2

84.8

91.9

87.3

86.3

Rendimiento A

10 84.24

2.90

79.7

79.3

10 85.54

3.65

85.1

82.6

81.7

89.1

83.7

83.7

84.5

88.5

Variable

Reactor N

Media Desv.Std

272

Prueba de Hiptesis
Pregunta Prctica: Existe diferencia entre los
reactores?
Pregunta estadstica La media del Reactor B (85.54) es significativamente
diferente de la media del Reactor A (84.24)? O, su diferencia se da por
casualidad en una variacin de da a da.

Ho: Hiptesis Estadstica:


No existe diferencia entre los
Reactores

Ha: Hiptesis Alterna:


Las medias de los

Reactores son diferentes.

a b
Ha: a b
Ho:

Se busca demostrar que los valores observados al parecer no


corresponden al mismo proceso, se trata de rechazar Ho.

273

Prueba de Hiptesis

Hiptesis Estadstica: No
existe diferencia entre los
Reactores
Esto se llama Hiptesis
Nula (Ho)

Hiptesis Alterna: Cuando


las medias de Reactores son
diferentes. A esto se le llama
Hiptesis Alterna (Ha)

Debemos demostrar que los valores que observamos al parecer no


corresponden al mismo proceso, que la Ho debe estar equivocada

274

Qu representa esto?
Reactor A

Reactor B

B
A

80.0

B B B B BB
AA
AAAA
A

82.5

85.0

BB
A

87.5

90.0

92.5

Representan los reactores dos procesos diferentes?


Representan los reactores un proceso bsico?

275

Prueba F de dos varianzas

Si se toman dos muestras de dos poblaciones normales


con varianzas iguales, la razn de sus varianzas crea
una distribucin muestral F. Las hiptesis son las
siguientes:

El estadstico F se muestra a continuacin donde S1 se


acostumbra tomar como la mayor

276

Prueba F de dos varianzas

Sea S1 = 900 psi, n1 = 9, s2 = 300 psi, n2 = 7. A un 95% de nivel


de confianza se puede concluir que hay menor variacin?

Ho: Varianza 1 <= Varianza 2


H1: Varianza 1 > Varianza 2
Grados de libertad para Var1 = 8 y para var 2 = 6
Falfa = F(0.05, 8, 6) = 4.15
Fcalculada = (900^2)/(300^2) = 9 >> Falfa, se rechaza Ho.
Hay evidencia suficiente para indicar que la variacin ya se
ha reducido

277

Prueba de hiptesis de dos pob.


comparando varianzas con F

278

279

Prueba de hiptesis de dos pob.


Comparando dos medias con Z

280

281

Prueba de dos medias


muestras pequeas

Sigmas desconocidas e iguales

Sigmas desconocidas
y desiguales

282

Prueba de hiptesis de dos pob.


Comparando dos medias con t

283

284

Prueba de hiptesis de dos pob.


Comparando datos pareados con
t

Grados de libertad = No. de pares - 1

285

286

Prueba de hiptesis de dos pob.


Comparando dos proporciones
con Z

287

288

Robustez

Los procedimientos estadsticos se basan en


supuestos acerca de su comportamiento
terico. Cuando los estadsticos obtenidos no
son afectados por desviaciones moderadas de
su expectativa terica, se dice que son
robustos.

289

Resumen

290

Instrucciones con Minitab para la


comparacin de dos varianzas
Stat > Basic Statistics > 2-variances
Seleccionar samples in different columns o Summarized
data
First-- Indicar la columna de datos de la muestra 1
Second- Indicar la columna de datos de la muestra 2
En Options:
Indicar el Confidence Interval -- 90, 95 o 99%
OK

291

Instrucciones con Minitab para la


comparacin de dos medias
Stat > Basic Statistics > 2-Sample t
Seleccionar samples in different columns o Summarized data
First-- Indicar la columna de datos de la muestra 1
Second- Indicar la columna de datos de la muestra 2
Seleccionar o no seleccionar Assume equal variances de
acuerdo a los resultados de la prueba de igualdad de
varianzas
En Options:
Indicar el Confidence Interval -- 90, 95 o 99%
Indicar la diferencia a probar Test Difference (normalmente 0)
Indicar el signo de la hiptesis alterna: Less Than, Not equal,
Greater than
En graphs seleccionar las graficas Boxplot e Individual value
plot
OK

292

Instrucciones con Minitab para la


comparacin de dos medias
pareadas
Stat > Basic Statistics > Paired t
Seleccionar samples in columns o Summarized data
First sample Indicar la columna de datos de la muestra
1
Second sample - Indicar la columna de datos de la muestra
2
En Options:
Indicar el Confidence Interval -- 90, 95 o 99%
Indicar la diferencia a probar Test Mean (normalmente 0)
Indicar el signo de la hiptesis alterna: Less Than, Not
equal, Greater than
En graphs seleccionar las graficas Boxplot e Individual value
plot
OK

293

Instrucciones con Minitab para la


prueba de hiptesis de dos
proporciones
Stat > Basic Statistics > 2-Proportions
Seleccionar Summarized Data
Trials:
Events:
First:
No. de elementos de la 1. Muestra y D1 xitos
encontrados
Second: No. de elementos de la 2. Muestra y D2 xitos
encontrados
En Options:
Indicar el Confidence Interval -- 90, 95 o 99%
Indicar la Test Difference Normalmente 0
Indicar el signo de la hiptesis alterna: Less Than, Not equal,
Greater than
Seleccionar Use pooled estimate of p for test
OK

294

VI.B.7 Pruebas de bondad


de ajuste

295

(O
i
E
)

Bondad de ajuste

PRUEBAS DE BONDAD DE AJUSTE

Medidas sobre que tan cerca se ajustan los datos muestrales observados a una forma
de distribucin particular planteada como hiptesis
Si el ajuste es razonablemente cercano, puede concluirse que s exite la forma de distribucin
planteada como hiptesis

2
2iK

Por ejemplo:

Ho: La distribucin poblacional es uniforme


Ha: La distribucin poblacional no es uniforme
Se usa el estadstico Chi-Cuadrado

Oi = Frecuencia de los eventos observados en los datos muestrales

Ei = Frecuencia de los eventos esperados si la hiptesis nula es correcta


Para que la prueba sea confiable Ei >= 5. De otra forma se combinan las categorias para
cumplir con este requisito.
K = Nmero de categoras o clases

296

Bondad de ajuste
Ejemplo:
Se venden n = 48 botes en 4 meses. Si la demanda es uniforme se esperara que se vendieran
12 botes / mes. La cantidad real que se vendi fue:
Ventas (Oi) Ventas (Ei)
Tipo de bote observadas esperadas
A
15
12
B
11
12
C
10
12
D
12
12
DISTR.CHI

Entonces el estadstico Chi Cuadrado de la muestra es = 1.17 el valor P corresp.=

0.76020818

El Chi Cuadrado de excel se determina con alfa = 0.05 y K - 1 grados de libetad = 3


Chi cuadrado de excel = 7.815
El estadstico Chi cuadrado calculado de 1.17 es menor al de excel de 7.815 por tanto se acepta
la hiptesis nula
PRUEBA.CHI.INV

297

Prueba de Bondad de ajuste


para la distribucin de Poisson
1. Plantear la hiptesis nula y alterna
Ho: La poblacin tiene una distribucin de prob. De Poisson
Ha: Caso contrario
2. Tomar una muestra aleatoria, anotar la frecuencia
observada fi y calcular la media de ocurrencias
3. Calcular la frecuencia esperada de ocurrencias ei. Multiplicar
el tamao de muestra con la prob. de Poisson para cada
valor de la variable aleatoria. Si hay menos de 5 combinar
las categoras

4. Calcular el estadstico de prueba

( f i ei ) 2

ei
i 1
n

2 2
5. Rechazar Ho si
o si p < alfa. Con gl=k-p-1 y alfa nivel
de significancia

298

Ejemplo:
Distribucin de Poisson =5

Ho: No. de clientes que llega en intervalos de 5 min. tiene una


distribucin de Poisson
Ha: No se sigue una distribucin de
Poisson
Clientes
Frec. observada f(x) de Poisson
128*f(x)
cantidad
esperada
0

0.0067

0.8576

0.0337

4.3136

10

0.0842

10.7776

12

0.1404

17.9712

18

0.1755

22.4640

22

0.1755

22.4640

22

0.1462

18.7136

16

0.1044

13.3662

12

0.0653

8.3584

0.0363

4.6464

10 o ms

0.0318

4.0704299

Ejemplo:
Distribucin de Poisson =5

Combinando X=0,1 y X=9, 10 o ms para que la frecuencia


observada sea mayor a 5 y se pueda aplicar la distribucin Chi
Cuadrada se tiene
Clientes
Frec. Observada f(x) de Poisson
128*f(x)
frecuencia
(fi)
esperada (ei)
0o1

10

0.0067+0.0337

5.1712

10

0.0842

10.7776

12

0.1404

17.9712

18

0.1755

22.4640

22

0.1755

22.4640

22

0.1462

18.7136

16

0.1044

13.3662

12

0.0653

8.3584

9 o ms

0.0363+0.0318

8.7168

300

Estadstico y conclusin
Con los datos anteriores se calcula el estadstico Chi cuadrada que
se compara con Chi Cuadrada de alfa para k-p-1 grados de
libertad (K categoras: 9, p parmetros a estimar: 1 media).

( f i ei ) 2

ei
i 1
2

Ho se rechaza si

o si p es mayor que alfa.

El valor de Chi Cuadrada calculado es de 10.9766 y el valor Chi


Cuadrada de alfa 0.05 con 2 gl. Es de 14.07 no se rechaza Ho
En este caso p = 0.14 > 0.05 por tanto no se rechaza Ho y se
concluye que los datos siguen una distribucin de Poisson

301

Prueba de Bondad de ajuste


para la distribucin Normal
1. Plantear la hiptesis nula y alterna
Ho: La poblacin tiene una distribucin de prob. Normal
Ha: Caso contrario
2. Tomar una muestra aleatoria, calcular la media y la
desviacin estndar
3. Definir K intervalos de valores de forma que la
frecuencia esperada sea 5 cuando menos para cada uno
(intervalos de igual probabilidad). Anotar la frecuencia
observada de los valores de datos fi, en cada intervalo

302

Prueba de Bondad de ajuste


para la distribucin Normal
4. Calcular el nmero de ocurrencias esperado ei, para
cada intervalo de valores. Multiplicar el tamao de
muestra por la probabilidad de que una variable
aleatoria est en el intervalo.

5. Calcular el estadstico de prueba


2 2
6. Rechazar Ho si
nivel de significancia

( f i ei ) 2

ei
i 1
n

o si p < alfa. Con gl=k-p-1 y alfa

303

Prueba de Bondad de ajuste


para la distribucin Normal

Ejemplo: datos de calificaciones: Media = 68.42; S =


10.41
Calificaciones
71

66

61

65

54

93

60

86

70

70

73

73

55

63

56

62

76

54

82

79

76

68

53

58

85

80

56

61

61

64

65

62

90

69

76

79

77

54

64

74

65

65

61

56

63

80

56

71

79

84

304

Prueba de Bondad de ajuste


para la distribucin Normal
Ho: la poblacin tiene una distribucin normal con media
68.42 y S=10.41 Ha: Caso contrario
Para una muestra de 50 con una frecuencia mnima
esperada de 5 se tiene el 10% al menos por cada celda
La primera celda correspondiente al 10% est en Z = -1.28
con
X = (Media - Z*S) = 55.10
Para el rea del 20%, Z = -0.84 y X = 59.68
y as sucesivamente

305

Prueba de Bondad de ajuste


para la distribucin Normal
Intervalo

Frecuencia
observada
(fi)

Frecuencia
esperada
(ei)

Menos de
55.10

55.10 a
59.68

59.68 a
63.01

63.01 a
65.82

65.82 a
68.42

68.42 a
71.02

Se registran las
frecuencias de
los datos
tomados de las
calificaciones

306

Prueba de Bondad de ajuste


para la distribucin Normal

Se determina el estadstico Chi Cuadrado = 7.2

( f i ei ) 2

ei
i 1
2

El Valor de Chi Cuadrado de alfa = 0.10 para k p 1


grados de libertad. K = 10 categoras, p = 2
parmetros. Gl = 7. Chi Cuadrado es 12.017
2
2

Como

no se puede rechazar la hiptesis nula de


normalidad de las calificaciones

307

Prueba de Bondad de ajuste


para la distribucin Multinomial
1. Enunciar la hiptesis nula y alternativa
Ho: La poblacin sigue una distribucin de probabilidad
multinomial con probabilidades especificadas para cada
una de las K categoras
Ha: Caso contrario
2. Tomar una muestra aleatoria y anotar las frecuencias
observadas fi para cada categora
3. Suponiendo que Ho es cierta, determinar la frecuencia
esperada ei, en cada categora multiplicando la
probabilidad de la categora por el tamao de muestra

308

Prueba de Bondad de ajuste


para la distribucin Multinomial
4. Se determina el estadstico Chi Cuadrado de prueba

( f i ei ) 2

ei
i 1
2

5. Regla de rechazo:
2
2
Si no se puede rechazar la hiptesis nula

Rechazar si el valor p es menor a alfa


Con alfa nivel de significancia y los grados de libertad son k-1

309

Prueba de Bondad de ajuste


para la distribucin Multinomial
Ejemplo: El ao pasado la participacin de mercado para la
empresa A fue del 30%, 50% para la empresa B y 20%
para la empresa C. La empresa C hace una prueba con un
nuevo producto para estimar su impacto en las
preferencias del mercado.
Se tom una muestra de 200 clientes resultando preferencias
de compra de: 48 para A, 98 para B y 54 para C.
De acuerdo a las probabilidades esperadas, en los 200
clientes las preferencias esperadas son: A=200*0.3=60,
B=200*0.5=100, C=200*0.2=40

310

Prueba de Bondad de ajuste


para la distribucin Multinomial
Datos para calcular el estadstico de prueba Chi Cuadrado
Categora

Proporcin
hipottica

Frecuencia
observada

Frecuencia
esperada

Empresa A

0.3

48

60

Empresa B

0.5

98

100

Empresa C

0.2

54

40

311

Prueba de Bondad de ajuste


para la distribucin Multinomial
Chi Cuadrado calculado = 7.34
Chi cuadrado de alfa = 0.05 con k 1 = 2 grados de libertad
= 2 es de 5.99. El valor p correspondiente es de 0.025.
Como 7.34 es mayor a 5.99 o el valor p de 0.025 es menor a
alfa de 0.05 se rechaza la hiptesis nula Ho y se concluye
que el nuevo producto modificar las preferencias del
mercado actuales
La participacin de la empresa C aumenta con el nuevo
producto

312

Prueba de Bondad
de ajuste en Minitab
La columna C1 Observadas contiene las frecuencias
observadas y la C2 esperadas las frecuencias esperadas
Calc > Calculator > Store result in variable ChiCuadrada
Teclear en el cuadro de expresin sum((ObservadasEsperadas)**2/Esperadas)
Calc > Probability distributions > Chi Square
Seleccionar Cummulative probability
Degrees of freedom 2
Input column ChiCuadrada; Optional Storage CumProb
OK
Calc > Calculator > Store results in variable p
En el cuadro Expression teclear 1-CumProb
313
OK

Prueba de Bondad
de ajuste en Minitab

Ejemplo: investigacin de mercado

Observadas Esperadas ChiCuadrada


48

60

98

100

54

40

7.34

CumProb

0.974524

0.0254765

314

Prueba de Bondad
de ajuste en Excel

Ejemplo: investigacin de mercado

1. Calcular el estadstico Chi Cuadrada con =(A2-B2)^2/B2


y Suma
Chi cuadrada = 7.34
2. El valor P es =distr.chi(7.34, 2)
3. El estadstico Chi Cuadrada de alfa es:
=prueba.chi.inv(0.05,2) = 5.99
4. Como p es menor a alfa de 0.05 se rechaza la Ho

315

VI.B.6 ANOVA para un factor


principal y una o ms
variables de bloqueo

316

Introduccin

Cuando es necesario comparar 2 o ms medias


poblacionales al mismo tiempo, para lo cual se usa
ANOVA.

El mtodo ANOVA tiene los siguientes supuestos:


La varianza es la misma para todos los tratamientos
del factor en todos sus niveles
Las mediciones indiviudales dentro de cada
tratamiento se distribuyen normalmente
El trmino de error tiene un efecto distribuido
normalmente e independiente

317

Contenido

ANOVA de un factor o direccin

ANOVA de un factor y una variable de bloqueo

ANOVA de un factor y dos variables de bloqueo


CUADRADO LATINO

ANOVA de un factor y tres variables de


bloqueo CUADRADO GRECOLATINO
318

ANOVA de un factor
o direccin

319

Introduccin

Con el ANOVA las variaciones en la respuesta se


dividen en componentes que reflejan los efectos de
una o ms variables independientes

La variabilidad se representa como la suma de


cuadrados total que es la suma de cuadrados de las
desviaciones de mediciones individuales respecto a la
gran media, se divide en:
Suma de cuadrados de las medias de los
tratamientos
Suma de cuadrados del residuo o error experimental

320

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 sistem
Significativo, al realizar experimentos variando
Los niveles de ese factor (Temp. 1, Temp. 2, Temp.3,

Ho : 1 2 3 ......... a
Ha : A lg unas. ' s.son.diferentes
321

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
322

ANOVA Ejemplo de datos

Niveles del Factor Peso % de algodn y Resistencia d

Peso porc.
de algodn
15
20
25
30
35

Respuesta
Resistencia de la tela
7
7
15
12
17
12
14
18
18
19
25
22
7
10
11

11
18
19
19
15

9
18
19
23
11
323

ANOVA Suma de
cuadrados total
Xij
Gran media
Xij

SCT

i 1

j 1

( Xij X )

324

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 )
i 1

325

ANOVA Suma de cuadrados


del error
X2j

X1j

X3j

Media X1.

Media
X3.

Media X2.
Muestra 1
a

SCE
i 1

Muestra 2
b

(X
j 1

ij

X i)

Mues
2

326

ANOVA Suma de cuadrados


del error
X2j

X1j

X3j

Media X1.
Media X2.
Muestra 1

Muestra 2

SCE SCT SCTr

Media
X3.

Mues

327

ANOVA Grados de libertad:


Totales, Tratamientos, Error

gl.SCT n 1
gl.SCTr a 1
gl.SCE (n 1) (a 1) n a
328

ANOVA Cuadrados medios:


Total, Tratamiento y Error

MCT SCT /( n 1)
MCTr SCTr /( a 1)
MCE SCE /( n a )
329

ANOVA Clculo del


estadstico Fc y Fexcel

MCTr
Fc
MCE
Fexcel FINV ALFA , gl .SCTr , gl .SCE

330

Tabla final de ANOVA


TABLA DE ANOVA
FUENTE DE VARIACIN

SUMA DE GRADOS DE CUADRADO


CUADRADOS LIBERTAD MEDIO

Entre muestras (tratam.)

SCTR

a-1

CMTR

Dentro de muestras (error)

SCE

n-a

CME

Variacin total

SCT

n-1

CMT

VALOR F

CMTR/CME

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

331

ANOVA Toma de decisin


Distribucin F

Fexcel

Alfa
Zona de no rechazo de Ho
O de no aceptar Ha

Zona de rechazo
De Ho o aceptar Ha

Fc
332

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
333

ANOVA Identificar las


medias diferentes por Prueba
de Tukey T

T q , a , n a

CME
b

Para diseos balanceado


(mismo nmero de
columnas en los
tratamientos) el valor
de q se determina por
medio de la tabla en el

334

ANOVA Identificar las


medias diferentes por Prueba
de Tukey T

Se calcula la diferencia Di entre cada par de Medias


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 me
Son iguales

335

diferentes por Prueba de


Diferencia Mnima Significativa
DMS

2(CME ) F ,1,n a
DMS
b
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 336

Prueba DMS para Diseos no


balanceados

DMS j ,k

1 1
(CME ) F ,a 1,n a
b j bk

Para diseos no balanceados (los


tratamientos tienen diferente no. De
columnas), se calcula un factor DMS
Para cada una de las diferencias Xi
Xi
337

Ejemplo:

Considerar un experimento de un factor


(mquina) con tres niveles (mquinas A, B, C).
Los datos se muestran a continuacin y debe
verificarse si existe diferencia significativa a
un alfa = 0.05

Mquin
as

Datos

Su
m
a

Prom
.

338

Ejemplo:

La tabla completa de ANOVA es la siguientes:


Fuentes
De variacin

Cuadrado
medio

Mquin
as

Como el valor calculado de F(33.2) excede el valor crtico de F,


se rechaza la Hiptesis nula Ho

339

Ejemplo:

Con Minitab: Stat>ANOVA>One way unstacked


Responses (in separate columns) A B C
Interpretar los resultados
A

-2

-2

-3

340

Ejemplo:
One-way ANOVA: A, B, C
Source

DF

SS

MS

Factor

137.20

68.60

33.19

Error

12

24.80

2.07

Total

14

162.00

S = 1.438

R-Sq = 84.69%

0.000 Rechazo Ho

R-Sq(adj) = 82.14%

Individual 95% CIs For Mean Based on


Pooled StDev
Level

Mean

StDev

---------+---------+---------+---------+

6.200

0.837

(-----*----)

0.600

1.673

-0.800

1.643

(----*-----)
(-----*----)
---------+---------+---------+---------+
0.0

2.5

5.0

7.5

Pooled StDev = 1.438

341

Corrida en Minitab

Se introducen las respuestas en una columna


C1
Se introducenDurability
los subndices
de los renglones
Carpet
en una columna C218.95 1
12.62

11.94

14.42

10.06

7.19

7.03

14.66

342

Corrida en Minitab

Opcin: stat>ANOVA One Way (usar archivo


Exh_aov)
En Response indicar la col. De Respuesta
(Durability)
En factors indicar la columna de subndices (carpet)
En comparisons (Tukey)

Pedir grfica de Box Plot of data y residuales


Normal Plot y vs fits y orden

Si los datos estan en columnas pedir ANOVA One


Way (unstacked)

343

Results for: Exh_aov.MTW


One-way ANOVA: Durability versus Carpet

Resultados

Analysis of Variance for Durabili


Source

DF

Carpet

SS

MS

111.6

37.2

2.60

0.101

Error

12

172.0

Total

15

14.3
283.6

Individual 95% CIs For Mean


Based on Pooled StDev
Level

Mean

14.483

3
4

StDev

4
4

---------+---------+---------+-------

3.157

9.735
12.808

17.005

3.566

(-------*-------)
(-------*--------)

1.506

(--------*-------)

5.691

(-------*-------)
---------+---------+---------+-------

Pooled StDev =

3.786

10.0

15.0

20.0

Tukey's pairwise comparisons


Family error rate = 0.0500
Individual error rate = 0.0117
Critical value = 4.20

344

ANOVA de dos vas un


factor principal y una
variable de bloqueo

345

ANOVA de 2 vas

Este es un procedimiento extensin de los


patrones del ANOVA de una va con tres
fuentes de variacin: Tratamiento del factor A
(columnas), Tratamiento del factor B
(renglones) y Error experimental.

X ijk Ef . Ai Ef .B j Ef . AxBij kij

346

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 FACTOR DE

347

ANOVA 2 vas
Para el tratamiento en renglones

Ho : 1 2 3 ......... a
Ha : A lg unas. ' s.son.diferentes
Para el factor de bloqueo en columnas

Ho : '1 '2 '3 ......... 'a


Ha : A lg unas. ' s.son.diferentes
348

ANOVA 2 vas - Ejemplo

Maquinas
Maq 1
Maq 2
Maq 3

Experiencia en aos de los operadores


1
2
3
4
5
27
31
42
38
45
21
33
39
41
46
25
35
39
37
45
349

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


350

ANOVA de 2 vas
b

SCBl a ( X j X )

j 1

gl.SCBl b 1
CMBl SCBl /(b 1)
351

ANOVA de 2 vas

SCE SCT SCTr SCBl


gl.SCE (n a )(n b)
CME SCBl /( n a )(n b)
352

ANOVA Estadstico Fc y
Fexcel

MCTr
Fc
MCE
Fexcel FINV ALFA , gl .SCTr , gl .SCE

353

ANOVA Estadstico Fb

MCBl
Fc
MCE
Fexcel FINV ALFA , gl .SCBl , gl .SCE

354

Tabla final ANOVA 2 vas


FUENTE DE VARIACIN

SUMA DE GRADOS DE CUADRADO


CUADRADOS LIBERTAD MEDIO

VALOR F

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

355

ANOVA 2 vas: Toma de


decisin
Distribucin F

Fexcel

Alfa
Zona de no rechazo de Ho
O de no aceptar Ha
Fc
Tr o Bl

Zona de rechazo
De Ho o aceptar Ha
356

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
357

Clculo de los residuales


y
ij yi . y. j y..

Y estimada

eij yij y
ij

Error o residuo

MSE
b

Error estndar

Rk r0.05, k , gl . MSE * s yi .

Factor de comparaci

s yi .

Si la diferencia de medias excede a Rk es significativa


358

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

359

Corrida en Minitab

Se introducen las respuestas en una columna C3 y los


subndices de renglones en columna C4 y de columnas
en C5
Plantas

Suplemento

Lago

34

Rose

43

Rose

57

Dennison

40

Dennison

85

Rose

68

Rose

67

Dennison

53

Dennison

41

Rose

24

Rose

42

Dennison

52

Dennison

360

Corrida en Minitab

Opcin: stat>ANOVA Two Way (usar archivo


Exh_aov)

En Response indicar la col. De Respuesta (Plantas)

En Row factor y Column Factor indicar las columnas


de subndices de renglones y columnas (suplemento
y lago) y Display Means para ambos casos

Pedir grfica residuales Normal Plot y vs fits y orden

361

Two-way ANOVA: Zooplankton versus Supplement, Lake


Analysis of Variance for Zooplank
Source

DF

SS

MS

Lake

Resultados

9.25

21

21

0.21

0.666

Interaction

561

281

2.71

0.145

Suppleme

1919

959

0.015

Error

6
Total

622
11

104
3123

Individual 95% CI
Suppleme

Mean
1

--+---------+---------+---------+--------43.5

(-------*-------)

68.3
3

39.8

(--------*-------)
(--------*-------)

--+---------+---------+---------+--------30.0

45.0

60.0

75.0

Individual 95% CI
Lake
Dennison
Rose

Mean
51.8
49.2

------+---------+---------+---------+----(----------------*----------------)
(----------------*----------------)
------+---------+---------+---------+----42.0

48.0

54.0

60.0

362

ANOVA de un factor y dos


o tres variables de
bloqueo
CUADRADO LATINO Y
GRECOLATINO
363

ANOVA 3 y 4 factores

El diseo de Cuadrado latino utiliza dos


factores de bloqueo adicionales al de
Tratamiento

EL diseo de Cuadrado Grecolatino utiliza tres


factores adicionales al del Tratamiento

El clculo de suma de cuadrados para


renglones y para columnas es similar al de
ANOVA de un factor principal y otro de
bloqueo
364

Cuadrado Latino
Aos exp.
Empleado
1

Maana
B=15

Turno
Tarde
A=18

Noche
C=11

C=12

B=20

A=9

3
A=17
A, B, C = Mquinas 1, 2 y 3

C=19

B=10
365

ANOVA Cuadrado Latino:


Factor principal (A,B,C,D)
b

SCTr a ( X Tr X )

j 1

gl.SCTr a 1 b 1
CMTr SCTr /(b 1)
366

ANOVA Cuadrado Latino:


Clculo del error
SCE SCT SCTcol SC Re ng SCTr
gl.SCE (a 2)(a 1)
CME SCE /( a 2)(a 1)

367

ANOVA Clculo del


estadstico Fc y Fexcel

MCTr
Fc
MCE
Fexcel FINV ALFA , gl .SCTr , gl .SCE

368

ANOVA Cuadrado Latino Reng /


Col

MC Re ng
Fcreng
MCE
MCCols
Fcols
MCE
Fexcel FINV ALFA , gl .SCBl , gl .SCE
369

Tabla final ANOVA 2 Factores


FUENTE DE VARIACIN

SUMA DE GRADOS DE CUADRADO


CUADRADOS LIBERTAD MEDIO

VALOR F

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

370

Cuadrado 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

Se introducen las letras maysculas que indican el


nivel del factor (A, B, C, D, etc.) correspondientes
a cada respuesta en la columna C4

371

Cuadrado latino en Minitab

Opcin: stat> ANOVA General linear model

En Response indicar la col. De Respuesta,

En Model indicar las columnas de los factores y

En Random factors indicar los factores adicionales


al del efecto principal a probar (A, B, C, D). Se
pueden pedir interacciones entre factores x y con
Cx*Cy

Pedir grfica de residuales Normal y vs fits y orden

372

Cuadrado Greco Latino


Experiencia de los operadores
Lotes MP

Aa=-1

Bc=-5

Ce=-6

Db=-1

Ed=-1

Bb=-8

Cd=-1

Da=5

Ec=2

Ae=11

Cc=-7

De=13

Eb=1

Ad=2

Ba=-4

Dd=1

Ea=6

Ac=1

Be=-2

Cb=-3

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

373

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

374

Cuadrado Greco latino en


Minitab

Opcin: ANOVA General linear model

En Response indicar la col. De Respuesta,

En Model indicar las columnas de los factores y

En Random factors indicar los factores 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

375

ANOVA Cuadrado
Grecolatino
b

SCG a ( X m X )

m 1

gl.SCG b 1
CMG SCG /(b 1)
376

ANOVA de 2 factores Suma


de cuadrados, gl. y Cuadrado
medio para el error
SCE SCT SCTr SCG SC Re n SCCol
gl.SCE (a 3)(a 1)
CME SCE /( a 3)(a 1)

377

ANOVA Clculo del


estadstico Fc y Fexcel

MCG
Fc
MCE
Fexcel FINVALFA , gl .SCTr , gl .SCE

378

ANOVA Cuadrado Grecolatino

MCTr
Fc
MCE
Fexcel FINV ALFA , gl .SCBl , gl .SCE

379

Tabla final ANOVA 2 Factores


FUENTE DE VARIACIN

SUMA DE GRADOS DE CUADRADO


CUADRADOS LIBERTAD MEDIO

VALOR F

Renglores

SCRen

a-1

CMRen

CMRen/CME

Columnas
Letras griegas
Tratamiento

SCCol
SCG
SCTr

b-1
a-1
a-1

CMCol
CMG
CMTr

CMCol/CME
CMG/CME
CMTr/CME

Dentro de muestras (error)

SCE

(a-3)(a-1)

CME

Variacin total

SCT

n-1

CMT

380

ANOVA para diseo factorial


AxB

En un experimento factorial involucrando el factor A con


(a) niveles y un factor B con (b) niveles, la suma de
cuadrados se puede dividir en:

SST = SS(A) + SS(B) + SS(AB) + SSE

381

VI.B.8 Tablas de contingencia


Prueba Chi2 (2)

382

Para qu se utiliza?
1. Para probar si una serie de datos
observada, concuerda con el modelo (serie
esperada) de la informacin.
2. Para probar las diferencias entre las
proporciones de varios grupos (tabla de
contingencia).
Para todos los casos,

Ho: No hay diferencia


Ha: Hay diferencia

383

Ejemplo 1: Chi Cuadrada(


2
)
Se lanza una moneda al aire 100 veces y
que obtenemos 63 guilas y 37 soles.
La proporcin de guilas y soles sucede
por casualidad? O, se concluye que la
moneda est cargada?

Ho: La moneda es buena


Ha: La moneda est cargada
384

Ejemplo 1: Chi Cuadrada(


Observada

Esperada

(fo - fe)2
fe

( fo )

( fe )

Aguilas

63

50

3.38

Soles

37

50

3.38

2 = 3.38 + 3.38
2 = 6.76

c=
2

j=1

Estadstico Chi Cuadrada


(fo - fe)2
fe

385

Ejemplo 1: Chi cuadrada


Funcin de Distribucin Acumulada Chi2 con 1 grado de
libertad (d.f)
2c
P(2c > x)
6.7600
p = 1 - 0.9907 = 0.0093
De tablas X2Crtica, (0.05, 1) = 3.8414
Ho: La moneda es buena.
Ha: La moneda est cargada.
Para un 95% de confianza antes de concluir que la moneda est
cargada, se requiere que X2c > X2Crtica o que el valor de p sea
0.05.
Como p 0.05, se puede concluir -con un 95% de confianza que la moneda est cargada.

386

Clculo en Excel del estadstico Chi cuadrada


1. Posicionarse en una celda vaca
2. Accesar el men de funciones con Fx
3. Seleccionar STATISTICAL o ESTADSTICAS, CHIINV.
4. Dar valores de probabilidad (0.05) y grados de libertad,
normalmente (n - 1) para un parmetro o (# de renglones -1)
* (# de columnas - 1) para el caso de tablas de proporciones.

387

Tabla de Valores Crticos Seleccionados de Chi2


df

.250

.100

.050

.025

.010

.005

.001

1
2
3
4
5

1.323
2.773
4.108
5.385
6.626

2.706
4.605
6.251
7.779
9.236

3.841
5.991
7.815
9.488
11.070

5.024
7.378
9.348
11.143
12.832

6.635
9.210
11.345
13.277
15.086

7.879
10.597
12.838
14.860
16.750

10.828
13.816
16.266
18.467
20.515

6
7
8
9
10

7.841
9.037
10.219
11.389
12.549

10.645
12.017
13.362
14.684
15.987

12.592
14.067
15.507
16.919
18.307

14.449
16.013
17.535
19.023
20.483

16.812
18.475
20.090
21.666
23.209

18.548
20.278
21.955
23.589
25.188

22.458
24.322
26.125
27.877
29.588

11
12
13
14
15

13.701
14.845
15.984
17.117
18.245

17.275
18.549
19.812
21.064
22.307

19.675
21.026
22.362
23.685
24.996

21.920
23.337
24.736
26.119
27.488

24.725
26.217
27.688
29.141
30.578

26.757
28.300
29.819
31.319
32.801

31.264
32.909
34.528
36.123
37.697

16
17
18
19
20

19.369
20.489
21.605
22.718
23.828

23.542
24.769
25.989
27.204
28.412

26.296
27.587
28.869
30.144
31.410

28.845
30.191
31.526
32.852
34.170

32.000
33.409
34.805
36.191
37.566

34.267
35.718
37.156
38.582
39.997

39.252
40.790
43.312
43.820
45.315

21
22
23
24
25

24.935
26.039
27.141
28.241
29.339

29.615
30.813
32.007
33.196
34.382

32.671
33.924
35.172
36.415
37.652

35.479
36.781
38.076
39.364
40.646

38.932
40.289
41.638
42.980
44.314

41.401
42.796
44.181
45.558
46.928

46.797
48.268
49.728
51.179
52.620

26
27
28
29
30

30.434
31.528
32.620
33.711
34.800

35.563
36.741
37.916
39.087
40.256

38.885
40.113
41.337
42.557
43.773

41.923
43.194
44.461
45.722
46.979

45.642
46.963
48.278
49.588
50.892

48.290
49.645
50.993
52.336
53.672

54.052
55.476
56.892
58.302
59.703

40
50
60

45.616
56.334
66.981

51.805
63.167
74.397

55.758
67.505
79.082

59.342
71.420
83.298

63.691
76.154
88.379

66.766
79.490
91.952

73.402
86.661
99.607

70
80
90
100

77.577
88.130
98.650
109.141

85.527
96.578
107.565
118.498

90.531
101.879
113.145
124.342

95.023
106.629
118.136
129.561

100.425
112.329
124.116
135.807

104.215
116.321
128.299
140.169

112.317
124.839
137.208
149.449

388

Tabla de contingencia

Una tabla de clasificacin de dos vas (filas y columnas)


que contiene frecuencias originales, se puede analizar
para determinar si las dos variables (clasificaciones) son
independientes o tienen una asociacin significativa.

La prueba Chi Cuadrada probar si hay dependencia


entre las dos clasificaciones.

Adems se puede calcular el coeficiente de


contingencia (correlacin) que en todo caso muestra la
fuerza de la dependencia

389

Tabla de contingencia

Para esta prueba se usa la prueba Chi Cuadrada donde:

Entre mayor sea su valor, mayor ser la diferencia de la


discrepancia entre frecuencias observadas y tericas.
Esta prueba es similar a la de bondad de ajuste.

390

Tabla de contingencia

Ejemplo: Cada una de las 15 celdas hace una


contribucin al estadstico Chi Cuadrado (una celda)

Asumiendo Alfa = 0.1 y Gl= (reng 1)*(Col 1) = 4*2 =


8 Chi-Cuadrado de alfa = 20.09
Como Chi Cuadrada calculada >> Chi C. Alfa, se
rechaza Ho de igualdad de resultados entre negocios

391

Ejemplo 2: Chi2 Para comparacin de


dos grupos; son las mismas
proporciones?)
Ho: No existen diferencias en los ndices de defectos de las dos mquinas.
Ha: Existen diferencias en los ndices de defectos de las dos mquinas.
Los valores observados (fo) son los siguientes:
Partes buenas

Partes defectuosas

mquina 1

fo = 517

fo = 17

Total = 534

mquina 2

fo = 234

fo = 11

Total = 245

751

28

Total

779

El ndice de defectos totales es 28 / 779 = 3.6%

392

Ejemplo 2: Chi2 Para comparacin de


dos grupos; son las mismas
proporciones?)
Clculo de los valores esperados
Partes buenas

Partes defectuosas

mquina 1

fo = 751*534/779

fo = 28*534/779

Total = 534

mquina 2

fo = 751*245/779

fo = 28*245/779

Total = 245

Basados en este ndice, los valores esperados (fe) seran:

mquina 1

Partes
buenas
530.53

mquina 2

233.47

779

Partes defectuosas
3.47
1.53

393

Prueba de chi cuadrada:


Los conteos esperados estn debajo de los conteos observados
Partes buenas
Partes Defectuosas
Total
1
532
2
534
530.53
3.47
2
Total

232
233.47
764

3
1.53
5

235
769

Chi2 = 0.004 + 0.624 + 0.009 + 1.418 = 2.056


DF= 1; valor de p = 0.152
2 celdas con conteos esperados menores a 5.0
Nota: Chi cuadrada no podr aplicarse en los casos donde los conteos seas menores a 5 en 20%
de celdas.
Si cualquiera de los conteos esperados en las celdas es menor a uno, no deber usarse Chi 2.
Si algunas celdas tienen un conteo menor a los esperados, ya sea combinando u omitiendo
renglones y/o columnas, las categoras pueden ser de utilidad.

394

Tabla de Chi2
Tabla de valores crticos seleccionados para Chi2

DF

.250

.100

.050

1
2
3
4
5

1.323
2.773
4.108
5.385
6.626

2.706
4.605
6.251
7.779
9.236

3.841
5.991
7.815
9.488
11.070

6
7
8
9
10

7.841
9.037
10.219
11.389
12.549

10.645
12.017
13.362
14.684
15.987

11
12
13
14
15

13.701
14.845
15.984
17.117
18.245

16
17
18
19
20

19.369
20.489
21.605
22.718
23.828

.025

.010

.005

5.024
7.378
9.348
11.143
12.832

6.635
9.210
11.345
13.277
15.086

7.879
10.597
12.838
14.860
16.750

10.828
13.816
16.266
18.467
20.515

12.592
14.067
15.507
16.919
18.307

14.449
16.013
17.535
19.023
20.483

16.812
18.475
20.090
21.666
23.209

18.548
20.278
21.955
23.589
25.188

22.458
24.322
26.125
27.877
29.588

17.275
18.549
19.812
21.064
22.307

19.675
21.026
22.362
23.685
24.996

21.920
23.337
24.736
26.119
27.488

24.725
26.217
27.688
29.141
30.578

26.757
28.300
29.819
31.319
32.801

31.264
32.909
34.528
36.123
37.697

23.542
24.769
25.989
27.204
28.412

26.296
27.587
28.869
30.144
31.410

28.845
30.191
31.526
32.852
34.170

32.000
33.409
34.805
36.191
37.566

34.267
35.718
37.156
38.582
39.997

39.252
40.790
43.312
43.820
45.315

.001

395

Problema: Fugas
Beneficios Potenciales: $10,000 de ahorro en retrabajos, y en la
reduccin de tiempo de ciclo.

Variacin en familias a probar


Operador a operador
Ho: No existe diferencia en los ndices de defecto de los diferentes
operadores
Ha: Existe diferencia en los ndices de defecto de los diferentes
operadores
Mquina a mquina
Ho: No existe diferencia en los ndices de defecto de las diferentes
mquinas
Ha: Existe diferencia en los ndices de defecto de las diferentes
mquinas
Tamao de la muestra:
5000 + total de oportunidades (172 piezas)

396

Prueba de chi2 (mquina a mquina)


Los conteos esperados estn colocados debajo de los conteos observados
Con fugas
Sin fugas
Total
1
30
610
640
32.11
607.89
2

235
223.38

4217
4228.62

4452

3
12.84

253
243.16

256

18
17.66

334
334.34

352

5414

5700

Total

286

Chi2 = 0.139 + 0.007 + 0.604 + 0.032 + 7.546 + 0.399 + 0.006 +


0.000 = 8.734
DF= (4-1)(2-1) = 3; valor P = 0.033

397

Prueba de chi2 (operador a operador)


Los conteos esperados estn colocados debajo de los conteos observados.
Con gotera Sin gotera
Total
1
6
122
128
6.61
121.39
2

1
6.61

127
121.39

128

200
208.55

3836
3827.45

4036

54
13.23

202
242.77

256

5
36.38

699
667.62

704

12
6.61
278

116
121.39
5102

128

Total

5380

Chi2 = 0.057 + 0.003 + 4.765 + 0.260 + 0.351 + 0.019 +125.666 + 6.847 + 27.065 + 1.475
+ 4.386 + 0.239 = 171.132
DF= 5; valor P = 0.000
398

Qu sucede si los grupos mltiples de variacin son estadsticamente significativos?


(en este caso, operador a operador y mquina a mquina)

Se utiliza un procedimiento denominado Coeficiente de Contingencia como clave


para determinar qu grupo de variacin debe investigarse primero.
Chi Cuadrada

Coeficiente de
Contingencia
Chi2

N
CC

Mquina

8.734

5700

0.15

Operador

171.132

5380

3.18

x 100

Controlador Mayor
SI el tamao de la muestra (N), es similar para los grupos. Al dividir entre N,
probablemente, llevar a la misma ruta que hubiera alcanzado con slo ver la
estadstica Chi2.
Sin embargo, si N tiene una variacin considerable, dependiendo del grupo de
variacin que se investiga, el coeficiente de contingencia puede ser una herramienta
valiosa para determinar la prioridad sobre qu grupo debe investigarse primero.

399

Qu sucede si los grupos mltiples de variacin son estadsticamente significativos?


(en este caso, operador a operador y mquina a mquina)
Ahora que la informacin nos
ha llevado a investigar a los
Con gotera Sin gotera
Total
grupos de operador a
1
6
122
128
operador. Qu debemos
6.61
121.39
hacer ahora?
Encontremos cul de los
2
1
127
128
operadores estaban fuera del
6.61
121.39
estndar.
Era alguno de ellos
3
200
3836
4036
notablemente peor (o mejor)
208.55
3827.45
que el resto?

Mucho peor que


lo esperado

54
13.23

202
242.77

256

Mucho mejor que


lo esperado

5
36.38

699
667.62

704

12
6.61

116
121.39

128

(Estos mismos operadores fueron quienes


tuvieron los nmeros ms grandes de chi2)

400

Operador a operador: = 0.000


Rechace
Ho y acepte Ha
(Existe una diferencia significativa entre los operadores)
Los operadores 4 y 5 estn fuera del estndar:
El operador 4 es notablemente peor que el resto,
El operador 5 es notablemente mejor que los dems
Cul es el prximo paso? Hable con todos los operadores para averiguar qu diferencias
pueden existen en sus tcnicas.
El operador 4 no tena experiencia en este tipo de trabajo y apenas se estaba acostumbrado a
soldar este producto en particular.
El operador 5 encontr un modo de mejor de hacer el ensamble, con lo cual consigui mejorar
el trabajo de soldadura, aunque esto mostraba un grado de dificultad ergonmica. Se aadi
un colocador para ensamblar la parte en forma segura. (Esto tambin redujo el tiempo que
requeran los operadores para acostumbrarse a trabajar en esta forma)

401

Ejercicios
1. Se quiere evaluar la habilidad de tres inspectores de rayos
X en un aeropuerto para detectar artculos clave. Como
prueba se pusieron radios de transistores en 90 maletas,
cada inspector fue expuesto a 30 maletas conteniendo radios
mezcladas entre otras que nos los contenan. Los resultados
se resumen a continuacin:
Inspectores
1
2
3
Radios detectados
Radios no detectados

27
3

25
5

22
8

Con un 95% de confianza, existe una diferencia entre los


inspectores?
Ho: p1 = p2 = p3; Ha: al menos una es diferente
Grados de libertad = (columnas - 1) ( filas -1)

402

Ejercicios
1. Se quiere evaluar si hay preferencia por manejar en un
carril de una autopista dependiendo de la hora del da. Los
datos se resumen a continuacin:
Carril
Izquierdo
Central
Derecho

Hora del da
1:00
3:00
44
37
28
50
8
13

5:00
18
72
30

Con un 95% de confianza, existe una diferencia entre las


preferencias de los automovilistas dependiendo de la hora?
Ho: P1 = P2 = P3; Ha: al menos una es diferente
Grados de libertad = (columnas - 1) ( filas -1)

403

Coeficiente de Contingencia

Coeficiente de contingencia es el grado de relacin o


dependencia de las clasificaciones en la tabla de
contingencias es:

C2

X2
X2 N

Donde N es la frecuencia total y X es el estadstico Chi


Cuadrado calculado

404

Coeficiente de Contingencia

Para los datos del ejemplo anterior se tiene:

C2

2
X2
66
.
22
2

0.38
2
2
X N
66.22 393

El valor mximo de C se obtiene de:

Max C

k 2
82

0.866
k
8
405

Correlacin de atributos

Para tablas de orden k * k, el coeficiente de correlacin,


r, es :

X
N (k 1)

Donde 0<= r <= 1

406

VI.B.9 Pruebas de
Hiptesis no paramtricas

407

Pruebas no paramtricas

Las pruebas paramtricas asumen una distribucin para


la poblacin, tal como la Normal

Las pruebas no paramtricas no asumen una


distribucin especfica de la poblacin

Bajo los mismos tamaos de muestra la Potencia o


probabilidad de rechazar Ho cuando es falsa es mayor
en las pruebas paramtricas que en las no paramtricas

Una ventaja de las pruebas no paramtricas es que los


resultados de la prueba son ms robustos contra
violacin de los supuestos

408

Prueba de Hiptesis
Atributo

Variable
No Normal
Varianza
Homogeneidad
de la Variacin
de Levene

Tablas de
Contingencia de

Medianas

Correlacin

Correlacin
Prueba de signos
Wilcoxon
MannWhitney
KurskalWallis
Prueba de Mood
Friedman

Normal
Variancia

Prueba-F
Homogeneidad
de la Variacin
de Bartlett

Medias
Pruebas de t
Muestra-1
Muestra-2

ANOVA
Una va
Dos vas

Correlacin
Regresin

Residuos
distribuidos
normalmente

409

Resumen de pruebas de Hiptesis


Datos Normales

Datos No Normales

Pruebas de Variancias
Pruebas de Varianzas
X2 : Compara la variancia de una
Homogeneidad de la varianza de
muestra con una variancia de un Levene : Compara dos o ms
universo conocido.
varianzas de muestras de la misma
poblacin.
Prueba F : Compara dos varianzas
de muestras.
Homogeneidad de la variancia de
Bartlett: Compara dos o ms
varianzas muestras de la misma
poblacin.
410

Resumen de pruebas de Hiptesis


Datos Normales
Pruebas de los Promedios

Datos No Normales
Pruebas de la Mediana

Prueba t de 1 muestra : Prueba si el promedio


de la muestra es igual a un promedio
conocido o meta conocida.
Prueba t de 2 muestras : Prueba si los dos
promedios de las muestras son iguales.
ANOVA de un factor: Prueba si ms de dos
promedios de las muestras son iguales.
ANOVA de dos factores : Prueba si los
promedios de las muestras clasificadas
bajo dos categoras, son iguales.

Prueba de signos o Prueba Wilcoxon : Prueba si


la mediana de la muestra es igual a un valor
conocido o a un valor a alcanzar.
Prueba Mann-Whitney : Prueba si dos medianas
de muestras son iguales.
Prueba Kruskal-Wallis: Prueba si ms de dos
medianas de muestras son iguales. Asume que
todas las distribuciones tienen la misma forma.
Prueba de la mediana de Mood : Otra prueba
para ms de dos medianas. Prueba ms firme
para los valores atpicos contenidos en la
informacin.
Prueba Friedman : Prueba si las medianas de las
muestras, clasificadas bajo dos categoras, son
iguales.
Correlacin : Prueba la relacin lineal entre dos
variables.

Correlacin : Prueba la relacin lineal entre


dos variables.
Regresin : Define la relacin lineal entre una
variable dependiente y una independiente.
(Aqu la "normalidad" se aplica al valor
residual de la regresin)

411

Acciones a tomar con datos No Normales


Revise y asegrese de que los datos no siguen una distribucin normal.

Desarrollar una Prueba de normalidad (para verificar realmente lo


anormal. Para la prueba de Bartlet el valor de p debe ser < 0.05)
Desarrollar una Prueba de Corridas (para verificar que no existen
sucesos no aleatorios que puedan haber distorsionado la informacin)
Revisar la informacin para detectar errores (tipogrficos, etc.).
Investiguar los valores atpicos.
Una muestra pequea (n < 30) proveniente de un universo normal, se
mostrar algunas veces como anormal.
Intentar transformar los datos. Las transformaciones comunes incluyen:
- Raz cuadrada de todos los datos
- Logaritmo de todos los datos
- Cuadrado de todos los datos
Si la informacin es todava anormal, entonces usar las herramientas no
paramtricas.
412

7B8. Definiciones

Promedio : Es la media aritmtica de la informacin. Es la suma de todos


los datos, dividida entre el nmero de datos de referencia.

Mediana: Valor del punto medio de los datos, cuando se ordenan en forma
ascendente (en caso de datos pares, obtener promedio).

Moda : Valor que se repite con ms frecuencia sobre el conjunto de datos.


Ejemplo:
Se cuestion a veinte personas sobre cunto tiempo les tomaba estar
listas para ir a trabajar, en las maanas. Sus respuestas (en minutos) se
muestran ms adelante. Cules son el promedio y la mediana para esta
muestra?
30, 37, 25, 35, 42, 35, 35, 47, 45, 60
39, 45, 30, 38, 35, 40, 44, 55, 47, 43

413

Un dibujo dice ms que mil palabras


Promedio

Mediana

28.0

35.0

42.0

49.0

56.0

63.0

C1

++++++

Promedio = 40.35

Mediana = 39.5

El promedio puede estar influenciado considerablemente por los


valores atpicos porque, cuando se calcula un promedio, se incluyen
los valores reales de estos valores.
La mediana, por otra parte, asigna la misma importancia a todas las
observaciones, independientemente de los valores reales de los
valores atpicos, ya que es la que sencuentra en la posicin media de
los valores ordenados.

414

Pruebas Alternativas Analoga


comnmente
con datos normales
usadas
Prueba de Corridas (la misma

Pruebas para datos No normales

Prueba de Corridas : Calcula la


probabilidad de que un X nmero de
puntos de referencia, est por encima o
por debajo del promedio aleatoriamente.

Prueba de signos, de 1 muestra :


Prueba la probabilidad de que la
mediana de la muestra, sea igual al valor
hipottico.

Prueba Mann-Whitney : Comprueba el


rango de dos muestras, por la diferencia
entre dos medianas del universo.

Prueba t de 2 muestras

Prueba de la Mediana de Mood :


Prueba para ms de dos medianas del
universo. Ms robusta para los valores
atpicos o para los errores en la
informacin.

ANOVA de un factor

prueba para ambos tipos de


informacin)
Prueba t de una muestra

415

Prueba de Rachas
Considere los siguientes datos (que se muestran aqu en orden cronolgico):
325, 210, 400, 72, 150, 145, 110, 507, 56, 120, 99, 144, 110, 110,
320, 290, 101, 0, 80, 500, 201, 50, 140, 80, 220, 180, 240, 309, 80

Es importante tener los datos registrados en orden cronolgico.


Una representacin grfica de los datos se asemeja a esto:
600

Promedio

500

Primera
"corrida"

400
300
200
100
0

Segunda racha"
Racha: Un punto o una serie consecutiva de puntos que caen
en un lado del promedio.
Nmero total de Rachas: 12
Nmero total de puntos > al promedio: 11
Nmero total de puntos < al promedio: 18

Prueba de Rachas
Ho: Los datos son aleatorios
Ha:Los datos NO so aleatorios
Prueba de Rachas
Promedio K = 184.4483

Promedio

Nmero de rachas observado = 12


Nmero de rachas esperado = 14.6552
=> No se rechaza Ho
11 observaciones por encima de K; 18 por
debajo
La prueba es significativa en p= 0.2860
No se puede rechazar Ho con valor alfa = 0.05

Este es el valor p
de las Prueba de
Corridas

Ya que p > 0.05, no podemos rechazar la hiptesis nula.


Los datos son aceptados, siendo aleatorios.

Clculos de la Prueba de Rachas


El estadstico Z cuando n > 20 se calcula como:
Z = (G - MediaG) / DesvStG
Con MediaG = 1 + (2n1*n2) / (n1 + n2)
DesvStG = Raiz [ (2n1*n2) (2n1*n2 - n1 -n2) / (n1 + n2)^2* (n1+n2 -1)
Del ejemplo anterior G = 12;
MediaG = 14.655

n1 = 11n2 = 18

DesStG = 2.4843

Z1 = (12 - 14.655) / 2.4843 = -1.0687


P(Z1) = 0.1430 y para dos colas se tiene
P(Z1) + P(Z2) = 0.2860 > Alfa crtico de 0.05, no rechazndose Ho
Si las n1 y n2 son menores a 21, entonces se consulta la tabla de
valores crticos para el nmero de Rachas G

418

Corrida con Minitab

Stat > Nonparametrics > Runs Test


Variable C1, Above and below the mean

Runs Test: C1
Runs test for C1
Runs above and below K = 184.448
The observed number of runs = 12
The expected number of runs = 14.6552
11 observations above K, 18 below
P-value = 0.285
P > 0.05
No rechazar
Ho

419

Prueba de Signos de la Mediana


Ho : La mediana de la muestra es igual a la mediana de la hiptesis
Ha : Las medianas son diferentes
Ejemplo (usando los datos del ejemplo anterior):
Ho: Valor de la mediana = 115.0
Ha: Valor de la mediana diferente de 115.0
N DEBAJO IGUAL ENCIMA VALOR P MEDIANA
29 12
0
17
0.4576
144.0
Ya que p >0.05, no se puede rechazar la hiptesis nula.
No se puede probar que la mediana real y la mediana hipottica son
diferentes.
En las pginas siguientes se muestra el detalle del clculo.

420

Clculos de la Prueba de Signos de la


Mediana
Ejemplo:
Con los datos del ejemplo anterior y ordenndo de menor a
mayor se tiene:
No.
1
2
3
4
5
6
7
8
9
10

Valor
0
50
56
72
80
80
80
99
101
110

n = 29, Mediana de Ho = 115


Signo
-

No.
11
12
13
14
15
16
17
18
19
20

Valor
110
110
120
140
144
145
150
180
201
210

Signo
+
+
+
+
+
+
+
+

No.
21
22
23
24
25
26
27
28
29

Valor
220
240
290
309
320
325
400
500
507

Signo
+
+
+
+
+
+
+
+
+

Con la mediana en 144. Si el valor contra el cual se desea


probar es 115, entonces hay 12 valores por debajo de el (-) y 17
valores por arriba (+).

421

Clculos de la Prueba de Signos de la


Mediana
El estadstico X es el el nmero de veces que ocurre el signo menos
frecuente, en este caso el 12 (-).
Cmo n 25, se calcula el estadstico Z para la prueba de signos con:
Z = [ (Y + 0.5) - (0.5*n) ]/ 0.5 n
En este caso Z1 = - 0.74278 y P(Z1) = 0.2288 para la cola izquierda
en forma similar P(Z2) 0-2288 para la cola derecha, por lo que la
probabilidad total es 0.4576 >> 0.05 del criterio de rechazo.
Si n hubiera sido < 25 entonces se hubiera consultado la tabla de
valores crticos para la prueba de signo.

422

Prueba de Signos de la Mediana


Es esto correcto?144 podra ser igual a 115?
Bueno, veamos una grfica de la informacin

115

100

200

300

400

500

144

Despus de todo, tal vez


esto SEA lo correcto. 423

Corrida en Minitab

Stat > Nonparametrics > 1-Sample sign Variable C1


Confidence interval 95% Test Median 115 Alternative Not
equal

SignTestforMedian:Signos
Signtestofmedian=115.0versusnot
=115.0
NBelowEqualAbove
PMedian
Signos2912017
0.4583144.0
Como P > 0.05 no se rechaza Ho y la mediana es 115

424

Prueba de Signos de la Mediana


Para observaciones pareadas
Calificaciones de amas de casa a dos limpiadores de
ventanas:

Ho: p = 0.5 no hay preferencia de A sobre B


Ha: p<>0.5
Ama

Casa

Limpiad
or

10

Hay evidencia que indique


cierta preferencia de las am
de casa por lo limpiadores?
425

Prueba de Signos de la Mediana


Product
o

Media = 0.5*n
Desv. Estand.= 0.5*raiz(n)

Zc = (Y media) / Desv. Estn


Rechazar Ho si Zc ><Zalfa/2

Familia

10

Hay evidencia que indique


cierta preferencia por un
Producto A o B?
426

Prueba de Signos de la Mediana


Media = 0.5*11 = 5.5
Desv. Estand.= 0.5*raiz(n) = 1.67
Para Zc = (8 5.5) / 1.67 = 1.497
Zexcel = 1.96 para alfa/2 = 0.025
Como Zc < Zexcel no se rechaza Ho o
Como p value = 0.067 > 0.025
No hay evidencia suficiente de que los
Consumidores prefieran al producto B
427

Wilconox
Es la alternativa no paramtrica de la prueba paramtrica de
muestras pareadas

Ejemplo: HO: Las poblaciones son idnticas Ha: Caso


contrario
Trabaja Mtodo Mtodo Diferen Abs(difere
Rango
dor
1
2
cias
n.)
Rango
c/signo

10.2

9.5

0.7

0.7

9.6

9.8

-0.2

0.2

-2

9.2

8.8

0.4

0.4

3.5

3.5

10.6

10.1

0.5

0.5

5.5

5.5

9.9

10.3

-0.4

0.4

3.5

-3.5

10.2

9.3

0.9

0.9

10

10

10.6

10.5

0.1

0.1

10

10

Eliminar

11.2

10.6

0.6

0.6

10

10.7

10.2

0.5

0.5

5.5

5.5

11

10.6

9.8

0.8

0.8

9
T = 428
44

Prueba rango con signo de


Wilconox
Distribucin muestral T para poblaciones idnticas
Se aproxima a la distribucin normal para n >= 10

T 0

n(n 1)(2n 1)
6

En este caso n = pares eliminando las que son iguales con dif. = 0 para el
trabajador 8.
= raiz(10 x 11 x 21/6) = 19.62
Z = (T )/ = 44/19.62 = 2.24
Z alfa/2 = Z0.025 = 1.96
Como Zc = 2.24 > Z0.025 se rechaza Ho, los mtodos son diferentes

429

Prueba en Minitab para prueba


de mediana con Wilconox

File> Open worksheet > Exh_Stat


Stat > Nonparametrics > 1-Sample Wilconox
Variables C1 Test Median 77
Altenative Not equal

Wilcoxon Signed Rank Test: Achievement


Test of median = 77.00 versus median not = 77.00
for Wilcoxon
Estimated
for Wilcoxon
Estimated
N Test Statistic
P
Median
Achievement 9
8
19.5 0.889
77.50
Ho: Mediana = 77 Ha: Mediana <> 77
Como P de 0.889 >> alfa de 0.05 no se rechaza Ho

Achievement
77
88
85
74
75
62
80
70
83

430

Prueba de MannWhitney
Se llev a cabo un estudio que analiza la frecuencia del pulso en dos
grupos de personas de edades diferentes, despus de diez minutos de
ejercicios aerbicos.
Los datos resultantes se muestran a continuacin.

Edad 40-44
C1
Tuvieron diferencias
140
significativas las frecuencias de
135
pulso de ambos grupos?
150
140
144
154
160
144
136
148

Edad 16-20
C2
130
166
128
126
140
136
132
128
124

431

Prueba de MannWhitney

Ordenando los datos y asignndoles el (rango) de su posicin relativa se tiene (promediando


posiciones para el caso de que sean iguales):

Edad 40-44
C1
(7) 135
(8.5) 136
(11) 140
(11) 140
(13.5) 144
(13.5) 144
(15) 148
(16) 150
(17) 154
(18) 160

Edad 16-20
C2
(1) 124
(2) 126
(3.5) 128
(3.5) 128
(5) 130
(6) 132
(8.5) 136
(11)140
(15)166

n1 = 10
Ta = 130.5

n2 = 9
Tb = 55.5

432

Prueba de MannWhitney
Ho: Las distribuciones de frecuencias relativas de las poblaciones A y B son iguales
Ha: Las distribuciones de frecuencias relativas poblacionales no son idnticas
Ho: 1 = 2
Ha: 1 2
1, 2 = Medianas de las poblaciones
Ordenando los datos y asignndoles su posicin relativa se tiene:
Ua = n1*n2 + (n1) * (n1 + 1) /2 - Ta
Ub = n1*n2 + (n2) * (n2 + 1) /2 - Tb
Ua + Ub = n1 * n2
Ua = 90 + 55 - 130.5 = 14.5
P(Ua) = 0.006
Ub = 90 + 45 - 55.5 = 79.5
El menor de los dos es Ua.
Para alfa = 0.05 el valor de Uo = 25
Como Ua < 25 se rechaza la Hiptesis Ho de que las medianas son iguales.

Dado que p < 0.05, rechazamos la hiptesis nula.


Estadsticamente existe una diferencia significativa entre los
433
dos grupos de edad.

Prueba de MannWhitney
Ho: Las distribuciones de frecuencias relativas de las poblaciones A y B son iguales
Ha: Las distribuciones de frecuencias relativas poblacionales no son idnticas
Ua = 14.5
Ub = 79.5
Utilizando el estadstico Z y la distribucin normal se tiene:
45
12.24
Z = [ (U - (n1* n2 / 2 ) / Raiz (n1 * n2 * (n1 + n2 + 1) / 12)
Con Ua y Ub se tiene:
Za = (14.5 - 45) / 12.24 = - 2.49 P(Z) = 0.0064 similar a la anterior
Zb = (79.5 -45) / 12.24 = 2.81 P(total) = 2 * 0.0064 = 0.0128 menor = 0.05
El valor crtico de Z para alfa 0.025 por ser prueba de dos colas, es 1.96.
Como Za > Zcrtico se rechaza la Hiptesis Ho de que las medianas son iguales.

Dado que p < 0.05, rechazamos la hiptesis nula.


Estadsticamente existe una diferencia significativa entre los
434
dos grupos de edad.

Prueba de Mann-Whitney
16-20 aos de edad
40-44 aos de
edad

140
135
150
140
144
154
160
144
136
148

130
10
5
20
10
14
24
30
14
6
18

166
-26
-31
-16
-26
-22
-12
-6
-22
-30
-18

128
12
7
22
12
16
26
32
16
8
20

126
14
9
24
14
18
28
34
18
10
22

140
0
-5
10
0
4
14
20
4
-4
8

136
4
-1
14
4
8
18
24
8
0
12

132
8
3
18
8
12
22
28
12
4
16

128
12
7
22
12
16
26
32
16
8
20

124
16
11
26
16
20
30
36
20
12
24

Diferencias entre los encabezados de


los renglones y las columnas
De esta manera, se calcula la mediana de todas estas diferencias, denominada
"punto estimado". Este punto estimado es una aproximacin de la diferencia entre
las medianas de los dos grupos (ETA1 y ETA2).
Una vez ajustados los "enlaces" (eventos de un mismo valor en ambos grupos de
informacin), Minitab usa este punto estimado para calcular el valor p.

Corrida en Minitab

Stat > Nonparametrics > Mann Whitney


First Sample C1 Second Sample C2 Conf. Level 95%
Alternative Not equal

Mann-Whitney Test and CI: C1, C2


N Median
P>0.05
C1 10 144.00
Se rechaza Ho
C2 9 130.00
Point estimate for ETA1-ETA2 is 12.00
95.5 Percent CI for ETA1-ETA2 is (4.01,20.00)
W = 130.5
Test of ETA1 = ETA2 vs ETA1 not = ETA2 is significant at 0.0
The test is significant at 0.0140 (adjusted for ties)
436

Prueba de Kruskal
Wallis
Ordenando los datos de ventas y asignndoles el (rango) de su posicin relativa se tiene
(promediando posiciones para el caso de que sean iguales):

Zona 1
(15.5) 147
(17.5) 17.5
(9) 128
(19) 162
(12) 135
(10) 132
(22) 181
(13) 138

Zona 2
(17.5) 160
(14) 140
(21) 173
(4) 113
(1) 85
(7) 120
(25) 285
(5) 117
(11) 133
(6) 119

Zona 3
(24) 215
(8) 127
(2) 98
(15.5) 127
(23) 184
(3) 109
(20) 169

n1 = 8
Ta = 118

n2 = 10
Tb = 111.5

n3 = 7
Tc = 95.5

N = n1 + n2 + n3 = 25

437

Prueba de Kruskal
Wallis

Ho: Las poblaciones A, B y C son iguales


Ha: Las poblaciones no son iguales
Ho: 1 = 2 = 3 Ha: 1 2 3 ; 1, 2, 3 = Medianas de las poblaciones
Calculando el valor del estadstico H se tiene:
H = [ 12 /( N* ( N + 1)) ] * [ Ta2 / n1 + Tb2 / n2 + Tc2 / n3 ] - 3 * ( N +1 )
H = 0.01846 * (1740.5 + 1243.225 + 1302.893 ) - 78 = 1.138
Se compara con el estadstico 2 para = 0.05 y G.l. = k - 1 = 3-1 = 1 (k muestras)
2 crtico = 5.991 (vlido siempre que las muestras tengan al menos 5 elementos)

Como H < 2 crtico, no se rechaza la Hiptesis Ho: Afirmando que no hay


diferencia entre las poblaciones

438

Corrida en Minitab

Stat > Nonparametrics > Kruskal Wallis


Response C1 Factor C2 OK

Kruskal-Wallis Test: Datos versus Factor


Kruskal-Wallis Test on Datos
Factor N Median Ave Rank
Z
Zona 1 7 138.0
14.7 0.98
Zona 2 10 126.5
11.1 -0.82
Zona 3 7 127.0
12.3 -0.10
Overall 24
12.5
P > 0.05
H = 1.08 DF = 2 P = 0.581 No se rechaza Ho
H = 1.09 DF = 2 P = 0.581 (adjusted for ties)
439

Prueba de Medianas de Mood

Realiza prueba de hiptesis de igualdad de medias en un diseo


de una va. La prueba es robusta contra Outliers y errores en
datos y es adecuada para anlisis preliminares

Determina si K grupos independientes han sido extraidas de la


misma poblacin con medianas iguales o poblaciones con formas
similares

Con base en la gran mediana, anotar un signo positivo si la


observacin excede la mediana o un signo menos si es menor.
Los valores que coincidan se reparten en los grupos

Hacer una tabla de contingencia K x 2 con las frecuencias de


signos ms y menos en cada grupo K

440

Prueba de Medianas de Mood

Se determina el estadstico Chi Cuadrada con:

(O E )

E
2

Probar Ho: Todas las medianas son iguales


Ha: Al menos una mediana es diferente
Se compara Chi Cuadrada calculada con Chi Cuadrada de
alfa para 0.05 y (reng 1)*(Col 1) grados de libertad

441

Corrida con Minitab


Se les da a 179 participantes una conferencia
con dibujos para ilustrar el tema. Despus se
les da la prueba OTIS que mide la habilidad
intelectual. Los participantes se clasificaron
por nivel educativo 0-No prof., 1-Prof., 2-Prepa
Ho: h1 = h2 = h3
son iguales

Ha: no todas las medianas

File > Open Worksheet > Cartoon.mtw


Stat > Nonparametrics > Moods Median Test
Response Otis Factor ED Ok

442

Corrida con Minitab


Mood Median Test: Otis versus ED
Mood median test for Otis

P>0.05
Chi-Square = 49.08

DF = 2

P = 0.0005 Se

rechaza Ho
Individual 95.0% CIs
ED N<= N> Median Q3-Q1 ----+---------+--------+---------+-0

47 9

97.5 17.3 (-----*-----)

29 24 106.0 21.5

15 55 116.5 16.3

(------*------)
(----*----)

----+---------+---------+---------+--

443

Diseos factoriales aleatorias


bloqueados de Friedman
Esta prueba es una alternativa al ANOVA de dos
vas, es una generalizacin de las pruebas
pareadas con signo. La aditividad es requerida
para para estimar los efectos de los
tratamientos
Ho: Los tratamientos no tienen un efecto
significativo
Ha: Algunos tratamientos tienen efecto
significativo
444

Diseos factoriales aleatorias


bloqueados de Friedman
Resultados de salida:
Se muestra el estadstico de prueba con
distribucin Chi Cuadrada aproximada con gl =
Tratamientos 1.

Si hay observaciones parecidas en uno o ms


bloques, se usa el rango promedio y se muestra el
estadstico corregido

La mediana estimada es la gran mediana ms el


efecto del tratamiento

445

Diseos factoriales aleatorias


bloqueados de Friedman
Ejemplo:
Se evala el efecto del tratamiento de una
droga en la actividad enzimtica con tres
niveles, probado en cuatro animales

Open the worksheet EXH_STAT.MTW.


Stat > Nonparametrics > Friedman.
Response, seleccionar EnzymeActivity.
En Treatment, seleccionar Therapy.
En Blocks, seleccionar Litter. Click OK.
446

Diseos factoriales aleatorias


bloqueados de Friedman
Datos:

EnzymeActivity

Therapy

Litter

0.15

0.26

0.23

0.99

0.55

0.26

-0.22

0.99

0.55

0.66

0.77

0.99

447

Diseos factoriales aleatorias


bloqueados de Friedman
Resultados:

Friedman Test: EnzymeActivity versus


Therapy blocked by Litter
S = 2.38 DF = 2 P = 0.305 No

rechazar Ho
S = 3.80 DF = 2 P = 0.150 (adjusted for
ties)
Sum
of
Therapy N Est Median Ranks
1

0.2450

6.5

0.3117

7.0

0.5783 10.5

448

Diseos factoriales aleatorias


bloqueados de Friedman
Resultados:
El estadstico de prueba S tiene un valor P de 0.305 sin
ajustar para observaciones en cero y 0.150 para el valor
ajustado.

Por tanto no hay evidencia suficiente para rechazar Ho

Las medianas estimadas asociadas con los tratamientos son


la gran mediana ms los efectos estimados de los
tratamientos.

El estadstico de prueba se determina con base a los rangos


en cada bloque y totales

449

Diseos factoriales aleatorias


bloqueados de Friedman
Resultados:

450

Diseos factoriales aleatorias


bloqueados de Friedman
Resultados:

451

Diseos factoriales aleatorias


bloqueados de Friedman
Resultados:

452

Prueba de igualdad de
varianzas de Levene

Se usa para probar la hiptesis nula de que las varianzas


de k mltiples poblacionales son iguales

Las igualdad de varianzas en las muestras se denomina


homogeneidad de varianzas

La prueba de Levene es menos sensible que la prueba


de Bartlett o la prueba F cuando se apartan de la
normalidad

La prueba de Bartlett tiene un mejor desempeo para la


distribucin normal o aproximadamente normal

453

Prueba de igualdad de
varianzas de Levene
Para dos muestras el procedimiento es como sigue:

Determinar la media

Calcular la desviacin de cada observacin respecto a


la media

Z es el cuadrado de las desviaciones respecto a la


media

Aplicar la prueba t a las dos medias de los datos

454

Rot

Temp

Oxygen

13

10

10

10

10

10

10

15

10

10

10

10

10

10

26

16

19

16

24

16

15

16

22

16

18

16

20

16

10

24

16

10

16

10

Prueba de igualdad 11
3
de Varianzas-Minitab10
Se estudian tamaos de papa
inyectando con bacterias y
sujetas a diferentes
temperaturas. Antes del
ANOVA se verifica la
igualdad de varianzas

Stat > ANOVA > Test for


equal variances
Response Rot
Factors Temp Oxigen
Confidence level 95%

455

Resultados

456

Resultados
Test for Equal Variances: Rot versus Temp, Oxygen
95% Bonferroni confidence intervals for standard
deviations
Temp Oxygen N

Lower

StDev

Upper

10

2 3 2.26029 5.29150 81.890

10

6 3 1.28146 3.00000 46.427

10

10 3 2.80104 6.55744 101.481

16

2 3 1.54013 3.60555 55.799

16

6 3 1.50012 3.51188 54.349

16

10 3 3.55677 8.32666 128.862

Bartlett's Test (normal distribution)


Test statistic = 2.71, p-value = 0.744 P>0.05 no

rechazar Ho
Levene's Test (any continuous distribution)

457

Prueba de la concordancia del


Coeficiente de Kendall

El coeficiente expresa el grado de asociacin entre las


calificaciones mltiples realizadas por un evaluador

Ho: Las variables son independientes


Ha: Las variables estn asociadas

Kendall usa la informacin relacionada con las


calificaciones relativas y es sensible a la seriedad de
mala clasificacin

Por ejemplo para K = jueces N = Muestras = 10


Rango medio = 220 / 22 S = 1066 Gl = n-1 = 9
Chi Cuadrada crtica = X2 0.01,9 = 21.67

458

Prueba de la concordancia del


Coeficiente de Kendall

El Estadstico Chi Cuadrada calculado es:

Como Chi Cuadrada de alfa es menor que la calculada,


los cuatro jueces estn asociados significativamente.
Constituyen un panel uniforme. No quiere decir que
estn en lo correcto, solo que responden de manera
uniforme a los estmulos

459

El coeficiente de correlacin de
rangos de Spearman (rs)

El coeficiente de correlacin es una medida de la


asociacin que requiere que ambas variables sean
medidas en al menos una escala ordinal de manera que
las muestras u observaciones a ser analizadas pueden
ser clasificadas en rangos en dos series ordenadas 2

r 1

Ho: Las variables son independientess


Ha: Las variables estn asociadas

6 d

N N
3

Para el ejemplo anterior si N = 10, el coeficiente es:

6(5.5)
rs 1
1 0.03 0.97
990

460

Coeficiente de correlacin
de rangos para monotona
de preferencias
Una persona interesada en adquirir un TV asigna
rangos a modelos de cada uno de 8
fabricantes
Rang
Fab.

Preferencia

Precio
(rango)

o
Di

449.50 (1)

36

525.00 (5)

-1

479.95 (3)

-1

499.95 (4)

580.00 (8)

-7

49

549.95 (7)

-4

16

469.95 (2)

36

532.50 (6)

-1

Di
cuadrada

461

Coeficiente de correlacin
de rangos para monotona
de preferencias
Ho: No existe asociacin entre los rangos
Ha: Existe asociacin entre los rangos o es positiva o negativa
El coeficiente de correlacin de rangos de Spearman es:
Rs = 1 6*suma(di cuadrada) / (n(n cuadrada 1))
En este caso: Rs = 1 6(144)/(8*(64-1) = -0.714
R0 se determina de la tabla de Valores crticos del coeficiente de
correlacin del coeficiente de correlacin de rangos de
Spearman

Rt = 0.686
Por tanto si hay asociacin significativa en las preferencias

462

Tabla de constantes
n
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

Alfa=0.05
0.900
0.829
0.714
0.643
0.600
0.564
0.523
0.497
0.475
0.457
0.441
0.425
0.412
0.388
0.377
0.368
0.359
0.351
0.343
0.336
0.329
0.329
0.323
0.317
0.311
0.305

Alfa = 0.025
0.886
0.786
0.738
0.683
0.648
0.623
0.591
0.566
0.545
0.525
0.507
0.490
0.476
0.462
0.450
0.438
0.428
0.418
0.409
0.400
0.392
0.385
0.377
0.370
0.364

463

Corrida con Minitab


Para la corrida en Minitab primero
se deben determinar los
rangos en forma manual para
las variables X y Y.
Stat > Basic statistics >
Correlation
Variables Preferencia Precio

Fabric Prefeante rencia Precio

Preci
o

449

525

479

Correlations: Preferencia,
Precio

499

580

Pearson correlation of
Preferencia and Precio =
-0.714

549

469

532

P-Value = 0.047

464

Ejemplo con Minitab


Se estudia la relacin entre
colgeno y Proline en
pacientes con cirrosis
Stat > Basic statistics >
Correlation
Variables Colgeno Proline

Correlations: Colageno,
Proline
Pearson correlation of
Colageno and Proline =
0.935
P-Value = 0.002

Paciente

Colgeno

Proline

7.1

2.8

7.1

2.9

7.2

2.8

8.3

2.6

9.4

3.5

10.5

4.6

11.4

465

Resumen de pruebas
no paramtricas

Prueba de signos de 1 muestra: Prueba la igualdad de la


mediana a un valor y determina el intervalo de
confianza

Prueba de Wilconox de 1 muestra: Prueba la igualdad de


la mediana a un valor con rangos con signo y determina
el intervalo de confianza

Comparacin de dos medianas poblacionales de Mann


Whitney: Prueba la igualdad de las medianas y
determina el intervalo de confianza

466

Resumen de pruebas
no paramtricas

Comparacin de igualdad de medianas poblacionales de


Kruskal Wallis: Prueba la igualdad de las medianas en
un diseo de una va y determina el intervalo de
confianza

Comparacin de medianas poblacionales de Mood:


Prueba la igualdad de medianas con un diseo de una
va

467

468

469

VI.C Anlisis del Modo y


Efecto de Falla (FMEA)

470

Qu es el FMEA?
El Anlisis de del Modo y Efectos de Falla es un grupo
sistematizado de actividades para:

Reconocer y evaluar fallas potenciales y sus efectos.

Identificar acciones que reduzcan o eliminen las


probabilidades de falla.

Documentar los procesos con los hallazgos del


anlisis.

Existe el estndar MIL-STD-1629, Procedure for Performing a


Failure Mode, Effects and Criticality Analysis

471

Propsitos del FMEA

Mejorar la calidad, confiabilidad y seguridad de los


productos y procesos evaluados

Reducir el tiempo y costo de re-desarrollo del


producto

Documenta y da seguimiento a acciones tomadas


para reducir el riesgo

Soporta el desarrollo de planes de control robustos

472

Propsitos del FMEA

Soporta el desarrollo de planes de verificacin del


desarrollo de diseo robusto

Apoya a priorizar y enfocarse en eliminar/reducir


problemas de proceso y producto y/o previene la
ocurrencia de problemas

Mejora la satisfaccin del cliente/consumidor

473

Tipos del FMEA

AMEF de concepto (CFMEA)


A nivel de sistema, subsistema y componente

AMEF de diseo (DFMEA)

AMEF de Proceso (PFMEA)

AMEF de maquinaria (como aplicacin del


DFMEA)
474

Tipos de FMEAs

FMEA de Diseo (AMEFD), su propsito es analizar


como afectan al sistema los modos de falla y
minimizar los efectos de falla en el sistema. Se
usan antes de la liberacin de productos o
servicios, para corregir las deficiencias de diseo.

FMEA de Proceso (AMEFP), su propsito es analizar


como afectan al proceso los modos de falla y
minimizar los efectos de falla en el proceso. Se
usan durante la planeacin de calidad y como
apoyo durante la produccin o prestacin del
servicio.

475

PFMEA o AMEF de Proceso


Fecha lmite:
Concepto

Prototipo

Pre-produccin /Produccin

FMEAD
FMEAP

FMEAD
Falla

Controles

FMEAP

Caracterstica de Diseo
Forma en que el
producto o servicio falla

Paso de Proceso
Forma en que el proceso falla
al producir el requerimiento
que se pretende

Tcnicas de Diseo de
Verificacin/Validacin

Controles de Proceso

476

Flujo del FMEA y su rol


en evitar el Modo de Falla

DFMEA
Es un anlisis detallado de los modos de falla
potenciales relacionados con las funciones
primarias y de interfases del sistema.

Es el documento primario para demostrar que


se han evitado errores e identifica los controles
y acciones para reducir los riesgos asociados

477

Beneficios de los tipos de FMEA


FMEA de Diseo
Soporta el proceso de diseo al reducir el riesgo de
fallas (incluyendo las salidas no intencionadas) por:

Soporta la evaluacin objetiva de diseo, incluyendo


requerimientos funcionales y alternativas de diseo

Evaluar los diseos iniciales sobre requerimientos


de manufactura, ensamble, servicio y reciclado

Incrementar la probabilidad de que los modos de


falla potencial y sus efectos en el sistema y
operacin del producto se han considerado en el
procesos de diseo/desarrollo

478

Beneficios de los tipos de FMEA


FMEA de Diseo

Proporcionar informacin adicional como apoyo en


la planeacin exhaustiva de programas de diseo
eficiente, desarrollo y validacin

Desarrollo de una lista priorizada de modos de


falla potenciales de acuerdo a su efecto en el
cliente estableciendo un sistema de prioridades
para mejoras al diseo, desarrollo, validacin,
prueba y anlisis

Proporcionar un formato de problemas pendientes


para recomendar y dar seguimiento de acciones
que reduzcan el riesgo

479

Beneficios de los tipos de FMEA


FMEA de Proceso
Los beneficios de un FMEA de proceso incluyen:
Identifica las funciones y requerimientos del proceso

Identifica modos de falla potenciales relacionados


con el producto y proceso

Evala los efectos de las fallas potenciales con el


cliente

Identifica las causas potenciales en el proceso de


manufactura

Identifica las variables de proceso en las cuales hay


que enfocarse para reducir las fallas muy lejanas

480

Beneficios de los tipos de FMEA


FMEA de Proceso
Los beneficios de un FMEA de proceso incluyen:

Identificar las variables del proceso centrandose en la


ocurrencia

Reduccin o deteccin de las condiciones de falla

Identificar variables del proceso a las cuales enfocar


el control

Desarrollar una lista ordenada clasificada de modos


de falla estandarizados para establecer un sistema
de prioridades

481

Beneficios de los tipos de FMEA


FMEA de Proceso

Sistema del prioridad del riesgo para consideraciones


de acciones preventivas y correctivas

Documentar los resultados del proceso de


manufactura o proceso de ensamble

Documenta los resultados del proceso de


manufactura o ensamble

Identifica deficiencias del proceso para orientar


a establecer controles para reducir la ocurrencia
de productos no conformes o en mtodos para
mejorar su deteccin

482

Beneficios de los tipos de FMEA


FMEA de Proceso

Identifica caractersticas crticas y/o


significativas confirmadas

Apoya en el desarrollo de Planes de Control a


travs de todo el proceso de manufactura

Identifica aspectos de preocupacin en relacin


con la seguridad del operador

Retroalimenta informacin sobre cambios de


diseo requeridos y factibilidad de manufactura
a las reas de diseo

483

Beneficios de los tipos de FMEA


FMEA de Proceso

Se enfoca a modos de falla potenciales del


producto causados por deficiencias de manufactura
o ensamble

Confirma la necesidad de controles especiales en


manufactura y confirma las Caractersticas
Especiales designadas en el DFMEA

Identifica modos de falla del proceso que pudieran


violar las reglamentaciones del gobierno o
comprometer la seguridad del personal,
identificando otras Caractersticas especiales de
Seguridad del operador (OS) y con alto impacto (HI)

484

Salidas del FMEA de Proceso

Una lista de modos potenciales de falla

Una lista de Caracterticas crticas y/o


significativas

Una lista de caractersticas relacionadas con la


seguridad del operador y con alto impacto

Una lista de controles especiales recomendados


para las Caractersticas Especiales designadas y
consideradas en el Plan de control

485

Salidas del FMEA de Proceso

Una lista de procesos o acciones de proceso


para reducir la Severidad, eliminar las causas de
los modos de falla del producto o reducir su tasa
de ocurrencia, y mejorar la tasa de Deteccin de
defectos si no se puede mejorar la capacidad
del proceso

Cambios recomendados a las hojas de proceso y


dibujos de ensamble

486

Modos de fallas vs
Mecanismos de falla

El modo de falla es el sntoma real de la falla


(altos costos del servicio; tiempo de entrega
excedido).

Mecanismos de falla son las razones simples o


diversas que causas el modo de falla (mtodos
no claros; cansancio; formatos ilegibles) o
cualquier otra razn que cause el modo de
falla
487

Definiciones
Modo
Modo de
de Falla
Falla
--La
Laforma
formaen
enque
queun
unproducto
productoooproceso
procesopuede
puedefallar
fallarpara
para
cumplir
cumplircon
conlas
lasespecificaciones
especificacionesoorequerimientos.
requerimientos.
--Normalmente
Normalmentese
seasocia
asociacon
conun
un Defecto,
Defecto, falla
fallaooerror.
error.
Diseo
Proceso
Diseo
Proceso
Alcance
Omisiones
Alcanceinsuficiente
insuficiente
Omisiones
Recursos
Recursosinadecuados
inadecuados Monto
Montoequivocado
equivocado
Servicio
Serviciono
noadecuadoTiempo
adecuadoTiempode
derespuesta
respuestaexcesivo
excesivo

488

Definiciones
Efecto
Efecto
--El
Elimpacto
impactoen
enel
elCliente
Cliente cuando
cuandoel
elModo
Modode
deFalla
Fallano
nose
se
previene
previeneni
nicorrige.
corrige.
--El
Elcliente
clienteooel
elsiguiente
siguienteproceso
procesopuede
puedeser
serafectado.
afectado.
Ejemplos:
Ejemplos:

Diseo
Diseo
Serv.
Serv.incompleto
incompleto
Operacin
Operacinerrtica
errtica

Proceso
Proceso
Servicio
Serviciodeficiente
deficiente
Claridad
Claridadinsuficiente
insuficiente

Causa
Causa
--Una
Unadeficiencia
deficienciaque
quegenera
generael
elModo
Modode
deFalla.
Falla.

--Las
Lascausas
causasson
sonfuentes
fuentesde
de Variabilidad
Variabilidad asociada
asociadacon
con
variables
de
Entrada
Claves
variables de Entrada Claves
Ejemplos:
Ejemplos:

Diseo
Diseo
Material
Materialincorrecto
incorrecto

Demasiado
Demasiadoesfuerzo
esfuerzo
requerimientos
requerimientos

Proceso
Proceso
Error
Erroren
enservicio
servicio
No
No cumple
cumple

489

Preparacin
Preparacin del
del AMEF
AMEF

Se recomienda que sea un equipo


multidisciplinario

El responsable del sistema, producto o


proceso dirige el equipo, as como
representantes de las reas involucradas y
otros expertos en la materia que sea
conveniente.

490

Cuando iniciar un FMEA?

Al disear los sistemas, productos y procesos nuevos.


Al cambiar los diseos o procesos existentes o que
sern usados en aplicaciones o ambientes nuevos.

Despus de completar la Solucin de Problemas (con el


fin de evitar la incidencia del problema).

El AMEF de diseo, despus de definir las funciones del


producto, antes de que el diseo sea aprobado y
entregado para su manufactura o servicio.

El AMEF de proceso, cuando los documentos preliminares


del producto y sus especificaciones estn disponibles.

491

FMEA de Diseo - DFMEA

492

AMEF de Diseo

El DFMEA es una tcnica analtica utilizada por


el equipo de diseo para asegurar que los
modos de falla potenciales y sus
causas/mecanismos asociados, se han
considerado y atendido

493

AMEF de Diseo

El proceso inicia con un listado de lo que se espera


del diseo (intencin) y que no har el diseo

Las necesidades y expectativas de los clientes de


determinan de fuentes tales como el QFD,
requerimientos de diseo del producto, y/o
requerimientos de manufactura/ensamble/servicio.

Entre mejor se definan las caractersticas


deseadas, ser ms fcil identificar Modos de de
falla potenciales para toma de acciones correctivas
/ preventivas.

494

Equipo de trabajo

El equipo se divide en dos secciones:

El equipo central (core) que participa en


todas las fases del FMEA y el equipo de
soporte que apoya conforme es requerido

El apoyo de la alta direccin es crucial para el


xito

495

Alcance del DMEA

El alcance se establece en el Diagrama de


lmites (Boundary Diagram) por medio de
consenso con el equipo de:

Qu se va incluir? Qu se va a excluir?

Establecer los lmites adecuados antes de


hacer el DFMEA evitar entrar en reas que no
se estn revisando o creando, para asegurar
que el equipo adecuado realice el anlisis
496

Alcance del DMEA

Para determinar la amplitud del alcance, se deben hacer


las decisiones siguientes:

Determinar la estabilidad del diseo o desarrollo del


proceso, a lo mejor primero se deben aclarar y resolver
asuntos pendientes antes del DMFEA, est finalizado o
es un punto de control?

Cuntos atributos o caractersticas estn todava bajo


discusin o la necesidad debe determinarse?

Qu tan avanzado va el diseo o proceso para su


terminacin? Tendr cambios

497

Entradas al DFMEA
Herramientas de robustez

Su propsito es reducir la probabilidad de


campaas de calidad, mejorar la imagen,
reducir reclamaciones de calidad e
incrementar la satisfaccin del cliente

Se generan del diagrama P que identifica los


cinco factores de ruido, para ser atendidos a
tiempo haciendo al diseo insensible al ruido

498

Modelo DFMEA Paso 1


Funciones

Identificar todas las funciones en el alcance


Identificar como cada una de las funciones puede fallar
(Modos de falla)
Identificar un grupo de efectos asociados para cada
modo de falla
Identificar el rango de severidad para cada uno de los
grupos de efectos que prioriza los modos de falla
Si es posible recomendar acciones para eliminar los
modos de falla sin atender las causas
Completar pasos 2 y 3

499

Modelo DFMEA Paso 1


Funciones

La funcin da respuesta a Qu se supone que hace este


artculo?

Las funciones son intenciones del diseo o especs. de ing. y:

Se escriben en forma de verbo/nombre/caract. medible

La caracterstica Medible o SDS: Puede ser


verificada/validada; incluye parmetros adicionales o
parmetros de diseo como especificaciones de servicio,
condiciones especiales, peso, tamao, localizacin y
accesibilidad o requerimientos de estndares (v. gr.
EMVSS)

500

Modelo DFMEA Paso 1


Funciones

Las funciones representan las expectativas, necesidades y


requerimientos tanto explcitos como no explcitos de los
clientes y sistemas

Las funciones no pueden fallar si no son medibles o


especificadas

Ejemplos:
Almacenar fluido, X litros sin fugas
Controlar el flujo, X centmetros cbicos por segundo
Abrir con X fuerza
Mantener la calidad del fluido durante X aos bajo
condiciones de operacin

501

Modelo DFMEA Paso 1


Modos de falla potenciales

Son las formas en las cuales un componente, subsistema o


sistema pueden potencialmente no cumplir o proporcionar
la funcin intencionada, pueden ser tambin las causas

El Modo de falla en un sistema mayor puede ser el efecto


de un componente de menor nivel

Listar cada uno de los modos de falla potenciales


asociados con el artculo en particular y con su funcin
(revisar el historial de garantas y fallas o hacer tormenta
de ideas

Tambin se deben considerar modos de falla potenciales


que pudieran ocurrir slo bajo ciertas condiciones (vg.
Calor, fro, humedad, polvo, etc)

502

Modelo DFMEA Paso 1


Tipos de Modos de falla
potenciales

No funciona
Funciona parcialmente / sobre funcin /
degradacin con el tiempo

Funcin intermitente

A veces causado por los factores ambientales

Funcin no intencionada

Los limpiadores operan sin haber actuado el switch


El coche va hacia atrs an con la palanca en
Drive

503

Modelo DFMEA Paso 1


Preguntas para Modos Potenciales de falla

De que manera puede fallar este artculo para


realizar su funcin intencionada?

Qu puede salir mal (go wrong), a pesar de


que el artculo se fabrica de acuerdo al dibujo?

Cundo se prueba la funcin, como se


debera reconocer su modo de falla?

Dnde y cmo operar el diseo?


504

Modelo DFMEA Paso 1


Preguntas para Modos Potenciales de falla

Bajo que condiciones ambientales operar?


El artculo ser usado en ensambles de ms alto nivel?
Cmo interacta/interfase con otros niveles del diseo?

No introducir modos de fallas triviales que no pueden o


no ocurrirn

Asumiendo la funcin:
Almacenar fluido, X litros, 0 fugas, durante 10 aos

Sus modos de falla son:


Almacenar < X, presenta fugas

505

Modelo DFMEA Paso 1


Efectos Potenciales de falla

Se definen como los efectos del modo de falla en la


funcin percibida por el cliente. Qu puede notar o
experimentar ya sea interno o final

Establecer claramente si la funcin podra impactar a la


seguridad, o no cumplimiento de reglamentaciones

Los efectos se establecen en trminos de sisemas


especficos, subsistemas o componentes conforme sean
analizados

La intencin es analizar los efectos de falla al nivel de


experiecia y conocimiento del equipo.

506

Modelo DFMEA Paso 1


Efectos Potenciales de falla

Describir las consecuencias de cada uno de los modos


de falla identificados en:
Partes o componentes
Ensambles del siguiente nivel
Sistemas
Clientes
Reglamentaciones

NOTA. Todos los estados de error del diagrama P deben


ser incluidos en la columna de Modos de falla o efectos
del DMFEA

507

Modelo DFMEA Paso 1


Ejemplos de Efectos Potenciales de
falla

Ruidos

Operacin errtica no operable

Apariencia pobre olores desagradables

Operacin inestable

Operacin intermitente

Fugas

Ruido de radiofrecuencia (EMC)

508

Modelo DFMEA Paso 1


Severidad

Es la evaluacin asociada con el efecto ms serio de la


columna anterior. Habr slo una severidad para cada
modo de falla

Para reducir la severidad es necesario hacer un cambio


de diseo

La severidad se estima de la tabla siguiente

509

Rangos de Severidad (AMEFD)


Efecto
.

Rango

Criterio

No

Sin efecto

Muy poco
componente o

Cliente no molesto. Poco efecto en el desempeo del


servicio.

Poco
comp. o
Menor
desempeo

Cliente algo molesto. Poco efecto en el desempeo del


servicio.
El cliente se siente un poco fastidiado. Efecto menor en el
del componente o servicio.

Moderado

El cliente se siente algo insatisfecho. Efecto moderado en el


desempeo del componente o servicio.

Significativo
6
comp. o
salvo. Falla parcial,

El cliente se siente algo inconforme. El desempeo del


servicio se ve afectado, pero es operable y est a
pero operable.

Mayor
seriamente

El cliente est insatisfecho. El desempeo del servicio se ve


afectado, pero es funcional y est a salvo. Sistema afectado.

Extremo
Sistema

Cliente muy insatisfecho. Servicio inadecuado, pero a salvo.


inoperable.

Serio
perder
reglamento del

Efecto de peligro potencial. Capaz de descontinuar el uso sin


tiempo, dependiendo de la falla. Se cumple con el
gobierno en materia de riesgo.

Peligro

10

Efecto peligroso. Seguridad relacionada - falla repentina.

510

Modelo DFMEA Paso 1


Clasificacin

Cuando un modo de falla tiene un rango de severidad


de 9 o 10, existe una caracterstica crtica, se identifica
como YC y se inicia un FMEA de proceso

Estas caractersticas del producto afectan su funcin


segura y/o cumplimiento de reglamentaciones
gubernamentales y pueden requerir condiciones
especiales de manufactura, ensamble, abastecimiento,
embarque, monitoreo y/o acciones de inspeccin o
controles

511

Modelo DFMEA Paso 1


Acciones recomendadas

Eliminar el Modo de falla

Mitigar el efecto

Es necesario un nfasis especial en acciones posibles


cuando la severidad es 9 o 10. Para valores menores
tambin se pueden considerar acciones

Para eliminar el modo de falla considerar la accin:


Cambiar el diseo (vg. Geometra, material) si est
relaionado a una caracterstica del producto

512

Modelo DFMEA Paso 2


Identificar:
Las Causas asociadas (primer nivel y raz)

Su tasa de ocurrencia estimada

La designacin de la caracterstica adecuada (si


existe) a ser indicada en la columna de
clasificacin

Acciones recomendadas para Severidad y


Criticalidad alta (S x O)

513

Causa potencial o mecanismo de


falla

La causa potencial de falla se define como un


indicador de debilidad del diseo cuya
consecuencia es el modo de falla

Listar como sea posible, cada causa de falla


y/o mecanismo de falla para cada uno de los
modos de falla. El detalle de la descripcin
permitir enfocar los esfuerzos para atacar la
causa pertinente

514

Causa potencial o mecanismo de


falla
Se puede emplear un diagrama de Ishikawa o un rbol de falla
(FTA), preguntarse:
Qu circunstancia pudo causar que fallara el artculo para su
fncin?
Cmo podra fallar el artculo para cumplir con las
especificaciones?
Cmo pueden ser incompatibles artculos que interactan?
Qu informacin desarrollada en los diagramas P y Matriz de
Interfase pueden identificar causas potenciales?
Qu puede causar que el artculo no de la funcin
intencionada?
Qu informacin en el Diagrama de lmites pudo haberse
pasado que pueda causar este modo de falla?
En que puede contribuir el historial de 8Ds y FMEAs a las
causas potenciales?

515

Causa potencial o mecanismo de


falla
Supuesto 1: El artculo se fabric de acuerdo a
especificaciones, ejemplos de causas de falla:
La especificacin de Porosidad del material es muy alta
La dureza del material especificada es muy baja

El lubricante especificado es muy viscoso


Torque especificado demasiado bajo
Supuesto de confiabilidad inadecuada
Degradacin de parmetro del Componente
Calor excesivo

516

Causa potencial o mecanismo de


falla
Supuesto 2: El artculo puede incluir una deficiencia que
causa variabilidad introducida en el proceso de
ensamble o manufactura:

Especificar un diseo simtrico que permita que la parte


se pueda instalar desde atrs o de arriba a abajo

Torque incorrecto debido a que el hoyo est diseado


fuera de posicin

Cinturn equivocado debido a que el diseo es similar a


otro que es estndar tambin en uso

517

Causa potencial o mecanismo de


falla
Precauciones:
El DFMA no confa en los controles del proceso para subsanar
debilidades del diseo, pero toma en cuenta sus limitaciones

El objetivo es identificar las deficiencias del diseo que peuden


causar variacin inaceptable en el proceso de manufactura o
ensamble a travs de un equipo multidisciplinario

Las causas de variacin que no sean el resultado de directo de


deficiencias de diseo pueden identificarse en el DFMEA y ser
atendidas en el FMEA de Proceso

Otro objetivo es identificar las caractersticas que mejoren la


robustez del diseo que pueda compensar variaciones en
proceso

518

Modelo DFMEA Paso 2


Ocurrencia

Ocurrencia es la probabilidad de que una


causa/mecanismo (listado en la columna previa) ocurra
durante la vida del diseo

El rango de ocurrencia tiene un significado relativo ms


que sea absoluto

La prevencin o control de las Causas / Mecanismos del


modo de falla se realiza a travs de cambios de diseo o
cambios de diseo del proceso para reducir la
ocurrencia

519

Modelo DFMEA Paso 2


Estimacin de la Ocurrencia

Cul es el historial de servicio y campo experimentado


con artculos similares?
El artculo es similar al utilizado en niveles anteriores de
subsistemas?
El componente es radicalmente diferente de los
anteriores?
Ha cambiado la aplicacin del componente?
Se han instalado controles preventivos en el proceso?
Cules son los cambios en el ambiente?
Se ha realizado un anlisis anltico de la prediccin de
confiabilidad para estimar la tasa de ocurrencia?

520

Rangos de Ocurrencia (AMEFD)


Ocurrencia

Criterios

Remota
fallas
con
idntico

Falla improbable. No existen


asociadas con este producto o
un producto / Servicio casi

Muy Poca
con
Servicio

Slo fallas aisladas asociadas


este producto /
casi idntico

Poca

Fallas aisladas asociadas con


productos / Servicios similares

Moderada

Este producto / Servicio ha


tenido fallas ocasionales

Rango Probabilidad de Falla


1

<1 en 1,500,000

Zlt > 5

2
4.5

1 en 150,000

Zlt >

1 en 30,000
Zlt > 4

Alta

Este producto / Servicio ha


fallado a menudo

800

Muy alta

La falla es casi inevitable

2.5

1 en 4,500
Zlt > 3.5 5
Zlt > 3
1 en 150

7
1 en 50
8
1 en 15
1.5ocurrencia de la
Nota: El criterio se basa en la probabilidad de
causa/mecanismo. Se puede basar en el desempeo
de
un
9
1 en
6 diseo
similar en una aplicacin similar.
10
>1 en 3

1 en
6
Zlt >
Zlt > 2
Zlt >
Zlt > 1
Zlt < 1

Clasificacin

Cuando el Modo de falla/causa tien una


severidad de 5 a 8 y una ocurrencia de 4 o
mayor, entonces se tiene una caractertica
significativa crtica potencial que se identifica
con YS y se inicia el FMEA de proceso

Estas caractersticas del producto afectan la


funcin del producto y/o son importantes para
la satisfaccin del cliente y pueden requerir
condiciones especiales de manufactura,
ensamble, embarque, monitoreo y/o inspeccin

522

Modelo DFMEA
Paso 3
Si las causas no se pueden eliminar en paso 1 o 2,
Identificar
Controles actuales de prevencin usados para establecer
la ocurrencia
Controles actuales de deteccin (vg. Pruebas) usadas
para establecer la Deteccin
Determinar la efectividad de los controles de Deteccin
en escala de 1 a 10
El RPN inicial (Risk Priority Number).
Acciones Recomendadas (Prevencinn and Deteccin).
Cuando ya se hayan implementado las acciones
recomenddas, se revisa el formato DFMEA en relacin a la
Severidad, Ocurrencia, Deteccin y RPN

523

Modelo DFMEA Paso 3


Controles de diseo actuales

Listar las actividades terminadas para prevencin,


vaidacin/verificacin del diseo (DV), u otras actividades
que aseguran la adecuacin del diseo para el modo de
falla y/o causa / mecanismo bajo consideracin

Controles actuales (vg. Diseos falla/seguro como


vlvulas de alivio, revisiones de factibilidad, CAE,
Confianilidad y robustez analtica) son los que han sido o
estan usndose con los mismos diseos o similares.

El equipo siempre debe enfocarse a mejorar los controles


de diseo, por ejemplo la creacin de nuevos sistemas de
prueba en el laboratorio, o la creacin de muevos
algoritmos de modelado, etc.

524

Modelo DFMEA Paso 3


Controles de diseo actuales

Hay dos tipos de controles de diseo:


Prevencin y deteccin

De prevencin:

De deteccin:

Previenen la ocurrencia de la causa/mecanismo o


Modo de falla/efecto reduciendo la tasa de
Ocurrencia
Detectan la causa/mecanismo o Modo de
falla/efecto ya sea por mtodos analticos o fsicos
antes que el artculo se libere para Poduccin

Si solo se usa una columna indicarlos con P o D

525

Modelo DFMEA Paso 3


Controles de diseo actuales
Identificacin de controles de diseo

Si una causa potencial no fue analizada, el


producto con deficiencia de diseo pasar a
Produccin. Una forma de detectarlo es con su
Modo de falla resultante. Se debe tomar
accin correctiva
Identificar controles de diseo como sigue:
1.
Identificar y listar los mtodos que puedan ser
utilizados para detectar el modo de falla,
como:
526
1.
FMEA anteriores, Planes de DV anteriores, Lista

Modelo DFMEA Paso 3


Controles de diseo actuales
2. Listar todos los controles de diseo histricos que
puedan ser suados para causas de primer nivel
listadas. Revisar reportes histricos de pruebas
3. Identificar otros mtodos posibles preguntando:
De que manera puede la causa de este modo de falla ser
reconocida?
Cmo puedo descubrir que esta causa ha ocurrido?
De que manera este modo de falla puede ser reconocido?
Cmo puedo descubrir que este modo de falla ha ocurrido?

527

Modelo DFMEA Paso 3


Deteccin

Cuando se estima una tasa de Deteccin, considerar solo los


controles que sern usados para detectar los Modos de Falla
o sus Causas. Los controles intencionados para prevenir o
reducir la Ocurrencia de una Causa o Modo de falla son
considerados al estimar la tasa de Ocurrencia

Si los controles de prevencin no detectan deben ser


calificadas con 10

Solo se deben considerar los mtodos que son usados antes


de la liberacin a Produccin para estimar la tasa de
Deteccin
Los programas de verificacin de diseo deben basarse en
la efectividad de los controles de diseo

528

Modelo DFMEA Paso 3


Deteccin
Para evaluar la efectividad de cada control de diseo
considerar las siguientes categoras (de mayor a menor):

Mtodos de anlisis de diseo


Modelado y simulacin probada (vg. Anlisis de
elementos finitos)
Estudios de tolerancias (vg. Tolerancias deomtricas
dimensionales)
Estudios de compatibilidad de materiales (vg.
Expansin trmica, corrosin)
Revisin de diseo subjetiva
Mtodos de desarrollo de pruebas:
Diseo de experimentos/ experimentos de peor caso
(vg. Ruido)

529

Modelo DFMEA Paso 3


Deteccin

Mtodos de desarrollo de pruebas (cont):

Pruebas en muestras de pre-produccin o prototipo


Maquetas usando partes similares
Pruebas de durabilidad (verificacin de diseo)
Nmero de muestras a ser probadas
Muestra significativa estadsticamente
Cantidad pequea, no significativa
estadsticamente

Oportunidad de la aplicacin de control de diseo

Desde la etapa de diseo del concepto (vg.


Decisin del tema)
Al tener prototipos de ingeneira
Justo antes de liberarse a Produccin

530

Rangos de Deteccin (AMEFD)


Rango de Probabilidad de Deteccin basado en la
efectividad del Sistema de Control Actual; basado
en el cumplimiento oportuno con el Plazo Fijado
1

Detectado antes del prototipo o prueba piloto

2-3

Detectado antes de entregar el diseo

4-5

Detectado antes del lanzamiento del servicio

6-7

Detectado antes de la prestacin del servicio

Detectado antes de prestar el servicio

Detectado en campo, pero antes de que ocurra la falla o


error

10

No detectable hasta que ocurra la falla o error en campo

DFMEA Clculo del riesgo

El nmero de prioridad del rieso (RPN) es el producto de


Severidad (S), Ocurrencia (O) y Deteccin (D)

RPN = (S) x (O) x (D) con valores entre 1 y 1000

Puede usarse como en un Pareto para priorizar riesgos


potenciales con efectos que tengan las tasas ms altas
de severidad

Atender los aspectos con Severidad 9 o 10 y despus


los efectos con Severidad alta; los de criticalidad alta (S
x O) y al final los que tienen RPNs ms altos

532

DFMEA Acciones
recomendadas
Considerar acciones como las siguientes:

Revisin del diseo de la Geometra y/o tolerancias

Revisin de especificacin de materiales

Diseos de experimentos (con mltiples causas


interactuando) u otras tcnicas de solucin de problemas

Revisin de planes de prueba

Sistemas redundantes dispositivos de aviso estados


de falla (ON y OFF)
El objetivo primario de las acciones recomendadas es
reducir riesgos e incrementar la satisfaccin del cliente al
mejorar el diseo.
Para reducir la severidad es necesario un cambio de diseo

533

DFMEA Acciones tomadas

Se identifica la organizacin y persona responsable para


las acciones recomendadas y la fecha de terminacin

Dar seguimiento:
Desarrollar una lista de caractersticas especiales
parasu consideracin en el DFMEA
Dar seguimiento a todas las acciones recomendadas
y actualizar las acciones del DFMEA

Despus de que se implementa una accin, anotar una


descripcin breve y la fecha de efectividad

534

DFMEA Nivel de riesgo RPN

Despus de haber implementado las acciones


preventivas/correctivas, registrar la nueva Severidad,
Ocurrencia y Deteccin

Calcular el nuevo RPN

Si no se tomaron acciones en algunos aspectos, dejarlos


en blanco

535

DFMEA Lista de verificacin de


robustez

Es una salida del proceso integrado de robustez:

Resume los atributos de robustez clave y


controles de diseo

Enlaza el DFMEA y los 5 factores de ruido del


diseo al Plan de verificacin de diseo (DVP);
vg., esta lista es una entrada al DVP

Debe ser un documento clave a revisar como


parte del proceso de revisin de diseo

536

FMEA de Proceso - PFMEA

537

PFMEA

Equipo

Se inicia por el Ing. responsable de la actividad,


en conjunto con un equipo de personas expertas
adems de incluir personas de apoyo

Alcance

Define que es incluido y que es excluido

538

Entradas al PFMEA

Diagrama de flujo del proceso

El equipo debe desarrollar el flujo del proceso,


preguntando Qu se supone que hace el
proceso?; Cul es su propsito?; Cul es su
funcin?

El Diagrama P es una entrada opcional al


PFMEA

539

540

Modelo del PFMEA Paso 1

Identificar todos los requerimientos funcionales dentro


del alcance

Identificar los modos de falla correspondientes

Identificar un conjunto de efectos asociados para cada


modo de falla

Identificar la calificacin de severidad para cada


conjunto de efectos que de prioridad el modo de falla

De ser posible, tomar acciones para eliminar modos de


falla sin atender las causas

541

Modelo de PFMEA Paso 1

Requerimientos de la funcin del proceso

Contiene caractersticas de ambos el producto y


el proceso

Ejemplos

Operacin No. 20: Hacer perforacin de tamao


X de cierta profundidad
Operacin No. 22: Realizar el subensamble X al
ensamble Y

542

Pasos del proceso


Del diagrama de flujo

Modelo de PFMEA Paso 1

Modos de falla potenciales


No funciona
Funcionamiento parcial / Sobre funcin / Degradacin
en el tiempo
Funcionamiento intermitente
Funcin no intencionada
Los modos de falla se pueden categorizar como sigue:
Manufactura: Dimensional fuera de tolerancia
Ensamble: Falta de componentes
Recibo de materiales: Aceptar partes no conformes
Inspeccin/Prueba: Aceptar partes equivocadas

544

Modelo de PFMEA Paso 1

Efectos de las fallas potenciales


(consecuencias en)

Seguridad del operador


Siguiente usuario
Usuarios siguientes
Mquinas / equipos
Operacin del producto final
Cliente ltimo
Cumplimiento de reglamentaciones
gubernamentales

546

Modelo de PFMEA - Paso 1

Efectos de las fallas potenciales (en usuario final)

Ruido
Operacin errtica
Inoperable
Inestable
Apariencia mala
Fugas
Excesivo esfuerzo
Retrabajos / reparaciones
Insatisfaccin del cliente

547

Modelo de PFMEA Paso 1

Efectos de las fallas potenciales (en siguiente


operacin)

No se puede sujetar
No se puede tapar
No se puede montar
Pone en riesgo al operador
No se ajusta
No conecta
Daa al equipo
Causa excesivo desgaste de herramentales

548

CTQs del QFD o


Matriz de Causa Efecto

CRITERIO DE EVALUACIN DE SEVERIDAD SUGERIDO PARA AMEFP


Esta calificacin resulta cuando un modo de falla potencial resulta en un defecto con un cliente final y/o una planta
de manufactura / ensamble. El cliente final debe ser siempre considerado primero. Si ocurren ambos, use la mayor
de las dos severidades
Efecto
Efecto en el cliente
Efecto en Manufactura /Ensamble
Calificacin de severidad muy alta cuando un modo
potencial de falla afecta la operacin segura del
producto y/o involucra un no cumplimiento con alguna
regulacin gubernamental, sin aviso
Calificacin de severidad muy alta cuando un modo
potencial de falla afecta la operacin segura del
producto y/o involucra un no cumplimiento con alguna
regulacin gubernamental, con aviso
El producto / item es inoperable ( prdida de la funcin
primaria)

Puede exponer al peligro al operador (mquina o


ensamble) sin aviso

Calif
.
10

Puede exponer al peligro al operador (mquina o


ensamble) sin aviso

El 100% del producto puede tener que ser


desechado op reparado con un tiempo o costo
infinitamente mayor

Alto

El producto / item es operable pero con un reducido


nivel de desempeo. Cliente muy insatisfecho

El producto tiene que ser seleccionado y un parte


desechada o reparada en un tiempo y costo muy alto

Modera
do

Producto / item operable, pero un item de


confort/conveniencia es inoperable. Cliente insatisfecho

Una parte del producto puede tener que ser


desechado sin seleccin o reparado con un tiempo y
costo alto

Bajo

Producto / item operable, pero un item de


confort/conveniencia son operables a niveles de
desempeo bajos

El 100% del producto puede tener que ser


retrabajado o reparado fuera de lnea pero no
necesariamente va al rea de retrabajo .

Muy
bajo

No se cumple con el ajuste, acabado o presenta ruidos y


rechinidos. Defecto notado por el 75% de los clientes

El producto puede tener que ser seleccionado, sin


desecho, y una parte retrabajada

Menor

No se cumple con el ajuste, acabado o presenta ruidos y


rechinidos. Defecto notado por el 50% de los clientes

El producto puede tener que ser retrabajada, sin


desecho, en lnea, pero fuera de la estacin

Muy
menor

No se cumple con el ajuste, acabado o presenta ruidos,


y rechinidos. Defecto notado por clientes muy crticos
(menos del 25%)

El producto puede tener que ser retrabajado, sin


desecho en la lnea, en la estacin

Ninguno

Sin efecto perceptible

Ligero inconveniente para la operacin u operador, o


sin efecto

Peligros
o sin
aviso
Peligros
o con
aviso
Muy
alto

CRITERIO DE EVALUACIN DE SEVERIDAD SUGERIDO PARA PFMEA


Esta calificacin resulta cuando un modo de falla potencial resulta en un defecto con un cliente final y/o una planta
de manufactura / ensamble. El cliente final debe ser siempre considerado primero. Si ocurren ambos, use la mayor
de las dos severidades
Efecto
Efecto en el cliente
Efecto en Manufactura /Ensamble
Calificacin de severidad muy alta cuando un modo
potencial de falla afecta la operacin segura del
producto y/o involucra un no cumplimiento con alguna
regulacin gubernamental, sin aviso
Calificacin de severidad muy alta cuando un modo
potencial de falla afecta la operacin segura del
producto y/o involucra un no cumplimiento con alguna
regulacin gubernamental, con aviso
El producto / item es inoperable ( prdida de la funcin
primaria)

Puede exponer al peligro al operador (mquina o


ensamble) sin aviso

Calif
.
10

Puede exponer al peligro al operador (mquina o


ensamble) sin aviso

El 100% del producto puede tener que ser


desechado op reparado con un tiempo o costo
infinitamente mayor

Alto

El producto / item es operable pero con un reducido


nivel de desempeo. Cliente muy insatisfecho

El producto tiene que ser seleccionado y un parte


desechada o reparada en un tiempo y costo muy alto

Modera
do

Producto / item operable, pero un item de


confort/conveniencia es inoperable. Cliente insatisfecho

Una parte del producto puede tener que ser


desechado sin seleccin o reparado con un tiempo y
costo alto

Bajo

Producto / item operable, pero un item de


confort/conveniencia son operables a niveles de
desempeo bajos

El 100% del producto puede tener que ser


retrabajado o reparado fuera de lnea pero no
necesariamente va al rea de retrabajo .

Muy
bajo

No se cumple con el ajuste, acabado o presenta ruidos y


rechinidos. Defecto notado por el 75% de los clientes

El producto puede tener que ser seleccionado, sin


desecho, y una parte retrabajada

Menor

No se cumple con el ajuste, acabado o presenta ruidos y


rechinidos. Defecto notado por el 50% de los clientes

El producto puede tener que ser retrabajada, sin


desecho, en lnea, pero fuera de la estacin

Muy
menor

No se cumple con el ajuste, acabado o presenta ruidos,


y rechinidos. Defecto notado por clientes muy crticos
(menos del 25%)

El producto puede tener que ser retrabajado, sin


desecho en la lnea, en la estacin

Ninguno

Sin efecto perceptible

Ligero inconveniente para la operacin u operador, o


sin efecto

Peligros
o sin
aviso
Peligros
o con
aviso
Muy
alto

Modelo de PFMEA Paso 2

Paso 2 identificar:

Las causas asociadas (primer nivel y raz)

Su tasa de ocurrencia

La designacin apropiada de la caracterstica


indicada en ola columna de clasificacin

Acciones recomendadas para alta severidad y


criticalidad (S x O) as como la Seguridad del
operador (OS) y errores de proceso de alto
impacto (HI)

552

Modelo de PFMEA Paso 2


Causa/Mecanismo potencial de falla

Describe la forma de cmo puede ocurrir la falla,


descrito en trminos de algo que puede ser
corregido o controlado
Se debe dar priorioridad a rangos de prioridad de
9 o 10

Ejemplos, especificar claramente:

Torque inadecuado (bajo o alto)


Soldadura iandecuada (corriente, tiempo, presin)
Lubricacin inadecuada

553

Efecto(s) Potencial(es) de falla


Evaluar 3 (tres) niveles de Efectos del Modo de
Falla
Efectos Locales
Efectos en el rea Local
Impactos Inmediatos
Efectos Mayores Subsecuentes
Entre Efectos Locales y Usuario Final
Efectos Finales
Efecto en el Usuario Final del producto o

554

Modelo de PFMEA Paso 2

Suposicin 1: Los materiales para la operacin


son correctos

Ajuste de herramentales a la profundidad


equivocada
Desgaste de herramentales
Temperatura del horno muy alta
Tiempo de curado muy corto
Presin de aire muy baja
Velocidad del transportador no es constante
Jets de lavadora desconectados

555

Modelo de PFMEA Paso 2

Suposicin 2: Los materiales para la operacin


tienen variacin

Material demasiado duro / suave / quebradizo


La Dimensin no cumple especificaciones
El acabado superficial de la operacin 10 no
cumple especificaciones
El localizador de perforacin fuera de posicin
correcta

556

Modelo de PFMEA Paso 2

Ocurrencia:

Es la probabilidad de que una causa/mecanismo


ocurra
Se puede reducir o controlar solo a travs de un
cambio de diseo
Si la ocurrencia de la causa no puede ser
estimada, entonces estimar la tasa de falla
posible

557

CRITERIO DE EVALUACIN DE OCURRENCIA SUGERIDO PARA


AMEFP
Probabilidad
Indices Posibles de
ppk
Calif.
falla
Muy alta: Fallas
< 0.55
10
100 por mil piezas
persistentes
50 por mil
> 0.55
9
piezas
Alta: Fallas frecuentes
20 por mil
> 0.78
8
piezas
10 por mil
> 0.86
7
piezas
Moderada: Fallas
5 por mil
> 0.94
6
ocasionales
piezas
2 por mil
> 1.00
5
piezas
1 por mil
> 1.10
4
piezas
Baja : Relativamente
0.5 por mil
> 1.20
3
pocas fallas
piezas
0.1 por mil
> 1.30
2
piezas
Remota: La falla es
< 0.01 por mil
> 1.67
1
improbable
piezas

Modelo de PFMEA Paso 2

Clasificacin de caractersticas especiales si:

Afectan la funcin del producto final,


cumplimiento con reglamentaciones
gubernamentales, seguridad de los operadores,
o la satisfaccin del cliente, y

Requieren controles especiales de manufactura,


ensamble, proveedores, embarques, monitoreo
y/o inspeccin o seguridad

559

Modelo de PFMEA Paso 3

En el paso 3 identificar:

Controles actuales de prevencin del proceso


(con acciones de diseo o proceso) usados para
establecer la ocurrencia
Controles actuales de deteccin (vg. Inspeccin)
usados para establecer la tasa de deteccin
Efectividad de los controles de deteccin del
proceso en una escala de 1 a 10
El factor de riesgo RPN inicial
Acciones recomendadas (Prevencin y Deteccin)

562

Identificar Causa(s) Potencial(es) de la Falla


Causas relacionadas con el diseo - Caractersticas
del servicio o Pasos del proceso
Diseo de formatos
Asignacin de recursos
Equipos planeados
Causas que no pueden ser Entradas de Diseo,
tales como:
Ambiente, Clima, Fenmenos naturales
Mecanismos de Falla
Rendimiento, tiempo de entrega, informacin
completa
563

Causas potenciales
De Diagrama de Ishikawa
Diagrama de rbol o
Diagrama de relaciones

Modelo de PFMEA Paso 3

Controles de proceso actuales:

Son una descripcin de los controles ya sea para


prevenir o para detectar la ocurrencia de los
Modos/causas de falla

Consideraciones

Incrementar la probabilidad de deteccin es costosa y


no efectiva
A veces se requiere un cambio en el diseo para
apoyar la deteccin
El incremento del control de calidad o frecuencia de
inspeccin slo debe utilizarse como medida temporal
Se debe hacer nfasis en la prevencin de los
defectos

565

Identificar Controles de Diseo o


ProcesoValidacin
Actuales
de
Verificacin/
de actividades de
Diseo o control de proceso usadas para
evitar la causa, detectar falla
anticipadamente, y/o reducir impacto:
Clculos, Anlisis, Prototipo de Prueba, Pruebas
piloto
Poka Yokes, planes de control, listas de verificacin
Primera Lnea de Defensa - Evitar o eliminar causas de falla
o error
Segunda Lnea de Defensa - Identificar o detectar fallas o
errores Anticipadamente

566

Modelo de PFMEA Paso 3

Seleccionar un rango en la tabla de deteccin


Si se usa inspeccin automtica al 100% considerar:

La condicin del gages


La calibracin del gage
La variacin del sistema de medicin del gage
Probabilidad de falla del gage
Probabilidad de que el sistema del gage sea
punteado

Si se usa inspeccin visual al 100% considerar:

Es efectiva entre un 80 a 100% dependiendo del


proc.
El nmero de personas que pueden observar el modo
de falla potencialmente
La naturaleza del modo de falla - es claro o confuso?
568

CRITERIO DE EVALUACIN DE DETECCION SUGERIDO PARA


AMEFP
Detecci
Criterio
Tipos de
n

Mtodos de seguridad de Rangos


de Deteccin

Inspeccin

Casi
imposibl
e
Muy
remota

Certeza absoluta de no
deteccin

Los controles probablemente


no detectarn

Remota

Los controles tienen poca


oportunidad de deteccin

Muy baja

Los controles tienen poca


oportunidad de deteccin

Baja

Los controles pueden detectar

Moderad
a

Los controles pueden detectar

Moderad
amente
Alta
Alta

Los controles tienen una buena


oportunidad para detectar

Los controles tienen una buena


oportunidad para detectar

Muy Alta
Muy Alta

No se puede detectar o no es
verificada
El control es logrado solamente
con verificaciones indirectas o al
azar
El
control es logrado solamente
con inspeccin visual
El control es logrado solamente
con doble inspeccin visual

Cali
f

10
9
8
7

El control es logrado con mtodos


grficos con el CEP

El control se basa en mediciones por variables despus de


que las partes dejan la estacin, o en dispositivos Pasa NO
pasa realizado en el 100% de las partes despus de que las
partes han dejado la estacin

Deteccin de error en operaciones subsiguientes, o medicin


realizada en el ajuste y verificacin de primera pieza ( solo
para causas de ajuste)

Deteccin del error en la estacin o deteccin del error en


operaciones subsiguientes por filtros multiples de
aceptacin: suministro, instalacin, verificacin. No puede
aceptar parte discrepante

Controles casi seguros para


detectar

Deteccin del error en la estacin (medicin


automtica con dispositivo de paro automtico).
No puede pasar la parte discrepante

Controles seguros para


detectar

No se pueden hacer partes discrepantes porque el


item ha pasado a prueba de errores dado el diseo del
proceso/producto

Tipos de inspeccin: A) A prueba de error

B) Medicin automatizada C) Inspeccin

Modelo de PFMEA Paso 3

Nmero de prioridad de riesgo

Se calcula como RPN = (S) x (O) x (D)

Acciones recomendadas

Se deben dirigir primero a las de valores altos


de Severidad (9 o 10) o RPNs, despus continuar
con las dems
Las acciones se deben orientar a prevenir los
defectos a travs de la eliminacin o reduccin
de las causas o modos de falla

571

Calcular RPN (Nmero de Prioridad de


Riesgo)
Producto de Severidad, Ocurrencia, y Deteccin
RPN / Gravedad usada para identificar
principales CTQs
Severidad mayor o igual a 8
RPN mayor a 150

572

Planear Acciones
Requeridas para todos los CTQs

Listar todas las acciones sugeridas, qu


persona es la responsable y fecha de
terminacin.
Describir la accin adoptada y sus
resultados.
Recalcular nmero de prioridad de riesgo .
Reducir el riesgo general del diseo

573

Modelo de PFMEA Paso 3

Acciones tomadas

Identificar al responsable de las acciones


recomendadas y la fecha estimada de terminacin
Despus de terminar una accin, dar una descripcin
breve de la accin real y fecha de efectividad

Responsabilidad y fechas de terminacin

Desarrollar una lista de caractersticas especiales


proporcionndola al diseador para modificar el
DFMEA
Dar seguimiento a las acciones recomendadas y
actualizar las ltimas columnas del FMEA

574

Modelo de PFMEA Paso 3

RPN resultante

Despus de implementadas las acciones


recomendadas, estimar de nuevo los rangos de
Severidad, Ocurrencia y Deteccin y calcular el
nuevo RPN. Si no se tomaron acciones dejarlo
en blanco.

Salidas del PFMEA

Hay una relacin directa del PFMEA a el Plan de


Control del proceso

575

Causas probables
a atacar primero

Herramientas para el
FMEA

578

Herramientas

Diagramas de lmites
Diagramas de flujo de proceso
Matriz de caractersticas
Tormenta de ideas
rboles de funciones
Lista de efectos: FMEA de diseo
Lista de efectos: FMEA de proceso
Diagrama de Ishikawa
Tecnica de preguntas
579

Herramientas

Anlisis de rbol de fallas (FTA)


Anlisis del modo de falla (FMA)
Diseo de experimentos (DOE)
Proceso de solucin de problemas de 8Ds
Planes de Control
Planeacin dinmica de control (DCP)
Despliegue de la funcin de calidad (QFD)
Anlisis de valor/ Ingeniera del valor (VA/VE)
REDPEPR
FMEA Express
FMEA del software

580

Diagrama de lmites

Diagramas de lmites de funciones

Salida del anlisis de funciones para la fase de


concepto CFMEA, ilustran funciones en vez de
partes

Diagramas de lmites Hardware/funcional

Dividen al sistema en elementos ms pequeos


desde un punto de vista funcional. Muestran
relaciones fsicas, se usan en los DFMEAs.

581

Nombres de verbos tiles

582

Tormenta de ideas

Seleccionar el problema a tratar.


Pedir a todos los miembros del equipo generen ideas para la
solucin del problema, las cuales se anotan en el pizarrn sin
importar que tan buenas o malas sean estas.
Ninguna idea es evaluada o criticada antes de considerar
todos los pensamientos concernientes al problema.
Aliente todo tipo de ideas, ya que al hacerlo pueden surgir
cosas muy interesantes, que motivan a los participantes a
generar ms ideas.
Apruebe la naturalidad y el buen humor con informalidad, en
este punto el objetivo es tener mayor cantidad de ideas
Se les otorga a los participantes la facultad de modificar o
mejorar las sugerencias de otros.
Una vez que se tengan un gran nmero de ideas el facilitador
procede a agrupar y seleccionar las mejores ideas por medio
del consenso del grupo
Las mejores ideas son discutidas y analizadas con el fin del
proponer una solucin.

583

Herramientas para el FMEA

rbol de funciones

Ayuda a que los requerimientos del cliente no


expresados explcitamente sobre el producto o
proceso se cumplan

Es conveniente describir las funciones de un


producto o proceso por un verbo pronombre
medible, por ejemplo:

Calentar el interior a XC
Enfriar a los ocupantes a XC
Eliminar la niebla del parabrisas en X segundos

584

Tcnica de preguntas

Hacer una oracin con el modo de falla, causa y efecto y ver


si la oracin tiene sentido. Un modo de falla es debido a una
causa, el modo de falla podra resultar en efectos, por
ejemplo:

MODO DE FALLA: No ajustan los faros delanteros


P: Qu podra ocasionar esta falla?
R: La luz desalineada -> Efecto
P: A que se puede deber esta falla?
R: Cuerda grande en tornillo de ajuste -> Causa
El No ajuste de faros delanteros se debe a Cuerda
grande en tornillo de ajuste. El desajuste de los
faros ocasiona haces de luz desalineados

585

Tcnica de preguntas
Paso 3
Paso 1
Qu lo causa? Modo de falla

Paso 2
Qu efecto tiene?

586

Anlisis de rbol de fallas


(FTA)

Es una tcnica analtica deductiva que usa un rbol para


mostrar las relaciones causa efecto entre un evento
indeseable (falla) y las diversas causas que contribuyen.
Se usan smbolos lgicos para interconectar las ramas

Despus de hacer el FTA e identificadas las causas raz,


se pueden determinar las acciones preventivas o los
controles necesarios

Otra aplicacin es determinar las probabilidades de las


causas que contribuyen a la falla y propagarlas hacia
adelante

587

Anlisis del Modo de Falla


(FMA)

Es un enfoque sistemtico disciplinado para


cuantificar el modo de falla, tasa de falla, y causa
raz de fallas o tasas de reparacin conocidas (el
FMEA para las desconocidas)

Se basa en informacin histrica de garantas, datos


de campo, datos de servicios, y/o datos de procesos

Se usa para identificar la operacin, modos de falla,


tasas de falla y parmetros crticos de diseo de
hardware o procesos. Tambin permite identificar
acciones correctivas para causas raz actuales

588

Diseo de experimentos
(DOE)

Es un mtodo para definir los arreglos en cuales se


puedas realizar experimentos, donde se cambian de
manera controlada las variables independientes de
acuerdo a un plan definido y se determinan los efectos

Para pruebas de confiabilidad el DOE usa un enfoque


estadstico para disear pruebas para identificar los
factores primarios que causas eventos indeseables

Se usan para identificar causas raz de modos de falla,


cuando varios factores pueden estar contribuyendo o
cuando estos factores estn interrelacionados y se
desean conocer los efectos de sus interacciones

589

Mtodo de 8 disciplinas (8Ds)

Es un mtodo de solucin de problemas orientado a


equipos de trabajo, las disciplinas o pasos son:

Preparar el proceso
Establecer el equipo
Describir el problema
Desarrollar las acciones de contencin o contingentes
Diagnosticar el problema (definir y verificar causa
raz)
Seleccionar y verificar acciones correctivas
permanentes (PCAs) para causas raz y puntos de
escape
Implementar y validar PCAs
Reconocer contribuciones del equipo y los miembros

590

Planes de control

Es una descripcin escrita del sistema para


controlar el proceso de produccin

Lista todos los parmetros del proceso y


caractersticas de las partes caractersticas de
las partes que requiere acciones especficas de
calidad

El plan de control contiene todaslas


caractersticas crticas y significativas
Hay planes de control a nivel de manufactura
de: Prototipos, produccin piloto (capacidad de
procesos) y de produccin
591

Planeacin dinmica de control


(DCP)
Es un procesos que liga las herramientas de
calidad para construir planes de control
robustos a travs de un equipo
1.

Lanzamiento definir los requerimientos de


recursos

2.

Estructura del equipo central y de soporte

3.

Bitcora de preguntas

592

Planeacin dinmica de control


(DCP)
4. Informacin de soporte (ES, DFMEAs, DVP&R, PFMEA, etc.)
5. Diagrama de flujo y carctersticas de enlace
6. Pre lanzamiento o controles preliminares
7. PFMEA
8. Plan de control
9. Desarrollar ilustraciones e instrucciones
10. Implementar y mantener

593

Despliegue de la funcin de
calidad (QFD)

El QFD es un mtodo estructurado en el cual los


requerimientos del cliente son traducidos en
requerimientos tcnicos para cada una de las etapas
del desarrollo del producto y produccin

El QFD es entrada al FMEA de diseo o al FMEA de


concepto. Los datos se anotan en el FMEA como
medidas en la columna de funcin

La necesidad de obtener datos de QFD pueden ser


tambin una salida del FMEA de concepto

594

Anlisis del valor / Ingeniera del


valor (VA/VE)

Son metodologas usadas comnmente para despliegue del


valor. La Ingeniera del valor se realiza antes de comprometer el
herramental. El anlisis del valor (VA) se realiza despus del
herramentado. Ambas tcnicas usan la frmula:

Valor = Funcin (primaria o secundaria) / Costo

Los datos de VA/VE pueden ser entradas al FMEA de diseo o de


proceso en columna de Funcin como funciones primaria y
secundaria. Tambin pueden ser causas, controles o acciones
recomendadas

La metodologa VA debe ser incluida en la revisin de FMEAs


actuales como apoyo para evaluar riesgos y beneficios cuando se
analizan varias propuestas

595

REDPEPR (Robust Engineering


Design Product Enhacement
Process)
Es una herramienta que proporciona a los equipos
de Diseo:
Un proceso paso a paso para aplicar el RED

Las herramientas necesarias para completar el diagrama P,


listas de verificacin de confiabilidad y robustez (RRCL) y la
matriz de demostracin de confiabilidad y robustez (RRDM)

Preguntas y tips para guiar al equipo en el proceso

Capacidad para generar reportes en Excel

Un proceso para mejorar la comunicacin con el equipo de


ingeneira
El Web site donde se encuentra el software es
www.redpepr.ford.com

596

Aplicaciones del FMEA


Express
Ambiental
De mquinas

597

FMEA Express
Es un proceso que aplica tcnicas de FMEA
simultaneamente tanto a los aspectos de
diseo como a los de manufactura de un
proyecto:
Consiste de cuatro fases:

Preparacin: Se forma un equipo directivo para


definir el alcance del proyecto, equipo de trabajo
multidisciplinario, coleccin de informacin y
documentos de modos de falla conocidos, causas,
efectos y controles

598

FMEA Express

Desarrollo del FMEA: El equipo de trabajo


multidisciplianrio completa el FMEA utilizando formatos y
definiciones estndar

Posterior a la tarea: El facilitador y el equipo directivo


generan un reporte final y un plan de seguimiento. El lder
del equipo de FMEA es responsable de monitorear el avance

Auditora de calidad: Despus de una verificacin de


calidad, se proporciona un certificado de cumplimiento

Software para el FMEA: www.quality.ford.com/cpar/fmea/

599

E-FMEA ambiental

600

E-FMEA ambiental

601

Matriz de requerimientos
ambientales con criterios
mltiples

Para cada alternativa de diseo resumir la


siguiente informacin

Uso de substancias prohibidas o de uso restringido


Tipo y cantidad de residuos (refleja el nivel de
materiales utilizados)
Consumo de energa por componente
Consumo de agua por componente
Otros objetivos ambientales

602

E-FMEA
Ejemplos de acciones recomendadas (hacer una
revisin previa de efectos secundarios en la
vida del producto):

Sistemas de conexin alternos


Reciclar
Rutas alternas de disposicin de residuos
Uso de materiales naturales
Revisar rutas de transporte
Reducir trayectorias de proceso
Optimizar el consumo de agua y energa

603

E-FMEA
Salidas del FMEA ambiental:
Recomendaciones de materiales

Recomendaciones de diseo (vg. Tipo de enlace)

Recomendaciones de proceso (vg. Potencial de


ahorro de energa)

Recomendacin para rutas de disposicin

604

MFMEA FMEA de
maquinaria

605

FMEA de maquinaria

Su propsito es que a travs de un equipo se asegure


que los modos de falla y sus causas/mecanismos
asociados se hayan atendido

Soporta el proceso de diseo en:


Apoyar en la evaluacin objetiva de las funciones del
equipo, requerimientos de diseo y alternativas de
diseo

Incrementar la probabilidad de que los modos de


falla y sus efectos en la maquinaria se han
considerado en el proceso de diseo y desarrollo

606

FMEA de maquinaria

Proporcionar informacin adicional como apoyo a la


planeacin de todos los programas de diseo,
prueba y desarrollo

Desarrollar una lista de modos de falla potenciales


en base a su efecto con el cliente, estableciendo
prioridades para mejoras al diseo y desarrollo

Proporcionar documentacin para referencia futura


para el anlisis de problemas de campo, evaluando
cambios de diseo y desarrollo de maquinaria.

607

FMEA de maquinaria

Ejemplos de descripcin de funciones

Proceso de partes 120 tareas / hora

Cabezal del ndice MTBF > 200 Hrs

Control del flujo hidrulico 8p cl/seg.

Sistema de posicin ngulo de rotacin de 30

Hacer un barreno Rendimiento a la primera 99.9%

608

FMEA de maquinaria

Efectos potenciales como consecuencias de falla de


subsistemas en relacin a seguridad y Las 7 grandes
prdidas
Falla prdidas resultado de una prdida funcional o
reduccin de la funcin sobre una parte del equipo
requiriendo intervencin de mantenimiento

Preparacin y ajustes prdidas que son resultado


de procedimientos de preparacin tal como
herramentado, cambio de modelo o cambio de
molde. Los ajustes incluyen el tiempo muerto usado
para ajustar el equipo para evitar defectos y bajo
rendimiento, requiriendo intervencin del operador o
ajustador

609

FMEA de maquinaria

Tiempo de espera y paros menores


prdidas resultado de interrupciones menores al
flujo del proceso (como atoramiento de
microswitch) requiriendo intervencin del
operador. El tiempo de espera slo se puede
resolver revisando el sistema / lnea completa

Capacidad reducida prdidas que resultan


de la diferencia entre el ciclo de tiempo ideal del
equipo y su tiempo de ciclo real. El tiempo de
ciclo ideal se determina por: a) velocidad
original; b) condiciones ptimas y c) tiempo
mximo de ciclo logrado con maquinaria similar

610

FMEA de maquinaria

Prdidas en el arranque prdidas que ocurren


durante los primeros pasos del proceso productivo
despus de paros largos (fines de semana, das de
azueto, o entre turnos), resultando en rendimiento
reducido o incremento de desperdicio y rechazos

Partes defectivas prdidas que resultan de la


generacin de defectos que producen retrabajo,
reaparaciones, y/o partes no tiles

Herramentales prdidas que resultan de fallas


en el herramental, rotura, deterioracin o
desgaste (vg. Herramientas de corte, tips de
soldadura, etc.)

611

FMEA de maquinaria
Criterios de Severidad

612

FMEA de maquinaria

Causas potenciales, se asume que la maquinaria


se fabric, instal, us, y se dispuso de acuerdo a
sus especificaciones, preguntarse para identificar
causas potenciales lo siguiente:

Cules son las circunstancias que pueden orientar


al componente, subsistema y sistema a no cumplir
sus requerimientos funcionales / de desempeo?

A qu grado pueden los componentes, subsistemas


y sistemas que interactan ser compatibles?

Qu especificaciones garantizan compatibilidad?

613

FMEA de maquinaria
Criterios de Ocurrencia

614

FMEA de maquinaria
Criterios de Deteccin

615

Herramientas de la
Fase de Anlisis
Identificacin de causas potenciales
Cartas Multivari y Anlisis de Regresin
Intervalos de confianza y Pruebas de
Hiptesis
616

Identificacin de causas
potenciales
Tormenta de ideas
Diagrama de Ishikawa
Diagrama de
Relaciones
Diagrama de rbol
Verificacin de causas
raz

617

Tormenta de ideas

Tcnica para generar ideas creativas cuando la mejor


solucin no es obvia.

Reunir a un equipo de trabajo (4 a 10 miembros) en un


lugar adecuado

El problema a analizar debe estar siempre visible


Generar y registrar en el diagrama de Ishikawa un gran
nmero de ideas, sin juzgarlas, ni criticarlas
Motivar a que todos participen con la misma oportunidad

618

Tormenta de ideas

Permite obtener ideas de los participantes

619

Diagrama de Ishikawa

Anotar el problema en el cuadro de la derecha

Anotar en rotafolio las ideas sobre las posibles


causas asignndolas a las ramas
correspondientes a:
Medio ambiente
Mediciones
Materia Prima
Maquinaria
Personal y
Mtodos
o
Las diferentes etapas del proceso de
manufactura o servicio
620

Diagrama de Ishikawa
Medio
ambiente
Clima
hmedo
Distancia de
la agencia al
changarro

Clientes con
ventas bajas
Malos
itinerarios

Mtodos
Frecuencia
de visitas

Posicin de
exhibidores

Falta de
supervi
Falta de
cin
motivacin

Elaboracin
de pedidos

Seguimiento
semanal
Conocimiento
de los
mnimos por
ruta

Descompostura
del camin
repartidor

Maquinara

Personal

Medicin

Materiales

Rotacin de
personal
Ausentismo

Qu
produce
bajas ventas
Calidad del de
Tortillinas
producto
Ta Rosa?
Tipo de
exhibidor

Diagrama de relaciones

Perdida de mercado
debido a la
competencia

No hay flujo
efectivo de mat.
Por falta de
programacin
de acuerdo
a pedidos

Constantes
cancelaciones
de pedidos
de marketing

Falta de prog. De
la op. En base a
los pedidos

Influencia de la
situacin econ del
pas

Falta de
No hay control coordinacin al fincar
de inv..... En proc.
pedidos entre
marketing y la op.
Programacin
deficiente

Capacidad
instalada
desconocida

Las un. Reciben


ordenes de dos
deptos diferentes

Altos
inventarios

Falta de control de
inventarios en
compras

Compras
aprovecha
ofertas

Mala prog. De
ordenes de compra

No hay coordinacin
entre marketing
operaciones

Compra de material
para el desarrollo de
nuevos productos por
parte inv..... Y desarrollo

No hay coordinacin
entre la operacin y las unidades
del negocio

Falta de coordinacin
entre el enlace de compras
Duplicidad Demasiados deptos
de cada unidad con compras
de funciones de inv..... Y desarrollo
corporativo

Falta de com..... Entre


No hay com..... Entre
las dif. reas de
las UN y la oper.
la empresa
Marketing no
tiene en cuenta
cap de p.
No hay com..... Entre compras
con la op. general

Influencia directa de
marketing sobre
compras

Falta de comunicacin
entre las unidades
del negocio

622

Que nos puede provocar Variacin de Velocidad


Durante el ciclo de cambio en la seccin del
Embobinadores?

13/0

2/1

Bandas de
transmisin

Dancer

2/4
0/4
1/2
5/1

Taco generador
del motor
Poleas guas

Presin del
dancer

Mal guiado

1/4 Sensor de velocidad


de lnea

1/4

Sensor
circunferencial

1/1
Empaques de arrastre

Causas a validar

0/3

Presin de aire de trabajo

5/2

Drive principal

4/1
Voltaje del motor
1/5
Ejes principales
1/5
Poleas de transmisin

Entradas
Salidas

Causa
Efecto

What Data Needs to be Collected to


understand the sources of variation in a
key measure ?
Interrelationship Diagraph
Allows a team to identify & classify the cause and effect relationships that exist among
variables

Business Planning Process


Means not
clearly
defined
In = 3 Out = 2

Communication issues
within the
group
In = 1

Driver
Plan not
integrated
In = 2

Out = 4

Out = 3

Fast new
product
introductions
stretch
resources
In = 1 Out = 2

No strong
commitment
to the group
In = 2 Out = 0

Capacity
may not
meet needs
Plannin
approach
not
g
standardiz
ed

In = 5

Outcome

In = 0 Out = 5

Driver

Out = 1

External
factors impact
implementation
In = 0

Out = 2

Lack of
time and
resources
In = 5 Out = 0

Diagrama de rbol o
sistemtico
Meta

Medio
Meta

Medio
Meta

Primer
nivel

Segundo
nivel

Medio
Tercer
nivel
Medios

Cuarto
nivel
Medios

Medios
Medios
o planes
Meta u
objetivo

Medios
o planes

625

Diagrama de Arbol- Aplicacin Sistema SMED


Cmo?
Preparacin
para el SMED

Objetivo?
Implantar el
Sistema
SMED
Producto DJ
2702

Qu?
Elaboramos
un
Diagrama de Arbol
para
poder
analizar
nuestro
problema siguiendo
el sistema SMED.

Fase 1: Separacin
de la preparacin
interna de la externa

Fase 2: Conversin
de preparacin
interna en externa

Fase 3: Refinamiento
de todos los aspectos
de la preparacin.

Cundo?

Filmar la preparacin

5- 12 - Mar-04

Analizar el video

10 y 17 Mar-04

Describir las tareas

17- Mar-04

Separar las tareas

17- Mar-04

Elaborar lista de chequeo

2- Mar-04

Realizar chequeo de
funciones

24- Mar-04

Analizar el transporte de
herramientas y materiales

24- Mar-04

Analizar las funciones y


propsito de c/operacin

12 - Abr- 04

Convertir tareas de preparacin interna a externas

15 Abr - 04

Realizacin de operaciones
en paralelo.

5 May -04

Uso de sujeciones
funcionales.

19 May -04

Eliminacin de ajustes

12- May -04


19

Verificacin de posibles
causas

Para cada causa probable , el equipo


deber por medio del diagrama 5Ws
1H:

Llevar a cabo una tormenta de ideas para


verificar la causa.

Seleccionar la manera que:

represente la causa de forma efectiva, y

sea fcil y rpida de aplicar.

627

Calendario de las actividades


qu?

por qu?

cmo?

cund
o?

dnd
e?

quin
?

1
Tacogenerad
or 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
embobinador
es.

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)

Abril04

1804
Embob
.

J. R.
U. P.

628

Resumen de la validacin de las


causas
# de
Causa

Causas

Resultados

Ensamble de ojillos,
bloques y contrapesos no
adecuados en aspas.

SI ES CAUSA RAIZ

2
3

Amortiguadores daados.

SI ES CAUSA RAIZ

5
6
7

Desgaste de bujes en los


carretes.
Fabricacin y reemplazo de
ejes y poleas no adecuados
en ensamble de aspas.
Desalineamiento de poleas
y bandas de transmisin de
aspas.
Mtodo de Balanceo no
adecuado.
Desalineacin de pinolas
en cuna.

Causa
Raz

NO ES CAUSA RAIZ
NO ES CAUSA RAIZ

SI ES CAUSA RAIZ

SI ES CAUSA RAIZ
NO ES CAUSA RAIZ

X
X

VI.D Mtodos de anlisis


adicionales

630

Mtodos adicionales de
anlisis
1. Anlisis de brecha
2. Anlisis de causa raz
3. Anlisis del Muda

631

VI.D.1 Anlisis de brecha

632

El anlisis de brecha (Gap Analysis) es una


herramienta de evaluacin para comparar el
desempeo actual de la organizacin, a un
desempeo potencial deseado.

Identifica la diferencia de lo que es y lo que


debera ser

633

Anlisis de brecha

Se pueden redirigir los esfuerzos a objetivos como:

Permanecer en el negocio
Mantener o incrementar la participacin del mercado
Mejorar el clima laboral
Igualar o exceder a Benchmarks
Igualar o exceder a la competencia
Reducir tiempos de ciclo
Lograr certificaciones
Mejorar la productividad
Mejorar los niveles de calidad

634

Anlisis de brecha

Se requieren tres categoras de informacin

Dnde estamos?
Dnde queremos ir?
Cmo vamos a medir los resultados?

635

Planeacin de escenarios

Al elaborar planes estratgicos, los directivos


pueden confiarse o ser orgullosos de aceptar
cambios. Por lo que se sugiere considerar
escenarios del mejor y del peor caso, para evitar
errores en la toma de decisiones

Los escenarios permiten imaginar el desempeo


futuro de la organizacin ante riesgos, para
tomar las mejores decisiones y atender estos
eventos. Aunque algunos elementos sean
desconocidos

636

Planeacin de escenarios

El proceso de planeacin es como sigue:

Seleccionar al personal que pueda dar muchas


perspectivas
Desarrollar una lista de cambios percibidos,
sociales, tcnicos y econmicos
Agrupar estas percepciones en patrones
relacionados
Desarrollar una lista de las mejores
percepciones (prioridades)

637

Planeacin de escenarios

El proceso de planeacin es como sigue:

Desarrollar un escenario grueso del futuro


basado en estas prioridades
Determinar como afectan los escenarios a la
organizacin
Determinar los cursos de accin potenciales a
tomar
Monitorear, evaluar, y revisar los escenarios

638

Planeacin de escenarios

Por lo comn se perciben de 6 10 amenazas


u oportunidades en 2 o 3 escenarios
desarrollados. Evitar las siguientes trampas:

No utilizar un facilitador experimentado

Considerar escenarios como pronsticos

Hacer escenarios simplistas

Limitar el impacto global de los escenarios

639

Planeacin de escenarios

Evitar las siguientes trampas..:

No incluir a un equipo directivo en el proceso

Tratar los escenarios solo como actividad


informativa

Limitar el estmulo imaginativo en el diseo del


escenario

No desarrollar escenarios para rea de impacto


clave del negocio

640

Planeacin Hoshin

Es una herramienta de ejecucin, usada para


organizar y desplegar planes estratgicos

Hoshin traduce la visin de la empresa en


resultados medibles dramticos y rupturas
estratgicas

Hoshin se enfoca a identificar los pocos logros


vitales de ruptura
641

Planeacin Hoshin

Tiene seis objetivos:

Alinear las metas organizacionales

Enfocarse en las pocas brechas vitales estratgicas

Trabajar con otros para cerrar las brechas

Especificar los mtodos para lograr los objetivos

Hacer visible el enlace entre planes locales

Mejora continua del proceso de planeacin

642

Otras tcnicas de anlisis


clave

Benchmarking

Anlisis FODA

Anlisis PEST

Las cinco fuerzas competitivas de Porter

643

Evaluacin organizacional

Anlisis funcional con datos de coleccin:

Entrevistas cara a cara


Seleccin de muestra apropiada
Entradas de grupo de enfoque
Observaciones de visitas a la planta
Datos colectados de fuentes de la industria

Se divide a la organizacin en reas funcionales


clave

Liderazgo, prcticas de negocio, anlisis financiero,


mercadotecnia, gestin de la calidad, diseo y
desarrollo, manufactura, salud y seguridad, etc

644

Evaluacin organizacional

Se deben analizar los resultados y presentarlos


a la direccin, quien debe promover e
implementar planes de accin claros

Normalmente el consultor colecta y resume la


informacin en categoras principales para su
revisin por la direccin. Quienes deben
generar e implementar las soluciones y guiar
al xito

645

Mtricas organizacionales

Se establecen metas de desempeo


organizacional y sus mtricas en las reas de:

Utilidades
Tiempos de ciclo
Recursos
Respuestas del mercado

Por cada meta organizacional mayor deben


desarrollarse mtricas, con unidades y
mtodos de medicin.
646

Mtricas organizacionales
Para los anteriores, las mtricas pueden ser:
Utilidades a corto y largo plazo

Valor de acciones, inversin de capital, costos


personales, comparaciones competitivas, ROI,
ventas$

Tiempos de ciclo

Tiempos de ciclo actuales


Benchmarks internos
Benchmarks externos
Reduccin en tiempos de ciclo

647

Mtricas organizacionales

Recursos
No. De proyectos de mejora, ROI de proyectos,
estudios de capacidad de procesos, reducciones de
variabilidad, costos de calidad con relacin a una
base, porcentaje de defectos con relacin a alguna
base

Respuestas del mercado


Encuestas con clientes
Anlisis de devoluciones
Desarrollo de nuevos productos
Retencin de clientes
Prdidas con clientes
Tasas de cortesas e instalaciones

648

Mtricas organizacionales
Las mtricas permiten medir los avances en
relacin a las metas organizacionales

De acuerdo a Juran se debe tomar en cuenta lo


siguiente:

Las mtricas deben tener un significado estndar


Deben apoyar el proceso de toma de decisiones
Deben proporcionar informacin valiosa
Debe ser fcil de instalar
Si son valiosas, deben usarse en todo

Las mtricas se basan en la retroalimentacin


con base en clientes, proveedores, o internas
649

VI.D.2 Anlisis de causa


raz

650

Anlisis de causa raz

Un equipo tiene la responsabilidad de


determinar la causa raz de una deficiencia y
corregirla. Pueden tomar varios pasos:

Situacin (presa con fuga)


Accin inmediata (desahogarla)
Accin intermedia (reparar la presa)
Accin en la causa raz (identificar que caus la
fuga para evitar su recurrencia y reconstruir la
presa)

651

Anlisis de causa raz


Se pueden utilizar las siguientes herramientas:
Herramientas subjetivas:

Preguntar por qu cinco veces, tormenta de ideas,

anlisis de flujo de proceso, PHVA, grupo nominal,

observacin de operacin, diagrama de causa efecto,

tcnicas de consenso, seis sombreros de


pensamiento,

equipos de trabajo, FMEA, FTA

652

Anlisis de causa raz


Se pueden utilizar las siguientes herramientas:
Herramientas analticas:

Coleccin y anlisis de datos

Anlisis de Pareto, anlisis de regresin, hoja de


verificacin

Anlisis de matriz de datos


Anlisis de capacidad de procesos, divisin de
variacin

Subgrupos de datos, experimentos simples, DOE


Pruebas analticas, cartas de control

653

Anlisis de causa raz


Ante una accin correctiva permanente, la
direccin debe determinar si:

El anlisis de causa raz ha identificado el


impacto completo del problema

La accin correctiva es efectiva para eliminar o


prevenir la recurrencia

La accin correctiva es realista y sostenible


654

Los 5 Por qus

Se hace la pregunta Por qu? Cinco veces

Por qu? Nos faltaron partes por mquina


daada
Por qu? La mquina no ha tenido
mantenimiento en los ltimos 3 meses
Por qu? El departamento de mantenimiento se
ha reducido a 6 personas de 8
Por qu? Se pas del presupuesto, les quitaron
el tiempo extra y dos personas
Por qu? La empresa no ha tenido los
resultados esperados y el director ha hecho
recortes para salvar la situacin, teme por su
655
puesto

5Ws y 1H

El mtodo de las 5Ws y 1H se resume al


preguntar quin?, qu?, cundo?, dnde?,
por qu? Y cmo?.

Pueden usarse las ramas del diagrama de


causa efecto

656

Diagrama de causa efecto

Rompe el problema en partes ms pequeas


Muestra muchas causas potenciales
grficamente
Muestra como interactan las causas
Sigue las reglas de la tormenta de ideas
Las sesiones tienen tres partes:

Tormenta de ideas
Dar prioridades (identificar las tres causas
principales)
Desarrollo de un plan de accin

657

Diagrama de Pareto

Sirve para identificar problemas u


oportunidades prioritarias o mayores

De acuerdo a Juran permite identificar los


pocos vitales de los muchos triviales

El principio de Pareto sugiere que unas


cuantas categoras de problemas (20% aprox.)
presentan la mayor oportunidad para la
mejora (80% aprox.)
658

Mtodo de las 8 disciplinas Ford

El mtodo de Ford para el anlisis de causa raz


es:
D1. Establecer el equipo
D2. Describir el problema
D3. Desarrollar una accin de contencin
D4. Identificar la causa raz
D5. Desarrollar alternativas de solucin
D6. Implementar una accin correctiva permanente
D7. Prevenir la recurrencia
D8. Reconocer al equipo y las contribuciones
individuales

659

Anlisis de rbol de falla FTA

FTA es un mtodo sistemtico deductivo, para


definir un evento singular especfico e
indeseable, y determinar todas las posibles
razones (fallas) que pueden hacer que ocurra
el evento

Se utiliza el las primeras fases del diseo como


herramienta para impulsar modificaciones
iniciales de diseo.

660

Anlisis de rbol de falla FTA

Otras reas de su aplicacin son:

Anlisis funcional de sistemas complejos


Evaluacin de requerimientos de seguridad,
confiabilidad,
defectos de diseo,
riesgos de peligro,
acciones correctivas,
simplificacin de mantenimiento y deteccin de
falla,
eliminacin lgica de causas de falla

661

Anlisis de rbol de falla FTA

Se prefiere el FTA en vez del FMEA cuando:

La seguridad el personal es importante


Se pueden identificar un nmero pequeo de
eventos superiores
Hay alto potencial de falla
El problema es cuantificar la evaluacin del
riesgo
La funcionalidad del producto es altamente
compleja
El producto no es reaprables

662

Anlisis de rbol de falla FTA

Se prefiere el FMEA en vez del FTA cuando:

Los eventos superiores no se pueden definir


explcitamente
Son factibles mltiples perfiles potencialmente
exitosos
La identificacin de todos los modos de falla es
importante
La funcionalidad del producto tiene poca
intervencin externa

663

Anlisis de rbol de falla FTA

Smbolos de compuertas lgicas para


determinar la confiabilidad del sistema. Hay
smbolos de eventos y smbolos de compuertas

Smbolos de eventos

Evento superior, falla a nivel sistema o evento


indeseable
Evento bsico, evento falla de ms bajo nivel
a estudiar
Evento de falla, evento de falla de bajo nivel. Puede recibir
entradas o proporcionar salidas a una compuerta lgica

664

Anlisis de rbol de falla FTA

Smbolos de compuertas lgicas

AND. El evento de salida ocurre solo


Si ocurren todos los eventos de entrada
Simultaneamente
OR. El evento de salida ocurre si
Ocurre alguno de los eventos de
La entrada
665

Anlisis de rbol de falla FTA

Ejemplo: se asume que falla el sistema


superior

666

Anlisis de rbol de falla FTA

La probabilidad de falla del sistema es 5.02%.


Se indica que el teclado es prioritario (0.20),
despus la CPU (0.015) y el monitor (0.015)

667

VI.D.3 Anlisis del Muda

668

Anlisis de Muda

Las actividades que no agregan valor se


clasifican como Muda, de acuerdo a Imai son:

Sobreproduccin
Inventarios
Reparaciones / rechazos
Movimientos
Transportes
Re Procesos
Esperas

669

Sobreproduccin

Se produce ms en cierto momento, por:

Producir ms de lo necesario por el siguiente proceso


Producir antes de lo requerido por el siguiente
proceso
Producir ms rpido de lo requerido por el siguiente
proceso

Sus consecuencias son:

Espacio extra en las instalaciones del cliente


Materias primas adicionales en uso
Utilizacin de energticos y transportes adicionales
Costos de programacin adicionales

670

Inventario en exceso

Las partes, materias primas, inventario en proceso,


refacciones y productos terminados forman el
inventario, el inventario es Muda ya que requiere:

Espacio en piso, Transporte, Montacargas


Sistemas de transportadores
Inters sobre el costo de los materiales

Puede verse afectado por:

El polvo, deterioro, obsolescencia


Humedad (oxidacin), dao durante el manejo

671

Inventario en exceso

Las partes, materias primas, inventario en proceso,


refacciones y productos terminados forman el
inventario, el inventario es Muda ya que requiere:

Espacio en piso, Transporte, Montacargas


Sistemas de transportadores
Inters sobre el costo de los materiales

Puede verse afectado por:

El polvo, deterioro, obsolescencia


Humedad (oxidacin), dao durante el manejo

672

Reparaciones / defectos

Las reparaciones o el retrabajo de partes


defectivas significa un segundo intento de
producirlas bien. Se rompe el Takt Time

Puede haber desperdicio de materiales o


productos no recuperable

Si hay defectos, no puede implementarse el


flujo de una pieza
Los cambios de diseo tambin son Muda

673

Movimientos

Los movimientos adicionales del personal son


Muda. Caminar mucho, cargar pesado, agacharse,
estirarse mucho, repetir movimientos, etc.

El lugar de trabajo debe disearse


ergonmicamente, analizando cada estacin de
trabajo

La ergonoma puede causar daos y produccin


perdida

674

Movimientos

Algunas reglas de la ergonoma incluyen:

Enfatizar la seguridad todas las veces


Adecuar el empelado a la tarea
Cambiar el lugar de trabajo para que se adecue
al empleado
Mantener posiciones neutrales del cuerpo
Redisear las herramientas para reducir
esfuerzo y daos
Variar las tareas con rotacin de puestos
Hacer que la mquina sirva al ser humano

675

Reprocesos

Consiste de pasos adicionales en el proceso de


manufactura, por ejemplo:

Remocin de rebabas
Maquinado de partes mal moldeadas
Agregar procesos de manejo adicionales
Realizar procesos de inspeccin
Repetir cambios al producto innecesarios
Mantener copias adicionales de informacin

676

Transportes

Todo transporte es Muda excepto la entrega al


cliente. Incluye:

Uso de montacargas
Uso de transportadores
Uso de movedores de pallets y camiones

Puede ser causado por:

Deficiente distribucin de planta o de celdas


Tiempos de espera largos, reas grandes de
almacenaje, o problemas de programacin

677

Esperas

Ocurre cuando un operador est listo para


realizar su operacin, pero permanece ocioso,
por falla de mquina, falta de partes, paros de
lnea, etc. El Muda de espera puede ser por:

Operadores ociosos
Fallas de maquinaria
Tiempos de ajuste y preparacin largos
Tareas no programadas a tiempo
Flujo de materiales en lotes
Juntas largas e innecesarias

678

Mudas adicionales

Otros mudas adicionales a los 7 desperdicios son:

Recursos mal utilizados


Recursos poco utilizados
Actividades de conteo
Bsqueda de herramientas o partes
Sistemas mltiples
Manos mltiples
Aprobaciones innecesarias
Fallas de mquinas
Envo de producto defectivo al cliente o mal servicio

679

Salidas de la Fase de Anlisis

Causas raz validadas

Gua de oportunidades de mejora

680

Preguntas ejemplo
1. En un sentido amplio, cuantas de las siguientes causas
de variacin en estudios multi vari pueden incluir
elementos de proceso relacionados con el tiempo:
I. Posicional
II. Cilndrica
III. Temporal
a. I y II
c. II y III
b. I y III
d. I, II y III
2. En un estudio de anlisis de regresin con dos variables,
que representa el trmino Beta 1?:
a. La pendiente de la lnea
b. La interaccin de la medicin
c. La interseccin en el eje X
d. La interseccin en el eje Y
3. Se hace un estudio entre la velocidad de coches y su
consumo de gasolina. El coeficiente de correlacin es de
0.35. Despus se encontr que el velocmetro est
equivocado y debi haber marcado 5 km. De ms. Se
recalcula el coeficiente de correlacin, que debe dar:
a. 0.30 b. 0.35 c. 0.40 d. -0.35
681

Preguntas ejemplo
4. La siguiente ecuacin es:
a. La covarianza de X y Y
b. El coeficiente de correlacin de X y Y
c. El coeficiente de determinacin de X y Y
d. La varianza del producto de X y Y
5. Segn la figura, Cul de las afirmaciones siguientes es
falsa?

I. El coeficiente de correlacin es negativo


II. El coeficiente de determinacin es positivo
III. El coeficiente de determinacin es menor que el
coeficiente de correlacin
a. Slo I
c. Slo III
b. Slo II
d. II y III

682

Preguntas ejemplo
6. Un problema de correlacin:
a. Se resuelve estimado el valor de la variable
dependiente para varios valores de la variable
independiente
b. Considera la variacin conjunta de las dos
mediciones, ninguna de las cuales es
restringida por el experimentador
c. Es un caso donde la distribucin relevante
debe ser geomtrica
d. Se resuelve al asumir que las variables son
normales e independientemente distribuidas
con media cero y varianza s

683

Preguntas ejemplo
7. Una muestra aleatoria de tamao n se toma de una gran
poblacin con desviacin estndar de 1.0. El tamao de
muestra se determina de manera que haya un 0.05 de
probabilidad de riesgo de exceder 0.1 de error de tolerancia
al usar la media de la muestra para estimar la Mu. Cul de
los siguientes valores es el ms cercano al tamao de muestra
requerido?
a. 365

b. 40

c. 200

d. 100

8. La diferencia entre poner alfa de 0.05 y alfa igual a 0.01 en


una prueba de hiptesis es:
a. Con alfa de 0.05 se tiene mayor tendencia a cometer un error
tipo I
b. Con alfa de 0.05 se tiene ms posibilidad de riesgo de cometer
un error tipo II
c. Con alfa de 0.05 es una prueba ms conservadora de la
hiptesis nula Ho
d. Con alfa de 0.05 se tiene menos posibilidad de cometer un
error tipo I
9. Si un tamao de muestra de 16 tiene un promedio de 12 y una
desviacin estndar de 3, estimar el intervalo de confianza
para un nivel de confianza del 95% para la poblacin (asumir
684
una distribucin normal)

Preguntas ejemplo
10. En una muestra aleatoria de 900 vehculos, 80% tienen
frenos ABS. Cul es el intervalo del 95% para el
porcentaje de vehculos con frenos ABS?
a. 0.778 0.821 c. 0.639 0.964
b. 0.771 0.829
d. 0.774 0.826
11. Determinar si los siguientes dos tipos de misiles tienen
diferencias significativas en sus varianzas a un nivel del
5%:
Misil A:61 lecturas
Varianza = 1.347 km2.
Misil B:31 lecturas
Varianza = 2.237 km2.
a. Hay diferencia significativa ya que Fcalc < Ftablas
b. No hay diferencia significativa por que Fcalc < Ftablas
c. Hay diferencia significativa por que Fcalc > Ftablas
d. No hay diferencia significativa pro que Facla > Ftablas
12. El valor crtico para t, cuando se hace una prueba t de
dos colas, con muestras de 13 y alfa de 0.05 es:
a. 1.782
c. 2.064
b. 2.179
d. 1.711

Preguntas ejemplo
13. Tres personas en entrenamiento se les proporciona el mismo
lote de 50 piezas y se les pide que las clasifiquen como buenas
o defectuosas, con los resultados siguientes:
Persona

Para determinar si hay o no hay diferencia en la habilidad de las


tres personas para clasificar adecuadamente las partes, cul
de los siguiente es (son) verdadero?
I. El valor calculado de Chi cuadrada es de 6.9
II. Para un nivel de significancia de 0.05, el valor crtico de Chi
cuadrada es de 5.99
III. Como el valor calaculado de Chi cuadrada en mayor a 5.99, se
rechaza la hiptesis nula
a. Slo I
c. Slo II
b. I y II
d. I, II y III
14. Un anlisis de varianza de dos vas tiene r niveles para una
variable y c niveles para la otra, con dos obseraciones por
celda. Los grados de libertad para la interaccin son:
a. 2 (r ) (c ) b. (r-1) (c-1)
c. rc 1 d. 2 (r -1) (c 1)

Preguntas ejemplo
15. Los supuestos bsicos del anlisis de varianza oncluyen:
I. Las observaciones vienen de poblaciones normales
II. Las observaciones vienen de poblaciones con vaianzas
iguales
III. Las observaciones vienen de poblaciones con medias
iguales
a. I y II
c. II y III
b. I y III
d. I, II y III

16. El valor terico esperado para una celda en la tabla de


contingencia se calcula como:

Preguntas ejemplo
17. Cul de las siguientes afirmaciones son verdaderas en
relacin a las pruebas no paramtricas?
I. Tienen mayor eficiencia que sus equivalentes pruebas
paramtricas
II. Pueden ser aplicadas a estudios de correlacin
III. Requieren supuestos acerca de la forma oi naturaleza de
las poblaciones involucradas
IV. Requieren clculos que son ms difciles que sus
equivalentes pruebas paramtricas
a. Slo II
c. II y IV
b. I y III
d. I, II y III