Академический Документы
Профессиональный Документы
Культура Документы
Programa de certificación
de Black Belts
1
Seis Sigma - Mejora
A. Diseño de experimentos
1. Introducción y terminología
2. Tipos de experimentos
3. Planeación de experimentos
4. Experimentos de un factor – ANOVA
Una vía o dirección
Una variable de bloqueo, dos vías o direcciones
Dos variables de bloqueo – CUADRADO LATINO
Tres variables de bloqueo – CUADRADO GRECOLATINO
5. Experimentos factoriales 2K de dos niveles
H. Implementación de soluciones
2
Fase de mejora
Propósito:
Desarrollar, probar e implementar soluciones que atiendan a
las causas raíz
Salidas
Acciones planeadas y probadas que eliminen o reduzcan el
impacto de las causas raíz identificadas
3
FASE DE MEJORA
Causas
raíz Técnicas de
Diseño de creatividad
experimentos Tormenta de
ideas
Optimización Ideas Metodología
TRIZ
Evaluación de soluciones
(Fact., ventajas, desventajas)
¿Solución
No factible?
Si
Implementación de
soluciones y verificación
de su efectivdad
Soluciones
verificadas
4
VII.A Diseño de Experimentos
(DOE)
5
VII.A Diseño de experimentos
1. Introducción y terminología
2. Principios de diseño
3. Planeación de experimentos
4. Experimentos de un factor
6
VII.A.1 Introducción y
terminología
7
Perspectiva histórica
Ronald Fisher los desarrolla en su estación agrícola
experimental de Rothamsted en Londres (ANOVA)
1930
PRESION
Zona Máxima Conclusión de la Prueba
2 4
PRESION
Optimo
PRESION
Respuesta Máxima
Conclusión de la Prueba
TEMPERATURA TEMPERATURA
10
Introducción
El DOE varia varios factores simultáneamente de
forma que se puede identificar su efecto combinado
en forma económica:
Diseño de
Proceso
Producto
12
Diseño de experimentos
Proceso proactivo y estructurado para investigar las
relaciones entre los factores de entrada (x’s) y salida
(y) de un proceso.
13
Diseño de experimentos
Factores conocidos no controlados
w1 w2 w3 w4 ... ws
E
N x1 y1 S
T A
L
R x2 y2 I
A
D .. PROCESO ..
.
D
A
A .
S
S ym
xa
Variables de respuesta (y’s)
Factores con niveles (CTQ’s)
(x’s)
z1 z2 z3 z4 ... zn
Factores desconocidos
14
Planeación empírica
versus planificada
Planear Fase 1
E
N S
Experimentar
I F
V U
E E Analizar
L R
Z
O
D
E
Tiempo
E
S
F E Fase 2
U S Planear Experimentar
E F
R U
Z E Analizar
O Planear Trabajar a Analizar R
Z
prueba O
y error Tiempo
15
El Diseño de experimentos tiene
como objetivos determinar:
Las X’s con mayor influencia en las Y’s
16
Términos
Obtención de réplicas: repetición del experimento (5
resultados en cada corrida experimental)
Bloqueo
- Orden de corridas aleatorio en cada bloque
(Ej. , bloque de tiempo: AM vs PM, o Día 1 vs Día 2).
17
Términos
Bloques:
Unidades experimentales homogéneas
Bloqueo
Cuando se estructuran experimentos factoriales
18
Términos
Error experimental
Variación en respuesta bajo las mismas condiciones de
prueba. También se denomina error residual.
Fraccional
Un arreglo con menos experimentos que el arreglo
completo (1/2, ¼, etc.)
Factorial completo
Arreglo experimental que considera todas las
combinaciones de factores y niveles
Interacción
Ocurre cuando el efecto de un factor de entrada en la
respuesta depende del nivel de otro factor diferente
19
Términos
Nivel o Tratamiento
Un valor específico para un factor controlable de
entrada (100ºC, 120ºC, 140ºC)
Efecto principal
Un estimado del efecto de un factor
independientemente del efecto de los demás
Optimización
Hallar las combinaciones de los factores que maximizen
o minimizen la respuesta
20
Términos
Colinealidad
Ocurre cuando 2 variables están completamente
correlacionadas
Confundidos
Cuando el efecto de un factor no se puede separar del
efecto de alguna de sus interacciones (A y BC, B y AC)
21
Términos
Correlación
Un número entre -1 y +1 que indica el grado de
Covarianza
Cosas que cambian durante los experimentos pero no
22
Términos
Curvatura
Comportamiento no lineal que requiere un modelo de
al menos segundo grado
Primer orden
Se refiere a la potencia a la cuál un factor aparece en
el modelo. Si la “X” representa un factor y “B” su
efecto, entonces el siguiente modelo es de primer
orden para X1 y X2:
Fraccional
Un arreglo con menos experimentos que el arreglo
completo (1/2, ¼, etc.)
25
Factoriales completos
vs fraccionales
Un diseño factorial completo es el que contiene todos los
niveles de todos los factores, no se omite ninguno
Un diseño factorial fraccional es un diseño experimental
balanceado donde que contiene menos combinaciones de
todos los niveles y factores. Por ejemplo para 3 factores y
2 niveles se tiene:
26
Términos
Experimento con mezclas
Experimentos en los cuales las variables se expresan
como proporciones del todo sumando 1.0
Experimentos aleatorios
Reduce la influencia de variables extrañas en la
experimentación
Error residual (e o E)
Es la diferencia entre los valores observados y los
estimados por un modelo determinado empíricamente.
Puede ser la variación en resultados de condiciones de
prueba virtualmente idénticas
27
Términos
Resolución I
Experimentos donde se varia sólo un factor a la vez
Resolución II
Experimentos donde algunos efectos principales se
confunden, es indeseable
Resolución III- Exp. fraccionales
Experimentos fraccionales donde no se confunden los
efectos principales entre sí, sólo con sus interacciones
de dos factores
Resolución IV- Exp. fraccionales
No se confunden los efectos principales ni con sus
interacciones pero si lo hacen las interacciones entre si
28
Términos
Resolución V – Exp. Fraccionales
Sólo puede haber confusión entre interacciones de dos
factores con interacciones de tres factores o de mayor
orden
31
Tipo de Diseño de Experimentos
Experimentación No es posible
posible experimentar
Diseños Diseños
Activos Pasivos
a b
32
a Diseños
Ortogonales
De filtraje
De Optimización De Caracterización
Diseños a 2 niveles Factores
con más de Diseños de
<5 4-15 > 15 2 niveles Superficie de
Factores Factores Factores Diseños Respuesta
Diseños Diseños <4 >4 con
Factorial Factores Factores
Factorial Punto
Completo Fraccionado Central
d
Factorial completo
Taguchi
Diseños
(2k) (2k-p) Plackett-Burman
Diseños
Bloqueado Ininterrumpida
Bloqueado Ininterrumpida
g
Diseños
Ejecución
Ejecución
en partes
en partes
Ejecución
Ejecución
Bloqueado
Bloqueado
2k-p no
2k no
2k-p
2k
33
2k con punto Ejecución
Central no Ininterrumpida
Bloqueado <5
Factores
2k con punto
Completo
Central Ejecución
en partes
Diseños Factorial
Bloqueado
4-15
caracterización
Factores
Central
en partes
Diseños Factorial
Bloqueado
> 15
Box-Behnken
(CCD) Diseño “Centrado en las caras”
Diseño
(CCF)
Bloqueado In-interrumpida
Bloqueado In-interrumpida
Ejecución
en partes
Ejecución
Ejecución
en partes
Ejecución
Bloqueado
CCD no
Bloqueado
CCD
CCF no
CCF
35
Diseño Todos los
Vértices Extremos factores son
Sin factores dependientes
de Proceso
Vértices Extremos
Diseños
Vértices
+ Factorial 2k
<5
F.I.*
Extremos
Algunos
Con
Vértices Extremos factores son
+ Factorial 2k-p Independientes
Restricciones
>3
F.I.*
Diseño Todos los
Simplex-Lattice factores son
Sin factores dependientes
De filtraje
de Proceso
b
Simplex-Lattice
Diseños
+ Factorial 2k
<5
F.I.*
Algunos
Simplex-Lattice
>3
F.I.*
Mezclas
S.L.** Aumentado
+ Factorial 2k
<5
F.I.*
Aumentado
Algunos
De Optimización
>3
F.I.*
Diseños Simplex
Simplex-Centroide
De Caracterización
+ Factorial 2k
<5
Centroide
F.I.*
Algunos
36
factores son
Diseños Simplex
Simplex-Centroide
+ Factorial 2k-p Independientes
>3
F.I.*
Aplicación del DOE
Selección entre diversas alternativas
37
VII.A.3 Planeación de
experimentos
38
Pasos del DOE
Establecer objetivos
Seleccionar variables del proceso
40
Selección y escala
de variables del proceso
Las variables de proceso incluyen ambas entradas y
salidas, es decir factores y respuestas. La selección
de estas variables debe:
Incluir todos los factores relevantes
bajos y altos
Evitar ajustes de factores para combinaciones
imprácticas o imposibles
Incluir todas las respuestas relevantes
mediciones de proceso
Evitar valores extremos en los factores de entrada
41
Guías de diseño
Número de Objetivo Objetivo de Objetivo de
factores comparativo filtraje de superficie de
factores respuesta
1 1- factor - -
completamente
aleatorizado
2-4 Diseño Factorial Diseño central
aleatorizado completo o compuesto o
por bloques fraccional Box-Behnken
5 o más Diseño Factorial Fltrar primero
aleatorizado fraccional o para reducir el
por bloques Placket Burman número de
factores
42
Supuestos experimentales
¿Son capaces los sistemas de medición para todas las
respuestas?
¿Es estable el proceso?
43
Interacciones
Interacción
Ocurre cuando el efecto de un factor de entrada en la
respuesta depende del nivel de otro factor de entrada
diferente
44
Interacciones
Una interacción ocurre cuando el efecto de un factor de
entrada en la salida depende del nivel de otro factor de
entrada. A veces se pierden con los diseños factoriales
fraccionales
45
Lista de verificación
típica del DOE
Definir los objetivos del experimento
46
Lista de verificación
típica del DOE
Asignar niveles a cada variable independiente en
función del conocimiento sobre el proceso
Establecer conclusiones
47
El método iterativo del DOE
Mientras que un experimento puede dar un resultado
útil, es más común realizar dos o tres o más
experimentos antes de dar una respuesta completa.
Esto es mejor y más económico.
48
Pasos para Diseñar y Realizar un
Diseño de Experimentos
1. Observar datos históricos y/o recolectar datos para
establecer la capacidad actual del proceso debe estar
en control estadístico.
51
Pasos para Diseñar y Realizar un
Diseño de Experimentos
52
Ejemplo: Proceso de atención a clientes
en un Call Center
Objetivos de los experimentos
Horas de atención
54
Ejemplo: Proceso de atención a clientes
en un Call Center
Variables que no se pueden o desean controlar Z’s –
Variables de ruido
Edad del ejecutivo de cuenta
Distribución del Call Center
Día del año
Medio ambiente
Horarios de comida
55
Los Factores Pueden Afectar...
1. La Variación del Resultado 3. La Variación y el Promedio
Con
Banda ancha
Entren.
Sin
Banda
entren.
angosta
Meta
2. El Valor Mínimo es el Mejor
Tendencia de • Tiempo de Ciclo
salida hacia cero
• Tiempo de
conexión
0
3. El Valor Máximo es el Mejor Tendencia de salida • Confiabilidad
hacia arriba • Satisfacción
57
Estrategia cuando
el “Valor Meta es Mejor”
Meta
58
Estrategia cuando el
“Valor Mínimo es Mejor”
Tendencia de
salida baja
-1=Nivel Bajo 60
+1=Nivel Alto
VII.A.4 Experimentos de un factor
61
Contenido
ANOVA de un factor, una vía o una dirección
62
ANOVA para un factor
o dirección
63
ANOVA – Prueba de hipótesis para
probar la igualdad de medias de
varias poblaciones para un factor
Se trata de probar si el efecto de un factor o
Tratamiento en la respuesta de un proceso o sistema es
Significativo, al realizar experimentos variando
Los niveles de ese factor (Temp. 1, Temp. 2, Temp.3, etc.)
Ho : 1 2 3 ......... a
Ha : A lg unas. ' s.son.diferentes
64
ANOVA - Condiciones
Todas las poblaciones son normales
65
ANOVA – Ejemplo de datos
Niveles del Factor Peso % de algodón y Resistencia de tela
Peso porc. Respuesta
de algodón Resistencia de la tela
15 7 7 15 11 9
20 12 17 12 18 18
25 14 18 18 19 19
30 19 25 22 19 23
35 7 10 11 15 11
66
ANOVA – Suma de
cuadrados total
Xij
Gran media
Xij
a b 2
SCT ( Xij X )
i 1 j 1
67
ANOVA – Suma de cuadrados de
renglones (a)-tratamientos
Media Trat. 1 Media Trat. a
a renglones
Gran media
Media trat. 2
SCTr b( X i X ) 2
i 1
68
ANOVA – Suma de cuadrados
del error
X2j X3j
X1j
Media X1.
Media X3.
Media X2.
a b
SCE (X ij X i) 2
i 1 j 1 69
ANOVA – Suma de cuadrados
del error
X2j X3j
X1j
Media X1.
Media X3.
Media X2.
gl.SCT n 1
gl.SCTr a 1
gl.SCE (n 1) (a 1) n a
71
ANOVA – Cuadrados medios:
Total, Tratamiento y Error
MCT SCT /( n 1)
MCTr SCTr /( a 1)
MCE SCE /( n a )
72
ANOVA – Cálculo del estadístico
Fc y Fexcel
MCTr
Fc
MCE
Fexcel FINVALFA , gl. SCTr , gl.SCE
73
Tabla final de ANOVA
TABLA DE ANOVA
Regla: Rechazar Ho si la Fc de la muestra es mayor que la F de Excel para una cierta alfa
o si el valor p correspondiente a la Fc es menor al valor de alfa especificado
74
ANOVA – Toma de decisión
Distribución F Fexcel
Alfa
Fc
75
ANOVA – Toma de decisión
O si el valor de p correspondiente a Fc es
menor de Alfa se rechaza Ho
76
ANOVA – Identificar las medias
diferentes por Prueba de Tukey T
CME
T q , a , n a
b
Para diseños balanceado
(mismo número de columnas
en los tratamientos) el valor
de q se determina por medio de
la tabla en el libro de texto
77
ANOVA – Identificar las medias
diferentes por Prueba de Tukey T
Se calcula la diferencia Di entre cada par de Medias Xi’s:
D1 = X1 – X2 D2 = X1 – X3 D3 = X2 – X3 etc.
78
ANOVA – Identificar las medias
diferentes por Prueba de Diferencia
Mínima Significativa DMS
2(CME ) F ,1,n a
DMS
b
Para diseños balanceados (los tratamientos
tienen igual no. De columnas), se calcula un
factor DMS contra el que se comparan las
diferencias Xi – Xi’. Significativas si lo exceden
79
Prueba DMS para Diseños no
balanceados
1 1
DMS j ,k (CME ) F ,a 1,n a
b j bk
Para diseños no balanceados (los
tratamientos tienen diferente no. De
columnas), se calcula un factor DMS
Para cada una de las diferencias Xi – Xi’
80
ANOVA Para un factor
principal y una variable de
bloqueo
81
Diseños aleatorizados bloqueados
Cuando cada grupo homogéneo del experimento
contiene exactamente una medición en cada
tratamiento, el plan experimental se denomina plan
aleatorizado bloqueado. Ver el ejemplo siguiente:
82
Diseños aleatorizados bloqueados
Un ejemplo de diseño de bloques incompleto para la
respuesta a la tensión es:
83
ANOVA – Prueba de hipótesis para
probar la igualdad de medias de
varias poblaciones con dos vías
Se trata de probar si el efecto de un factor o
Tratamiento en la respuesta de un proceso o sistema es
Significativo, al realizar experimentos variando
Los niveles de ese factor (Temp.1, Temp.2, etc.)
POR RENGLON
Y
Considerando los niveles de otro factor que se piensa
Que tiene influencia en la prueba –VARIABLE DE BLOQUEO
POR COLUMNA
84
ANOVA – Prueba de hipótesis para
probar la igualdad de medias de
varias poblaciones con dos vías
Para el tratamiento – en renglones
Ho : 1 2 3 ......... a
Ha : A lg unas. ' s.son.diferentes
Para la variable de bloqueo – en columnas
87
ANOVA de 2 vías – Suma de
cuadrados, gl. y Cuadrado medio
para el factor de bloqueo (en cols)
b
SCBl a ( X j X ) 2
j 1
gl.SCBl b 1
CMBl SCBl /(b 1)
88
ANOVA de 2 vías – Suma de
cuadrados, gl. y Cuadrado medio
para el error
89
ANOVA – Cálculo del estadístico
Fc y Fexcel
MCTr
Fc
MCE
Fexcel FINVALFA , gl. SCTr , gl.SCE
90
ANOVA de 2 vías – Cálculo del
estadístico Fcbl y Fexcel bloques
(columnas)
MCBl
Fc
MCE
Fexcel FINVALFA , gl. SCBl , gl .SCE
91
Tabla final ANOVA 2 vías
FUENTE DE VARIACIÓN SUMA DE GRADOS DE CUADRADO VALOR F
CUADRADOS LIBERTAD MEDIO
Regla: No rechazar si la F de la muestra es menor que la F de Excel para una cierta alfa
92
ANOVA – 2 vías Toma de decisión
Distribución F Fexcel
Alfa
Fc
Tr o Bl 93
ANOVA – 2 vías Toma de decisión
94
Cálculo de los residuales
ˆ ij yi . y. j y..
y Y estimada
eij yij y
ˆ ij Error o residuo
96
ANOVA para un factor
principal y dos o tres variables
de bloqueo
CUADRADO LATINO Y
GRECOLATINO
97
ANOVA – 3, 4 y 5 vías
El diseño de Cuadrado latino utiliza dos variables de
bloqueo adicionales al factor de Tratamiento
98
ANOVA – Diseño de Cuadrado Latino
Este diseño es útil para incluir dos fuentes de no homogeneidad
en las condiciones que afectan los resultados de las pruebas
misma
No debe hacer interacciones esperadas entre los factores de
filas y columnas
99
ANOVA – Diseño de Cuadrado Latino
Se prueban 5 autos, con 5 carburadores diferentes
para determinar el consumo de gasolina con 5
chóferes en un cuadrado latino de 5 x 5.
100
ANOVA – Cuadrado Latino:
Factor principal (A,B,C,D)
b
SCTr a ( X Tr X ) 2
j 1
gl.SCTr a 1 b 1
CMTr SCTr /(b 1)
101
ANOVA – Cuadrado Latino: Cálculo
del error
102
ANOVA – Cálculo del estadístico
Fc y Fexcel
MCTr
Fc
MCE
Fexcel FINVALFA , gl. SCTr , gl.SCE
103
ANOVA – Cuadrado Latino Reng / Col
MC Re ng
Fcreng
MCE
MCCols
Fcols
MCE
Fexcel FINVALFA , gl.SCBl , gl.SCE
104
Tabla final ANOVA vías Factores
FUENTE DE VARIACIÓN SUMA DE GRADOS DE CUADRADO VALOR F
CUADRADOS LIBERTAD MEDIO
105
Cuadrado Latino
Años exp. Turno
Empleado Mañana Tarde Noche
1 B=15 A=18 C=11
Emplead Respuest
Maquina Turno o a
B M 1 15
A T 1 18
C N 1 11
A M 2 12
B T 2 20
C N 2 9
A M 3 17
C T 3 19
B N 3 10
107
Cuadrado Latino - Minitab
Stat>ANOVA> General Linear Model
108
Cuadrado Latino - Minitab
Results
Factor Type Levels Values
Maquina fixed 3 A, B, C
Turno fixed 3 M, N, T
Empleado fixed 3 1, 2, 3
18
16
14
12
10
Mean
A B C M N T
Empleado
18
16
14
12
10
1 2 3
110
Diseño de cuadrado Greco Latino
Es una extensión del diseño Cuadrado Latino con una
variable de bloqueo extra para tener 3 variables de
bloqueo, por ejemplo si se agrega el día se tiene:
111
ANOVA – Cuadrado Grecolatino
b
SCG a ( X m X ) 2
m 1
gl.SCG b 1
CMG SCG /(b 1)
112
ANOVA de 4 vías – Suma de
cuadrados, gl. y Cuadrado medio
para el error
113
ANOVA – Cálculo del estadístico
Fc y Fexcel
MCG
Fc
MCE
Fexcel FINVALFA , gl. SCTr , gl.SCE
114
ANOVA – Cuadrado Grecolatino
MCTr
Fc
MCE
Fexcel FINVALFA , gl. SCBl , gl .SCE
115
Tabla final ANOVA 2 Factores
FUENTE DE VARIACIÓN SUMA DE GRADOS DE CUADRADO VALOR F
CUADRADOS LIBERTAD MEDIO
116
Cuadrado Greco Latino
Experiencia de los operadores
Lotes MP 1 2 3 4 5
117
Cuadrado Greco latino en Minitab
Se introducen las respuestas en una columna C1
Se introducen los subíndices de los renglones en una
columna C2
119
Diseño de cuadrado hipergrecolatino
Permite el estudio de tratamientos con más de tres
variables de bloqueo, por ejemplo:
120
VII.A.5 Experimentos factoriales 2K
121
Diseños factorial completo 2K
ALTO
ALTO
Representa- B
ción Gráfica BB ALTO
BAJO
C
BAJO
A
ALTO BAJO
BAJO
AA Factor
BAJO ALTO
Prueba A B C
AA BB 1 - - -
2 + - -
1 - - 3 - + -
Representa-
ción Tabular 2 + - 4
5
+
-
+
-
-
+
3 - + 6 + - +
7 - + +
4 + + 8 + + +
122
Experimentos de Factoriales Completos-
todas las combinaciones
Niveles
Factores Bajo Alto
Temperatura 350° 400°
Tiempo 1min. 2min.
1 2 1 2 3
2 Niveles 3 Niveles
124
Diseños de Dos Niveles
• Una estrategia que frecuentemente se emplea es
la de considerar un gran número de factores, cada
uno dispuesto en dos niveles para identificar los
factores que son significativos.
125
Determinación del Número de
Combinaciones de Prueba
El número de combinaciones de prueba para un
factorial completo con factores k, cada uno en dos
niveles es:
n2k
Por lo tanto, a estos diseños se les
conoce como diseños 2k .
126
Codificación de los
Niveles de los Factores
Los niveles de los factores para los diseños 2k
se codifican como: Nivel bajo = -1 Nivel alto = +1
127
Experimento factorial completo –
sin interacción
Un experimento factorial completo es un experimento donde se
prueban todas las posibles combinaciones de los niveles de todos los
factores.
Factor A:
-1 +1
+1 30 52
Factor B: Y = Respuesta
-1 20 40
Respuesta
Promedio
B = -1 20 40
A = -1 A = +1
129
Experimento sin interacción
Respuesta
52
+1
B=
1 40
30 B =-
20
A = -1 A = +1
130
Modelo de regresión lineal
y b 0 b1 x1 b 2 x2 b12 x1 x2
bˆ (20 40 30 52) / 4 35.5
0
bˆ1 21/ 2 11
bˆ2 11/ 2 5.5
bˆ12 1/ 2 0.5
ˆ 35.5 10.5 x1 5.5 x2 0.5 x1 x2
y
El coeficiente 0.5 es muy pequeño dado que no hay interacción
131
Gráfica de contornos – Experimentos
sin interacción
1 49 Dirección
De ascenso
46 rápido
.5 40
X2 34
0
28
-.5 22
-1
X1 -1 -.6 -.4 -.2 0.0 +.2 +.4 +.6 +.8 +1
132
Superficie de respuesta –
Experimentos sin interacción
Y = respuesta
Superficie de respuesta
X1
X2
133
Experimento factorial completo –
con interacción
Un experimento factorial completo es un experimento donde se
prueban todas las posibles combinaciones de los niveles de todos los
factores.
Factor A = X1 :
-1 +1
+1 40 12
Y = Respuesta
Factor B = X2:
-1 20 50
134
Experimento con interacción
B = +1 40 12
Respuesta
Promedio
B = -1 20 50
A = -1 A = +1
135
Modelo de regresión lineal
y b 0 b1 x1 b 2 x2 b12 x1 x2
bˆ (20 40 30 52) / 4 30.5
0
bˆ1 2 / 2 1
bˆ2 18 / 2 9
bˆ12 58 / 2 29
ˆ 30.5 1x1 9 x2 29 x1 x2
y
El coeficiente -29 es muy grande representando la interacción
137
Gráfica de contornos
1 49 Dirección
De ascenso
25 43 rápido
.5
40
X2 31 34
0
28
-.5
-1
X1 -1 -.6 -.4 -.2 0.0 +.2 +.4 +.6 +.8 +1
138
Superficie de respuesta –
Experimentos con interacción
Superficie de respuesta
139
Experimento factorial con réplicas
Un experimento factorial con réplicas tiene varios
resultados bajo la misma combinación de niveles
Factor A :
Horas entrenamiento
70 90
Factor B: 30’ y1 y5
Acceso al y2 Y = Tiempo de
Y6
sistema respuesta
y3 y7
60’
y4 y8
140
Análisis del efecto de la media
Factor A :
Horas de entrenam.
70 90
Factor B:
90 84
Acceso al 30 min.
87 87 Y = Tiempo de
sistema
95 79 conexión
60 min.
92 78
141
El Efecto del entrenamiento
Factor B : Factor A : Horas de
Tiempo de entrenamiento
acceso
A1 = 70 A2 = 90
B1 = 30 min.
90 84
87 87
B2 = 60 min.
95 79
95
Tiempo de conexión
92 78 91
90
A1 = 90 + 87 + 95 + 92 = 91
85
82
4 80
84 + 87 + 79 + 78 = 82
A2 = 70 o
90
4
B1 = 30 min.
90 84
87 87
B2 = 60 min.
95 79
92 78 95
Tiempo de conexión
90 87
86
B1 = 90 + 87 + 84 + 87 = 87
85
4 80
95 + 92+ 79 + 78 = 86
B2 = 30 min. 60 min.
4
Factor B : Tiempo de o
A1 = 70 A2 = 90 o
acceso
B1 = 30 90 84
min. 87 87
B2 = 60 95 79
95
Tiempo de conexión
min. 92 78
70
A1 A2 90
B1 88.5 85.5
85
90
B2 93.5 78.5 80
30 min. 60 min.
A,B, = 90 + 87 = 88.5
2
• En una gráfica de interacción, las líneas paralelas indican que no hay interacción. ¿Por qué?
• ¿Las horas de entrenamiento y el tiempo de acceso parecen interactuar?
• ¿Qué niveles de los factores deben usarse para reducir al mínimo la dureza de
las partes? 144
Corrida con Minitab – Creación del diseño
para 2 factores 2 niveles
Stat > DOE > Factorial > Create Factorial Design
o Two level
Designs: Number of center points 0
Number of Replicates 2
Number of blocks 1 OK
RESIDUALS
La gráfica NORMAL PLOT de residuos debe mostrar los puntos
cerca de la recta
La gráfica de residuos RESIDUALS vs FITS debe mostrar
aleatoriedad en los residuos
148
Corrida con Minitab –
Interpretación de resultados
Estimated Effects and Coefficients for Res (coded units)
149
Tabla ANOVA – Experimento de
Tiempo de respuesta
Las horas de
Origen DF SS Sec SS Aj MS Aj F P
entr. son
significativas.
Temp 1 162.000 162.00 162.00 46.29 0.002
El Tiempo de
Tiempo 1 2.000 2.000 2.000 0.57 0.492 acceso, no es
significativo.
Temp* 1 72.000 72.000 72.000 20.57 0.011
Tiempo
La interacción
Error 4 14.000 14.000 3.500 del tiempo de
acceso y horas
Total 7 250.000 de entr. es
significativa.
150
Corridas con Minitab – Gráficas
factoriales
Crear las gráficas factoriales y de interacción:
151
Interpretación de gráficas
Si la interacción es significativa, entonces los mejores
niveles de operación del proceso ya sea para
maximizar o para minimizar la respuesta Y, se
seleccionan de la Gráfica de Interacción
152
Gráfica de efectos principales
Main Effects Plot (data means) for Res
90
88
Res
86
84
82
A B
153
Gráfica de interacciones
Interaction Plot (data means) for Res
A
-1
1
90
Mean
85
80
-1 1
B
154
Corridas con Minitab – Gráficas de
contorno y superficie de respuesta
Crear las gráficas de contorno y superficies de respuesta:
Stat > DOE > Factorial > Contour/Surface Plots
Seleccionar OK
155
Gráfica de contorno
Contour Plot of Res
1 82.5
85.0
87.5
90.0
92.5
0
B
-1
-1 0 1
A
95
90
Res 85
80 1
-1
0 B
0 -1
A 1
157
Diseños de experimentos de tres
factores dos niveles
158
Factorial Completo con 3 Factores
159
Factorial completo con 3 factores
Corrida A B C
1 -1 -1 -1
2 +1 -1 -1
3 -1 +1 -1
4 +1 +1 -1
5 -1 -1 +1
6 +1 -1 +1
7 -1 +1 +1
8 +1 +1 +1
160
Diseño 23 con Columnas
de Interacción
Fila A B C AB AC BC ABC
1 -1 -1 -1 +1 +1 +1 -1
2 +1 -1 -1 -1 -1 +1 +1
3 -1 +1 -1 -1 +1 -1 +1
4 +1 +1 -1 +1 -1 -1 -1
5 -1 -1 +1 +1 -1 -1 +1
6 +1 -1 +1 -1 +1 -1 -1
7 -1 +1 +1 -1 -1 +1 -1
8 +1 +1 +1 +1 +1 +1 +1
167
Tabla de Respuesta
para las Medias
A B C Prom. A B C
1. - - - 19.10
– 18.92 19.04 19.26
2. + - - 19.39
3. - + - 19.12 + 19.19 19.06 18.85 Es el Efecto
más Grande
4. + + - 19.41 0.27 0.02 -0.41
5. - - + 18.72
6. + - + 18.96 También es un
7. - + + 18.72 Efecto significativo
8. + + + 18.99
168
Gráficas de los Efectos de los
Factores (Medias)
Gráfica de Efectos Principales (medias de los
datos) para Dimensión
19.25 -1 1 -1 1 -1 1
19.15
Dimensión
19.05
18.95
18.85
A B C
169
La Interacción AB
A B C AB = ( A x B) = AB
1. – – – + = (-1 x -1) = +1
2. + – – – = (+1 x -1) = -1
3. – + – – = (-1 x +1) = -1
4. + + – + = (+1 x +1) = +1
5. – – + + = (-1 x -1) = +1
6. + – + – = (+1 x -1) = -1
7. – + + – = (-1 x +1) = -1
8. + + + + = (+1 x +1) = +1
170
El Efecto de la Interacción AB
A B C AB Prom.
1. + 19.10
2. - 19.39 19.34 19.12 18.96 18.72
3. - 19.12 Prom. en AB 19.05
4
4. + 19.41
5. + 18.72
19.10 19.41 18.72 18.99
6. - 18.96 Prom. en AB 19.05
7. - 18.72 4
8. + 18.99
A B C AB
- 18.92 19.04 19.26 19.05
+ 19.19 19.06 18.85 19.05
0.27 0.02 -0.41 0.00
171
Columnas de interacciones
A B C AB AC BC ABC Muestra 1 Muestra 2 Muestra 3 Prom.
1 – – – + + + – 19.18 19.02 19.09 19.10
2 + – – – – + + 19.15 19.40 19.62 19.39
3 – + – – + – + 19.41 18.82 19.14 19.12
4 + + – + – – – 19.89 18.94 19.40 19.41
5 – – + + – – + 18.73 18.63 18.79 18.72
6 + – + – + – – 19.17 18.76 18.94 18.96
7 – + + – – + – 18.40 18.73 19.04 18.72
8 + + + + + + + 18.54 19.46 18.97 18.99
A B C AB AC BC ABC
– 18.92 19.04 19.26 19.05 19.06 19.05 19.05
+ 19.19 19.06 18.85 19.05 19.04 19.05 19.06
0.27 0.02 -0.41 0.00 -0.02 0.00 0.01
173
Efectos principales e Interacciones
Gráfica de Interacción (medias de los datos) Gráfica de Interacción (medias de los datos)
para Dimensión para Dimensión
A A
19.2 -1 19.4 -1
1 1
19.3
19.2
19.1
Media
Media
19.1
19.0
19.0
18.9
18.8
18.9
-1 1 -1 1
B C
Gráfica de Interacción (medias de los datos)
para Dimensión B
-1
19.25
1
19.15
Media
18.95
no hay interacción.
18.85
-1 1
C
174
Ecuación de Predicción
A B AB
ŷ y ( )A ( )B ( ) AB ...
2 2 2
ŷ = Respuesta predicha
A
Mitad del efecto para el factor A
2
B
Mitad del efecto para el factor B
2
y Promedio de todos los datos
A B C AB AC BC ABC
– 0.194 0.150 0.271 0.264 0.278 0.264 0.270
+ 0.344 0.388 0.267 0.274 0.260 0.274 0.268
0.150 0.237 -0.005 0.010 -0.018 0.010 -0.002
178
Gráficas de los Efectos de los
Factores (Variación)
Gráfica de Efectos Principales (medias de
los datos) de la Desviación Estándar
-1 1 -1 1 -1 1
Desviación Estándar
0.39
0.33
0.27
0.21
0.15
A B C
Las gráficas muestran el efecto de cada factor sobre la
variación.
179
Mejoramiento en Dos Pasos
180
Efectos de las Variables de Ruido
Las variables no controladas durante un experimento (tales como las
condiciones ambientales) pueden producir cambios en la respuesta de la
salida. Si una variable de fondo cambia un factor de la misma forma que
nuestro experimento lo cambia, entonces, nuestra conclusión es
incorrecta cuando decimos que el factor está produciendo el efecto.
Presión Las Corridas 1 a 4 se ejecutaron
de Datos
Inyección en la mañana cuando la
1. - 1.4 temperatura ambiental en la
2. - 1.6 Prom.= 1.23 planta es templada.
3. - 1.0 Las Corridas 5 a 8 se ejecutaron
en la tarde cuando hace calor.
4. - 0.9 ¿ Por qué
la diferencia? La diferencia observada en la
5. + 1.1 salida, ¿se debe al cambio en la
6. + 0.7 presión de inyección o al cambio
7. + 0.6 Prom.= 0.73 en la temperatura ambiental?
8. + 0.5 181
Orden Aleatorio de las Corridas
Una estrategia para protegerse de las variables de ruido es
aleatorizar el orden de las corridas experimentales.
Ejecutar el
A B C A B C experimento en orden
1. — — — 2. + — — aleatorio promediará,
los efectos de las
2. + — — 6. + — + variables de ruido.
3. — + — 4. + + —
4. + + — 7. — + + Sin embargo, por lo
5. — — + 3. — + — general es mejor
+ tratar las variables
6. + — + 8. + +
de ruido como un
7. — + + 5. — — + FACTOR DE RUIDO
8. + + + 1. — — — y así, ¡lograr una
fuerza contra el
Orden Estándar Orden Aleatorio ruido!
182
Ecuación de Predicción
EA EB EAB
Y = Y + 2 A + 2 B + 2 AB
^
183
Región óptima con puntos centrales
EA EB EAB
Y = Y + 2 A + 2 B + 2 AB
^
184
VII.B Implementación de soluciones
185
Generar y evaluar las soluciones
Generar soluciones para eliminar la causa raíz o
mejora del diseño
186
Generar y evaluar las soluciones
Realizar una definición analítica y selección
cuantitativa de las alternativas de solución, además
de analizar y evaluar cada una de ellas.
187
Implantación de soluciones
PUNTO CRITICO ACTIVIDADES
* Realizar las medidas como se habian acordado * Antes de aplicar las medidas correctivas
* Verificar si no hay efectos secundarios * Probar las ideas de mejora, investigar efectos
* Dar capacitacion y entrenamiento. secundarios que puedan afectar al producto o áreas* Los
equipos implantan las acciones correctivas y después poner en práctica las soluciones.
* Obtener la aprobación de las áreas relacionadas, turno o puesto, Jefe inmediato etc. Es decir,
Comunicar a todos los involucrados de la mejora a realizar.
EJEMPLO 1
LISTADO DE LAS MEDIDAS CORRECTIVAS
¿A QUE? - ¿COMO?
NO CUANDO DONDE RESUL JUICIO QUIEN
TOPE PROC. DE TADO
LIMPIEZA
AUNQUE SE DA
BARRA DE EFECTO J. PÉREZ
1 JULIO 97 APLICACION NO ES PERSISTENTE
188
Calendario de las actividades
HACERLO
190
15 GUOQCSTORY.PPT
Prueba e implantación de soluciones
Probar las soluciones investigando los efectos
secundarios que puedan afectar a otras áreas y
después ponerlas en practica.
191
Implementation Plan Components
Ejemplo 1.
%
D %D < 1 %
E
F
E Comprobar efec_
C tividad de las
T
U
Soluciones con
S Pruebas de Hipótesis
O 193
Verificación de resultados
Verificar hasta obtener efectos estables ampliando
los datos históricos como confirmación inicial.
194
Verificación de resultados
195
QFD
FASE DE ANÁLISIS
Diagrama de
relaciones
Diagrama
Causa Efecto Diagrama de
Ishikawa
Diagrama
de Árbol
Definición
Y=X1 + X2+. .Xn
CTQs = Ys Medición Y,
Operatividad X1, X2, Xn
X's
Causas
Análisis del Modo y Efecto de potenciales
Falla (AMEF)
Pruebas
Llenar las últimas
de Columnas del FMEA
hipótesis y comprobar Hipótesis
Diagrama
de Flujo
del X's vitales
proceso No ¿Causa Si Causas raíz
Raíz? validadas
196