Programa de certificación

de Black Belts ASQ

VI. Seis Sigma - Análisis

P. Reyes / Noviembre de 2007

1

Fase de Análisis
 Propósitos:
 Establecer hipótesis sobre las posibles Causas Raíz
 Refinar, rechazar, o confirmar la Causa Raíz
 Seleccionar las Causas Raíz más importantes:
 Las pocas Xs vitales

 Salidas:
 Causas raíz validadas
 Factores de variabilidad identificados

2

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)

Llenar columnas del FMEA
Pruebas Hasta sol. Propuesta y
de
hipótesis
comprobar causas con
Diagrama Pruebas de Hipótesis
de Flujo
del X's vitales
proceso No ¿Causa Si Causas raíz
Raíz? validadas

3

VI. Análisis
A. Medición y modelaje de relación entre
variables

B: Pruebas de hipótesis

C. Análisis del modo y efecto de falla (AMEF)

D. Métodos adicionales de análisis

4

A. Medición y modelaje de
relación entre variables

5

A. Medición y modelaje de relación
entre variables
1. Coeficiente de correlación

2. Regresión

3. Herramientas Multivariadas

4. Estudios Multivari

5. Análisis de datos por atributos

6

VI.A.1 Coeficiente de correlación

7

Definiciones
Correlación
Establece si existe una relación entre las variables y
responde a la pregunta, ”¿Qué tan evidente es esta
relación?"

Regresión
Describe con más detalle la relación entre las variables.

Construye modelos de predicción a partir de información
experimental u otra fuente disponible.

Regresión lineal simple
Regresión lineal múltiple
Regresión no lineal cuadrática o cúbica

8

Correlación
Propósito: Estudiar la posible relación
entre dos variables.
Accidentes laborales

• • •
• • Correlación
• •
• • •
• • • • positiva,
• •
• •


posible
• • •
• • •

• •

Numero de órdenes urgentes

El 1er. paso es realizar una gráfica de la información.

9

Coeficiente de correlación (r )
 Mide la fuerza de la relación lineal entre las variables
X y Y en una muestra.

 El coeficiente de correlación muestral de Pearson rx,y
con valores entre -1 y +1 es:

10

Correlación de la información (R ) de las X y las Y
Correlación Positiva Correlación Negativa
25
Evidente 25
Evidente
20 20

15 15

10
Y

Y
10
5
5
0
0 5 10 15 20 25
Sin Correlación 0
0 5 10 15 20 25
X 25
R=1 20
X
R=-1
15

Correlación Y 10
Correlación
5

25
Positiva 0 Negativa
0 5 10 15 20 25 25
20

15
X
R=0 20

15
Y

10

Y
10
5
5
0
0 5 10 15 20 25 0
0 5 10 15 20 25
X
R=>1 X
R=>-1

11

Coeficiente de correlación
 El coeficiente de correlación 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
línea es ascendente hacia la derecha
 Un valor negativo de r implica que la pendiente de la
línea es descendente hacia la derecha
 Si r=0 no hay correlación lineal, aunque puede haber
correlación curvilínea

12

Coeficiente de correlación
Reglas empíricas

Coeficiente de Relación
correlación Fuerte, positiva
0.8 < r < 1.0 Débil, positiva
0.3 < r < 0.8 No existe
-0.3 < r < 0.3 Débil, negativa
-0.8 < r < -0.3 Fuerte, negativa
-1.0 < r < -0.8

13

46 14 0.48 0.71 0.00 15 0.66 Para un 95% de confianza.40 0.59 7 0.67 0.63 14 .53 0.88 0.95 0.60 0. con una muestra de 10.58 0.39 0.53 0.61 6 0.48 13 0.44 0.83 20 0.50 12 0.76 24 0.50 0.51 0.71 28 0.36 0.37 0.47 0. Correlaciones (Pearson) Tabla de Correlación mínima n 95% 99% n 95% 99% de confianza de confianza de confianza de confianza 3 1.80 22 0.64 4 0.81 0.96 17 0.54 10 0.73 26 0.75 0.87 19 0.56 9 0.92 18 0.42 0. el coeficiente (r) debe ser al menos .52 11 0.00 1.46 0.68 30 0.61 5 0.99 16 0.58 8 0.63 0.

para una respuesta dada. 15 . variables normales y variables no normales. • La correlación es una prueba fácil y rápida para eliminar factores que no influyen en la predicción. Correlación • La correlación puede usarse para información de atributos. • La correlación puede usarse con un “predictor” o más para una respuesta dada.

16 n . ye = Respuesta esperada n (Syei)(Syoi) S(yeyo) = Syei yoi . r = Coeficiente de correlación n yo = Respuesta observada (Syoi)2 S(yoyo) = Syoi 2. Coeficiente de Correlación Para determinar que tanto se acercan los datos predichos por el modelo a los datos observados aplicando el coeficiente de correlación de Pearson (ver tabla anterior para identificar la significancia) S(yeyo) r= S(yeye) S(yoyo) (Syei)2 S(yeye) = Syei 2.

60% = Correlación débil p = Núm.90% = Buena correlación n = Número de datos 60% . términos en el modelo (Incluyendo la constante) < 40% = No existe correlación 17 . Coeficiente de Correlación ajustado Otra forma para no consultar la tabla de coeficiente de correlación de Pearson es la r ajustada (n-1) R2(Adj) = 1 – (1 – r2) (n-p) Donde : Criterios en función a la R2(Adj) R2(Adj) = Coeficiente de correlación ajustado > 90% = Correlación Fuerte r = Coeficiente de correlación de Pearson 80% .80% = Correlación media 40% .

Coeficiente de Determinación (R2)  El coeficiente de determinación es la proporción de la variación total explicada por la regresión. 18 . R2 se encuentra en el rango de valores de 0 a 1.

llueve. o que no la relación no tenga sentido. por ejemplo peso de un coche y peso de las personas que transporta. como si lavo mi coche. 19 . Correlación vs causación  Tener cuidado de no tener variables colineales.

A.2 Regresión 20 .VI.

Puede ser usado para analizar las relaciones entre: • Una sola “X” predictora y una sola “Y” • Múltiples predictores “X” y una sola “Y” • Varios predictores “X” entre sí 21 . Análisis de Regresión El análisis de regresión es un método estandarizado para localizar la correlación entre dos grupos de datos. y. quizá más importante. crear un modelo de predicción.

 El término de error  tiene varianza constante 2. y   0  1 X    El término de error  tiene media cero. 22 .  Los errores están normalmente distribuidos.  Los errores no están correlacionados. Supuestos de la regresión lineal Los principales supuestos que se hacen en el análisis de regresión lineal son los siguientes:  La relación entre las variables Y y X es lineal. o al menos bien aproximada por una línea recta.

Modelo de regresión lineal  Se aume que para cualquier valor de X el valor observado de Y varia en forma aleatoria y tiene una distribución de probabilidad normal  El modelo general es: Y = Valor medio de Yi para Xi + error aleatorio y   0  1 X   23 .

La suma residual de los cuadrados es llamada con frecuencia la suma de los cuadrados de los errores (SSE) acerca de la línea de regresión yi y = b0 + b1x ei • • • • • • a y b son • • • • • • • • Estimados de • • • • • 0 y 1 • • • • • • • • • • xi SSE = Sei2 = S(yi . El modelo se define de tal manera que la suma de los cuadrados de los residuales es un mínimo.yi2 . Un residuo es la diferencia entre un punto de referencia en particular (xi.Regresión Lineal Simple La línea de regresión se calcula por el método de mínimos cuadrados. yi) y el modelo de predicción ( y = a + bx ).

600.19 0.18 0. Gráfica de la Línea de Ajuste Recta de regresión Y=-.895 600 Retención 500 Regresión 95% Intervalo de confianza 95% Intervalo 400 de predicción 0.858+5738.20 Altura del muelle .89X R2 = .

de determinación) es el porcentaje de variación explicado por la ecuación de regresión respecto a la variación total en el modelo El intervalo de confianza es una banda con un 95% de confianza de encontrar la Y media estimada para cada valor de X [Líneas rojas] El intervalo de predicción es el grado de certidumbre de la difusión de la Y estimada para puntos individuales X.858 + 5738.89X) describe la relación entre la variable predictora X y la respuesta de predicción Y. R2 (coef. se encontrarán dentro de la banda [Líneas azules] 26 . En general. 95% de los puntos individuales (provenientes de la población sobre la que se basa la línea de regresión).Interpretación de los Resultados La ecuación de regresión (Y = -600.

. Ha: El factor es significativo en la predicción de la respuesta. Interpretación de los Resultados • Los valores “p” de la constante (intersección en Y) y las variables de predicción. Ho: El modelo no es significativo en la predicción de la respuesta. • s es el “error estándar de la predicción” = desviación estándar del error con respecto a la línea de regresión. • El valor “p” para la regresión se usa para ver si el modelo completo de regresión es significativo. se leen igual que en la prueba de hipótesis. Ha: El modelo es significativo en la predicción de la respuesta. ajustado por el número de términos en el modelo y por el número de puntos de información. • R2 (ajustada) es el porcentaje de variación explicado por la regresión. Ho: El factor no es significativo en la predicción de la respuesta.

Errores residuales  Los errores se denominan frecuentemente residuales. 28 . Podemos observar en la gráfica de regresión los errores indicados por segmentos verticales.

.2...  Checar el efecto del tiempo si su orden es conocido en los datos...... A veces es preferible trabajar con residuos estandarizados o estudentizados: e ri  i .  Checar la constancia de la varianza y la posible necesidad de transformar los datos en Y. ei   1 (X  X )  di  . i  1. n pueden ser graficados para:  Checar normalidad......  Checar la curvatura de más alto orden que ajusta en las X’s. n 2 MSE 1    i  MS E  n S XX  29 .3. Errores residuales ^ Los residuos ei  Yi  Y i .1  1.2.

0SL=-43. Ajustes ¿curva de 3 20 10 Frecuencia campana? 2 Residual 0 1 -10 Ignórese -20 ¿Aleatorio 0 para grupos -25 -20 -15 -10 -5 0 5 10 15 450 500 Ajuste 550 alrededor de cero. sin pequeños de Buscar Buscarlas lasinconsistencias inconsistencias tendencias? información mayores mayores (<30) 30 . Errores residuales  Análisis de los errores o residuales ¿Qué tan normales ¿Residuales individuales - son los residuales? tendencias. Histograma de Residuales Residuales vs.26 -50 -2 -1 0 1 2 0 5 10 Marcador Normal Número de Observación Histograma . o separados? Diagnóstico del Modelo de Residuales Gráfica Normal de Residuales Tabla de Residuales 20 50 3.0SL=43.000 -10 -10 -20 -20 -30 -40 -3.26 40 10 30 20 Residual Residual 0 10 0 X=0.

MES Publicidad Ventas 1 1.0 93 8 0.9 91 10 1.0 110 4 1.3 120 5 0. el de determinación y la recta.2 101 2 0.1 105 31 .7 90 6 0. Calcular el coeficiente de correlación.6 75 9 0. Ejemplo Considere el problema de predecir las ventas mensuales en función del costo de publicidad.8 92 3 1.8 82 7 1.

0 110 1.9 91 0. XiYi y Yi2 Xi Yi MES Publicidad Ventas Xi2 XiYi Yi2 1 1.6 6724 7 1.8 92 0. Suma Y.0 8100 6 0.8 93.7 90 0.36 45.5 11025 SUMA 9.8 82 0. Xi2.569 32 .2 10201 2 0.64 65.28 924.1 105 1.4 959 9. Cálculo manual Calcular columnas para Suma X.6 8464 3 1.9 8281 10 1.81 81.0 8649 8 0.0 12100 4 1.0 93 1.2 101 1.0 5625 9 0.6 75 0.64 73.44 121.21 115.49 63.3 120 1.00 110.69 156 14400 5 0.00 93.

b0 = Estimador puntual de .(ordenada al origen) b1= Estimador puntual de (pendiente) Para el cálculo de b0 y b1 se utilizamos las siguientes fórmulas: SS xy ( x  2 b1  SS x  x  2 SS x n ( y  2 b0  y  b1 x SS y y 2 n ( x ( y  SS xy   xy  n 33 . Método de mínimos cuadrados Donde: Yest = Valor predicho de para un valor particular de x.

Total corregido n-1 SYY La desviación estándar S corresponde a la raíz cuadrada del valor de MSE o cuadrado medio residual. Fuente df SS MS = SS/df Fc Regresión 1 SSR  b1 S XY MS REG MSreg/s2 Residual n-2 SSE  SSYY  b1 S XY S2 __________________________________________________________. Análisis de varianza en la regresión Tabla de Análisis de Varianza . n n SS E S  b1 S XY  n  2  X Y S2   YY   Y  n i i n2 n2 S XY   X iYi  i i 1 i 1  Yi 2   i 1  n SYY n n i 1 i 1 Los residuos son: __ ^ __ ^ Yi  Y i  Yi  Y  (Y i  Y ) (Y  Y ) 2  (Y i  Y ) 2  (Yi  Y i ) 2 ^ ^ __ ^ __ ei  Yi  Y i i 34 .

1   ). Intervalos de confianza para Beta 0 y Beta 1 1/ 2  __ 2     1/ 2  1 X    X i2  S 1   X i2 se(b0 )  MSE      b0  t (n  2. para determinar si el parámetro 1 es significativo que es el caso de Fcalc. S se(b1 )   b1  2 S XX S XX __ ( X i  X )2 35 . S b1  2 __  i )2 ( X  X Análisis de varianza en la regresión Las conclusiones son como sigue: El estadístico F se calcula como F = MSEREG / S2 y se compara con la F de tablas con (1. n-2) grados de libertad y área en 100(1-)%. > Ftablas.1   ).1   )  S   n  ( X i  X ) 2  __  n S XX 2  n ( X  X )2  __   i      1 MSE S t ( n  2. 1 t ( n  2.

n 2 MSE 1   0  n S XX   n S XX      36 .n 2 MSE    n S XX   Intervalo de predicción para un valor particular de Y estimado  __   __   1 ( X  X )2   1 ( X  X )2  Yˆ0  t / 2. 1 t ( n  2.n 2  12 / 2.n 2 Intervalos de confianza para la Y estimada promedio  __ 2  ^  1 (X0  X )  Y0  t a / 2.1   ). S b1  2 __  i )2 ( X  X Análisis de varianza en la regresión El intervalo de confianza para la desviación estándar es: (n  2) MSE (n  2) MSE  2   2 / 2.n 2 MSE 1   0  Y0  Yˆ0  t / 2.

1   ). S b1  2 __  i )2 ( X  X Análisis de varianza en la regresión Prueba de Hipótesis para Beta 1: Ho: 1 = 0 contra H1:1  0 b1 t0  MSE S XX Si t0  t / 2. 1 t ( n  2.n2 el coeficiente Beta 1 es significativo 37 .

para.la.la. S b1  2 __  i )2 ( X  X Análisis de varianza en la regresión Coeficiente de correlación r: S XY r S XX SYY Coeficiente de determinación: r2 R2 mide la proporción de la variación total respecto a la media que es explicada por la regresión.b0 )   (Y  Y ) 2  1 SSE __ ( SSTotal. ^ __ R2  ( SS. Se expresa en porcentaje.de. 1 t ( n  2.1   ).corregido.regresión .media ) (Y i  Y )2 SYY 38 . por.

S b1  2 __  i )2 ( X  X Análisis de varianza en la regresión Prueba de hipótesis para el Coeficiente de correlación r: H0:  = 0 contra H1:   0 r n2 t0  1 r2 Si t0  t / 2.n2 se rechaza la hipótesis Ho. 1 t ( n  2.1   ). indicando que existe una correlación significativa 39 .

Riesgos de la regresión  Los modelos de regresión son válidos como ecuaciones de interpolación sobre el rango de las variables utilizadas en el modelo. Y *A * * * * * Sin A y B * * * * *B X 40 . su pendiente está más influenciada por los valores extremos de X. 1.  Mientras que todos los puntos tienen igual peso en la determinación de la recta. No pueden ser válidas para extrapolación fuera de este rango.

se debe investigar la relación causa – efecto entre ellas. Y *A * * * * ** * * * ** * ** * * * ** * * X  Si se encuentra que dos variables están relacionadas fuertemente. número de licencias recibidas. 41 . no implica que la relación sea casual. Por ejemplo el número de enfermos mentales vs. Riesgos de la regresión  Los outliers u observaciones aberrantes pueden distorsionar seriamente el ajuste de mínimos cuadrados.

444 = 52.4 / 10 = 0.4)(959) / 10 = 23. Cálculo manual (cont.444 Sxy = 924. = 46.49 Yest.94 b1 = Sxy / Sxx = 23.(9.) Cálculo de la recta de regresión lineal: Sxx = 9.(9.4)^2/10 = 0.b1*Xmedia = 95.5676)(0.9 Xmedia = 9.9 .(52..94) = 46.28 .57 b0 = Ymedia .34 / 0.34 Ymedia = 959 / 10 = 95.57* X 42 .8 .49 + 52.

(959)^2 / 10 = 1600. 43 .41 o sea a  13.567)(23.97 S2 = SSE / (n .b1*Sxy = 1600.2) = 373.(52. Ejemplo (cont.97 / 8 = 46.569 .2) = Syy .75 S = 6.34) = 373.96S = 13.41 de la línea..9 SSE = Syy .(Sxy)^2/Sxx Syy = 93.) Cálculo de S2 estimador de  S2 = SSE / (n .84 El intervalo de confianza donde caerán el 95% de los puntos es el rango de 1.9 .

444) = 5.) Inferencias respecto a la pendiente de la línea b1: Se usa el estadístico t = b1 / (S / Sxx) El término del denominador es el error estándar de la pendiente.84 / 0. Como tc > tcrítico se rechaza la hipótesis de que b1 = 0 existiendo la regresión.57 / (6.12 El valor crítico tcrit.025 con (n-2) = 8 grados de libertad es 2. 44 . para alfa/2 = 0. Ejemplo (cont..306. Para probar la hipótesis nula Ho: 1 = 0 En este caso tc = 52.

57  2.84 /  0..025 (S / Sxx) se tiene: 52.9 a $76.) Estableciendo un 95% de confianza para la pendiente de la recta b1. hará que el volumen de ventas se encuentre entre $28.67. 45 .2.306 * 6. Por tanto una unidad de incremento en publicidad. Usando la fórmula b1  t0. Ejemplo (cont.57  23.444 = 52.

34 / 0.SSE/Syy r^2 = ( Syy . El coeficiente de determinación r^2 = 1 .444*1600. la pendiente de la recta apunta hacia arriba y a la derecha.) Cálculo del coeficiente de Correlación: ________ r = Sxy / (SxxSyy) ____________ r = 23..88 Como r es positivo. Ejemplo (cont.9 = 0.774 46 .SSE ) / Syy = 0.

OUTPUT RANGE (para los resultados) y obtener los resultados Column 1 Column 2 Column 1 1 0. DATA ANALYSIS o ANALISIS DE DATOS. Teclear los datos para Xi y Yi 2.875442 Column 2 0. Análisis de Regresión 1. CORRELATION o CORRELACIÓN 3. Dar INPUT RANGE (rango de datos).875442 47 . Llamar a TOOLS o HERRAMIENTAS.875442 1 El coeficiente de correlación r = 0.

B) La gráfica de residuos estandarizados se deben distribuir en forma aleatoria alrededor de la línea media igual a cero. Llamar a TOOLS o HERRAMIENTAS. DATA ANALYSIS o ANALISIS DE DATOS. CONFIDENCE INTERVAL 95%. indicando normalidad. NOTAS: a) La gráfica de probabilidad normal debe mostrar puntos fácilmente aproximables por una línea recta. RESIDUAL PLOTS o GRAFICAS DE RESIDUALES y obtener una tabla de resultados como los que se muestran en las páginas siguientes. REGRESION o REGRESIÓN 3. 48 . OUTPUT RANGE (para los resultados). Cálculo con Excel) 4. Dar INPUT RANGE Y (rango de datos Yi). INPUT RANGE X (rango de datos Xi).

56757 10.000904 Residual 8 373.28035 X Variable1 52.702936 0.927 26.927 1226.123117 0.26086 5.737198 Standard Error 6.000904 28.56757 X Como los valores p para los coeficientes son menores a 0.001536 23.48649 9.48649 + 52.24633 0.90597 76.22916 La ecuación de la recta es Yest = 46.884566 4.69262 69.766398 Adjusted R Square0. ambos son significativos .973 46.05.83715 Observations 10 ANOVA df SS MS F Significance F Regression 1 1226.875442 R Square 0.9 Confidence 95% Coefficients Standard Error t Stat P-value Lower Upper Intercept 46. Resultados de Excel SUMMARY OUTPUT Regression Statistics Multiple R 0.74662 Total 9 1600.

Gráfica normal de Excel Normal Probability Plot 140 120 100 80 Y 60 40 20 0 0 20 40 60 80 100 Sample Percentile 50 .

X de Excel X Variable 1 Residual Plot 20 Residuals 10 0 -10 0 0.5 1 1.Gráfica de Residuos vs.5 X Variable 1 51 .

6 120 1.2 400 1.2 560 0.4 280 2.8 200 2.0 160 0.0 360 1. Ejercicio Calcular la recta de predicción con sus bandas de confianza. la correlación y la determinación para la respuesta de un Taxi. los datos se muestran a continuación: Distancia Tiempo 0.6 320 52 .

8 31.0 31.4 30.3 30. Relaciones no Lineales ¿Qué pasa si existe una relación causal.1 27.7 25.8 32. no lineal? ¿Cómo describiría El siguiente es un conjunto de datos experimentales codificados.6 29.1 32.0 29.8 (ref.2 32. 1985) 53 .3 28. Walpole & Myers.7 30.7 15.8 20.0 29.0 25.0 31.2 27. sobre esta relación? resistencia a la compresión de una aleación especial: Resistencia a Concentración la Compresión x y 10.

84E-03 Cuadrática 1 10.Modelo Cuadrático Y = 19.614 Análisis de Variancia FUENTE DF SS MS F p Regresión 2 38.4133 FUENTE DF Seq SS F p Lineal 1 28. Resultados del Análisis de Regresión .9038 5.0333 + 1.54490 3.34584 3.93E-02 54 .00857X .31E-03 Error 12 24.4686 9.0397 Total 14 63.0333 10.9371 19.3005 6.4762 2.04E-02X**2 R2 = 0.2.

3366 0.3860 2.5010 1.1120 2.0753 -0.0472 0.1726 0.4338 0.2 2.5580 0.5 0.2360 2.6530 0.0629 0.4 2.0473 0.1410 -0.0 1.0875 -0.0 1.0744 0.0239 0.0223 -0.5295 0.8189 0.1660 2.0530 0.2442 1.0555 0.4451 0.9154 0.1440 1.1230 0.0606 0.7820 0.0675 0.0500 -0.0611 0.7217 0.0845 -0.6 1.0834 0.5000 0.2530 0.2806 -1.2075 0.0570 0.31 10 6.0804 -0.68 18 8.2678 1.3030 2.5778 0.10 22 10.0828 -0.2940 2.1370 0.1551 0.8220 1.1196 0.27 5 10.1940 1.0609 0.6 2.1380 0.8302 0.8000 1.47 4 2.5820 1.8 1.75 16 3.0703 0.0474 0.38 7 9.0189 -0.5906 0.61 17 7.0880 1.9990 0.27 25 2.5987 -2.3100 2.0 2.2402 0.08 20 5. Regresión cuadrática Obs X Y Fit SE Fit Residual St Resid 1 5.0 1.0776 -0.0490 0.79 12 6.16 13 4.0840 -0.8660 1.4 1.3218 1.07 2 6.1790 2.7 0.0698 0.1 1.9300 1.5620 1.2820 -1.0806 -0.0962 0.1772 -0.9 2.0694 -0.24 21 9.3253 0.6622 0.0 1.40 6 9.0574 0.3084 -1.9 0.63 8 3.7370 1.04 11 2.9508 0.38 9 8.2 2.6260 0.29 23 4.1 2.8 2.40 14 5.4700 0.8664 0.4 1.2 1.1 0.7 2.72R 55 .0519 0.06 3 3.2454 1.33 24 4.5424 0.6 1.90 15 7.5 1.0737 -0.0907 -0.3064 -1.0559 0.62 19 7.1398 -0.0476 0.2400 1.1062 0.

0557 Total 24 10.9296 160.2816 0. Regresión cuadrática Analysis of Variance Source DF SS MS F P Regression 1 8.9296 8.26 0.2112 56 .000 Residual Error 23 1.

Regresión cuadrática Los residuos No son normales Se deben transformar Las variables 57 .

Otros Patrones No Lineales A veces es posible transformar una o ambas variables. Algunas transformaciones comunes incluyen: x’ = 1/x x’ = Raíz cuadrada de (x) Funciones trigonométricas: x’ = Seno de x x’ = log x . La meta es identificar la relación matemática entre las variables. para que con la variable transformada se obtenga una línea más recta. para mostrar mejor la relación entre ambas.

h Y Y ' .b Y   0 X 1 Y '  log Y . X '  log X Y '  log  0  1 X ' c. Figura 3.d Y   0 e 1 X Y '  log Y Y '  ln  0  1 X e.f Y   0  1 log X X '  log X Y '   0  1 X ' X 1 1 g. X ' Y '   0  1 X '  0 X  1 Y X  Ejemplo: sea Y   0 e 1 X  se transforma como ln Y  ln  0  1 X  ln  Y '   0 '  1 X   ' 59 . Trasformación de funciones Funciones linealizables y su forma lineal correspondiente.13 Función Transformación Forma lineal a.

103 2.9393 0.8231 0.1177 1.0271 0.0494 -0.000 S = 0.8220 1.4105 0.01 3 0.3860 2.5000 0.167 1.2064 -33.5920 0.6.0011 -0.000 1/X -6.55 6 0. utilizando Minitab The regression equation is Y = 2.9% Obs 1/X Y Fit SE Fit Residual St Resid 1 0.100 2.2854 0.0570 0.370 0.05 5 0. Transformación de variables del ejemplo de regresión cuadrática  Transformando la variable X’ = 1/X se tiene.1220 1.11 2 0.0100 -0.5820 1.98 .93 1/X Predictor Coef SE Coef T P Constant 2.2360 2.200 1.0274 0.0199 -0.0895 1.35 60 .0404 0.04490 66.31 4 0.97886 0.2640 0.9345 0.294 1.34 0.09417 R-Sq = 98.0276 -0.0188 -0.0% R-Sq(adj) = 97.59 0.

utilizando Minitab 61 . Transformación de variables del ejemplo de regresión cuadrática  Transformando la variable X’ = 1/X se tiene.

Transformación de variables del ejemplo de regresión cuadrática  Los residuos ahora ya se muestran normales 62 .

..........................Y '  Y 1 / 2 63 .............................................................Y '  Y  2    E (Y )...................Y '  Y Datos de Poisson  2    E (Y )1  E (Y )....Y '  ln( Y )  2    E (Y )3 ....Y '  sin 1 Y Proporciones binomiales  2    E (Y )2 ..... Transformación para homoestacidad de la varianza  Algunas transformaciones para estabilizar la varianza Relación de 2 a E(Y) Transformación  2    constante..................

29 19 745 0.500 0.004 0.294 1.293 0.301 0.57 10 2078 6.877 0.329 0.312 0.230 -0.880 3.097 0.837 -1.395 -0.388 0.250 1.579 -1.412 -0.600 0.96 14 2030 4.351 -0.297 0.802 0.730 0.433 0.38 8 2189 9.355 0.132 0.324 0.307 -0.640 4.000 2.160 4.293 2.649 0.859 -0.861 1.638 0.441 -0.280 4.61 2 292 0.523 0.899 -1.560 2.107 -0.353 -0.828 -1.366 0.42 21 540 0.770 1.00R 9 1097 5.170 0.730 2.980 1.750 0.18 12 1700 5.024 0.243 1.790 1.308 0.495 0.45 24 25 1029 710 0.490 0.880 0.607 -0.840 5.384 0.651 2.440 0.214 -0.242 -1.764 -0.42 15 1643 3.595 0.10 3 1012 0.339 0.31 16 414 0.43 22 874 1.58 64 .27 11 1818 5.293 -2.756 0.210 5.24 7 997 4.420 -1.57 4 493 0.98 6 1156 3.313 -1.441 0.500 6.850 6.186 0.343 -2.884 0. Transformación para homoestacidad de la varianza  Ejemplo: Se hizo un estudio entre la demanda (Y) y la energía eléctrica utilizada (X) durante un cierto periodo de tiempo Obs X Y Fit SE Fit Residual St Resid 1 679 0.640 3.25 18 1276 1.244 -1.620 2.717 0.560 2.390 0.381 1.803 0.700 1.988 0.333 1.02 13 747 3.587 0.245 0.15 5 582 2.221 2.340 3.55 1.53 23 1543 5.333 -1.167 0.430 6.560 1.642 0.17 17 354 0.465 -0.790 1.78 20 435 1.488 0.

14 0.6170 -1. Transformación para homoestacidad de la varianza  Ejemplo: Se hizo un estudio entre la demanda (Y) y la energía eléctrica utilizada (X) durante un cierto periodo de tiempo The regression equation is Y = .00346 X Predictor Coef SE Coef T P Constant -0.094 97.704 + 0.74 0.231 65 .7038 0.000 S = 1.4% R-Sq(adj) = 64.462 R-Sq = 66.136 2.9% Analysis of Variance Source DF SS MS F P Regression 1 97.266 X 0.0005139 6.0034645 0.000 Residual Error 23 49.094 45.45 0.0.136 Total 24 146.

Transformación para homoestacidad de la varianza  Se observa que la varianza se incrementa conforme aumenta X 66 .

Transformación para homoestacidad de la varianza  Se observa que la varianza se incrementa conforme aumenta X 67 .

1790 0.8028 1.5989 0.1048 2.64 2 292 0.2024 0.18 12 1700 2.71 4 493 0.1065 0.2372 0.2484 0.8888 1.1524 -0.64 25 710 2.0911 0.4166 2.98 18 1276 1.1900 -0.7717 0.0955 -0.2603 0.1035 0.3711 1.8000 1.4961 0.7483 1.0571 0.6788 1.81 20 435 1.0105 0.9079 1.1037 -0.31 6 1156 1.1371 0.1598 0.60 21 540 0.2012 0.5575 0.2184 0.1184 0.6633 0.15 13 747 1.6432 1.3614 0.2978 2.7632 -1.27 23 1543 2.2782 -0.1207 -0.2825 2.3597 -0.93 19 745 0.8775 1.1372 -0.64 22 874 1.21 5 582 1.0822 2.1347 0.4116 -0.81 .4527 -1.4123 0.0697 0.56 7 997 2.7828 0.1084 -0.7071 0.8354 0.2805 -0.0894 -0.7290 -1.55 68 24 1029 0.60 10 2078 2.03 11 1818 2.1304 -0.0912 -0.89 9 1097 2.5290 0.7776 2.0910 -0.9187 0.0914 0.0265 0.1867 0.25 3 1012 0.27 14 2030 2.2407 0.3822 -0.8971 0.9783 0.1228 -0.0000 1.44 17 354 0.2490 1.5735 1.0641 0.1092 -0.0770 0.1694 0.5115 0.0922 0.52 8 2189 3.5635 1.1195 0.09 15 1643 1.3108 1.7120 1.2392 0.1749 1. Transformación para homoestacidad de la varianza  Transformando a X por su raíz cuadrada se tiene: Obs X SQR-Y Fit SE Fit Residual St Resid 1 679 0.7988 1.7483 1.3397 0.6595 0.6173 2.1280 -0.88 16 414 0.1518 0.0974 -0.4231 -0.3697 0.1800 -0.6068 0.1445 -0.8888 0.7208 0.

472 + 0.4717 0.00103 X Predictor Coef SE Coef T P Constant 0.46 0.3% R-Sq(adj) = 62.0010275 0.000 S = 0.1918 2. Transformación para homoestacidad de la varianza  Transformando a X por su raíz cuadrada se tiene: Regression Analysis: SQR-Y versus X The regression equation is SQR-Y = 0.022 X 0.43 0.4544 R-Sq = 64.0001598 6.7% 69 .

Transformación para homoestacidad de la varianza  Transformando a X por su raíz cuadrada se tiene: 70 .

Regresión lineal múltiple 71 .

..  Están distribuidos en forma normal..   k X uk   u Se asume que los errores u tienen las características siguientes:  Tienen media cero y varianza común 2.  Son estadísticamente independientes. Regresión múltiple  Cuando se usa más de una variable independiente para predecir los valores de una variable dependiente... Yu   0  1 X u1   2 X u 2  . el proceso se llama análisis de regresión múltiple. incluye el uso de ecuaciones lineales. 72 ..

...   uk ) 2 u 1 El modelo de regresión múltiple en forma matricial es: Y = X  +  = [1 : D]  +  Y es un vector N x 1.... . j = 1..  es un vector de orden (k + 1) x 1... columna es 1’s. Regresión múltiple Estimación de los parámetros del modelo  Se trata de minimizar los errores cuadráticos en: N R(  0 . X es una matriz de orden N x (k + 1). 2.... 1 ... k 73 .  es un vector de orden N x 1. D es la matriz de Xij con i = 1.  k )   (Yu   0  1 X u1   2 X u 2  . N... 2. donde la 1ª...

Regresión múltiple Estimación de los parámetros del modelo: b = (X’X)-1 X’Y El vector de valores ajustados Yˆ  Xb se puede expresar como: Yˆ  Xb  X ( X ' X ) 1 X ' Y  Hy La varianza del modelo se estima como: n SSE   (Yi  Yˆ ) 2   ei2  e' e i 1 SSE  (Y  Xb)' (Y  Xb)  Y ' Y  b' X ' Y  Y ' Xb  b' X ' Xb  Y ' Y  2b' X ' Y  b' X ' Xb SSE SSE  Y 'Y  b' X 'Y s 2  MSE  Np 74 .

si esta razón es menor de5 a 1. Tamaño de muestra  Tomar 5 observaciones para cada una de las variables independientes. se tiene el riesgo de “sobreajustar” el modelo  Un mejor nivel deseable es tomar 15 a 20 observaciones por cada variable independiente 75 .

 La actividad de servicio incluye llenar la máquina con refrescos y un mantenimiento menor.  Se tienen como variables el número de envases con que llena la máquina (X1) y la distancia que tiene que caminar (X2). Ejemplo de regresión múltiple  Un embotellador está analizando las rutas de servicio de máquinas dispensadoras. 76 . está interesado en predecir la cantidad de tiempo requerida por el chofer para surtir las máquinas en el local (Y).

000 23.444 2.22 16 15.663 1.027 0.21 15 29.924 1.58 4 13.845 0.514 1.33 16.750 14.00 7.81 10 40.0 21.72 11 21.0 9.823 1.551 1.63 1 11.11 18 09.963 0.00 10.007 2.0 21.093 0.680 21.21RX 9 21.500 7.75 6.011 3.0 18.573 -1.750 18.795 0.0 35.354 0.028 -1.662 -4.07 25 R denotes an observation with a large standardized residual X denotes an observation whose X value gives it large influence.040 -3.0 19.10 17.14 17 19.24 30.0 19.0 29.358 0.328 -0.325 -2.44 23 19.030 12.45 22 18.0 11.912 1.793 0.50 5.956 0.83 7.88 4.240 71.36 2 12.33 13 19.593 1.040 -5.403 1.000 21.0 17.708 1.00 10.952 4.50 4.330 38.0 40.000 7.194 0.050 -0.0 15.687 -1.0 24.0 12.661 0.593 -0.012 1.024 -0. Durbin-Watson statistic = 1.0 10.11 7.867 1.820 2.0 13.17 77 .09 6 08.X2-Dist X1-CAS Y-TENT Fit SE Fit Residual St Resid Obs 16.100 40.830 24.27 7 17.157 0.50 3.750 23.788 -1.806 1.841 -0.0 16.080 1.673 0.830 16.35 6.932 0.444 -0.0 17.376 0.0 52.500 19.58 19 35.00 2.34 14 24.0 79.893 -0.124 1.880 9.957 2.320 56.37 8 79.14 5 18.19 12 13.301 7.000 29.614 -0.500 10.75 9.420 3.110 18.608 -1.213 -0.473 0.329 0.50 3.888 1.000 15.75 4.039 -5.436 0.155 0.0 8.675 -0.132 -4.350 14.068 0.682 0.00 9.02 3 Ejemplo de regresión múltiple 14.0 19.32 26.099 -0.68 7.707 1.237 0.0 13.83 8.87 20 17.50 24 10.0 14.146 0.750 10.90 10.400 0.500 12.914 0.290 -0.663 -0.03 3.671 0.75 6.0 18.449 1.88 21 52.900 20.

Ejemplo de regresión múltiple Solución matricial Matrix M5 = X' [ 1 1 1 1 1 1 1 1 1 1 1 1 1 7 3 3 4 6 7 2 7 30 5 16 10 4 560 220 340 80 150 330 110 210 1460 605 688 215 255 1 1 1 1 1 1 1 1 1 1 1 1 6 9 10 6 7 3 17 10 26 9 8 4 462 448 776 200 132 36 770 140 810 450 635 150 ] Matrix M6 = X'Y [ 25 219 10232 219 3055 133899 10232 133899 6725688 ] Matrix M7 = X'Y [ 560 7375 337072 ] 78 .

014385 0.000 X2-DIST 0.341 1.044 X1-CAS 1.000001 Matrix M9 = INV(X'X) X'Y 2.46 0.000084 -0.1707 9.34123 1.98 0.01438 The regression equation is Y-TENT = 2.004449 0.0% R-Sq(adj) = 95.6% 79 .34 + 1.001 S = 3.002744 -0.13 0.097 2.003613 3.000048 -0.6159 0. Ejemplo de regresión múltiple Solución matricial Matrix M8 = INV(X'X) 0.0144 X2-DIST Predictor Coef SE Coef T P Constant 2.000048 0.004449 -0.113215 -0.62 X1-CAS + 0.259 R-Sq = 96.61591 0.000084 -0.

88 13.35 19.75 24.03 14.624 Np 25  3 80 .50 12.9 Matrix M14 = SSe = Y'Y .68 11.50 19.11 8.00 9.24 21.00 17.75 ] Matrix M11 = Y'Y = 18310.33 21.6 Matrix M12 = b' = [ 2.75 18.61591 0.00 15.01438 ] Matrix M13 = b'X'Y = 18076.83 10.00 29.34123 1.90 52.32 18.732 S2    10.b'X'Y = 233.75 19.50 40. Ejemplo de regresión múltiple Solución matricial Cálculo de la estimación de la varianza: Data Display Matrix M10 = Y' [ 16.732 SS E 233.83 79.00 13.10 17.50 35.

025. 22 se(b1 )  1  b1  t.074)(0.26181  1  1.61591  (2. 22 se(b1 ) 1.97001 81 .6191  (2.00274378)  1  1.025. Ejemplo de regresión múltiple Solución matricial  Intervalo de confianza para Beta 1 b1  t.6239)(0.17073) Por tanto el intervalo de confianza para el 95% es: 1.074) (10.

1  2.8.01438 La varianza de la Y0 estimada es (tomando M8=inv(X’X) : 1  Var(Yˆ0 )  S 2 X ' 0 ( X ' X ) 1 X 0  10. Ejemplo de regresión múltiple Solución 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.05346)  0.62391.8.2751.22minutos     275 0.34123 X 0  8  Yˆ0  X ' 0 b  1.6239(0.56794   275 82 .61591   19.275M 88   10.

66  Y0  20.22  2. Ejemplo de regresión múltiple Solución matricial  El intervalo de confianza sobre el tiempo medio de entrega para un local requiriendo es para 95% de nivel de confianza: 19.56794  Que se reduce a: 17.074 0.78 83 .56794  Y0  19.074 0.22  2.

24 MSE 10.000 F0.4083 F0    261.550.6) 2 SSR = 18.05.076. = 5.310.8 2775.930 .24 0.6) 2 SST = 18.4 261. 2 .5426 25 (559.7 10. Ejemplo de regresión múltiple Solución matricial  El análisis de varianza es: Analysis of Variance (559.6 Total 24 5784. = 5784.6239 Source DF SS MS F P Regression 2 5550. 22  3.44 Residual Error 22 233.5 Como la F calculada es mayor que la F de tablas.7260 Con el paquete Minitab se obtuvo lo siguiente: MSR 2775. se concluye que existe el modelo con alguno de sus coeficientes diferente de cero 84 .629 .8166 25 SSE = SST – SSR = 233.

Ejemplo de regresión múltiple Solución matricial  El comportamiento de los residuos es como sigue: 85 .

 La presencia de dependencias cercanamente lineales impactan dramáticamente en la habilidad para estimar los coeficientes de regresión. Es evidente por los valores diferentes de cero que no están en la diagonal principal de X’X.  La varianza de los coeficientes de la regresión son inflados debido a la multicolinealidad. de tal forma que si hay una dependencia lineal exacta hará que la matriz X’X sea singular. Que son correlaciones simples entre los regresores. Multicolinealidad  La multicolinealidad implica una dependencia cercana entre regresores (columnas de la matriz X ). 86 .

7  Los elementos de la diagonal principal de la matriz X’X se denominan Factores de inflación de varianza (VIFs) y se usan como un diagnóstico importante de multicolinealidad. 87 . Para el componente j – ésimo se tiene: 1 VIF j  1  R 2j  Si es mayor a 10 implica que se tienen serios problemas de multicolinealidad. Multicolinealidad  Una prueba fácil de probar si hay multicolinealidad entre dos variables es que su coeficiente de correlación sea mayor a 0.

Se puede probar con la prueba de Levene de homogeneidad de varianzas 88 . pueden mostrar diferentes patrones indicando adecuación o no adecuación del modelo:  Gráfica de residuos aleatorios cuya suma es cero (null plot) indica modelo adecuado  Gráfica de residuos mostrando una no linealidad curvilínea indica necesidad de transformar las variables  Si los residuos se van abriendo indica que la varianza muestra heteroestacidad y se requiere transformar las variables. Análisis de los residuos  Los residuos graficados vs la Y estimada.

Escalamiento de residuos  En algunos casos es difícil hacer comparaciones directas entre los coeficientes de la regresión debido a que la magnitud de bj refleja las unidades de medición del regresor Xj. Por ejemplo: Yˆ  5  X 1  1000 X 2  Para facilitarla visualización de residuos ante grandes diferencias en los coeficientes. se sugiere estandarizar o estudentizar los residuos 89 .

de manera que si exceden a 1. los residuos tienen una media de 0 y desviación estándar de 1  Con más de 50 datos siguen a la distribución t.96 (límite para alfa 0. Escalamiento de residuos  Residuos estandarizados  Se obtienen dividiendo cada residuo entre la desviación estándar de los residuos ei di  .05) indica significancia estadística y son “outliers” 90 . MSE  Después de la estandarización.

ei ri  . pero además se elimina la i-ésima observación en el cálculo de la desviación estándar usada para estandarizar la í-ésima observación  Puede identificar observaciones que tienen una gran influencia pero que no son detectadas por los residuos estandarizados  H = X (X’X)-1X’ es la matriz sombrero o “hat matriz”. MSE (1  hii ) 91 . Escalamiento de residuos  Residuos estudentizados  Son similares a los residuos donde se elimina una observación y se predice su valor.

Escalamiento de residuos  El estadístico PRESS (Prediction Error Sum of Squares) es una medida similar a la R2 en la regresión. El residuo iésimo será: e( i )  Yi  Yˆ( i )  El residuo PRESS es la suma al cuadrado de los residuos individuales e indica una medida de la capacidad de predicción PRESS   e(2i )   Yi  Yˆ( i )  N PRESS   2 2 RPr 1 92 edicción i 1 SYY .  En cada modelo se omite una observación en la estimación del modelo de regresión y entonces se predice el valor de la observación omitida con el modelo estimado. Difiere en que se estiman n-1 modelos de regresión.

 Una comparación visual de la gráfica de regresión parcial con y sin la observación muestra la influencia de la observación  El coeficiente de correlación parcial es la correlación de la variable independiente Xi la variable dependiente Y cuando se han eliminado de ambos Xi y Y  La correlación semiparcial refleja la correlación entre las variables independiente y dependiente removiendo el efecto Xi 93 . Un caso “outlier” impacta en la pendiente de la ecuación de regresión (y su coeficiente). Gráficas parciales de regresión  Para mostrar el impacto de casos individuales es más efectiva la gráfica de regresión parcial.

Representa los efectos combinados de todos las variables independientes para cada caso 94 . Matriz sombrero  Los puntos de influencia son observaciones substancialmente diferentes de las observaciones remanentes en una o más variables independientes  Contiene valores (sombrero en su diagonal) para cada observación que representa influencia.

Valores límite se encuentran en 2p/n y 3p/n 95 . minimizando su residuo  El rango de valores es de 0 a 1. p es el número de predictores y n es el tamaño de muestra. con media p/n. Matriz sombrero  Los valores en la diagonal de la matriz sombrero miden dos aspectos:  Para cada observación miden la distancia de la observación al centro de la media de todas las observaciones de las variables independientes  Valores altos en la diagonal indica que la observación tiene mucho peso para la predicción del valor de la variable dependiente.

Edition. Outliers in Statistical Data. Nueva York. 2984 96 . Distancia de Mahalanobis  D2 es una medida comparable a los valores sombrero (hat values) que considera sólo la distancia de una observación del valor medio de las variables independientes.. 2nd.  Es otra forma de identificar “outliers”  La significancia estadística de la distancia de Malahanobis se puede hacer a partir de tablas del texto:  Barnett. V. Wiley.

Influencia en coeficientes individuales  El impacto de eliminar una observación simple en cada uno de los coeficientes de la regresión múltiple se muestra con la DFBETA y su versión estandarizada SDFBETA. el límite es 1 o 4/(n-k-1) 97 .  Se sugiere aplicar como límites ±1.0 o ±2 para tamaños de muestra pequeños y ±√n para muestras medias y grandes  La distancia de Cook (Di) captura el impacto de una observación:  La dimensión del cambio en los valores pronosticados cuando se omite la observación y la distancia de las otras observaciones.

en sus errores estándar de los coeficientes de la regresión. Influencia en coeficientes individuales  La medida COVRATIO estima el efecto de la observación en la eficiencia del proceso.  El límite puede ser establecido en 1 ±3p/n. Considera a todos los coeficientes colectivamente. los valores mayores al límite hacen el proceso más eficiente y los menores más ineficiente  La medida SDFFIT es el grado en que cambian los valores ajustados o pronosticados cuando el caso se elimina. El valor límite es 2*raíz((k+1)/(n-k-1)) .

Ejemplo de regresión múltiple Solución con Excel y Minitab 99 .

8 Yale 15 675 65000 23. Ejemplo de Regresión Múltiple Cat.3 Indiana 19 630 61500 44.8 UCLA 17 651 65000 17.5 Texas-Austin 18 630 60000 27.9 100 .0 Purdue 24 603 63700 20.7 MIT (Sloan) 4 650 78000 15.N.3 Virginia 11 660 66000 18.1 Chicago 5 680 65000 25.4 Harvard 2 670 80000 12.5 Berkeley 10 653 70000 13.2 Emory 23 626 60000 33. 16 630 60000 19.7 Maryland 25 640 53000 18.9 Carnegie Mellon 14 640 67200 30.8 Dartmouth 8 670 70000 12. (US News) GMAT Salario Inicial ($) % Aceptación Stanford 1 711 82000 7.0 NYU 13 646 70583 20.5 U.8 Penn (Wharton) 3 662 79000 14.9 Michigan 12 645 65000 28.6 Duke 9 646 67500 20.0 Ohio State 22 611 61000 23.C.7 Cornell 20 637 64000 25.0 Northwestern 6 660 70000 16.0 Columbia 7 660 83000 14.4 Rochester 21 630 58500 36.

662094325 0.8104 -4.873 198.29 208729.0001336 -1340.45E+08 16409433.957 69.6138 -1.007589 36233.526337637 0.991730876 0.49917 .40 41473.12E+09 374977790.1 22.953271081 0.855918 Observations 25 ANOVA df SS MS F Significance F Regression 3 1.67 Total 24 1.Regresión Multiple SUMMARY OUTPUT Regression Statistics Multiple R 0.17E-07 Residual 21 3.5 X Variable1 -926.851355 8.7291 125.76118 X Variable3 -191.76550478 Adjusted R Square 0.3326192 -185.13 2.44875 -0.47E+09 Coefficients Standard t Stat P-value Lower 95% U pper 95% Error Intercept 122481.8749313 R Square 0.732005463 Standard Error 4050.1418472 -452.Interpretación de Resultados de Excel.424 X Variable2 -59.32 -513.659 65.9488 60.

93994 4.08E+09 63.855974 R Square 0.08E+09 1.6201 -7.43405 82755.04264 4.32 1703.49801 2.9674353 Con sólo X1.186411 -672.47E+09 Coefficients Standard Error t Stat P-value Lower 95% Upper 95% Intercept 79230.732691 Adjusted R Square 0.93E+08 17079107 Total 24 1.Regresión sólo con sólo X1 SUMMARY OUTPUT Regression Statistics Multiple R 0. el Modelo se simplifica enormemente poca importancia práctica se pierde en R2 (ajustada) .20595 X Variable1 -910.951 46.Resultados de Excel.88E-08 -1147.88E-08 Residual 23 3.721069 Standard Error 4132.98E-24 75705.077 114.688 Observations 25 ANOVA df SS MS F Significance F Regression 1 1.

.…poca importancia práctica se pierde en R2 (ajustada) .94 0.Reducción del Modelo Vuelva a correr la regresión usando la categoría US News.6 -7.000 x -910. Estándar T p Constante 79230 1704 46.04 0. como el único agente de predicción (“predictor”) La ecuación de regresión es: y = 79230 .910 x “Predictor” Coef Desv.000 Error 23 392819470 17079107 Total 24 1469531477 El Modelo se simplifica enormemente.000 S = 4133 R2 = 73.3% R2 (ajustada) = 72.50 0.1% Análisis de Variancia Fuente DF SS MS F p Regresión 1 1076712008 1076712008 63.1 114.

50 251. Corrida en Minitab  Se introducen los datos en varias columnas C1 a C5 incluyendo la respuesta Y (heatflux) y las variables predictoras X’s (North.28 104 .45 34.13 32. South.75 33.45 36.31 17.8 783.50 36.55 16.53 40.80 33.8 684.46 34.66 230.7 827. East) HeatFlux Insolation East South North 271.14 16.35 33.40 257.45 35.46 238.66 37.66 264.0 748.52 17.9 875.6 860.19 16.15 34.71 16.

Las gráficas se obtienen Stat > Regression > Regression > Fitted line Plots  Para regresión múltiple Y (heatflux) y las columnas de los predictores (north. south. Corrida en Minitab  Utilzar el archivo de ejemplo Exh_regr. east) 105 .mtw  Opción: Stat > Regression > Regression  Para regresión lineal indicar la columna de respuesta Y (Score2) y X (Score1)  En Regresión lienal en opciones se puede poner un valor Xo para predecir la respuesta e intervalos.

0% CI 95.9631) New Obs Score1 1 7.1093 10.000 S = 0.1% Analysis of Variance Source DF SS MS F P Regression 1 2.5419 2.6414 0.00 106 .56 0.1136 0.218 Score1 Predictor Coef SE Coef T P Constant 1.0474 ( 2.21767 0.7% R-Sq(adj) = 95. Resultados de la regresión lineal The regression equation is Score2 = 1.000 Residual Error 7 0.1177 0.23 0.5419 156.12 + 0.5292. 2.3197.6556 Predicted Values for New Observations New Obs Fit SE Fit 95.1274 R-Sq = 95.000 Score1 0.0162 Total 8 2.0% PI 1 2. 2.7536) ( 2.51 0.01740 12.

11771 + 0.5 Regression 1.5 95% CI 95% PI 2 3 4 5 6 7 8 9 Score1 107 .1 % 3.5 Score2 2.217670 Score1 S = 0.7 % R-Sq(adj) = 95.Resultados de la regresión lineal Regression Plot Score2 = 1.127419 R-Sq = 95.

32 South + 2.1 73.9% Analysis of Variance Source DF SS MS F P Regression 3 12833.9 Total 28 14681.132 1.125 1.9 Source DF Seq SS North 1 10578.0 57.92 0.000 East 2.3 108 .87 0.7 South 1 2028.Resultados de la regresión Múltiple The regression equation is HeatFlux = 389 .89 0.24.214 1.000 Residual Error 25 1848.1 North + 5.9629 5.000 North -24.598 R-Sq = 87.869 -12.9 4278.4% R-Sq(adj) = 85.092 S = 8.3185 0.17 66.09 5.75 0.000 South 5.12 East Predictor Coef SE Coef T P Constant 389.52 0.9 East 1 226.

para una respuesta dada • Reduzca el modelo de regresión cuando sea posible. Importancia estadística: (valores p) • La regresión puede usarse con un “predictor” X o más. sin perder mucha importancia práctica 109 . Resumen de la Regresión • La regresión sólo puede utilizarse con información de variables continuas. • Los residuos deben distribuirse normalmente con media cero. • Importancia práctica: (R2).

4 Herramientas multivariadas 110 .A.VI.

Análisis factorial 4. MANOVA 111 . Análisis de componentes principales 3. Herramientas multivariadas 1. Análisis discriminante 5. Introducción 2.

MANOVA 112 . Introducción  En el análisis multivariado se incluyen dos o más variables dependientes Y1. análisis discriminante. X2. análisis de conglomerados.  Entre las herramientas principales se encuentran:  Componentes principales. Consideradas simultáneamente para las variables independientes X1.. análisis factorial. …. etc. Xn  Normalmente se resuelven con herramientas computacionales tales como Minitab y SPSS. Y2. análisis canónico.

Análisis de componentes principales  El análisis (PCA) y el análisis factorial (FA) se usan para encontrar patrones de correlación entre muchas variables posibles y subconjuntos de datos  Busca reducirlas a un menor número de componentes o factores que representen la mayor parte de la varianza.  Normalmente se requieren al menos cinco observaciones por variable 113 .

… que explican la mayor parte de la varianza  Se puede hacer un diagrama de Pareto como apoyo 114 . PC2. Análisis de componentes principales  Pasos de análisis en Minitab  Se usa una matriz de correlación para determinar la relación 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.

3 1.9 21.8 12.8 6 1.2 12 13.4 6.7 14 9.6 3.3 9.1 18.1 5.6 55.9 0.9 41.2 5 9.7 0.2 3 2.8 0.8 3.7 15 9.7 23.9 2.5 22.6 10.6 6.8 19 7.2 20 9.5 5.4 11.3 3 36.2 1.5 13.6 5.2 115 .7 3.5 3.1 8.1 28 3.1 10.1 4.7 5.3 23 9.5 4. Ejemplo: Alimentos en Europa X1 X2 X3 X4 X5 X6 X7 X8 X9 País RMEAT WMEAT EGGS MILK FISH CERL STARCH NUTS FR-VEG 1 10.6 17 6.4 3.7 4.5 8.5 9.7 2.6 4.7 3.3 40.3 3 13.7 7.1 3.9 4.6 8 9.3 25.7 25 9.4 2.5 24.2 2.4 2.6 2.3 0.9 3.2 42.8 3.9 13.4 7 8.1 4 6 10.7 2.5 4.7 25.1 1 1.6 3.3 6.8 3.7 1.8 2.8 26.7 4.2 24 6.6 7 29.4 4.5 11 5.2 9.3 19.7 1.3 19.7 7.8 17.4 2.8 3.1 4.6 1.4 12.9 22 17.5 10 10.7 20.6 6.6 23.2 3.1 2.1 4 4 7.4 5 1.3 24.1 4 5.9 10.6 5.9 18 6.9 7.3 4.3 5.9 4.6 2.5 0.6 2.7 33.6 1.9 14.2 6.8 2.1 23.4 4.2 27 5.8 6.9 3 5.1 1 49.1 3.2 56.4 9 18 9.8 25 4.6 5.7 28.4 0.9 7.9 2.6 8.6 3.1 1.7 2 8.4 2 21 13.7 1.5 1.5 0.1 5.8 2.7 11.1 3.9 2 6.9 13 9 5.2 1.3 4.4 36.1 5.3 2.5 19.3 12.4 3.4 4.2 5.7 5.3 1.4 2.5 11.4 3.5 2 34.4 5.7 16 6.3 4.5 3.2 7.8 2.9 9.4 24.6 5.1 4.7 19.8 3.5 4.9 14 4.8 2.3 5 1.2 1.7 2.6 2.7 11.9 10 4.1 17.1 16.3 4.7 3.4 18.5 26.7 23 4.9 24 11.6 3 43.7 2.4 4.

X9 4 En Number of factors to extract. X7. 3. Corrida en Minitab 2 Stat > Multivariate > Principal components 3 En Variables. X8. X1. X6. 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. X3. X2. Seleccionar Correlation Matrix 5 Click Graphs y seleccionar Scree Plot. Click OK en cada uno de los cuadros de diálogo 116 . X4.

FR-VEG 4 3 Loading Plot of RMEAT. FR-VEG Eigenvalue WMEAT CERL MILK 2 0.2 -0.3 0.0 0.2 0. .5 FR-VEG -0. .1 0.7 -0.6 FISH Dos componentes exceden -0.4 -0. de 1 First Component 117 .1 0.4 -0...1 NUTS -0. Ejemplo: Alimentos en Europa Scree Plot of RMEAT..0 Second Component 1 -0.1 RMEAT EGGS 0.4 El eigenvalor de ref.2 0..3 STARCH 1 2 3 4 5 6 7 8 9 Component Number -0.5 -0.2 0 -0...3 -0.

Ejemplo: Alimentos en Europa Se tiene la gráfica siguiente de países: Europa occidental Europa oriental Balcanes Scatterplot of Z2 vs Z1 2 1 4 2 18 25 14 1 12 8 21 5 11 24 20 22 23 0 6 3 7 13 16 9 15 10 -1 Z2 -2 19 -3 -4 17 -5 -3 -2 -1 0 1 2 3 4 Z1 Península ibérica 118 .

Análisis factorial  Es una técnica de reducción de variables para identificar factores que expliquen la variación. aunque se reiere un juicio subjetivo.  Las variables de salida están relacionadas linealmente con las variables de entrada.  Las variables deben ser medibles y simétricas. Debe haber cuatro o más factores de entrada para cada variable independiente 119 .

para identificar los factores principales para un estudio posterior  Rotación de factores. Análisis factorial  Se especifican un cierto número de factores comunes  El análisis factorial se hace en dos etapas:  Extracción de factores. para hacerlos más significativos 120 .

X2. Z’s. Click OK en cada uno de los cuadros de d 121 . coeficientes. X6. eigenvalores. Click Results y seleccionar Sort loadings. 3 En Variables. X9 4 En Number of factors to extract. etc. X7. 7 Click Graphs y seleccionar Loading plot for first 2 factors y Scree Plot. X8. 4. X3. seleccionar Varimax. Seleccionar Storage e indicar columnas para ponderaciones. X1. Corrida con Minitab 2 Stat > Multivariate > Factor Analysis. En Method of Extraction. seleccionar Principal components 6 En Type of Rotation. X4.

FR-VEG CERL 0.624 -0.2054 2.214 0..943 -0.858 122 .50 -0.127 -0.088 0..628 -0.75 1.014 0.683 -0..921 -0.00 FISH WMEAT -0.245 0.231 0.664 0.010 0.100 0.50 NUTS Ejemplo 0.25 0.00 -0.75 RMEAT -1.00 First Factor Rotated Factor Loadings and Communalities Varimax Rotation Variable Factor1 Factor2 Factor3 Factor4 Communality X1 RMEAT 0.515 0.00 0.226 -0.0749 1.263 -0.219 0. .25 -0.25 0.549 -0.732 X8 NUTS -0.145 0.919 X6 CERL -0.910 Variance 2.849 X9 FR-VEG -0.25 FR-VEG STARCH Second Factor 0.871 X2 WMEAT 0.020 0.003 0.9273 1.026 0. Loading Plot of RMEAT.037 0.5165 7.7240 % Var 0.795 X5 FISH -0.515 -0.638 0.395 0.867 X7 STARCH 0.051 -0.050 0.579 0.163 0.862 X4 MILK 0.104 0.004 0.168 0.178 -0.918 X3 EGGS 0.931 0.197 -0.50 0.50 MILK EGGS -0.610 0.937 0.326 -0.

Ejemplo: Scatterplot of Z2 vs Z1 2 Yugoslavia Portugal Rumania Hungría 1 Bulgaria Rusia Polonia Checa Alemania orien España Albania Noruega 0 Finlandia Dinamarca Holanda Autria Z2 Italia Suecia Alemania Occ Bélgica Grecia -1 Suiza Irlanda Francia -2 Reino Unido -2 -1 0 1 2 Z1 123 .

Análisis discriminante  Si se tiene una muestra con grupos conocidos. con la misma varianza y covarianza poblacional entre variables dependientes. y las muestras exhiben independencia 124 . el análisis discriminante clasifica las observaciones o atributos en dos o más grupos  Puede utilizarse como herramienta predictiva o descriptiva  Las variables deben ser multivariadamente normales.

2 7.8 7.5 32.5 16.0 11 1 Finlandia 13.6 6.9 0.1 3 1 Francia 10.0 9.5 6.2 1.7 7.4 14.9 17.1 2.3 14.0 16.1 21.9 0.9 16.9 41.7 5.2 1.4 30.8 5.0 0.8 0.9 7.3 6.9 8.9 18.0 25 3 Rusia 23.8 0.6 8.0 21 3 Alemania Ori.6 5.2 6.8 5.0 22.4 25.2 26.1 30.8 28.3 0.5 2.7 8.4 6.2 2.7 15 2 España 22.8 8.2 1.5 16.1 30.5 5.4 9.6 0.7 28.6 8.5 10.1 6.6 9.3 7.6 16.4 13.5 1.6 1.2 8 1 Holanda 6.4 14 2 Portugal 27.1 11.8 9.4 11.0 20.5 4.5 0.9 0.4 0.0 23 3 Polonia 31. Ejemplo de actividades en países No Grupo Ciudad Agr Min Man Ps Con Ser Fin Sps Tc 1 1 Bélgica 3.2 37.8 0. 6.7 5.7 13 1 Noruega 9.3 7.5 0.2 1.8 9.0 0.8 0.1 4.6 0.6 7.8 0.5 16 1 Suecia 6.6 9.3 11.0 125 .5 2.2 1.2 8.9 1.2 6.8 0.6 17.0 18.6 27.7 1.1 5 1 Irlanda 23.9 4.5 0.8 9 1 Inglaterra 2.9 6.6 11.1 5.8 0.2 2 1 Dinamarca 9.1 29.1 22.4 6.3 35.4 6.5 17.6 7.6 20.3 26 3 Yugoslavia 48.3 7.7 18.4 11.5 23.1 11.7 9.4 0.7 18 2 Turquía 66.7 27.2 0.7 1.4 5.9 5.8 4.9 17.7 3.0 22.0 6.9 0.3 0.3 14.6 0.8 27.7 1.7 1.7 2.9 24 3 Rumania 34.2 9.2 1.4 25.6 19.8 2.4 0.9 8.5 25.0 32.2 18.9 8.9 7.3 24.3 5.3 7.1 8.7 5.0 6.7 7 1 Luxenburgo 7.8 6.7 1.3 4.3 6.6 8.4 10 1 Austria 12.8 28.5 11.2 19 3 Bulgaria 23. 4.9 1.1 0.9 16.2 6.6 12 2 Grecia 41.1 0.1 2.2 19.9 3.8 17 1 Suiza 7.1 6.2 0.1 30.7 1.6 9.2 14.5 22.7 11.3 2.7 4 1 Alemania Occ.8 1.9 35.5 9.7 3.5 24.7 0.8 7.2 8.1 1.8 6.8 0.4 25.9 8.9 32.6 1.9 8.4 7.1 6 1 Italia 15.5 1.3 15.7 0.6 8.7 5.9 27.7 16.9 16.4 22 3 Hungría 21.5 0.1 0.2 22.7 20 3 Checa 16.3 0.0 0.9 16.8 20.4 5.

126 . 4 En Predictors. Corrida con Minitab 2 Stat > Multivariate > Discriminant Analysis. Click OK. poner SalmonOrigin. 3 En Groups. poner Freshwater Marine.

Corrida con Minitab Canonical Discriminant Functions 3 2 1 3 1 0 -1 GRUPO 2 Group Centroid s -2 Function 2 3 -3 2 -4 1 -6 -4 -2 0 2 4 6 Func tion 1 127 .

Análisis de conglomerados 128 .

etc. padres.  Se trata de dar sentido a grandes cantidades de datos de cuestionarios. ecnuestas. etc. hábitos de estudio. Análisis de conglomerados  Se usa para determinar agrupaciones o clasificaciones de un conjunto de datos  Las personas se pueden agrupar por IQ. 129 .

Ejemplo  Suponer que un estudio de Variables V1 V2 mercado trata de determinar segmentos de mercado en A 3 2 base a los patrones de B 4 5 lealtad de marcas (V1) y tiendas (V2). D 2 7 E 6 6 F 7 7 G 6 4 130 . medidas del 0 C 4 7 al 10 en 7 personas (A-G).

00 1 2 3 4 5 6 7 Observations 131 .11 Distance 1. Corrida en Minitab  Stat > Multivariate Análisis > Cluster Observations  Distance Measured Euclidean Seleccionar Show Dendogram OK Dendrogram with Single Linkage and Euclidean Distance 3.05 0.16 2.

Análisis de correlación canónico  Prueba la hipótesis de que los efectos pueden tener causas múltiples y de que las causas pueden tener efectos múltiples (Hotelling 1935)  Es como una regresión múltiple para determinar la correlación entre dos conjuntos de combinaciones lieneales.  La relación de un conjunto de variables dependientes a un conjunto de variables independientes forma combinaciones lineales 132 . cada conjunto puede tener varias variables relacionadas.

3)  Por ejemplo se quiere determinar si hay una correlación entre las características de un ingeniero industrial y las habilidades requeridas en la descripción de puesto del mismo ingeniero. Análisis de correlación canónico  Se usan los más altos valores de correlación para los conjuntos. Los pares de combinaciones lineales se denominan variates canónicas con correlaciones canónicas (Rc con valor mayor a 0. 133 .

MANOVA (Análisis de varianza múltiple)  Es un modelo para analizar la relación entre una o más variables independientes y dos o más variables dependientes  Prueba si hay diferencias significativas en las medias de grupos de una combinanción de respuestas Y. con covarianza homogenea y observaciones independientes 134 .  Los datos deben ser normales.

MANOVA (Análisis de varianza múltiple) 135 .

Diferencias de ANOVA y MANOVA 136 .

 Se utiliza el MANOVA balanceado para probar la igualdad de las medias. gloss y opacity – cinco veces en cada combinación de dos factores – tasa de extrusión y cantidad de aditivo – cada grupo se pone en niveles bajos y altos. 137 . Ejemplo: Extrusión de película plástica  Se realiza un estudio para determinar las condiciones óptimas para extruir película plástica.  Se miden tres respuestas – Tear.

1 5.5 10.4 2 1 7.5 1.6 3 1 1 6.2 10 2 1 2 6.5 9.8 8.5 9.2 9.6 9.7 2 2 7.1 1 1 6.9 1 2 6.4 1 1 6.2 1.2 0.1 2.9 9.1 2.4 1.7 1 2 6.3 9.1 8.7 9.3 4.1 2 1 7.8 5.3 3.2 9.8 2 1 6.2 8.9 2 2 138 .5 4.8 2 1 7.1 9.4 1 1 5.9 3.2 8.6 2 1 6.1 9.6 9.7 6. Ejemplo: Extrusión de película plástica Tear Gloss Opacity Extrusión Additive 6.2 2 2 7.5 3.9 1 2 6.6 4.4 2 2 7 8.9 9.9 2 2 7.5 9.8 9.9 6.8 1 1 6.4 5.7 1 2 7.

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

505 1.4205 SSCP Matrix for Error Tear Gloss Opacity Tear 1.0359 0.5163 0.0604 Gloss -0.020 2.8555 Gloss -1.070 -0.0012 Opacity 0.7395 Opacity 0.4315 0.5520 64.070 Gloss 0. Ejemplo Criterion Statistic F Num Denom P Wilks' 0.554 3 14 0.739 0.924 Partial Correlations for the Error SSCP Matrix Eigenvector 1 2 3 Tear 0.38186 7.1209 140 .855 -0.505 0.6280 -0.740 -1.0302 -0.552 Opacity -3.6541 0.0200 -3.301 -0.3385 0.003 SSCP Matrix for Extrusion Tear Gloss Opacity Tear 1.764 0.

Las correlaciones parciales entre Tear y Gloss son pequeñas. Ejemplo: Extrusión de película plástica Las matrices SSCP evalúan la contribución a la variabilidad de manera similar a la suma de cuadrados en la ANOVA univariada. 141 . se pueden realizar análisis univariados de ANOVA para cada una de las respuestas. Como la estructura de las correlaciones es débil.

VI.A.4 Estudios Multivari 142 .

Estudios Multivari  La carta multivari permite analizar la variación dentro de la pieza. de pieza a pieza o de tiempo en tiempo  Permite investigar la estabilidad de un proceso consiste de líneas verticales u otro esquema en función del tiempo. La longitud de la línea o del esquema representa el rango de valores encontrados en cada conjunto de muestras 143 .

La variación de muestra a muestra como posición vertical de las líneas. E S P E S O R Número de subgrupo 144 . Estudios Multivari  La variación dentro de las muestras (cinco puntos en cada línea).

Estudios Multivari  Ejemplo de parte metálica Centro más grueso 145 .

Estudios Multivari  Procedimiento de muestreo:  Seleccionar el proceso y la característica a investigar  Seleccionar tamaño 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 línea  Analizar la carta para variación dentro de la parte. de parte a parte y sobre el tiempo  Puede ser necesario realizar estudios adicionales alrededor del área de máxima variación aparente  Después de la acción de mejora comprobar con otro estudio Multivari 147 .

Cartas Multivari  Su propósito fundamental es reducir el gran número de causas posibles de variación. turno a turno. semana a semana. etc. día a día. a un conjunto pequeño de causas que realmente influyen en la variabilidad. variación de lote a lote.  Cíclico: Variación entre unidades de un mismo proceso.  Sirven para identificar el patrón principal de variación de entre tres patrones principales:  Temporal: Variación de hora a hora. 148 . variación entre grupos de unidades.

operador a operador.  Variaciones por la localización dentro de un proceso que produce múltiples unidades al mismo tiempo. Por ejemplo las diferentes cavidades de un molde  Variaciones de máquina a máquina. ó planta a planta 149 . Cartas Multivari  Posicional:  Variaciones dentro de una misma unidad (ejemplo: porosidad en un molde de metal) o a través de una sola unidad con múltiples partes (circuito impreso).

A 1 2 3 4 5 27 28 29 30 31 55 56 57 58 59 VARIACIÓN POSICIONAL DENTRO DE LA UNIDAD 150 . repitiendo el proceso tres o más veces a cierto intervalo de tiempo. hasta que al menos el 80% de la variación en el proceso se ha capturado. Cartas Multivari  Ejemplo: Se toman 3 a 5 unidades consecutivas.

) B 1 2 3 4 5 27 28 29 30 31 55 56 57 58 59 VARIACIÓN CÍCLICA DE UNIDAD A UNIDAD 151 .. Cartas Multivari  Ejemplo: (cont..

.) C 1 2 3 4 5 27 28 29 30 31 55 56 57 58 59 VARIACIÓN TEMPORAL DE TIEMPO A TIEMPO 152 . Cartas Multivari  Ejemplo: (cont..

0025” (6  ) contra la permitida de 0.e. con un diámetro especificado de 0. i.000 para tolerancia de  0.  Sin embargo un estudio de capacidad muestra un Cp = 0.8 y una dispersión natural de 0. Cartas Multivari  Ejemplo: Un proceso produce flecha cilíndricas.  Se tiene pensado comprar un torno nuevo de US$70.0002”. Cpk = 1. 153 .0250”  0. Se sugirió un estudio Multi Vari previo.25.0008”.001”.

se muestra mediante las líneas que concentran las cuatro lecturas de cada flecha. además de excentricidad en cada lado de la flecha. dos a cada lado. Estas muestran una disminución gradual desde el lado izquierdo al lado derecho de las flechas. 154 .  También se muestra la variación temporal. de una flecha a la siguiente.  La variación cíclica. Cartas Multivari  Se tomaron cuatro lecturas en cada flecha.

0.2500” 0. Cartas Multivari 8 AM 9 AM 10 AM 11 AM 12 AM .2510” 0.2490” Izquierda Máximo Derecha Mínimo 155 .

 A las 10 AM se para el equipo para el almuerzo y se arranca a las 11 AM.  Se investigó y se encontró que la temperatura tenía influencia en la variación. Conforme pasa el tiempo las lecturas tienden a decrecer más y más. Se adicionó. en forma drástica.  La variación en temperatura era causada por que la cantidad de refrigerante no era la adecuada. reduciendo la variación en 50% aproximadamente.. con lecturas similares a las de las 8 AM. 156 . lo cual se notaba más cuando se paraba el equipo y se volvía a arrancar.M. hasta que se invierten a las 10 A. Cartas Multivari  Un análisis rápido revela que la mayor variación es temporal con un cambio mayor entre las 10 AM y las 11 AM.

Se ajustó.  La excentricidad de las flechas se corrigió al cambiar un rodamiento excéntrico por desgaste en el torno. Se instaló un nuevo rodamiento eliminándose otro 30% de la variabilidad.  La tabla siguiente muestra un resumen de los resultados. 157 . Cartas Multivari  También se encontró que el acabado cónico era causado por que la herramienta de corte estaba mal alineada. contribuyendo a otra reducción del 10% de la variabilidad.

Causas de Acción % de variación Variación Total Variación Correctiva Reducida Temporal 50 Bajo nivel de Adicionar Casi 50 Tiempo a tiempo Refrigerante refrigerante Dentro de 10 Ajuste no Ajuste de la Casi 10 la flecha no paralelo herramienta de corte Dentro de 30 Rodamiento Nuevo Casi 30 la flecha gastado rodamiento Flecha a 5 -??? . - flecha 158 . Cartas Multivari Tipo de % var.

0004”  El nuevo Cp fue de 0. 159 . es conveniente realizar un estudio de variabilidad para identificar las fuentes de variación y tratar de eliminarlas.  Se observa que antes de cambiar equipo o máquinas.0004 = 5.002 / 0.0  Como beneficios se redujo a cero el desperdicio y no hubo necesidad de adquirir una nueva máquina.0025” a 0. Cartas Multivari  Resultados:  La variación total en la siguiente corrida de producción se redujo de 0.

medición proceso Pieza a Dentro de Máquina a Turno a Tiempo a Lote a lote pieza la pieza máquina turno tiempo Operador a operador Programa Máquina Accesorios 160 . Diámetro de Flecha (0..002) Variación Variación de de sist. Cartas Multivari Ejemplo: Búsqueda de fuentes de variación con el diagrama sistemático.150" +/.

. 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: Oper1 = Oper3 Ho: Oper2 = Oper3 Ha: Oper1 Oper2 Oper3 161 .): • Al realizar la prueba de homogeneidad de varianza F. Cartas Multivari Ejemplo (cont. se encontró que había una diferencia significante entre los operadores.

5 21 19 0.5 15 21 0.5 15 20 0.5 18 19 0.5 21 18 162 .5 18 20 0. 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 18 22 0.

Corrida en Minitab  Utilizar el achivo de ejemplo Sinter.mtw  Opción: Stat > Quality Tools > Multivari charts  Indicar la columna de respuesta y las columnas de los factores  En opciones se puede poner un título y conectar las líneas 163 .

0 2.0 22.MetalType SinterTime 0.5 18. Resultados Multi-Vari Chart for Strength by SinterTime .5 23.5 17.5 19.5 1.5 Strength 20.5 15 18 21 MetalType 164 .5 21.

5 Análisis de datos por atributos 165 .VI.A.

4. azul) Regresión Logística Nominal Atributo (Pasa/No pasa) Regresión Logística Binaria Ordinal (1. 2. Rojo. 5) Regresión Logística Ordinal 166 . dependiendo de la naturaleza de la característica crítica para el cliente (CTS’s) como éste la expresa: CTS HERRAMIENTA Nominal (Verde. Análisis de datos por atributos  Si los CTQ’s son variables continuas. se usa la regresión. 3.

pasa / no pasa. Análisis de datos por atributos  El análisis de datos por atributos se organiza en valores.  Entre los modelos no lineales de regresión usados se tienen: regresión logística. categorías o grupos dicotómicos  Las decisiones incluyen: si / no. pobre/justo/bueno/superior/excelente. regresión logit y regresión probit 167 . etc. bueno / malo.

usa determinaciones de probabilidad o tasa de probabilidad 168 . ordinal y nominal  Regresión logit  Es subconjunto del modelo log-lineal. Minitab incluye los modelos binario. Tiene solo una variable dependiente. Análisis de datos por atributos  Regresión logística  Relaciona variables independientes categóricas a una variable dependiente (Y).

la unidad se somete a esfuerzo con la respuesta pasa/falla. Análisis de datos por atributos  Regresión probit  Es similar a la prueba de vida acelerada. Es una respuesta binaria en un tiempo de falla futuro 169 . bueno o malo.

Regresión logística o binaria • En caso de información cualitativa es necesario traducir las preferencias del cliente expresadas como atributos a un intervalo de valores aceptables de variables (Especificaciones). 170 .

etc. Yi = 0. Regresión logística o binaria  Es similar a la regresión múltiple excepto que la respuesta es binaria (si/no. bueno/malo. con valores máximos de Cero y Uno. 1 171 .) Sus coeficientes se determinan por el método de máxima verosimilitud  Su función tiene forma de “S”.

. Regresión logística o binaria  La probabilidad de que el resultado esté en cierta categoría es:  El método de cálculo del coeficiente b es diferente que en la regresión lineal  Los coeficientes se determinan con la relación sig...: P(evento)  e B 0  B1 X 1  B2 X 2  .  Bn X n P(no evento) 172 .

Regresión logística  Condiciones:  Hay solo dos resultados posibles  Hay solo un resultado por evento  Los resultados son independientes estadísticamente  Todos los predictores relevantes están en el modelo  Es mutuamente exclusivo y colectivamente exhaustivo  Los tamaños de muestra son mayores que para la regresión múltiple  Los efectos positivos se obtienen con b1>1 y los negativos con b1 e 0 a 1 173 .

Regresión logística Relación con ajuste pobre Relación con buen ajuste 174 .

 Analice la información mediante Regresión Logística Binaria 175 .Procedimiento  Definir el atributo a “traducir” (“y”)  Definir la variable apropiada para el atributo (“x”)  Definir el modelo matemático a probar  Determinar los defectos que está dispuesto a aceptar  Recolecte información de “x” vs “y”.Regresión logística . Asigne 1 si falla y 0 si es aceptable.

Regresión logística.Procedimiento 176 .

Procedimiento Coeficientes del modelo P-Value de Deviance  Observe el P-Value de “Deviance” en la Sesión. Regresión logística . debe de ser grande (P >0.10)  Obtenga los coeficientes del modelo (De la Sesión) 177 .

Regresión logística .. 0 1 1 Donde : 1+e b +b x +.. . = Coeficientes del modelo • Identifique el(los) valor(es) de “x” que le generarán como máximo la cantidad de defectos que usted está dispuesto a aceptar [4] 178 .. 0 1 1 b0. b1.Procedimiento • Construya el modelo de regresión para la probabilidad de falla estará dado por : P(Falla) = eb +b x +......

19297 0.00 1. el coeficiente negativo de -1. Ejemplo de riesgo de paro cardiaco Logistic Regression Table Odds 95% CI Predictor Coef SE Coef Z P Ratio Lower Upper Constant -1.031 0.04 0. 179 . tiende a tener una tasa de pulso más alta que los sujetos que no fuman.10 0.98717 1.237 Fuma Si -1.90 Peso 0.552980 -2.18 0.193 y la tasa de posibilidades de 0.03 1.05  Para Fuma.16 0.30 0.041 1.0122551 2. Si los sujetos tienen el mismo peso.0250226 0. las posibilidades de que los fumadores tengan un pulso bajo sea sólo del 30% de las posibilidades de que los no fumadores tengan un pulso bajo.30. indica que quien fuma.67930 -1.

Regresión logística ordinal • Cuando la respuesta ó CTS es de tipo ordinal (Varias categorías de respuesta como “totalmente de acuerdo”. “en desacuerdo” y “totalmente en desacuerdo”) y el Factor ó CTQ es de naturaleza continua. para definir Especificaciones. 180 . entonces. la herramienta a utilizar es la Regresión Logística Ordinal. “de acuerdo”.

Regresión logística ordinal - Procedimiento  Defina la variable de respuesta a “traducir” (“y” ó CTS)  Defina el CTQ (“x”) ó variable a relacionar con el CTS  Defina el modelo matemático a probar  Determine los defectos que está dispuesto a aceptar en la categoría de interés  Recolecte información de “x” vs “y”  Analice la información mediante Regresión Logística Ordinal 181 .

Regresión logística ordinal - Procedimiento  Stat > Regression > Ordinal Logistic Regression  Seleccione la respuesta (“y”)  Seleccione los términos que estima tiene el modelo [3] Constantes y Coeficientes del modelo 182 .

10)  Obtenga las constantes y coeficientes del modelo (De la Sesión)  Construya los modelos de regresión para la probabilidad acumulada por categoría 183 . Regresión logística ordinal - Procedimiento  Observe el P-Value de “Deviance” en la Sesión. debe de ser grande (P >0.

. ..... b1. = Coeficientes del modelo i 1+e i 1 1 2 2 Constantes y Coeficientes del modelo • Identifique el(los) valor(es) de “x” que le generarán como máximo la cantidad de defectos que usted está dispuesto a aceptar en la categoría de interés [4] 184 . i 1 1 2 2 Ki = Constante de la categoría i hasta categoría K +b x + b x . b2... Regresión logística ordinal - Procedimiento Donde : P acumulada = e K +b x + b x ..

Regresión logística ordinal - Procedimiento  Una vez que se tienen establecidos los CTQs con los que se medirá el desempeño del producto. CTQs Producto Diseño (CTS’s) (DPs) Tipo (General) Especificaciones Clientes LIE LSE Otra Usuarios Finales Producto (Específico) 185 . es necesario indicar las Especificaciones de los mismos Parámetros Expectativas de Diseño Matriz de Importan.

Análisis Logit  Usa razones para determinar que tanta posibilidad tiene una observación de pernecer a un grupo que a otro.  La probabilidad para un valor L está dado por la ecuación 186 . cuyo logaritmo es el logit.8 de estar en el grupo A se puede expresar como una tasa de posibilidades de 4:1 ( que es p/(1-p)).  Una posibilidad de 0.

54/0.545) = 1.11 que es la tasa de pasar a otro nivel 187 .5% de pasar.46 = 1.ejemplo 50 estudiantes tomaron un examen.189) = 0.198:1 Logit = ln(p/(1-p)) = ln(1. Análisis Logit . donde solo 27 pasaron.17 o 1. ¿cuáles son las posibilidades? Posibilidades = 0.71:1 Un estudiante que estudia 80 horas tiene un 54.1809 y despejando al Exp(b1) = exp(0. ¿Cuáles son las posibilidades de pasar? Posibilidades = P/(1-P) = 0.1082) = 1.198 o 1.545/(1-0.

814 con: bl = -1. Análisis Probit  Es similar a las pruebas de vida acelerada y análisis de sobrevivencia. Un artículo sujeto a esfuerzo puede fallar o sobrevivir.  Requiere tamaños de muestra muy grandes para diferenciarse del modelo logit  Los coeficientes b del modelo logit difieren del probit en 1.1814 bp 188 . El modelo probit tiene un valor esperado de 0 y una varianza de 1.

VI.B Pruebas de hipótesis 189 .

Tablas de contingencia 8. 5. Análisis de varianza (ANOVA) 7. Conceptos fundamentales 2.B Pruebas de hipótesis 1. Pruebas no paramétricas 190 . VI. Pruebas comparativas para varianzas. varianzas y proporciones 4. Pruebas para medias. medias y prop. Estimación puntual y por intervalo 3. Bondad de ajustes 6.

1 Conceptos fundamentales 191 .VI.B.

. Análisis Estadístico En CADA prueba estadística.. 192 . varianza) Estas estimaciones de los VERDADEROS parámetros son obtenidos usando una muestra de datos y calculando los ESTADÏSTICOS. desviación estándar. se comparan algunos valores observados a algunos esperados u otro valor observado comparando estimaciones de parámetros (media. 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 tamaño de la muestra mejora la estimación y tu confianza en las conclusiones estadísticas.

Conceptos fundamentales  Hipótesis nula Ho  Es la hipótesis o afirmación a ser probada  Puede ser por ejemplo . . = 5  Sólo puede ser rechazada o no rechazada  Hipótesis alterna Ha  Es la hipótesis 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 hipótesis se acepta cuando se rechaza Ho 193 .

194 . La hipótesis nula de cola derecha establecerá que el proceso A es <= Proceso B. Conceptos fundamentales  Ejemplos:  Se está investigando si una semilla modificada proporciona una mayor rendimiento por hectárea. O sea Ho: A <= B. la hipótesis nula de dos colas asumirá 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.

normal=. De esta forma se toma una decisión sobre rechazar o no rechazar la Ho  Error tipo I (alfa = nivel de significancia.05)  Se comete al rechazar la Ho cuando en realidad es verdadera. También se denomina riesgo del productor  Error tipo II (beta )  Se comete cuando no se rechaza la hipótesis nula siendo en realidad falsa. Conceptos fundamentales  Estadístico de prueba  Para probar la hipótesis nula se calcula un estadístico de prueba con la información de la muestra el cual se compara a un valor crítico apropiado. Es el riesgo del consumidor 195 .

sin embargo esto incrementa el riesgo .  Para un mismo tamaño de muestra n ambos varían inversamente  Incrementando el tamaño de muestra se pueden reducir ambos riesgos. Conceptos fundamentales  Tipos de errores  Se asume que un valor pequeño para  es deseable. Decisión realizada Ho en realidad es Ho en realidad es Verdadera falsa No hay evidencia para p = 1- p= rechazar Ho Decisión correcta Error tipo II Rechazar Ho p= p=1- Error tipo I Decisión correcta 196 .

Por ejemplo si Ho = 10 se tiene: P(Z<= . . . que un valor poblacional. entonces el riesgo alfa se reparte en ambos extremos de la distribución.Zexcel ) = alfa/2 P(Z>= + Zexcel ) = alfa/2 197 . Conceptos fundamentales  Pruebas de dos colas  Si la Ho: . = cte.

. que un valor poblacional. Por ejemplo si Ho: >= 10 y Ha: < 10 se tiene una prueba de cola izquierda: P(Z <= .Zexcel ) = alfa 198 . . entonces el riesgo alfa se coloca en la cola izquierda de la distribución.  >= Cte. Conceptos fundamentales  Pruebas de una cola  Si la Ho: .

. <= Cte. . Por ejemplo si Ho: <= 10 y Ha:  > 10 se tiene una prueba de cola derecha: P(Z>= + Zexcel ) = alfa 199 . entonces el riesgo alfa se coloca en la cola derecha de la distribución. que un valor poblacional. Conceptos fundamentales  Pruebas de una cola  Si la Ho: .

Conceptos fundamentales  Tamaño de muestra requerido  Normalmente se determina el error alfa y beta deseado y después se calcula el tamaño de muestra necesario para obtener el intervalo de confianza.  El tamaño de muestra (n) necesario para la prueba de hipótesis depende de:  El riesgo deseado tipo I alfa y tipo II Beta  El valor mínimo a ser detectado entre las medias de la población (Mu – Mu0)  La variación en la característica que se mide (S o sigma) 200 .

Conceptos fundamentales  El Tamaño de muestra requerido en función del error máximo E o Delta P intervalo proporcional esperado se determina como sigue: Z 2 / 2 2 n E2 Z 2 / 2 ( p )(1  p ) n ( p ) 2 Z 2 / 2  2 n  (X   )2 Z 2 / 2 (  )( 1   ) n  ( p   )2 201 .

Conceptos fundamentales  Ejemplo:  ¿Cuál es el tamaño de muestra mínimo que al 95% de nivel de confianza (Z=1. ya ha ocurrido un cambio significativo al 95% de nivel de confianza 202 .96^2)(20^2)/(4)^2 = 96 Obtener 96 valores de rendimiento por hora y determinar el promedio. si se desvía por más de 4 toneladas.96) confirma la significancia de una corrida en la media mayor a 4 toneladas/hora (E). si la desviación estándar (sigma) es de 20 toneladas? n = (1.

Efecto del tamaño de muestra 203 .

Efecto del tamaño de muestra 204 .

Efecto del tamaño de muestra 205 .

Efecto del tamaño de muestra 206 .

Potencia de la prueba  La potencia de una prueba estadística es su habilidad para detectar una diferencia crítica Potencia  1    Si Beta = 0.1 la potencia es del 90%  Delta se puede normalizar dividiéndolo entre la desviación estándar  y se expresa en un cierto  número de  (1 .5  ) 207 . 1.

Potencia de la prueba  La potencia de la prueba es la probabilidad de de rechazar correctamente la hipótesis nula siendo que en realidad es falsa.  El análisis de potencia puede ayudar a contestar preguntas como:  ¿Cuántas muestras se deben tomar para el análisis?  ¿Es suficiente el tamaño de muestra?  ¿Qué 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 parámetros:  Tamaños 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 estadística vs práctica 211 .

Estimación de riesgos 212 .

Pruebas de Minitab  Permite hacer las siguientes pruebas:  Prueba z de una muestra  Prueba t de una muestra  Prueba t de dos muestras  Prueba de 1 proporción  Prueba de 2 proporciones  ANOVA  Diseños factoriales de dos niveles  Diseños de Packett Burman 213 .

Calculo manual 214 .

Calculo manual 215 .

VI.3 Tamaño de muestra 216 .

Calculo manual de tamaño de muestra 217 .

Calculo manual de tamaño de muestra – Pruebas de una cola 218 .

Calculo manual de tamaño de muestra – Pruebas de una cola 219 .

5 GRS.04 0.00 355 360 365 370 375 C1 220 .5 gramos por arriba de la media.5 Variable Meta LIE 370 O riginal 0.10 Y-Data 0.403: CORRIDA DE 2.02 0.18 Ho: 367. Si la media se desplaza 2.14 0. la desviación estándar histórica es de 2.12 0. EN PROMEDIO Ha: Corrida 0. Ejemplo con prueba de una media t  Ejemplo: Se tiene una población normal con media de 365 y límites de especificación de 360 y 370. el número de defectos sería inaceptable.08 0.06 0.16 LIE 360 C orrida 365 0.

Ejemplo con prueba de una media t Stat > Power and Sample Size > 1 .Sample t Completar el diálogo como sigue: 221 .

5 si se usan 6 muestras 2.76% de Potencia para detectar Difference Size Power una diferencia de 2.05 Assumed standard deviation = 2. y para 85%.24% que no se rechaze Ho y se concluya que no hay diferencia significativa.403 Sample Se tiene un 53.537662 O sea que hay una probabilidad del 46. ¿cuántas muestras se requieren para tener un 80% de probabilidad de detectar el corrimiento. Ejemplo con prueba de una media t Los resultados se muestran a continuación: Power and Sample Size 1-Sample t Test Testing mean = null (versus not = null) Calculating power for mean = null + difference Alpha = 0. 90% y 95%? 222 .5 6 0.

85 0.90 0. Ejemplo con prueba de una media t Stat > Power and Sample Size > 1 .5 12 0. 223 .95 0.5 11 0.80 0.5 10 0.962487 Si la potencia es demasiado alta por decir 99% se pueden detectar diferencias que realmente no son significativas.Sample t Se cambia este parámetro Los resultados se muestran a continuación: Sample Target Difference Size Power Actual Power 2.5 15 0.832695 2.873928 2.905836 2.

Sample t Power and Sample Size 2-Sample t Test Testing mean 1 = mean 2 (versus not =) Calculating power for mean 1 = mean 2 + difference Alpha = 0. Ejemplo con prueba de 2 medias t Ejemplo: La potencia de una prueba depende de la diferencia que se quiera detectar respecto a la desviación estándar. Stat > Power and Sample Size > 2 .9. para una sigma poner 1 en diferencia y desviación estándar.912498 Se requieren tamaños de muestra de entre 17 y 23 224 .8 0.05 Assumed standard deviation = 1 Sample Target Difference Size Power Actual Power 1 17 0.807037 1 23 0.8 y 0.9 0. con valores deseados de Potencia de 0.

90) Es la proporción de la Hipótesis nula 225 .04 con el 0.9 de niveles de Potencia: Proporción que se desea detectar con alta probabilidad (0. Ejemplo con prueba de 1 proporción Para estimar la potencia.80.una proporción que se desea detectar con alta probabilidad * Valores de potencia . 0.8 y 0.La probabilidad deseada de rechazar Ho cuando es falsa Suponiendo que se desea detectar una proporción de 0. Minitab requiere de dos de los siguientes parámetros: * Tamaños de muestra * La proporción .

05 Alternative Sample Target Proportion Size Power Actual Power 0.04 580 0.04 Options: Greater Than Significance Level = 0.900226 Si se desea saber la Potencia si se utiliza un tamaño de muestra de 500 se tiene: Stat > Power and Sample Size > 2 . la potencia de la prueba para detectar un corrimiento de 2% a 4% es del 86.05 Alternative Sample Proportion Size Power 0.6% 226 .9 0.Sample t Sample sizes = 500 Alternative values of p = 0.02 (versus > 0.02 (versus > 0.02) Alpha = 0.02) Alpha = 0.800388 0.865861 Por tanto con un tamaño de muestra de 500. Ejemplo con prueba de 1 proporción Test for One Proportion Testing proportion = 0.8 0.04 391 0.05 Test for One Proportion Testing proportion = 0.04 500 0.

d = 1.0s d. n = 10.2.5s b.2. Ejercicios Calcular los tamaños de muestra necesarios para los siguientes escenarios (usar pruebas de dos colas): a.5s y 1. b=0. 25 d. Calcular la potencia de la prueba para los siguientes escenarios (usar pruebas de dos colas): a.5s y 2.05.0s.5s.1. 25. d = 1. b=0.01.05.0s 2.5s c. 75. 1-muestra t à a=0. 20 c. d = 0. b=0. n = 10. 35 b. d = 0.05.05.05. d = 1. d = 1. 1-muestra Z à a=0. n = 10. d = 0. 1-muestra t à a=0. 50. 100 227 .5s.1 y 0.01. 1-muestra t à a=0.05. 1-muestra t à a=0. b=0.1 y 0. 2-muestras t à a=0.0s. 1-muestra Z à a=0. n = 25.05. d = 1. 2-muestras t à a=0.

5. 350 b.95. P0 = 0. Calcular la potencia de la prueba para los siguientes escenarios (usar pruebas de dos colas): a. P0 = 0. P0 = 0.9.2.85.9 c. b=0. n = =400.1 & 0.8. 500 c.5.5. b=0. PA = 0.01. n = 400. 1-proporción à a=0. P0 = 0. PA = 0. PA = 0.6. 1-proporción à a=0. 1-proporción à a=0.01. PA = 0. 1-proporción à a=0.1.5. 2-proporciones à a=0.1 & 0. b=0. PA = 0. b=0.6 b. PA = 0. PA = 0. 500 228 . n = 250. Ejercicios Calcular el tamaño de muestra requerido para los siguientes escenarios (usar pruebas de dos colas): a.05. PA = 0. 0. P0 = 0.01.9.1.05. 2-proporciones à a=0.95 2.95. P0 = 0.01. 2-proporción à a=0.2.05. 2-proporciones à a=0.05. 0. 350 d. P0 = 0.6.8 d. P0 = 0.6. n = 250.8.

229 .

230 .

B.VI.4 Estimación puntual y por intervalo 231 .

 ¿Qué pasa si no deseamos una estimación puntual como media basada en una muestra. Estimación puntual y por intervalo  Las medias o desviaciones estándar calculadas de una muestra se denominan ESTADÍSTICOS. podrían ser consideradas como un punto estimado de la media y desviación estándar real de población o de los PARAMETROS. algún tipo de error? “Un Intervalo de Confianza” 232 . qué otra cosa podríamos obtener como margen.

Intervalo de confianza Error de estimación P(Z<= .Zexcel ) = alfa/2 P(Z>= + Zexcel ) = alfa/2 Intervalo de confianza donde se encuentra el parámetro con un NC =1- 233 .

estándar X multiplicador de nivel de confianza deseado Z/2 Por Ejemplo: Si la media de la muestra es 100 y la desviación estándar es 10. 119. el intervalo de confianza al 95% donde se encuentra la media para una distribución normal es: 100 + (10) X 1.025 234 .96 => (80.6) 1. Estimación puntual y por intervalo  ¿Cómo obtenemos un intervalo de confianza? Estimación puntual + error de estimación  ¿De dónde viene el error de estimación? Desv.4.96 = Z0.

5% mayor o menor.960.282 Para tamaños de muestra >30. corresponde a una Z de 1.025. Esto es el 5% total. o  conocida usar la distribución Normal Para muestras de menor tamaño. C.576 95 1. o  desconocida usar la distribución t 235 . Si vamos a la tabla Z veremos que para un área de 0.645 85 1. Multiplicador Z/2 99 2. Estimación puntual y por intervalo 95% de Nivel de Confianza significa que sólo tenemos un 5% de oportunidad de obtener un punto fuera de ese intervalo.960 90 1. o 2.439 80 1. I.

n 1 2 2 p (1  p )   p  Z 2 n 236 . con n-1 gl. 2 n ( n  1) s 2 ( n  1) s 2  2  2 2  . n 1 1 .n 30  X  t . Estimación puntual y por intervalo   para .n 30  X  Z  2 n   para .

Para n grande el IC es pequeño 237 .

Para n grande el IC es pequeño 238 .

08 con S = 1.7.182*1. 29.70) 239 .02/2=(26. 27.5 psi Estimar la media puntual X media = 28. Ejemplo  Dadas las siguientes resistencias a la tensión: 28.182 con n-1=3 grados de libertad) Xmedia±3.46.9.182*S/√n = 28.08±3.2 y 26.02 Estimar el intervalo de confianza para un nivel de confianza del 95% (t = 3. 29.

43 Kgs.58 Kgs.2 onzas con una S = 0.6 onzas con S = 3.73 onzas. 3.96 onzas. Se rechaza la solución si el peso promedio de todo el lote no excede las 18 onzas. Ejemplos para la media con Distribución normal Z Z 1. 100 latas de 16 onzas de salsa de tomate tienen una media de Xmedia = 15.93 y 1. Alfa = 1 . El peso promedio de una muestra de 50 bultos de productos Xmedia = 652. ¿Cuál es el valor de Z?. ¿Cuál es la decisión a un 90% de nivel de confianza?. ¿A un nivel de confianza del 95%. 4.63.NC 2. las latas parecen estar llenas con 16 onzas?. 240 . Un intervalo de confianza del 90% para estimar la ganancia promedio del peso de ratones de laboratorio oscila entre 0.. Determinar el intervalo de confianza al NC del 95% y al 99% donde se encuentra la media del proceso (poblacional). con S = 217. Una muestra de 16 soluciones tienen un peso promedio de 16.

20 cajas de producto pesaron 102 grs. Hallar el intervalo de confianza del 95% para estimar el peso promedio y la varianza de todos los paquetes. 7. Los pesos de 25 paquetes enviados a través de UPS tuvieron una media de 3. ¿Cuál es el intervalo donde se encuentra la media y varianza del lote para un 90% de nivel de confianza?. Una muestra de 25 productos tienen un peso promedio de 23. Con una S = 9.7 libras y una desviación estándar de 1.87 grs. ¿Cuál es la estimación 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?.2 libras.5 grs. 241 . Con S = 8. Los pesos de los paquetes se distribuyen normalmente.56. Ejemplos para la media y varianza con Distribución t t 5. Grados libertad=20 -1 =19 6.

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. De 814 encuestados 562 contestaron en forma afirmativa. ¿Cuál es el intervalo de confianza para un 90% de nivel de confianza? 9. ? 242 . En una encuesta a 673 tiendas. Ejemplos para proporciones con Distribución Z Z 8.

Instrucciones con Minitab Intervalo de confianza para la media Stat > Basic Statistics > 1-Sample Z.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 -. t Variable -. 95 o 99% OK 243 .90.

Instrucciones con Minitab
Intervalo de confianza para proporción

Stat > Basic Statistics > 1-Proportion

Seleccionar Summarized Data
Number of trials = n tamaño de la muestra
Number of events = D éxitos 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 hipótesis para
medias, varianzas y proporciones

245

Elementos de una
Prueba de Hipótesis

Prueba Estadística- Procedimiento para decidir no rechazar Ho
aceptando Ha o rechazar Ho.

Hipótesis Nula (Ho) - Usualmente es una afirmación representando
una situación “status quo”. Generalmente deseamos rechazar la
hipótesis nula.

Hipótesis Alterna (Ha) - Es lo que aceptamos si podemos rechazar
la hipótesis nula. Ha es lo que queremos probar.

246

Elementos de una
Prueba de Hipótesis

Estadístico de prueba: Calculado con datos de la muestra (Z, t, X2
or F).

Región de Rechazo Indica los valores de la prueba estadística para
que podamos rechazar la Hipótesis nula (Ho). Esta región esta
basada en un riesgo  deseado, normalmente 0.05 o 5%.

247

Pasos en la Prueba de Hipótesis
1. Definir el Problema - Problema Práctico

2. Señalar los Objetivos - Problema Estadístico

3. Determinar tipo de datos - Atributo o Variable

4. Si son datos Variables - Prueba de Normalidad

248

Pasos en la Prueba de Hipótesis
5. Establecer las Hipótesis
- Hipótesis Nula (Ho) - Siempre tiene el signo =, , 

Ho : , 2 , , ,  parametrode la hipotesis

- Hipótesis Alterna (Ha) – Tiene signos , > o <.

Ha :  , 2 , , ,  parametro de la hipotesis

El signo de la hipótesis alterna indica el tipo de prueba a usar
249

Elementos de una Prueba de Hipótesis
Pruebas de Hipótesis de dos colas:
Ho: a = b Región de Región de
Ha: a  b Rechazo Rechazo

-Z 0 Z
Pruebas de Hipótesis de cola derecha:
Ho: a  b
Ha: a > b Región de
Rechazo

0 Z
Pruebas de Hipótesis cola izquierda:
Ho: a  b
Ha: a < b Región de
Rechazo

-Z 0 Z
250

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

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

8.Desarrollar el Plan de Muestreo

9.Seleccionar Muestras y Obtener Datos

10. Decidir la prueba estadística apropiada y calcular el
estadístico de prueba (Z, t, X2 or F) a partir de los datos.
251

Estadísticos para medias,
varianzas y proporciones
X 
Z  ;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
X1  X 2
t ; dos.medias;  ' s  desconocidas. pero. 
1 1
Sp / 
n1 n2
( n1  1) s12  ( n2  1) s22
Sp  ; DF  n1  n2  2
n1  n2  2
X1  X 2
t ; dos.medias;  ' s  desconocidas.diferentes
2 2
s s
1
 2
n1 n2
DF  formula.especial 252

Estadísticos para medias,
varianzas y proporciones
 Para el caso de muestras pareadas se calculan las
diferencias d individuales como sigue:

d
t ; Pares.de.medias; d i . para.cada. par
Sd / n
( n  1) S 2
X 2
 ; DF  ( n  1); prueba.una.v ar ianza
 2

(O  E ) 2
X 2
 ; DF  ( r  1)(c  1); bondad .ajuste
E

253

Pasos en la Prueba de Hipótesis
11. Obtener el estadístico correspondiente de tablas o Excel.

12.Determinar la probabilidad de que el estadístico de prueba
calculado ocurre al azar.

13.Comparar el estadístico calculado con el de tablas y ver si
cae en la región 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 conclusión estadística
para la solución práctica.
254

Estadístico
Prueba de Hipótesis Calculado con
Pruebas de Hipótesis de dos colas: Datos de la muestra
Ho: a = b Región de Región de
Ha: a  b Rechazo Rechazo

-Z 0 Z
Pruebas de Hipótesis de cola derecha:
Ho: a  b
Ha: a > b Región de
Rechazo

0 Z
Pruebas de Hipótesis cola izquierda:
Ho: a  b
Ha: a < b Región de
Rechazo

-Z 0 Z
255

Prueba de hipótesis para la varianza
 Las varianzas de la población se ditribuyen de
acuerdo a la distribución Chi Cuadrada. Por tanto las
inferencias acerca de la varianza poblacional se
basarán en este estadístico

 La distribución Chi Cuadrada se utiliza en:
Caso I. Comparación de varianzas cuando la varianza de
la población es conocida

Caso II. Comparando frecuencias observadas y esperadas
de resultados de pruebas cuando no hay una varianza
de la población definida (datos por atributos)
256

Prueba de hipótesis para la varianza  Las pruebas de hipótesis para comparar una varianza poblacional a un cierto valor constante 0. si la población sigue la distribución normal es:  Con el estadístico Chi Cuadrada con n-1 grados de libertad 257 .

17 se debe rechazar la hipótesis nula. X^2c =(7)(8)^2/(15)^2 = 1. Si hay decremento en la resistencia 258 .99 Como La Chi calculada es menor a la Chi de Excel de 2. Prueba de hipótesis para la varianza 2.17 Ejemplo: ¿El material muestra una variación (sigma) en la resistencia a la tensión menor o igual a 15 psi con 95% de confianza?. En una muestra de 8 piezas se obtuvo una S = 8psi.

¿Hay diferencias significativas para un 95% de confianza? Valores Inspector Inspector 2 Inspector 3 Total por observados O 1 tratamiento Radios 27 25 22 74 detectados Radios no 3 5 8 16 detectados Total de la 30 30 30 90 muestra 259 . Prueba de hipótesis para atributos Ejemplo: Un supervisor quiere evaluar la habilidad de 3 inspectores para detectar radios en el equipaje en un aeropuerto.

33 5.33 16 detectados Total de la 30 30 30 90 muestra 260 . de columnas -1)*(No.67 24.67 74 detectados Radios no 5.67 24. Prueba de hipótesis para atributos Ho: p1 = p2 = p3 Ha: p1  p2  p3 Grados de libertad = (No.33 5. renglones -1) Las frecuencias esperadas son: (Total columna x Total renglón) Valores Inspector Inspector 2 Inspector 3 Total por esperados E 1 tratamiento Radios 24.

99.99 El estadístico Chi Cuadrada de alfa = 0. por lo que no se rechaza Ho y las habilidades son similares261 . El estadístico Chi Cuadrada calculada es menor que Chi de alfa. Prueba de hipótesis para atributos El estadístico Chi Cuadrado en este caso es: 5.05 para 4 grados de libertad es 5.

262 .) Calcular el estadístico de prueba 4.) Ha:  3.) Establecer la región de rechazo Las regiones de rechazo para prueba de 2 colas: -Z y Z  Zcalc= s n Región de Región de Rechazo Rechazo 0 -Z Z Si el valor del estadístico de prueba cae en la región de rechazo rechazaremos Ho de otra manera no podemos rechazar Ho.Ejemplo de Prueba de hipótesis para la media Para una muestra grande (n>30)probar la hipótesis de una media u 1.) Ho:  2.

STAND. Prueba de hipótesis de una población para muestras grandes con Z ¿Parecería ser correcta la afirmación de que se mantiene el precio promedio de las computadoras en $2.48768473 Zc  s 101.95996398 DIST. Determinar la Ze de Excel o de tablas para el valor de probabilidad (Alfa / 2): Ze ( 0.INV.NORM.025 ) = 1. X 2251 Desv.05 Paso 1.5 Error estándar n Como el valor de Zc es positivo se comparará contra de Zexcel (1-alfa/2) positivo Paso 3. Establecimiento de hipótesis Ho: uC = 2100 Se inicia con el planteamiento de la hipótesis nula Ha: uC <> 2100 Por tanto se trata de una prueba de dos colas Paso 2.100? Probarlo a un 5% de nivel de significancia Datos Minoristas n 64 media mu = 2100 Precio prom. Estándar s 812 (Alfa = 0.( -0.NULA 151 = > Zc = 1. Cálculo del estadístico de prueba Zc X   HIPOTESIS.025 ) 263 .

estimar.064 <=  <= ### ) 264 .068 correspondiente a la Z calculada Zc es mayor que el valor de Alfa / 2 = 0.5 1.487684729 Como Zc es menor que Zexcel. no cae en el área de rechazo. Comparando los valores Zc calculado contra Zexcel se tiene P(Z<= . El Intervalo de confianza para la media poblacional (1-Alfa = 0.95 Porciento) al nivel de confianza 1-Alfa s IC.936344 El intervalo de confianza incluye a la media de la hipótesis por tanto no se rechaza la Ho.95996398 1.025.025 ) -1.100 O Como el valor P = 0.95996398 2 n Intervalo de confianza 2251  198. también nos da el criterio para NO RECHAZAR la Ho Paso 5.  X  Z Error estándar Z alfa/2 101.Zexcel ) = alfa/2 P(Z>= + Zexcel ) = alfa/2 Zexcel ( #¡REF! ) Zexcel ( -0. 2052. y por tanto no hay suficiente evidencia para RECHAZAR Ho Se concluye que el precio promedio no es diferente de $2.959963985 Zc = 1. para.Paso 4.

005 (1-Alfa/2 = 0.T.62449406 DIST. gl. 14 ) Gl=14. 265 .01 (1-Alfa = 0.995 Paso 1. Prueba de hipótesis de una población para muestras pequeñas con t Se piensa que las ventas promedio de $5.775 se han incrementado gracias a la campaña publicitaria Probar esta afirmación a un nivel de significancia alfa de 1% Se inicia con el planteamiento de la hipótesis Alterna Datos Semanas n 15 media mu = 5775 Ventas prom X 6012 Desv.01 te ( 0. Cálculo del estadístico de prueba tc X   HIPOTESIS . Determinar la te de Excel o de tablas para Alfa 0. Establecimiento de hipótesis Ho: uC <= 5775 Ha: uV > 5775 Se trata de una prueba de cola derecha Paso 2.INV( 0. Estándar s 977 (Alfa = 0.02 .99 (Alfa/2 = 0.93950568 tc  s 252. NULA 237 = > tc = 0.99 2.alfa) positivo Paso 3.2603153 Error estándar NOTA:En excel poner 2alfa n para obtener t de alfa Como el valor de tc es positivo se comparará contra de t excel (1.

94 <= <=  6674.260315 2 n Z alfa/2 2.  X  t Error estándar 252. p > Alfa y por tanto no hay suficiente evidencia para rechazar Ho Se concluye que la publicidad no ha tenido efecto en las ventas O Como el valor de P para Zc es 0.Paso 4.02 gl.estimar. 14) 2.368130427 Como tc es menor que texcel.0557002 contiene a la media Hipótesis no se rechaza Ho 5349. El Intervalo de confianza para la media poblacional al nivel (1-Alfa = 99 Porciento) s IC. Comparando los valores tc calculado contra t excel se tiene P(t >= + t excel ) = alfa texcel ( 0.06 ) 266 .62449406 tc = 0.62449406 Como el intervalo de confianza Intervalo de confianza 6012  662.05 no se rechaza Ho Paso 5.368 mayor a Alfa = 0. para. no cae en el área de rechazo.939505684 Valor p para tc es igual a P(tc) = 0.

95996398 DIST.STAND. NULA 0.( 0. NULA ) 0.41421356 Zc   HIP.05 (1-Alfa = 0.NORM.07071068 Error estándar n Como el valor de Zc es positivo se comparará contra de Zexcel (alfa/2) positivo Paso 3.5 Ha :  c  0. Cálculo del estadístico de prueba Zc p   HIPOTESIS.025 (1-Alfa/2 = 0.5 Se trata de una prueba de dos colas Paso 2.975 Ze ( (1-Alfa/2 = 1.975 Paso 1.95 (Alfa/2 = 0. Establecimiento de hipótesis Ho :  c  0.5 30 gastaron p 0. Determinar la Ze de Excel o de tablas para (1-Alfa/2 = 0.1 = > Zc = 1.6 menos de$10 (Alfa = 0.975 ) 267 . Prueba de hipótesis para una proporción con Z El gerente de mercado considera que el 50% de sus clientes gasta menos de $10 en cada visita a la tienda.INV. NULA (1   HIP. ¿Estás de acuerdo con esta afirmación a un nivel de significancia del 5%? Se inicia con el planteamiento de la hipótesis nula Datos Clientes n 50 Proporción media = 0.

6  0.Zexcel ) = alfa/2 P(Z>= Zexcel ) = alfa/2 Zexcel ( 0. para.975 ) -1.41421356 2 n Intervalo de confianza 0. Comparando los valores Zc calculado contra Zexcel se tiene P(Z <= . El Intervalo de confianza para la media poblacional al nivel (1-Alfa = 95 Porciento) p (1  p ) Error estándar 0.6 se encuentra dentro del intervalo.estimar.07926984 Como Zc es menor que Zexcel.95996398 1.079 mayor a Alfa/2 no se rechaza Ho Paso 5.41421356 Valor p para Zc es igual a P(-Zc) = 0. no cae en el área de rechazo. Paso 4.7 ) 268 .1 Como la media de p = 0. p > Alfa /2 y por tanto no hay suficiente evidencia para rechazar Ho y se concluye que el porcentaje que compra menos de $10 no difiere del 50% de clientes O Como el valor P de Zc es 0.  p  Z  Z alfa/2 1.025 ) Zexcel ( 0.5 <=   0. no se rechaza Ho ( 0.07071068 IC .95996398 Zc = 1.

Indicar la columna de los datos o Summarized Data En caso de requerirse dar el valor de Sigma = dato Proporcionar la Media de la hipótesis Test Mean En Options: Indicar el Confidence Interval -. Not equal. 95 o 99% Indicar el signo de la hipótesis alterna: Less Than. Greater than OK 269 .90. t Variable -. Instrucciones con Minitab para la prueba de hipótesis de una media Stat > Basic Statistics > 1-Sample Z.

Greater than Seleccionar Use test and interval based in normal distribution OK 270 . Instrucciones con Minitab para la prueba de hipótesis de una proporción Stat > Basic Statistics > 1-Proportion Seleccionar Summarized Data Number of trials = n tamaño de la muestra Number of events = D éxitos encontrados en la muestra En Options: Indicar el Confidence Interval -. 95 o 99% Indicar la Test Proportion Proporción de la hipótesis Indicar el signo de la hipótesis alterna: Less Than. Not equal.90.

medias. y proporciones 271 . Pruebas de hipótesis para comparación de varianzas.

65 85. Reactor A Reactor B 89.3 B 10 85.2 Variable Reactor N Media Desv.8 91.6 81. Prueba de Hipótesis  Supongamos que tenemos muestras de dos reactores que producen el mismo artículo.7 84.3 86.4 86.7 89.7 Estadísticas Descriptivas 81.5 83.1 82.9 87.5 88.24 2. Se desea ver si hay diferencia significativa en el rendimiento de “Reactor a Reactor”.5 272 .1 84.3 Rendimiento A 10 84.54 3.7 79.90 79.7 83.Std 84.7 84.1 83.

Prueba de Hipótesis Pregunta Práctica: Existe diferencia entre los reactores? Pregunta estadística ¿La media del Reactor B (85. Ho:  a   b Ha:  a   b Se busca demostrar que los valores observados al parecer no corresponden al mismo proceso.54) es significativamente diferente de la media del Reactor A (84. su diferencia se da por casualidad en una variación de día a día. se trata de rechazar Ho. 273 .24)? O.  Ho: Hipótesis Estadística:  Ha: Hipótesis Alterna: Las No existe diferencia entre los medias de los Reactores son Reactores diferentes.

que la Ho debe estar equivocada 274 . Prueba de Hipótesis  Hipótesis Estadística: No  Hipótesis Alterna: Cuando las existe diferencia entre los medias de Reactores son Reactores diferentes. A esto se le llama  Esto se llama Hipótesis Nula Hipótesis Alterna (Ha) (Ho) Debemos demostrar que los valores que observamos al parecer no corresponden al mismo proceso.

¿Qué representa esto? Reactor A Reactor B B B B B B BB BB B A AA AAAA A A 80.0 87.5 90.5 ¿Representan los reactores dos procesos diferentes? ¿Representan los reactores un proceso básico? 275 .0 92.5 85.0 82.

la razón de sus varianzas crea una distribución muestral F. Prueba F de dos varianzas  Si se toman dos muestras de dos poblaciones normales con varianzas iguales. Las hipótesis son las siguientes:  El estadístico F se muestra a continuación donde S1 se acostumbra tomar como la mayor 276 .

15 Fcalculada = (900^2)/(300^2) = 9 >> Falfa. n2 = 7. se rechaza Ho. 6) = 4. 8. Hay evidencia suficiente para indicar que la variación ya se ha reducido 277 .05. A un 95% de nivel de confianza se puede concluir que hay menor variación? Ho: Varianza 1 <= Varianza 2 H1: Varianza 1 > Varianza 2 Grados de libertad para Var1 = 8 y para var 2 = 6 Falfa = F(0. Prueba F de dos varianzas  Sea S1 = 900 psi. s2 = 300 psi. n1 = 9.

Estan. Cálculo del estadístico de prueba Fc Grados de libertad 2 s 1. 14.4 X2 4. Prueba de hipótesis de dos pob.975) = 2.F.025 Desv.INV (0. Establecimiento de hipótesis Ho :  12   22 Ha :  12   22 Por tanto se trata de una prueba de dos colas Paso 2.81701784 DIST. A un nivel de siginificancia del 5% ¿Qué se puede concluir? Método 1 Método 2 No. De CDs n1 15 n2 17 Alfa/2 0.04 Paso 1.025 Fe (0.Alfa/2) Paso 3.8 Varianza s12 29.16 s22 23.16) 278 .266 Numerador = n1 .1 = 14 Fc  1 2 Denominador = n2 . s1 5.025. Determinar la Fe de Excel o de tablas para Alfa/2 0. comparando varianzas con F Se quiere comprobar si las varianzas de dos diferentes métodos de ensamble de CDs son diferentes en prod .1 = 16 s 2 Tomamos a s12 como el mayor para comparar Fc contra Fexcel (1.

266 Valor p para Fc es igual a P(Fc) = 0. no cae en el área de rechazo.025) se tiene f(F) P(F>= + 2.32259599 Como Fc es menor que Fexcel.81701784 Fc = 1. p > Alfa / 2 y por tanto no hay suficiente evidencia para rechazar Ho Se concluye que la varianza de los dos métodos de ensamble no difieren significativamente 279 .025) = 2.Paso 4. Comparando los valores Fc calculado contra Fexcel (0.81 ) = alfa/2 Fe(0.

90) 280 . Estándar s1 32.7 Paso 1.110613717 n1 n 2 Tomamos a X1 como el mayor para comparar Zc contra Ze positiva Paso 3. Prueba de hipótesis de dos pob.28155157 DIST. se inicia planeando la Ha Paso 2. Determinar la Ze de Excel o de tablas para una alfa de 0.1 Ze (0.INV (0.03099301 Zc  s12 s 23  6.STAND.NORM.90) = 1. Comparando dos medias con Z Investigar si el ambiente libre de tensiones mejoran el engorde y la calidad de la carne de vacas Las varianzas poblacionales son desconocidas Determinar el intervalo de confianza al 90% donde se encuentra la media. Alfa = 0.7 Desv. Establecimiento de hipótesis Ho :  VV   VN Como el planteamiento es que las vacas de vacaciones Ha :  VV   VN ganan más peso.3 s2 28. Cálculo del estadístico de prueba Zc X1  X 2 6.3 = > Zc = 1.10 Vacas vacaciones Vacas normales Vacas n1 50 n2 50 Peso promedio X1 112 X2 105.

con sigmas desconocidas es: s12 s 22  X 1 X 2   = Error estándar 6. 10.Paso 4.90)= 1.3511 ) 281 .90) se tiene P(Z>= + 1. Comparando los valores Zc calculado contra Zexcel (0.11061372 n1 n2 Z (alfa/2) = 1. y por tanto no hay suficiente evidencia para rechazar Ho Se concluye que no hay diferencia entre vacas de vacaciones y normales Paso adicional.28) = 0. El Intervalo de confianza del 90% sobre la diferencia de medias poblacionales.05106514 La diferencia es del orden de cero.90 Ze (0.3 + . no cae en el área de rechazo.es decir ( -3.28 Zc = 1.149402368 p > Alfa Como Zc es menor que Zexcel.64485363 ( X 1  X 2 )  Z / 2 s X 1 X 2 = Intervalo de confianza 6.75107 < = u < = 16.03099301 Valor p para Zc es igual a P(-Zc) = 0.

Prueba de dos medias muestras pequeñas Sigmas descono- cidas e iguales Sigmas desconocidas y desiguales 282 .

Estandar s1 34.78743581 DIST.25 Sp2 = 782.01) = 2.T.INV (0.01.01) Tienda 1 Tienda 2 Semanas n1 12 n2 15 Ventas promedio X1 125.8344589  n1 n2 Tomamos a X1 como el mayor para comparar tc contra te positiva Si se toma a X1 como la media menor se debe comparar Zc contra -Ze Paso 3.57 s  2 n1  n2  2 p 25 X1  X 2 8. Comparando dos medias con t Investigar si hay diferencia en los promedios de las ventas diarias de dos tiendas Las varianzas de las dos poblaciones son iguales pero desconocidas  1   2 2 2 Determinar el intervalo de confianza al 99% donde se encuentra la media (alfa = 0.005 Se tienen n1 + n2 . 25) 283 Asi es para dos colas .4 X2 117. Cálculo del estadístico de prueba tc s12 (n1  1)  s 22 (n2  1) 19564.2 Desv.2 grados de libertad o sean 25 te (0.5 s2 21.01 que corresponde a alfa/2 = 0. Prueba de hipótesis de dos pob.2 = > tc = 0.75684444 tc  s 2p s 3p 10. Determinar la te de Excel o de tablas para una alfa de 0. Establecimiento de hipótesis Ho :  T 1   T 2 Ha :  T 1   T 2 Por tanto se trata de una prueba de dos colas Paso 2.5 Paso 1.

787 ) = alfa/2 P(t>=2. no cae en el área de rechazo.787 ) = alfa/2 te(0.38) 284 Se observa una diferencia positiva sin embargo el cero está incluido . Comparando los valores tc calculado contra texcel (0.787 Valor p para tc es igual a tc = 0.01. con sigmas desconocidas es: s 2p s 2p  = Error estándar 10.46025521 p > Alfa / 2 Como tc es menor que texcel.01) se tiene P(t<=-2.83) ( X 1  X 2 )  t / 2  n1 n2 ( -21. En las ventas de las dos tiendas Paso adicional.2 + .7568 P(tc) = 0.2. y por tanto no hay suficiente evidencia para rechazar Ho Se concluye que no hay diferencia sig.25) = -2.Paso 4.8344589 n1 n2 s 2p s 2p = Intervalo de confianza (8.98 <= u <= 38. 25) = 2.787 te(0. El Intervalo de confianza del 99% sobre la diferencia de medias poblacionales.787*10.01.

INV(0. Pares de muestras n = 25 Paso 2.05 d gl = 24 tc  = 10. = 21.2 Desv. Paso 1. Comparando datos pareados con t Las muestras pareadas de tamaño 25 reportaron una diferencia media de 45.05.2 y una desviación estándar de las diferencias de 21.T.462963 sd n Paso 3.06389855 DISTR. Prueba de hipótesis de dos pob. Se determina el valor crítico del estadístico t de Excel o tablas para Alfa / 2 0.6 Alfa 0. Estándar de difs. 24) Excel divide entre 2 colas 285 .6. de pares .1 No. Establecimiento de Hipótesis Ho : 1   2 Ha : 1   2 Grados de libertad = No. Se calcula el estadístico tc: Diferencia media = 45. Pruebe la igualdad de medias a un nivel del 5%.025 t excel = 2.

Paso 4.063 Valor p para tc es igual a P(t > tc) = 0 p < Alfa / 2 Como tc es mayor que t excel.2 sd I .063 ) = alfa/2 P(t>=2. Comparando el estadístico tcalculado contra t excel (0.4176 <= dm < =46. d  d  t / 2 45. El intervalo de confianza para las diferencias en medias pareadas es t alfa/2 = 2.864 Dif. y por tanto si hay suficiente evidencia para rechazar Ho y aceptar Ha se concluye que si hay diferencia significativa entre las medias Paso 5.063 ) = alfa/2 te(0. 0.2 +.462963 P(t<=-2.C. 24) se tiene: tc = 10. para.063 Error estándar = 0.025.025.864 n Se observa diferencia positiva significativa entre diferencia de medias 43.24) = -2.063 te(0. si cae en el área de rechazo. Promedio = 45.9824 286 .025. 24) = 2.

... Convertibles Ingresos Bonos n1 312 n2 205 Alfa 0.Ha :  1   2 Paso 2...9 7...STAND....8 p1 0....9) 287 . Prueba de hipótesis de dos pob..9 Ze (0..28155157 DIST...1 Sobrevalorad X1 202 X2 102 1-Alfa 0...... Establecimiento de hipótesis Ho :  1   2  0..NORM. Probar la hipótesis a un 10% de nivel de significancia o error de equivocarse en rechazar Ho.INV (0....otra...498 Fracción de las muestras Paso 1..04417119 n1 n2 Tomamos a p1 como el mayor para comparar Zc contra Ze positiva (1. Comparando dos proporciones con Z Investigar si tiene razon el analista sobre si los bonos convertibles se sobrevaloraron más que los bonos de ingresos.393046759 Zc  p1 (1  p1 ) p 2 (1  p 2 )  0.9) = 1.Alfa) Paso 3. forma.150 = > Zc = 3. Determinar la Ze de Excel o de tablas para 1-Alfa 0...647 p2 0. Cálculo del estadístico de prueba Zc p1  p 2 0.Ho :  1   2 Por tanto se trata de una prueba de cola derecha Ha :  1   2  0.

07265515 Se observa difererencia positiva entre proporciones ( 0. Comparando los valores Zc calculado contra Zexcel (0.39304676 P(Z>= + 1. entre los bonos es significativa Paso adicional.223 el cero no está incluido en el intervalo 288 . El Intervalo de confianza del 98% sobre la diferencia de medias poblacionales.00034946 p < Alfa Como Zc es mayo que Zexcel. si cae en el área de rechazo. y por tanto hay suficiente evidencia para rechazar Ho y aceptar Ha Se concluye que la diferencia en conv.9) = 1.281551566 Valor p para Zc es igual a P(-Zc) = 0. con sigmas desconocidas es: p1 (1  p1 ) p2 (1  p2 ) s p1 p 2   = Error estándar 0.28 ) = Alfa Ze(0.Paso 4.9) se tiene Zc = 3.077 <= PI <= 0.044171193 n1 n2 Zexcel (para alfa/2) 1.150  0.644853627 ( p1  p 2 )  Z  / 2 s p1 p 2 = Intervalo de confianza ( 0.

Robustez  Los procedimientos estadísticos se basan en supuestos acerca de su comportamiento teórico. se dice que son robustos. Cuando los estadísticos obtenidos no son afectados por desviaciones moderadas de su expectativa teórica. 289 .

Resumen 290 .

90. Instrucciones con Minitab para la comparación 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 2 En Options: Indicar el Confidence Interval -.Indicar la columna de datos de la muestra 1 Second. 95 o 99% OK 291 .

Not equal. Instrucciones con Minitab para la comparación de dos medias Stat > Basic Statistics > 2-Sample t Seleccionar samples in different columns o Summarized data First-.90. 95 o 99% Indicar la diferencia a probar Test Difference (normalmente 0) Indicar el signo de la hipótesis alterna: Less Than. Greater than En graphs seleccionar las graficas Boxplot e Individual value plot OK 292 .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 -.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 -. Instrucciones con Minitab para la comparación de dos medias pareadas Stat > Basic Statistics > Paired t Seleccionar samples in columns o Summarized data First sample . Greater than En graphs seleccionar las graficas Boxplot e Individual value plot OK 293 . 95 o 99% Indicar la diferencia a probar Test Mean (normalmente 0) Indicar el signo de la hipótesis alterna: Less Than. Not equal. Indicar la columna de datos de la muestra 1 Second sample .90.

de elementos de la 1ª. Muestra y D1 éxitos encontrados Second: No. Not equal. de elementos de la 2ª.90. Greater than Seleccionar Use pooled estimate of p for test OK 294 . 95 o 99% Indicar la Test Difference Normalmente 0 Indicar el signo de la hipótesis alterna: Less Than. Instrucciones con Minitab para la prueba de hipótesis de dos proporciones Stat > Basic Statistics > 2-Proportions Seleccionar Summarized Data Trials: Events: First: No. Muestra y D2 éxitos encontrados En Options: Indicar el Confidence Interval -.

7 Pruebas de bondad de ajuste 295 .B.VI.

puede concluirse que sí exite la forma de distribución planteada como hipótesis Por ejemplo: Ho: La distribución poblacional es uniforme Ha: La distribución poblacional no es uniforme Se usa el estadístico Chi-Cuadrado (Oi  Ei) 2 K   2 i 1 Ei Oi = Frecuencia de los eventos observados en los datos muestrales Ei = Frecuencia de los eventos esperados si la hipótesis nula es correcta Para que la prueba sea confiable Ei >= 5. K = Número de categorías o clases 296 . De otra forma se combinan las categorias para cumplir con este requisito. Bondad de ajuste PRUEBAS DE BONDAD DE AJUSTE Medidas sobre que tan cerca se ajustan los datos muestrales observados a una forma de distribución particular planteada como hipótesis Si el ajuste es razonablemente cercano.

Bondad de ajuste Ejemplo: Se venden n = 48 botes en 4 meses.815 por tanto se acepta la hipótesis nula PRUEBA.= 0.76020818 El Chi Cuadrado de excel se determina con alfa = 0. Si la demanda es uniforme se esperaría que se vendieran 12 botes / mes.05 y K . La cantidad real que se vendió fue: Ventas (Oi) Ventas (Ei) Tipo de bote observadas esperadas A 15 12 B 11 12 C 10 12 D 12 12 DISTR.CHI.17 es menor al de excel de 7.INV 297 .815 El estadístico Chi cuadrado calculado de 1.17 el valor P corresp.CHI Entonces el estadístico Chi Cuadrado de la muestra es = 1.1 grados de libetad = 3 Chi cuadrado de excel = 7.

Calcular el estadístico de prueba i 1 ei 5. de Poisson para cada valor de la variable aleatoria. Si hay menos de 5 combinar las categorías n ( f i  ei ) 2  2  4. Plantear la hipótesis nula y alterna Ho: La población tiene una distribución de prob. anotar la frecuencia observada fi y calcular la media de ocurrencias  3. De Poisson Ha: Caso contrario 2. Con gl=k-p-1 y alfa nivel de significancia 298 . Rechazar Ho si  2   2 o si p < alfa. Prueba de Bondad de ajuste para la distribución de Poisson 1. Multiplicar el tamaño de muestra con la prob. Calcular la frecuencia esperada de ocurrencias ei. Tomar una muestra aleatoria.

1462 18.0067 0. observada f(x) de Poisson 128*f(x) cantidad esperada 0 2 0.1404 17.1755 22.1755 22. de clientes que llega en intervalos de 5 min.0704 299 .6464 10 o más 0.7136 7 16 0.3136 2 10 0.7776 3 12 0.0337 4. tiene una distribución de Poisson Ha: No se sigue una distribución de Poisson Clientes Frec.0653 8.4640 5 22 0.9712 4 18 0. Ejemplo: Distribución de Poisson =5 Ho: No.0318 4.0363 4.3584 9 6 0.8576 1 8 0.4640 6 22 0.1044 13.0842 10.3662 8 12 0.

0363+0.0842 10.1755 22.0337 5.7168 300 .1 y X=9.1712 2 10 0.4640 6 22 0.1755 22.3584 9 o más 6 0.7136 7 16 0.1462 18.9712 4 18 0.0318 8.1044 13.4640 5 22 0. Ejemplo: Distribución de Poisson =5 Combinando X=0. Observada f(x) de Poisson 128*f(x) (fi) frecuencia esperada (ei) 0o1 10 0.0653 8.1404 17. 10 o más para que la frecuencia observada sea mayor a 5 y se pueda aplicar la distribución Chi Cuadrada se tiene Clientes Frec.0067+0.7776 3 12 0.3662 8 12 0.

9766 y el valor Chi Cuadrada de alfa 0. ( f i  ei ) 2 n   2 i 1 ei Ho se rechaza si     o si p es mayor que alfa.14 > 0.05 por tanto no se rechaza Ho y se concluye que los datos siguen una distribución de Poisson 301 . 2 2 El valor de Chi Cuadrada calculado es de 10. Es de 14.05 con 2 gl. Estadístico y conclusión Con los datos anteriores se calcula el estadístico Chi cuadrada que se compara con Chi Cuadrada de alfa para k-p-1 grados de libertad (K – categorías: 9.07 no se rechaza Ho En este caso p = 0. p – parámetros a estimar: 1 media).

Tomar una muestra aleatoria. calcular la media  y la desviación estándar 3. Normal Ha: Caso contrario 2. Definir K intervalos de valores de forma que la frecuencia esperada sea 5 cuando menos para cada uno (intervalos de igual probabilidad). Prueba de Bondad de ajuste para la distribución Normal 1. Anotar la frecuencia observada de los valores de datos fi. en cada intervalo 302 . Plantear la hipótesis nula y alterna Ho: La población tiene una distribución de prob.

para cada intervalo de valores. Multiplicar el tamaño de muestra por la probabilidad de que una variable aleatoria esté en el intervalo. Rechazar Ho si     o si p < alfa. Calcular el número de ocurrencias esperado ei. Con gl=k-p-1 y alfa nivel 2 2 de significancia 303 . Calcular el estadístico de prueba  2  i 1 ei 6. Prueba de Bondad de ajuste para la distribución Normal 4. n ( f i  ei ) 2 5.

Prueba de Bondad de ajuste para la distribución Normal  Ejemplo: datos de calificaciones: Media = 68.41 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 .42. S = 10.

Z*S) = 55.68 y así sucesivamente 305 . Z = -0.41 Ha: Caso contrario Para una muestra de 50 con una frecuencia mínima esperada de 5 se tiene el 10% al menos por cada celda La primera celda correspondiente al 10% está en Z = -1.10 Para el área del 20%.28 con X = (Media .84 y X = 59. Prueba de Bondad de ajuste para la distribución Normal Ho: la población tiene una distribución normal con media 68.42 y S=10.

82 a 68.10 tomados de las 55.16 5 5 77.83 2 5 73.74 o más 6 5 50 50 306 .68 a 63.10 a 59.42 a 71.83 a 77.42 2 5 68.01 a 65.74 5 5 81.16 a 81.82 6 5 65.02 5 5 71.01 9 5 63. Prueba de Bondad de ajuste para la distribución Normal Intervalo Frecuencia Frecuencia Se registran las observada (fi) esperada (ei) frecuencias de Menos de 5 5 los datos 55.02 a 73.68 5 5 calificaciones 59.

K = 10 categorías. Prueba de Bondad de ajuste para la distribución Normal  Se determina el estadístico Chi Cuadrado = 7.2 ( f i  ei ) 2 n   2 i 1 ei  El Valor de Chi Cuadrado de alfa = 0. Gl = 7.10 para k – p – 1 grados de libertad. p = 2 parámetros. Chi Cuadrado es 12.017  Como  2   2  no se puede rechazar la hipótesis nula de normalidad de las calificaciones 307 .

Suponiendo que Ho es cierta. Tomar una muestra aleatoria y anotar las frecuencias observadas fi para cada categoría 3. determinar la frecuencia esperada ei. Enunciar la hipótesis nula y alternativa Ho: La población sigue una distribución de probabilidad multinomial con probabilidades especificadas para cada una de las K categorías Ha: Caso contrario 2. Prueba de Bondad de ajuste para la distribución Multinomial 1. en cada categoría multiplicando la probabilidad de la categoría por el tamaño de muestra 308 .

Prueba de Bondad de ajuste para la distribución Multinomial 4. Regla de rechazo: Si  2   2 no se puede rechazar la hipótesis nula Rechazar si el valor p es menor a alfa Con alfa nivel de significancia y los grados de libertad son k-1 309 . Se determina el estadístico Chi Cuadrado de prueba ( f i  ei ) 2 n   2 i 1 ei 5.

Se tomó una muestra de 200 clientes resultando preferencias de compra de: 48 para A.5=100. La empresa C hace una prueba con un nuevo producto para estimar su impacto en las preferencias del mercado. C=200*0. B=200*0. en los 200 clientes las preferencias esperadas son: A=200*0. 98 para B y 54 para C.3=60.2=40 310 . De acuerdo a las probabilidades esperadas. Prueba de Bondad de ajuste para la distribución Multinomial Ejemplo: El año pasado la participación de mercado para la empresa A fue del 30%. 50% para la empresa B y 20% para la empresa C.

5 98 100 Empresa C 0.2 54 40 311 .3 48 60 Empresa B 0. Prueba de Bondad de ajuste para la distribución Multinomial Datos para calcular el estadístico de prueba Chi Cuadrado Categoría Proporción Frecuencia Frecuencia hipotética observada esperada Empresa A 0.

05 con k – 1 = 2 grados de libertad = 2 es de 5.05 se rechaza la hipótesis nula Ho y se concluye que el nuevo producto modificará las preferencias del mercado actuales La participación de la empresa C aumenta con el nuevo producto 312 . Como 7.025 es menor a alfa de 0.99. El valor p correspondiente es de 0.34 Chi cuadrado de alfa = 0.025.99 o el valor p de 0.34 es mayor a 5. Prueba de Bondad de ajuste para la distribución Multinomial Chi Cuadrado calculado = 7.

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 expresión sum((Observadas- Esperadas)**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 OK 313 .

Prueba de Bondad de ajuste en Minitab  Ejemplo: investigación de mercado Observadas Esperadas ChiCuadrada CumProb p 48 60 7.0254765 98 100 54 40 314 .974524 0.34 0.

Prueba de Bondad de ajuste en Excel  Ejemplo: investigación de mercado 1.99 4. El valor P es =distr.chi(7.34.05 se rechaza la Ho 315 . 2) 3.34 2.chi.inv(0. Como p es menor a alfa de 0.2) = 5.05. Calcular el estadístico Chi Cuadrada con =(A2-B2)^2/B2 y Suma Chi cuadrada = 7. El estadístico Chi Cuadrada de alfa es: =prueba.

B. VI.6 ANOVA para un factor principal y una o más variables de bloqueo 316 .

 El método 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 término de error tiene un efecto distribuido normalmente e independiente 317 . Introducción  Cuando es necesario comparar 2 o más medias poblacionales al mismo tiempo. para lo cual se usa ANOVA.

Contenido  ANOVA de un factor o dirección  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 dirección 319 .

Introducción  Con el ANOVA las variaciones en la respuesta se dividen en componentes que reflejan los efectos de una o más 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 .

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
321

ANOVA - Condiciones
 Todas las poblaciones son normales

 Todas las poblaciones tiene la misma varianza

 Los errores son independientes con distribución
normal de media cero

 La varianza se mantiene constante para todos los
niveles del factor

322

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
323

ANOVA – Suma de
cuadrados total

Xij

Gran media

Xij
a b 2

SCT    ( Xij  X )
i 1 j 1
324

ANOVA – Suma de cuadrados de
renglones (a)-tratamientos
Media Trat. 1 Media Trat. a

a renglones
Gran media

a

Media trat. 2
SCTr   b( X i  X ) 2

i 1
325

ANOVA – Suma de cuadrados
del error
X2j X3j
X1j

Media X1.
Media X3.
Media X2.

Muestra 1 Muestra 2 Muestra 3

a b
SCE   (X ij  X i) 2

i 1 j 1 326

ANOVA – Suma de cuadrados
del error
X2j X3j
X1j

Media X1.
Media X3.
Media X2.

Muestra 1 Muestra 2 Muestra 3

SCE  SCT  SCTr
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 – Cálculo del estadístico
Fc y Fexcel

MCTr
Fc 
MCE
Fexcel  FINVALFA, gl.SCTr , gl.SCE

330

Tabla final de ANOVA
TABLA DE ANOVA

FUENTE DE VARIACIÓN SUMA DE GRADOS DE CUADRADO VALOR F
CUADRADOS LIBERTAD MEDIO

Entre muestras (tratam.) SCTR a-1 CMTR CMTR/CME

Dentro de muestras (error) SCE n-a CME

Variación total SCT n-1 CMT

Regla: Rechazar Ho si la Fc de la muestra es mayor que la F de Excel para una cierta alfa
o si el valor p correspondiente a la Fc es menor al valor de alfa especificado

331

ANOVA – Toma de decisión

Distribución F Fexcel

Alfa

Zona de no rechazo de Ho Zona de rechazo
O de no aceptar Ha De Ho o aceptar Ha

Fc
332

ANOVA – Toma de decisión

Si Fc es mayor que Fexcel se rechaza Ho
Aceptando Ha donde las medias son diferentes

O si el valor de p correspondiente a Fc es
menor de Alfa se rechaza Ho

333

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 334 . a . ANOVA – Identificar las medias diferentes por Prueba de Tukey T CME T  q .

si lo exceden entonces la diferencia es Significativa de otra forma se considera que las medias Son iguales 335 . Cada una de las diferencias Di se comparan con el valor de T. 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.

1. ANOVA – Identificar las medias diferentes por Prueba de Diferencia Mínima Significativa DMS 2(CME ) F . se calcula un factor DMS contra el que se comparan las diferencias Xi – Xi’. De columnas).na DMS  b Para diseños balanceados (los tratamientos tienen igual no. Significativas si lo exceden 336 .

Prueba DMS para Diseños no balanceados 1 1 DMS j .k     (CME ) F .a 1. De columnas).n  a  b j bk  Para diseños no balanceados (los tratamientos tienen diferente no. se calcula un factor DMS Para cada una de las diferencias Xi – Xi’ 337 .

B. C).05 Máquinas Datos Su Prom. ma 338 . Los datos se muestran a continuación y debe verificarse si existe diferencia significativa a un alfa = 0. Ejemplo:  Considerar un experimento de un factor (máquina) con tres niveles (máquinas A.

se rechaza la Hipótesis nula Ho 339 .2) excede el valor crítico de F. Ejemplo: La tabla completa de ANOVA es la siguientes: Fuentes Cuadrado De variación medio Máquinas Como el valor calculado de F(33.

Ejemplo:  Con Minitab: Stat>ANOVA>One way unstacked  Responses (in separate columns) A B C  Interpretar los resultados A B C 5 2 1 7 0 0 6 1 -2 7 -2 -3 6 2 0 340 .

643 (-----*----) ---------+---------+---------+---------+ 0.200 0.5 Pooled StDev = 1.837 (-----*----) B 5 0.673 (----*-----) C 5 -0.800 1.600 1.19 0. C Source DF SS MS F P Factor 2 137.438 341 .07 Total 14 162.438 R-Sq = 84.69% R-Sq(adj) = 82.00 S = 1.20 68.0 2.000 Rechazo Ho Error 12 24.14% Individual 95% CIs For Mean Based on Pooled StDev Level N Mean StDev ---------+---------+---------+---------+ A 5 6.5 5.0 7. Ejemplo: One-way ANOVA: A.60 33. B.80 2.

Corrida en Minitab  Se introducen las respuestas en una columna C1  Se introducen los subíndices de los renglones en una columna C2 Durability Carpet 18.95 1 12.66 2 342 .94 1 14.42 1 10.06 2 7.62 1 11.19 2 7.03 2 14.

De Respuesta (Durability)  En factors indicar la columna de subíndices (carpet)  En comparisons (Tukey)  Pedir gráfica 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 . Corrida en Minitab  Opción: stat>ANOVA – One Way (usar archivo Exh_aov)  En Response indicar la col.

157 (-------*-------) 2 4 9.0117 Critical value = 4.101 Error 12 172.0 Tukey's pairwise comparisons Family error rate = 0.0500 Individual error rate = 0.735 3.6 Individual 95% CIs For Mean Based on Pooled StDev Level N Mean StDev ---------+---------+---------+------- 1 4 14.786 10. Results for: Exh_aov.60 0.3 Total 15 283.005 5.MTW One-way ANOVA: Durability versus Carpet Resultados Analysis of Variance for Durabili Source DF SS MS F P Carpet 3 111.0 20.6 37.0 15.483 3.566 (-------*--------) 3 4 12.0 14.20 344 .2 2.808 1.506 (--------*-------) 4 4 17.691 (-------*-------) ---------+---------+---------+------- Pooled StDev = 3.

ANOVA de dos vías un factor principal y una variable de bloqueo 345 .

ANOVA de 2 vías  Este es un procedimiento extensión de los patrones del ANOVA de una vía con tres fuentes de variación: Tratamiento del factor A (columnas).B j  Ef . Ai  Ef . Tratamiento del factor B (renglones) y Error experimental. X ijk   Ef . AxBij   kij 346 .

Temp. etc. al realizar experimentos variando Los niveles de ese factor (Temp.1.2.) POR RENGLON Y Considerando los niveles de otro factor que se piensa Que tiene influencia en la prueba – FACTOR DE BLOQUEO POR COLUMNA 347 . 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.

son. ANOVA – 2 vías Para el tratamiento – en renglones Ho : 1   2  3  .....diferentes Para el factor de bloqueo – en columnas Ho :  '1   '2   '3  .diferentes 348 . ' s.son.....   'a Ha : A lg unas......   a Ha : A lg unas.... ' s.

ANOVA 2 vías .Ejemplo Experiencia en años de los operadores Maquinas 1 2 3 4 5 Maq 1 27 31 42 38 45 Maq 2 21 33 39 41 46 Maq 3 25 35 39 37 45 349 .

ANOVA – Dos vías o direcciones  La SCT y SCTr (renlgones) se determina de la misma forma que para la ANOVA de una dirección o factor  En forma adicional se determina la suma de cuadrados del factor de bloqueo (columnas) de forma similar a la de los renglones  La SCE = SCT – SCTr .SCBl 350 .

SCBl  b  1 CMBl  SCBl /(b  1) 351 . ANOVA de 2 vías b SCBl   a( X j  X ) 2 j 1 gl.

ANOVA de 2 vías SCE  SCT  SCTr  SCBl gl.SCE  (n  a )( n  b) CME  SCBl /( n  a )( n  b) 352 .

ANOVA –Estadístico Fc y Fexcel MCTr Fc  MCE Fexcel  FINVALFA.SCE 353 .SCTr . gl. gl.

gl. ANOVA – Estadístico Fb MCBl Fc  MCE Fexcel  FINVALFA.SCE 354 . gl.SCBl.

Tabla final ANOVA 2 vías FUENTE DE VARIACIÓN SUMA DE GRADOS DE CUADRADO VALOR F CUADRADOS LIBERTAD MEDIO Entre muestras (tratam.) SCTR a-1 CMTR CMTR/CME Entre Bloques (Factor Bl) SCBl b-1 CMBL CMBL/CME Dentro de muestras (error) SCE (a-1)(b-1) CME Variación 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 vías: Toma de decisión Distribución F Fexcel Alfa Zona de no rechazo de Ho Zona de rechazo O de no aceptar Ha De Ho o aceptar Ha Fc Tr o Bl 356 .

ANOVA – 2 vías: Toma de decisión Si Fc (Tr o Bl) es mayor que Fexcel se rechaza Ho Aceptando Ha donde las medias son diferentes O si el valor de p correspondiente a Fc (Tr o Bl) es menor de Alfa se rechaza Ho 357 .

MSE * s yi .05. y Y estimada eij  yij  y ˆ ij Error o residuo MSE Error estándar s yi .  y.. k . Factor de comparación Si la diferencia de medias excede a Rk es significativa 358 . gl .  b Rk  r0. j  y. Cálculo de los residuales ˆ ij  yi .

contra los valores estimados y contra los valores reales Yij 359 . Adecuación del modelo  Los residuales deben seguir una recta en la gráfica normal  Deben mostrar patrones aleatorios en las gráficas de los residuos contra el orden de las Yij.

Corrida en Minitab  Se introducen las respuestas en una columna C3 y los subíndices de renglones en columna C4 y de columnas en C5 Plantas Suplemento Lago 34 1 Rose 43 1 Rose 57 1 Dennison 40 1 Dennison 85 2 Rose 68 2 Rose 67 2 Dennison 53 2 Dennison 41 3 Rose 24 3 Rose 42 3 Dennison 52 3 Dennison 360 .

De Respuesta (Plantas)  En Row factor y Column Factor indicar las columnas de subíndices de renglones y columnas (suplemento y lago) y Display Means para ambos casos  Pedir gráfica residuales Normal Plot y vs fits y orden 361 . Corrida en Minitab  Opción: stat>ANOVA – Two Way (usar archivo Exh_aov)  En Response indicar la col.

8 (--------*-------) --+---------+---------+---------+--------- 30.0 48.2 (----------------*----------------) ------+---------+---------+---------+----- 42.145 Error 6 622 104 Total 11 3123 Individual 95% CI Suppleme Mean --+---------+---------+---------+--------- 1 43. Lake Analysis of Variance for Zooplank Source DF SS MS F P Resultados Suppleme 2 1919 959 9.3 (--------*-------) 3 39.666 Interaction 2 561 281 2.0 45. Two-way ANOVA: Zooplankton versus Supplement.21 0.0 Individual 95% CI Lake Mean ------+---------+---------+---------+----- Dennison 51.0 54.0 60.0 362 .25 0.71 0.5 (-------*-------) 2 68.015 Lake 1 21 21 0.8 (----------------*----------------) Rose 49.0 60.0 75.

ANOVA de un factor y dos o tres variables de bloqueo CUADRADO LATINO Y GRECOLATINO 363 .

ANOVA – 3 y 4 factores  El diseño de Cuadrado latino utiliza dos factores de bloqueo adicionales al de Tratamiento  EL diseño de Cuadrado Grecolatino utiliza tres factores adicionales al del Tratamiento  El cálculo de suma de cuadrados para renglones y para columnas es similar al de ANOVA de un factor principal y otro de bloqueo 364 .

Turno Empleado Mañana Tarde Noche 1 B=15 A=18 C=11 2 C=12 B=20 A=9 3 A=17 C=19 B=10 A. B. Cuadrado Latino Años exp. 2 y 3 365 . C = Máquinas 1.

SCTr  a  1  b  1 CMTr  SCTr /(b  1) 366 . ANOVA – Cuadrado Latino: Factor principal (A.D) b SCTr   a( X Tr  X ) 2 j 1 gl.C.B.

SCE  (a  2)( a  1) CME  SCE /( a  2)( a  1) 367 . ANOVA – Cuadrado Latino: Cálculo del error SCE  SCT  SCTcol  SC Re ng  SCTr gl.

ANOVA – Cálculo del estadístico Fc y Fexcel MCTr Fc  MCE Fexcel  FINVALFA. gl.SCTr .SCE 368 . gl.

ANOVA – Cuadrado Latino Reng / Col MC Re ng Fcreng  MCE MCCols Fcols  MCE Fexcel  FINVALFA. gl.SCBl .SCE 369 . gl.

Tabla final ANOVA 2 Factores FUENTE DE VARIACIÓN SUMA DE GRADOS DE CUADRADO VALOR F CUADRADOS LIBERTAD MEDIO Renglores SCRen a-1 CMRen CMRen/CME Columnas SCCol b-1 CMCol CMCol/CME Tratamiento SCTr a-1 CMTr CMTr/CME Dentro de muestras (error) SCE (a-2)(a-1) CME Variación total SCT n-1 CMT 370 .

D. C.) correspondientes a cada respuesta en la columna C4 371 . B. etc. Cuadrado latino en Minitab  Se introducen las respuestas en una columna C1  Se introducen los subíndices de los renglones en una columna C2  Se introducen los subíndices de las columnas en una columna C3  Se introducen las letras mayúsculas que indican el nivel del factor (A.

Se pueden pedir interacciones entre factores x – y con Cx*Cy  Pedir gráfica de residuales Normal y vs fits y orden 372 . D). De Respuesta. C. Cuadrado latino en Minitab  Opción: stat> ANOVA – General linear model  En Response indicar la col. B.  En Model indicar las columnas de los factores y  En Random factors indicar los factores adicionales al del efecto principal a probar (A.

c y d son 5 diferentes tipos de montaje A. b. Cuadrado Greco Latino Experiencia de los operadores Lotes MP 1 2 3 4 5 1 Aa=-1 Bc=-5 Ce=-6 Db=-1 Ed=-1 2 Bb=-8 Cd=-1 Da=5 Ec=2 Ae=11 3 Cc=-7 De=13 Eb=1 Ad=2 Ba=-4 4 Dd=1 Ea=6 Ac=1 Be=-2 Cb=-3 5 Ee=-3 Ab=5 Bd=-5 Ca=4 Dc=6 a. D y E son las 5 formulaciones a probar 373 . B. C.

) correspondientes a cada respuesta en la columna C5 374 .b. D. etc.e) en C4  Se introducen las letras mayúsculas que indican el nivel del factor (A. C.d.c. B. Cuadrado Greco latino en Minitab  Se introducen las respuestas en una columna C1  Se introducen los subíndices de los renglones en una columna C2  Se introducen los subíndices de las columnas en una columna C3  Introducir los subíndices del factor adicional de letras griegas con letras latinas minúsculas (a.

También se pueden indicar interacciones entre factores x-y con Cx * Cy  Pedir gráfica de residuales Normal y vs fits y orden 375 . C. De Respuesta. D).  En Model indicar las columnas de los factores y  En Random factors indicar los factores adicionales al del efecto principal a probar (A. B. Cuadrado Greco latino en Minitab  Opción: ANOVA – General linear model  En Response indicar la col.

ANOVA – Cuadrado Grecolatino

b
SCG   a ( X m  X ) 2

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 – Cálculo del estadístico
Fc y Fexcel

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

378

ANOVA – Cuadrado Grecolatino

MCTr
Fc 
MCE
Fexcel  FINVALFA, gl.SCBl , gl.SCE

379

Tabla final ANOVA 2 Factores
FUENTE DE VARIACIÓN SUMA DE GRADOS DE CUADRADO VALOR F
CUADRADOS LIBERTAD MEDIO

Renglores SCRen a-1 CMRen CMRen/CME

Columnas SCCol b-1 CMCol CMCol/CME
Letras griegas SCG a-1 CMG CMG/CME
Tratamiento SCTr a-1 CMTr CMTr/CME

Dentro de muestras (error) SCE (a-3)(a-1) CME

Variación total SCT n-1 CMT

380

ANOVA para diseño 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 Chi 
2 ( 2)

382

¿Para qué se utiliza?

1. Para probar si una serie de datos
observada, concuerda con el modelo (serie
esperada) de la información.

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

2
383

Ejemplo 1: Chi Cuadrada( 2 )

Se lanza una moneda al aire 100 veces y que
obtenemos 63 águilas y 37 soles.

¿La proporción de águilas y soles sucede por
casualidad? O, se concluye que la moneda está
“cargada”?

Ho: La moneda es buena

Ha: La moneda “está cargada”

384

Ejemplo 1: Chi Cuadrada( 2 )

Observada Esperada (fo - fe)2
( fo ) ( fe ) fe

Aguilas 63 50 3.38
Soles 37 50 3.38
 2 = 3.38 + 3.38
 2 = 6.76

Estadístico Chi Cuadrada
g (fo - fe)2
 2 c= S
j=1
fe

385

Ejemplo 1: Chi cuadrada
Función de Distribución Acumulada Chi2 con 1 grado de
libertad (d.f)
2c P(2c > x)
6.7600 p = 1 - 0.9907 = 0.0093

De tablas X2Crítica, (0.05, 1) = 3.8414

Ho: La moneda es buena.
Ha: La moneda está “cargada”.

Para un 95% de confianza antes de concluir que la moneda “está
cargada”, se requiere que X2c > X2Crítica o que el valor de p sea 
0.05.

Como p  0.05, se puede concluir -con un 95% de confianza -
que la moneda “está cargada”.
386

Cálculo en Excel del estadístico Chi cuadrada

1. Posicionarse en una celda vacía

2. Accesar el menú de funciones con Fx

3. Seleccionar STATISTICAL o ESTADÍSTICAS, CHIINV.

4. Dar valores de probabilidad (0.05) y grados de libertad,
normalmente (n - 1) para un parámetro o (# de renglones -1)
* (# de columnas - 1) para el caso de tablas de proporciones.

387

Tabla de Valores Críticos Seleccionados de Chi2
df .250 .100 .050 .025 .010 .005 .001 
1 1.323 2.706 3.841 5.024 6.635 7.879 10.828
2 2.773 4.605 5.991 7.378 9.210 10.597 13.816
3 4.108 6.251 7.815 9.348 11.345 12.838 16.266
4 5.385 7.779 9.488 11.143 13.277 14.860 18.467
5 6.626 9.236 11.070 12.832 15.086 16.750 20.515

6 7.841 10.645 12.592 14.449 16.812 18.548 22.458
7 9.037 12.017 14.067 16.013 18.475 20.278 24.322
8 10.219 13.362 15.507 17.535 20.090 21.955 26.125
9 11.389 14.684 16.919 19.023 21.666 23.589 27.877
10 12.549 15.987 18.307 20.483 23.209 25.188 29.588

11 13.701 17.275 19.675 21.920 24.725 26.757 31.264
12 14.845 18.549 21.026 23.337 26.217 28.300 32.909
13 15.984 19.812 22.362 24.736 27.688 29.819 34.528
14 17.117 21.064 23.685 26.119 29.141 31.319 36.123
15 18.245 22.307 24.996 27.488 30.578 32.801 37.697

16 19.369 23.542 26.296 28.845 32.000 34.267 39.252
17 20.489 24.769 27.587 30.191 33.409 35.718 40.790
18 21.605 25.989 28.869 31.526 34.805 37.156 43.312
19 22.718 27.204 30.144 32.852 36.191 38.582 43.820
20 23.828 28.412 31.410 34.170 37.566 39.997 45.315

21 24.935 29.615 32.671 35.479 38.932 41.401 46.797
22 26.039 30.813 33.924 36.781 40.289 42.796 48.268
23 27.141 32.007 35.172 38.076 41.638 44.181 49.728
24 28.241 33.196 36.415 39.364 42.980 45.558 51.179
25 29.339 34.382 37.652 40.646 44.314 46.928 52.620

26 30.434 35.563 38.885 41.923 45.642 48.290 54.052
27 31.528 36.741 40.113 43.194 46.963 49.645 55.476
28 32.620 37.916 41.337 44.461 48.278 50.993 56.892
29 33.711 39.087 42.557 45.722 49.588 52.336 58.302
30 34.800 40.256 43.773 46.979 50.892 53.672 59.703

40 45.616 51.805 55.758 59.342 63.691 66.766 73.402
50 56.334 63.167 67.505 71.420 76.154 79.490 86.661
60 66.981 74.397 79.082 83.298 88.379 91.952 99.607

70 77.577 85.527 90.531 95.023 100.425 104.215 112.317
80 88.130 96.578 101.879 106.629 112.329 116.321 124.839
90 98.650 107.565 113.145 118.136 124.116 128.299 137.208

388
100 109.141 118.498 124.342 129.561 135.807 140.169 149.449

Tabla de contingencia  Una tabla de clasificación de dos vías (filas y columnas) que contiene frecuencias originales.  La prueba Chi Cuadrada probará si hay dependencia entre las dos clasificaciones.  Además se puede calcular el coeficiente de contingencia (correlación) que en todo caso muestra la fuerza de la dependencia 389 . se puede analizar para determinar si las dos variables (clasificaciones) son independientes o tienen una asociación significativa.

Tabla de contingencia  Para esta prueba se usa la prueba Chi Cuadrada donde:  Entre mayor sea su valor. mayor será la diferencia de la discrepancia entre frecuencias observadas y teóricas. 390 . Esta prueba es similar a la de bondad de ajuste.

Tabla de contingencia  Ejemplo: Cada una de las 15 celdas hace una contribución al estadístico Chi Cuadrado (una celda)  Asumiendo Alfa = 0. se rechaza Ho de igualdad de resultados entre negocios 391 .09  Como Chi Cuadrada calculada >> Chi C.1 y Gl= (reng – 1)*(Col – 1) = 4*2 = 8 Chi- Cuadrado de alfa = 20. Alfa.

6% 392 . Los valores observados (fo) son los siguientes: Partes buenas Partes defectuosas máquina 1 fo = 517 fo = 17 Total = 534 máquina 2 fo = 234 fo = 11 Total = 245 779 Total 751 28 El índice de defectos totales es 28 / 779 = 3.Ejemplo 2: Chi2 Para comparación de dos grupos. Ha: Existen diferencias en los índices de defectos de las dos máquinas. ¿son las mismas proporciones?) Ho: No existen diferencias en los índices de defectos de las dos máquinas.

los valores esperados (fe) serían: Partes Partes defectuosas buenas máquina 1 530.47 máquina 2 233.53 3. ¿son las mismas proporciones?) Cálculo de los valores esperados Partes buenas Partes defectuosas máquina 1 fo = 751*534/779 fo = 28*534/779 Total = 534 máquina 2 fo = 751*245/779 fo = 28*245/779 Total = 245 779 Basados en este índice.47 1.Ejemplo 2: Chi2 Para comparación de dos grupos.53 393 .

009 + 1.056 DF= 1. las categorías pueden ser de utilidad. no deberá usarse Chi2. Si algunas celdas tienen un conteo menor a los esperados.624 + 0.47 1.53 Total 764 5 769 Chi2 = 0. valor de p = 0.Prueba de chi cuadrada: Los conteos esperados están debajo de los conteos observados Partes buenas Partes Defectuosas Total 1 532 2 534 530. Si cualquiera de los conteos esperados en las celdas es menor a uno.53 3.47 2 232 3 235 233.418 = 2.004 + 0.0 Nota: Chi cuadrada no podrá aplicarse en los casos donde los conteos seas menores a 5 en  20% de celdas. 394 .152 2 celdas con conteos esperados menores a 5. ya sea combinando u omitiendo renglones y/o columnas.

750 20.312 19 22.812 22.841 5.812 18. Tabla de Chi2 Tabla de valores críticos seleccionados para Chi2 DF .017 14.549 21.251 7.410 34.323 2.515 6 7.488 30.688 29.635 7.869 31.412 31.275 19.219 13.991 .277 14.790 18 21.645 12.779 9.217 28.845 32.296 28.838 16.589 27.535 20.070 12.483 23.322 8 10.458 7 9.037 12. 7.191 33.125 9 11.955 26.025 .989 28.819 34.725 26.828 28.252 17 20.566 39.369 23.123 15 18.188 29.209 25.266 4 5.582 43.736 27.191 38.005  .587 30.108 6.996 27.337 26.170 37.307 24.919 19.675 21.820 20 23.718 40.348 11.117 21.697 16 19.685 26.064 23.597 13.315 395 .278 24.467 5 6.475 20.100 .319 36.067 16.909 13 15.605 5.526 34.684 16.026 23.592 14.010 .845 18.841 10.920 24.307 20.816 3 4.236 11.086 16.156 43.000 34.773 4.050 .987 18.757 31.548 22.090 21.143 13.362 15.879 10.267 39.245 22.001 1 1.144 32.852 36.701 17.832 15.815 9.588 11 13.264 12 14.578 32.362 24.210 10.250 .023 21.706 3.549 15.141 31.409 35.489 24.385 7.805 37.984 19.718 27.666 23.345 12.378 9.626 9.013 18.801 37.528 14 17.389 14.860 18.542 26.300 32.877 10 12.997 45.024 6.605 25.507 17.488 11.119 29.828 2 2.204 30.449 16.769 27.

y en la reducción de tiempo de ciclo. Variación en familias a probar Operador a operador Ho: No existe diferencia en los índices de defecto de los diferentes operadores Ha: Existe diferencia en los índices de defecto de los diferentes operadores Máquina a máquina Ho: No existe diferencia en los índices de defecto de las diferentes máquinas Ha: Existe diferencia en los índices de defecto de las diferentes máquinas Tamaño de la muestra: 5000 + total de oportunidades (172 piezas) 396 .Problema: Fugas Beneficios Potenciales: $10.000 de ahorro en retrabajos.

006 + 0.62 3 3 253 256 12.16 4 18 334 352 17.546 + 0.Prueba de chi2 (máquina a máquina) Los conteos esperados están colocados debajo de los conteos observados Con fugas Sin fugas Total 1 30 610 640 32.34 Total 286 5414 5700 Chi2 = 0.033 397 .399 + 0. valor P = 0.000 = 8.604 + 0.89 2 235 4217 4452 223.734 DF= (4-1)(2-1) = 3.139 + 0.007 + 0.66 334.38 4228.11 607.032 + 7.84 243.

61 121.23 242.351 + 0.057 + 0.39 Total 278 5102 5380 Chi2 = 0.000 398 .77 5 5 699 704 36.847 + 27.61 121.132 DF= 5.Prueba de chi2 (operador a operador) Los conteos esperados están colocados debajo de los conteos observados.003 + 4.61 121.065 + 1.39 2 1 127 128 6.475 + 4.38 667.55 3827.45 4 54 202 256 13.62 6 12 116 128 6.260 + 0.765 + 0.239 = 171.019 +125. valor P = 0.386 + 0.39 3 200 3836 4036 208. Con gotera Sin gotera Total 1 6 122 128 6.666 + 6.

Coeficiente de Chi Cuadrada x 100 Contingencia N Chi2 N CC Máquina 8. si N tiene una variación considerable.18 Controlador Mayor SI el tamaño de la muestra (N).132 5380 3.15 Operador 171. dependiendo del grupo de variación que se investiga. es similar para los grupos. operador a operador y máquina a máquina) Se utiliza un procedimiento denominado “Coeficiente de Contingencia” como clave para determinar qué grupo de variación debe investigarse primero. probablemente. Sin embargo.¿Qué sucede si los grupos múltiples de variación son estadísticamente significativos? (en este caso. 399 . el coeficiente de contingencia puede ser una herramienta valiosa para determinar la prioridad sobre qué grupo debe investigarse primero. llevará a la misma ruta que hubiera alcanzado con sólo ver la estadística Chi2. Al dividir entre N.734 5700 0.

operador a operador y máquina a máquina) Ahora que la información nos ha llevado a investigar a los Con gotera Sin gotera Total grupos de operador a 1 6 122 128 operador.39 estándar.39 hacer ahora? Encontremos cuál de los 2 1 127 128 operadores estaban fuera del 6. ¿Qué sucede si los grupos múltiples de variación son estadísticamente significativos? (en este caso.38 667. ¿Era alguno de ellos 3 200 3836 4036 notablemente peor (o mejor) 208.55 3827.62 6 12 116 128 6.45 que el resto? Mucho peor que 4 54 202 256 lo esperado 13.61 121.77 Mucho mejor que 5 5 699 704 lo esperado 36. ¿Qué debemos 6.61 121.61 121.39 (Estos mismos operadores fueron quienes tuvieron los números más grandes de chi2) 400 .23 242.

Operador a operador: = 0. (Esto también redujo el tiempo que requerían los operadores para “acostumbrarse” a trabajar en esta forma) 401 . aunque esto mostraba un grado de dificultad ergonómica.000 Rechace Ho y acepte Ha (Existe una diferencia significativa entre los operadores) Los operadores 4 y 5 están fuera del estándar: El operador 4 es notablemente peor que el resto. Se añadió un colocador para ensamblar la parte en forma segura. con lo cual consiguió mejorar el trabajo de soldadura. El operador 5 encontró un modo de mejor de hacer el ensamble. El operador 4 no tenía experiencia en este tipo de trabajo y apenas se estaba acostumbrado a soldar este producto en particular. El operador 5 es notablemente mejor que los demás ¿Cuál es el próximo paso? Hable con todos los operadores para averiguar qué diferencias pueden existen en sus técnicas.

1) ( filas -1) 402 . cada inspector fue expuesto a 30 maletas conteniendo radios mezcladas entre otras que nos los contenían. Los resultados se resumen a continuación: Inspectores 1 2 3 Radios detectados 27 25 22 Radios no detectados 3 5 8 ¿Con un 95% de confianza. Ha: al menos una es diferente Grados de libertad = (columnas . Ejercicios 1. Se quiere evaluar la habilidad de tres inspectores de rayos X en un aeropuerto para detectar artículos clave. Como prueba se pusieron radios de transistores en 90 maletas. existe una diferencia entre los inspectores? Ho: p1 = p2 = p3.

Ejercicios 1. existe una diferencia entre las preferencias de los automovilistas dependiendo de la hora? Ho: P1 = P2 = P3.1) ( filas -1) 403 . Ha: al menos una es diferente Grados de libertad = (columnas . Se quiere evaluar si hay preferencia por manejar en un carril de una autopista dependiendo de la hora del día. Los datos se resumen a continuación: Hora del día Carril 1:00 3:00 5:00 Izquierdo 44 37 18 Central 28 50 72 Derecho 8 13 30 ¿Con un 95% de confianza.

Coeficiente de Contingencia  Coeficiente de contingencia es el grado de relación o dependencia de las clasificaciones en la tabla de contingencias es: X2 C2 X2 N  Donde N es la frecuencia total y X es el estadístico Chi Cuadrado calculado 404 .

38 X N 2 66. Coeficiente de Contingencia  Para los datos del ejemplo anterior se tiene: X2 66.22  393 2  El valor máximo de C se obtiene de: k 2 82 Max C    0.866 k 8 405 .22 2 C2 2  0.

r. Correlación de atributos  Para tablas de orden k * k. es : 2 X r N (k  1)  Donde 0<= r <= 1 406 . el coeficiente de correlación.

9 Pruebas de Hipótesis no paramétricas 407 .VI.B.

Pruebas no paramétricas  Las pruebas paramétricas asumen una distribución para la población. tal como la Normal  Las pruebas no paramétricas no asumen una distribución específica de la población  Bajo los mismos tamaños de muestra la Potencia o probabilidad de rechazar Ho cuando es falsa es mayor en las pruebas paramétricas que en las no paramétricas  Una ventaja de las pruebas no paramétricas es que los resultados de la prueba son más robustos contra violación de los supuestos 408 .

Prueba de Hipótesis Variable Atributo No Normal Tablas de Contingencia de Varianza Medianas Correlación Correlación Homogeneidad Prueba de signos de la Variación de Levene Wilcoxon Normal Mann- Whitney Variancia Medias Kurskal- Wallis Pruebas de t Prueba-F Muestra-1 Residuos Prueba de Mood Muestra-2 Homogeneidad distribuidos Friedman de la Variación ANOVA de Bartlett Una vía normalmente Dos vías Correlación Regresión 409 .

varianzas de muestras de la misma población. Resumen de pruebas de Hipótesis 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 más universo conocido. Prueba F : Compara dos varianzas de muestras. Homogeneidad de la variancia de Bartlett: Compara dos o más varianzas muestras de la misma población. 410 .

dos variables. Asume que ANOVA de dos factores : Prueba si los todas las distribuciones tienen la misma forma. residual de la regresión) 411 . de muestras son iguales. Correlación : Prueba la relación lineal entre dos (Aquí la "normalidad" se aplica al valor variables. Prueba Friedman : Prueba si las medianas de las muestras. medianas de muestras son iguales. Resumen de pruebas de Hipótesis Datos Normales Datos No Normales Pruebas de los Promedios Pruebas de la Mediana Prueba t de 1 muestra : Prueba si el promedio Prueba de signos o Prueba Wilcoxon : Prueba de la muestra es igual a un promedio si la mediana de la muestra es igual a un valor conocido o meta conocida. son Regresión : Define la relación lineal entre una iguales. son iguales. conocido o a un valor a alcanzar. ANOVA de un factor: Prueba si más de dos Prueba Kruskal-Wallis: Prueba si más de dos promedios de las muestras son iguales. variable dependiente y una independiente. Prueba más firme para los valores atípicos contenidos en la Correlación : Prueba la relación lineal entre información. para más de dos medianas. promedios de las muestras clasificadas Prueba de la mediana de Mood : Otra prueba bajo dos categorías. Prueba t de 2 muestras : Prueba si los dos Prueba Mann-Whitney : Prueba si dos medianas promedios de las muestras son iguales. clasificadas bajo dos categorías.

etc. entonces usar las herramientas no paramétricas. Acciones a tomar con datos No Normales Revise y asegúrese de que los datos no siguen una distribución normal. • Una muestra pequeña (n < 30) proveniente de un universo normal.05) • Desarrollar una Prueba de Corridas (para verificar que no existen sucesos no aleatorios que puedan haber distorsionado la información) • Revisar la información para detectar errores (tipográficos. • Desarrollar una Prueba de normalidad (para verificar realmente lo anormal.Raíz cuadrada de todos los datos .).Logaritmo de todos los datos . Las transformaciones comunes incluyen: . Investiguar los valores atípicos.Cuadrado de todos los datos • Si la información es todavía anormal. Para la prueba de Bartlet el valor de p debe ser < 0. Intentar transformar los datos. se mostrará algunas veces como anormal. 412 .

Es la suma de todos los datos. 47. 44. 40. 37. en las mañanas. 47. 55. 45. 30. Ejemplo: Se cuestionó a veinte personas sobre cuánto tiempo les tomaba estar listas para ir a trabajar. 45. 60 39. Definiciones  Promedio : Es la media aritmética de la información.  Mediana: Valor del punto medio de los datos.  Moda : Valor que se repite con más frecuencia sobre el conjunto de datos. 25. 7B8. Sus respuestas (en minutos) se muestran más adelante. ¿Cuáles son el promedio y la mediana para esta muestra? 30. 42. 38. 43 413 . cuando se ordenan en forma ascendente (en caso de datos pares. dividida entre el número de datos de referencia. obtener promedio). 35. 35. 35. 35.

0 49. C1 Promedio = 40. ya que es la que sencuentra en la posición media de los valores ordenados.0 35. se incluyen los valores reales de estos valores.0 -------+---------+---------+---------+---------+---------+-----. La mediana.0 56.5 El promedio puede estar influenciado considerablemente por los valores atípicos porque. asigna la misma importancia a todas las observaciones. cuando se calcula un promedio.0 42.0 63.35 Mediana = 39. 414 . Un dibujo dice más que mil palabras Promedio Mediana 28. por otra parte. independientemente de los valores reales de los valores atípicos.

• Prueba de la Mediana de Mood : • ANOVA de un factor Prueba para más de dos medianas del universo. • Prueba Mann-Whitney : Comprueba el • Prueba t de 2 muestras rango de dos muestras. esté por encima o información) por debajo del promedio aleatoriamente. 415 . Más robusta para los valores atípicos o para los errores en la información. de 1 muestra : • Prueba t de una muestra Prueba la probabilidad de que la mediana de la muestra. Pruebas Alternativas comúnmente usadas Pruebas para datos No normales Analogía con datos normales • Prueba de Corridas : Calcula la • Prueba de Corridas (la misma probabilidad de que un X número de prueba para ambos tipos de puntos de referencia. por la diferencia entre dos medianas del universo. • Prueba de signos. sea igual al valor hipotético.

220. 56. 201. 290. 240. 150. Número total de Rachas: 12 Número total de puntos > al promedio: 11 Número total de puntos < al promedio: 18 . 110. 309. 320. 0. 50. Prueba de Rachas Considere los siguientes datos (que se muestran aquí en orden cronológico): 325. 400. 110. 101. 500. 144. 80. 180. 110. 140. 210. 72. 80. 145. 120. 80 Es importante tener los datos registrados en orden cronológico. 507. 99. Una representación gráfica de los datos se asemeja a esto: 600 500 Promedio Primera 400 "corrida" 300 200 100 0 Segunda ”racha" Racha: Un punto o una serie consecutiva de puntos que caen en un lado del promedio.

18 por Corridas debajo La prueba es significativa en p= 0. Los datos son aceptados.4483 Promedio Número de rachas observado = 12 Número de rachas esperado = 14.6552 => No se rechaza Ho Este es el valor p de las Prueba de 11 observaciones por encima de K. no podemos rechazar la hipótesis nula.05 Ya que p > 0. siendo aleatorios. . Prueba de Rachas Ho: Los datos son aleatorios Ha:Los datos NO so aleatorios Prueba de Rachas Promedio K = 184.2860 No se puede rechazar Ho con valor alfa = 0.05.

4843 = -1.14.1430 y para dos colas se tiene P(Z1) + P(Z2) = 0.n1 -n2) / (n1 + n2)^2* (n1+n2 -1) Del ejemplo anterior G = 12.655 DesStG = 2.0687 P(Z1) = 0.05. entonces se consulta la tabla de valores críticos para el número de Rachas G 418 .655) / 2. no rechazándose Ho Si las n1 y n2 son menores a 21. Cálculos de la Prueba de Rachas El estadístico Z cuando n > 20 se calcula como: Z = (G . n1 = 11n2 = 18 MediaG = 14.4843 Z1 = (12 .2860 > Alfa crítico de 0.MediaG) / DesvStG Con MediaG = 1 + (2n1*n2) / (n1 + n2) DesvStG = Raiz [ (2n1*n2) (2n1*n2 .

18 below P-value = 0. Above and below the mean Runs Test: C1 Runs test for C1 Runs above and below K = 184. Corrida con Minitab  Stat > Nonparametrics > Runs Test Variable C1.285 P > 0.6552 11 observations above K.05 No rechazar Ho 419 .448 The observed number of runs = 12 The expected number of runs = 14.

No se puede probar que la mediana real y la mediana hipotética son diferentes.05.0 N DEBAJO IGUAL ENCIMA VALOR P MEDIANA 29 12 0 17 0. Prueba de Signos de la Mediana Ho : La mediana de la muestra es igual a la mediana de la hipótesis Ha : Las medianas son diferentes Ejemplo (usando los datos del ejemplo anterior): Ho: Valor de la mediana = 115. En las páginas siguientes se muestra el detalle del cálculo. 420 . no se puede rechazar la hipótesis nula.4576 144.0 Ha: Valor de la mediana diferente de 115.0 Ya que p >0.

13 120 + 23 290 + 4 72 . 22 240 + 3 56 . Cálculos de la Prueba de Signos de la Mediana Ejemplo: Con los datos del ejemplo anterior y ordenándo de menor a mayor se tiene: n = 29. Mediana de Ho = 115 No. 19 201 + 29 507 + 10 110 . 18 180 + 28 500 + 9 101 . Valor Signo 1 0 . 17 150 + 27 400 + 8 99 . Valor Signo No. 421 . 14 140 + 24 309 + 5 80 . 11 110 . Valor Signo No. Si el valor contra el cual se desea probar es 115. entonces hay 12 valores por debajo de el (-) y 17 valores por arriba (+). 15 144 + 25 320 + 6 80 . 12 110 . 20 210 + Con la mediana en 144. 21 220 + 2 50 . 16 145 + 26 325 + 7 80 .

se calcula el estadístico Z para la prueba de signos con: Z = [ (Y + 0.74278 y P(Z1) = 0. por lo que la probabilidad total es 0. Cálculos de la Prueba de Signos de la Mediana El estadístico X es el el número de veces que ocurre el signo menos frecuente.5) .5  n En este caso Z1 = . Cómo n  25. en este caso el 12 (-).4576 >> 0.05 del criterio de rechazo.2288 para la cola izquierda en forma similar P(Z2) 0-2288 para la cola derecha. Si n hubiera sido < 25 entonces se hubiera consultado la tabla de valores críticos para la prueba de signo.(0.5*n) ]/ 0. 422 .0.

423 . tal vez esto SEA lo correcto. veamos una gráfica de la información 0 100 200 300 400 500 115 144 Después de todo. Prueba de Signos de la Mediana ¿Es esto correcto?¿144 podría ser igual a 115? Bueno.

05 no se rechaza Ho y la mediana es 115 424 .4583 144.0 N Below Equal Above P Median Signos 29 12 0 17 0.0 Como P > 0.0 versus not = 115. Corrida en Minitab  Stat > Nonparametrics > 1-Sample sign Variable C1 Confidence interval 95% Test Median 115 Alternative Not equal Sign Test for Median: Signos Sign test of median = 115.

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 Limpiador Casa A B 1 10 7 2 7 5 ¿Hay evidencia que indique cierta preferencia de las amas 3 8 7 de casa por lo limpiadores? 4 5 2 5 7 6 6 9 6 425 .

= 0.5*raiz(n) 2 . + Producto A o B? 10 . + Desv. Estand. Estánd. cierta preferencia por un 9 . Zc = (Y – media) / Desv. + 3 + . Prueba de Signos de la Mediana Producto Familia A B Media = 0. + 7 . + Rechazar Ho si Zc ><Zalfa/2 5 0 0 6 .5*n 1 . 4 . + ¿Hay evidencia que indique 8 + . + 11 . + 426 .

5*raiz(n) = 1.025 No hay evidencia suficiente de que los Consumidores prefieran al producto B 427 . Estand.5 Desv.96 para alfa/2 = 0. Prueba de Signos de la Mediana Media = 0.5*11 = 5.025 Como Zc < Zexcel no se rechaza Ho o Como p value = 0.67 Para Zc = (8 – 5.5) / 1.497 Zexcel = 1.067 > 0.67 = 1.= 0.

4 3.4 3.2 9. Prueba rango con signo de Wilconox  Es la alternativa no paramétrica de la prueba paramétrica de muestras pareadas  Ejemplo: HO: Las poblaciones son idénticas Ha: Caso contrario Trabaja Método Método Diferen Abs(difere Rango dor 1 2 cias n.2 2 -2 3 9.8 0.1 1 1 8 10 10 0 0 Eliminar 9 11.9 0.6 10.6 7 7 10 10.5 0.2 0.5 3.1 0.6 9.) Rango c/signo 1 10.2 10.4 0.7 8 8 2 9.6 10.7 10.3 0.1 0.2 8.8 0.5 5.3 -0.8 -0.6 9.9 10.5 5.2 0.5 5.6 0.9 10 10 7 10.5 5 9.5 0.5 6 10.5 11 10.5 4 10.8 0.5 5.5 -3.5 0.8 9 9 T =428 44 .5 0.6 0.4 0.7 0.2 9.

Prueba rango con signo de Wilconox Distribución muestral T para poblaciones idénticas Se aproxima a la distribución normal para n >= 10 T 0 T  n(n  1)( 2n  1) 6 En este caso n = pares eliminando las que son iguales con dif.  = raiz(10 x 11 x 21/6) = 19.24 > Z0.025 = 1.62 Z = (T – )/ = 44/19.24 Z alfa/2 = Z0.025 se rechaza Ho.96 Como Zc = 2. = 0 para el trabajador 8. los métodos son diferentes 429 .62 = 2.

5 0.50 80 70 Ho: Mediana = 77 Ha: Mediana <> 77 Como P de 0.889 77.00 versus median not = 77. Prueba en Minitab para prueba de mediana con Wilconox  File> Open worksheet > Exh_Stat  Stat > Nonparametrics > 1-Sample Wilconox Achievement Variables C1 Test Median 77 77 Altenative Not equal 88 85 Wilcoxon Signed Rank Test: Achievement Test of median = 77.00 74 for Wilcoxon Estimated 75 for Wilcoxon Estimated N Test Statistic P Median 62 Achievement 9 8 19.889 >> alfa de 0.05 no se rechaza Ho 83 430 .

Los datos resultantes se muestran a continuación. Prueba de Mann-Whitney Se llevó a cabo un estudio que analiza la frecuencia del pulso en dos grupos de personas de edades diferentes. después de diez minutos de ejercicios aeróbicos. Edad 40-44 Edad 16-20 C1 C2 ¿Tuvieron diferencias 140 130 significativas las frecuencias de 135 166 pulso de ambos grupos? 150 128 140 126 144 140 154 136 160 132 144 128 136 124 148 431 .

5) 128 (13.5) 136 (16) 150 (11)140 (17) 154 (15)166 (18) 160 n1 = 10 n2 = 9 Ta = 130.5) 136 (2) 126 (11) 140 (3. Prueba de Mann-Whitney  Ordenando los datos y asignándoles el (rango) de su posición relativa se tiene (promediando posiciones para el caso de que sean iguales): Edad 40-44 Edad 16-20 C1 C2 (7) 135 (1) 124 (8.5) 144 (6) 132 (15) 148 (8.5 Tb = 55.5 432 .5) 144 (5) 130 (13.5) 128 (11) 140 (3.

Ta Ub = n1*n2 + (n2) * (n2 + 1) /2 .5 El menor de los dos es Ua. Dado que p < 0.5 = 79.05. Para alfa = 0. 2 = Medianas de las poblaciones Ordenando los datos y asignándoles su posición relativa se tiene: Ua = n1*n2 + (n1) * (n1 + 1) /2 .5 = 14.5 P(Ua) = 0.130. 433 .Tb Ua + Ub = n1 * n2 Ua = 90 + 55 . Prueba de Mann-Whitney Ho: Las distribuciones de frecuencias relativas de las poblaciones A y B son iguales Ha: Las distribuciones de frecuencias relativas poblacionales no son idénticas Ho: 1 = 2 Ha: 1  2 1.006 Ub = 90 + 45 .55. rechazamos la hipótesis nula.05 el valor de Uo = 25 Como Ua < 25 se rechaza la Hipótesis Ho de que las medianas son iguales. Estadísticamente existe una diferencia significativa entre los dos grupos de edad.

434 .24 = .05.2.0064 = 0. rechazamos la hipótesis nula.49 P(Z) = 0. Dado que p < 0.96.(n1* n2 / 2 ) / Raiz (n1 * n2 * (n1 + n2 + 1) / 12) Con Ua y Ub se tiene: Za = (14. Estadísticamente existe una diferencia significativa entre los dos grupos de edad.5 . Prueba de Mann-Whitney Ho: Las distribuciones de frecuencias relativas de las poblaciones A y B son iguales Ha: Las distribuciones de frecuencias relativas poblacionales no son idénticas Ua = 14.81 P(total) = 2 * 0.0128 menor  = 0.45) / 12.5 -45) / 12.5 Utilizando el estadístico Z y la distribución normal se tiene: 45 12.5 Ub = 79.0064 similar a la anterior Zb = (79.24 = 2. Como Za > Zcrítico se rechaza la Hipótesis Ho de que las medianas son iguales.24 Z = [ (U .025 por ser prueba de dos colas. es 1.05 El valor crítico de Z para alfa 0.

Minitab usa este punto estimado para calcular el valor p. . se calcula la mediana de todas estas diferencias. denominada "punto estimado". Una vez ajustados los "enlaces" (eventos de un mismo valor en ambos grupos de información). Este punto estimado es una aproximación de la diferencia entre las medianas de los dos grupos (ETA1 y ETA2).Prueba de Mann-Whitney 16-20 años de edad 130 166 128 126 140 136 132 128 124 140 10 -26 12 14 0 4 8 12 16 40-44 años de 135 5 -31 7 9 -5 -1 3 7 11 150 20 -16 22 24 10 14 18 22 26 140 10 -26 12 14 0 4 8 12 16 144 14 -22 16 18 4 8 12 16 20 154 24 -12 26 28 14 18 22 26 30 160 30 -6 32 34 20 24 28 32 36 edad 144 14 -22 16 18 4 8 12 16 20 136 6 -30 8 10 -4 0 4 8 12 148 18 -18 20 22 8 12 16 20 24 Diferencias entre los encabezados de los renglones y las columnas De esta manera.

05 C1 10 144.00 95.5 Test of ETA1 = ETA2 vs ETA1 not = ETA2 is significant at 0.0140 (adjusted for ties) 436 .00 Se rechaza Ho C2 9 130.00) W = 130. C2 N Median P>0.01. Level 95% Alternative Not equal Mann-Whitney Test and CI: C1.0143 The test is significant at 0.20.5 Percent CI for ETA1-ETA2 is (4.00 Point estimate for ETA1-ETA2 is 12. Corrida en Minitab  Stat > Nonparametrics > Mann Whitney First Sample C1 Second Sample C2 Conf.

5 Tc = 95.5) 147 (17.5) 127 (12) 135 (1) 85 (23) 184 (10) 132 (7) 120 (3) 109 (22) 181 (25) 285 (20) 169 (13) 138 (5) 117 (11) 133 (6) 119 n1 = 8 n2 = 10 n3 = 7 N = n1 + n2 + n3 = 25 Ta = 118 Tb = 111.5) 17. Prueba de Kruskal Wallis Ordenando los datos de ventas y asignándoles el (rango) de su posición relativa se tiene (promediando posiciones para el caso de que sean iguales): Zona 1 Zona 2 Zona 3 (15.5) 160 (24) 215 (17.5 437 .5 (14) 140 (8) 127 (9) 128 (21) 173 (2) 98 (19) 162 (4) 113 (15.

991 (válido siempre que las muestras tengan al menos 5 elementos) Como H < 2 crítico.3 * ( N +1 ) H = 0.1 = 3-1 = 1 (k muestras) 2 crítico = 5. 3 = Medianas de las poblaciones Calculando el valor del estadístico H se tiene: H = [ 12 /( N* ( N + 1)) ] * [ Ta2 / n1 + Tb2 / n2 + Tc2 / n3 ] .l. Prueba de Kruskal Wallis Ho: Las poblaciones A.893 ) .78 = 1. no se rechaza la Hipótesis Ho: Afirmando que no hay diferencia entre las poblaciones 438 .138 Se compara con el estadístico 2 para  = 0. = k .01846 * (1740. 2.225 + 1302.05 y G.5 + 1243. B y C son iguales Ha: Las poblaciones no son iguales Ho: 1 = 2 = 3 Ha: 1  2  3 . 1.

08 DF = 2 P = 0.581 No se rechaza Ho H = 1.0 14.3 -0.1 -0.09 DF = 2 P = 0.5 11. 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 7 138.7 0.0 12.82 Zona 3 7 127.581 (adjusted for ties) 439 .10 Overall 24 12.05 H = 1.98 Zona 2 10 126.5 P > 0.

Los valores que coincidan se reparten en los grupos  Hacer una tabla de contingencia K x 2 con las frecuencias de signos más y menos en cada grupo K 440 . La prueba es robusta contra Outliers y errores en datos y es adecuada para análisis preliminares  Determina si K grupos independientes han sido extraidas de la misma población con medianas iguales o poblaciones con formas similares  Con base en la gran mediana. Prueba de Medianas de Mood  Realiza prueba de hipótesis de igualdad de medias en un diseño de una vía. anotar un signo positivo si la observación excede la mediana o un signo menos si es menor.

Prueba de Medianas de Mood  Se determina el estadístico Chi Cuadrada con: (O  E ) 2   2 E 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 .

mtw  Stat > Nonparametrics > Mood’s Median Test Response Otis Factor ED Ok 442 . Corrida con Minitab Se les da a 179 participantes una conferencia con dibujos para ilustrar el tema. 2-Prepa Ho: h1 = h2 = h3 Ha: no todas las medianas son iguales  File > Open Worksheet > Cartoon. Después se les da la prueba OTIS que mide la habilidad intelectual. 1-Prof... Los participantes se clasificaron por nivel educativo 0-No prof.

0 21.3 (----*----) ----+---------+---------+---------+-- 96.0 443 .0 112.0 Overall median = 107.0 104.05 Chi-Square = 49.5 17.0% CIs ED N<= N> Median Q3-Q1 ----+---------+---------+--------- +-- 0 47 9 97.0 120.5 (------*------) 2 15 55 116. Corrida con Minitab Mood Median Test: Otis versus ED Mood median test for Otis P>0.0005 Se rechaza Ho Individual 95.08 DF = 2 P = 0.3 (-----*-----) 1 29 24 106.5 16.

es una generalización de las pruebas pareadas con signo. Diseños factoriales aleatorias bloqueados de Friedman Esta prueba es una alternativa al ANOVA de dos vías. 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 .

se usa el rango promedio y se muestra el estadístico corregido  La mediana estimada es la gran mediana más el efecto del tratamiento 445 . Diseños factoriales aleatorias bloqueados de Friedman Resultados de salida:  Se muestra el estadístico de prueba con distribución Chi Cuadrada aproximada con gl = Tratamientos – 1.  Si hay observaciones parecidas en uno o más bloques.

Click OK. Response. seleccionar Litter. En Blocks.MTW. 446 . probado en cuatro animales  Open the worksheet EXH_STAT. seleccionar EnzymeActivity.  Stat > Nonparametrics > Friedman. Diseños factoriales aleatorias bloqueados de Friedman Ejemplo:  Se evalúa el efecto del tratamiento de una droga en la actividad enzimática con tres niveles. seleccionar Therapy. En Treatment.

Diseños factoriales aleatorias
bloqueados de Friedman
Datos: EnzymeActivity Therapy Litter
0.15 1 1
0.26 1 2
0.23 1 3
0.99 1 4
0.55 2 1
0.26 2 2
-0.22 2 3
0.99 2 4
0.55 3 1
0.66 3 2
0.77 3 3
0.99 3 4 447

Diseños 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 4 0.2450 6.5
2 4 0.3117 7.0
3 4 0.5783 10.5
Grand median = 0.3783
448

Diseños factoriales aleatorias
bloqueados de Friedman
Resultados:
 El estadístico 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 más los efectos estimados de los tratamientos.

 El estadístico de prueba se determina con base a los rangos en
cada bloque y totales

449

Diseños factoriales aleatorias
bloqueados de Friedman
Resultados:

450

Diseños factoriales aleatorias
bloqueados de Friedman
Resultados:

451

Diseños factoriales aleatorias
bloqueados de Friedman
Resultados:

452

Prueba de igualdad de
varianzas de Levene
 Se usa para probar la hipótesis nula de que las varianzas de k
múltiples 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 desempeño para la
distribución 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 desviación de cada observación 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 2
Prueba de igualdad 11 10 2

de Varianzas-Minitab 3
10
10
10
2
6
4 10 6
Se estudian tamaños de papa 7 10 6
inyectando con bacterias y
15 10 10
sujetas a diferentes
2 10 10
temperaturas. Antes del
7 10 10
ANOVA se verifica la
igualdad de varianzas 26 16 2
19 16 2
24 16 2
 Stat > ANOVA > Test for
15 16 6
equal variances
22 16 6
Response Rot
18 16 6
Factors Temp Oxigen
20 16 10
Confidence level 95%
24 16 10
8 16 10
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)
Test statistic = 0.37, p-value = 0.858
457

Prueba de la concordancia del
Coeficiente de Kendall
 El coeficiente expresa el grado de asociación entre las
calificaciones múltiples realizadas por un evaluador

Ho: Las variables son independientes
Ha: Las variables están asociadas

 Kendall usa la información relacionada con las calificaciones
relativas y es sensible a la seriedad de mala clasificación

Por ejemplo para K = jueces N = Muestras = 10

Rango medio = 220 / 22 S = 1066 Gl = n-1 = 9
Chi Cuadrada crítica = X2 0.01,9 = 21.67
458

Prueba de la concordancia del
Coeficiente de Kendall
 El Estadístico Chi Cuadrada calculado es:

 Como Chi Cuadrada de alfa es menor que la calculada, los
cuatro jueces están asociados significativamente. Constituyen
un panel uniforme. No quiere decir que estén en lo correcto,
solo que responden de manera uniforme a los estímulos

459

el coeficiente es: 6(5.97 990 460 .03  0. El coeficiente de correlación de rangos de Spearman (rs)  El coeficiente de correlación es una medida de la asociación 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 6 d 2 Ho: Las variables son independientes rs  1  Ha: Las variables están asociadas N3  N  Para el ejemplo anterior si N = 10.5) rs  1   1  0.

00 (8) -7 49 6 3 549. Preferencia Precio Di (rango) Di cuadrada 1 7 449. Coeficiente de correlación de rangos para monotonía de preferencias Una persona interesada en adquirir un TV asigna rangos a modelos de cada uno de 8 fabricantes Rango Fab.00 (5) -1 1 3 2 479.50 (1) 6 36 2 4 525.95 (3) -1 1 4 6 499.95 (7) -4 16 7 8 469.50 (6) -1 1 461 .95 (2) 6 36 8 5 532.95 (4) 2 4 5 1 580.

714 R0 se determina de la tabla de Valores críticos del coeficiente de correlación del coeficiente de correlación de rangos de Spearman Rt = 0.686 Por tanto si hay asociación significativa en las preferencias 462 . Coeficiente de correlación de rangos para monotonía de preferencias Ho: No existe asociación entre los rangos Ha: Existe asociación entre los rangos o es positiva o negativa El coeficiente de correlación 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.

377 0.311 0.441 0.566 14 0.475 0.329 0.829 0.370 30 0.351 0.305 0.714 0.359 0. Tabla de constantes n Alfa=0.317 0.438 22 0.886 7 0.025 5 0.377 29 0.497 0.450 21 0.412 0.400 26 0.643 0.490 18 0.368 0.683 10 0.462 20 0.323 0.738 9 0.507 17 0.364 463 .05 Alfa = 0.623 12 0.418 24 0.343 0.428 23 0.388 0.425 0.329 0.648 11 0.600 0.545 15 0.523 0.457 0.564 0.409 25 0.392 27 0.336 0.385 28 0.525 16 0.591 13 0.786 8 0.476 19 0.900 - 6 0.

047 7 8 2 469 8 5 6 532 464 . Preci deben determinar los rangos en ante rencia Precio o forma manual para las variables X y Y. Precio 4 6 4 499 Pearson correlation of 5 1 8 580 Preferencia and Precio = -0. Corrida con Minitab Para la corrida en Minitab primero se Fabric Prefe.714 6 3 7 549 P-Value = 0. 1 7 1 449  Stat > Basic statistics > Correlation 2 4 5 525 Variables Preferencia Precio 3 2 3 479 Correlations: Preferencia.

4 5 465 .8 Correlations: Colageno. Proline 4 8.1 2.5 and Proline = 0.2 2.6 P-Value = 0.8 Variables Colágeno Proline 2 7.6 Pearson correlation of Colageno 5 9.4 3.3 2.5 4.1 2.002 7 11.935 6 10. Ejemplo con Minitab Se estudia la relación entre colágeno y Proline en pacientes con cirrosis Paciente Colágeno Proline  Stat > Basic statistics > Correlation 1 7.9 3 7.

Resumen de pruebas no paramétricas  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  Comparación de dos medianas poblacionales de Mann Whitney: Prueba la igualdad de las medianas y determina el intervalo de confianza 466 .

Resumen de pruebas no paramétricas  Comparación de igualdad de medianas poblacionales de Kruskal Wallis: Prueba la igualdad de las medianas en un diseño de una vía y determina el intervalo de confianza  Comparación de medianas poblacionales de Mood: Prueba la igualdad de medianas con un diseño de una vía 467 .

468 .

469 .

VI.C Análisis del Modo y Efecto de Falla (FMEA) 470 .

 Identificar acciones que reduzcan o eliminen las probabilidades de falla. Effects and Criticality Analysis 471 .  Documentar los procesos con los hallazgos del análisis. ¿ Qué es el FMEA? El Análisis de del Modo y Efectos de Falla es un grupo sistematizado de actividades para:  Reconocer y evaluar fallas potenciales y sus efectos.  Existe el estándar MIL-STD-1629. Procedure for Performing a Failure Mode.

Propósitos 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 .

Propósitos del FMEA  Soporta el desarrollo de planes de verificación del desarrollo de diseño robusto  Apoya a priorizar y enfocarse en eliminar/reducir problemas de proceso y producto y/o previene la ocurrencia de problemas  Mejora la satisfacción del cliente/consumidor 473 .

Tipos del FMEA  AMEF de concepto (CFMEA)  A nivel de sistema. subsistema y componente  AMEF de diseño (DFMEA)  AMEF de Proceso (PFMEA)  AMEF de maquinaria (como aplicación del DFMEA) 474 .

 FMEA de Proceso (AMEFP). para corregir las deficiencias de diseño. su propósito es analizar como afectan al proceso los modos de falla y minimizar los efectos de falla en el proceso. Se usan durante la planeación de calidad y como apoyo durante la producción o prestación del servicio. 475 . Tipos de FMEAs  FMEA de Diseño (AMEFD). su propósito es analizar como afectan al sistema los modos de falla y minimizar los efectos de falla en el sistema. Se usan antes de la liberación de productos o servicios.

PFMEA o AMEF de Proceso Fecha límite: Concepto Prototipo Pre-producción /Producción FMEAD FMEAP FMEAD FMEAP Característica de Diseño Paso de Proceso Falla Forma en que el Forma en que el proceso falla producto o servicio falla al producir el requerimiento que se pretende Controles Técnicas de Diseño de Controles de Proceso Verificación/Validación 476 .

 Es el documento primario para demostrar que se han evitado errores e identifica los controles y acciones para reducir los riesgos asociados 477 . Flujo del FMEA y su rol en evitar el Modo de Falla  DFMEA  Es un análisis detallado de los modos de falla potenciales relacionados con las funciones primarias y de interfases del sistema.

ensamble. servicio y reciclado  Incrementar la probabilidad de que los modos de falla potencial y sus efectos en el sistema y operación del producto se han considerado en el procesos de diseño/desarrollo 478 . Beneficios de los tipos de FMEA FMEA de Diseño Soporta el proceso de diseño al reducir el riesgo de fallas (incluyendo las salidas no intencionadas) por:  Soporta la evaluación objetiva de diseño. incluyendo requerimientos funcionales y alternativas de diseño  Evaluar los diseños iniciales sobre requerimientos de manufactura.

prueba y análisis  Proporcionar un formato de problemas pendientes para recomendar y dar seguimiento de acciones que reduzcan el riesgo 479 . desarrollo y validación  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 diseño. validación. desarrollo. Beneficios de los tipos de FMEA FMEA de Diseño  Proporcionar información adicional como apoyo en la planeación exhaustiva de programas de diseño eficiente.

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  Evalúa 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  Reducción o detección 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 métodos para mejorar su detección 482 .

Beneficios de los tipos de FMEA FMEA de Proceso  Identifica características críticas y/o significativas confirmadas  Apoya en el desarrollo de Planes de Control a través de todo el proceso de manufactura  Identifica aspectos de preocupación en relación con la seguridad del operador  Retroalimenta información sobre cambios de diseño requeridos y factibilidad de manufactura a las áreas de diseño 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 “Características 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 “Características 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 Caracteríticas críticas y/o significativas  Una lista de características relacionadas con la seguridad del operador y con alto impacto  Una lista de controles especiales recomendados para las Características Especiales designadas y consideradas en el Plan de control 485 .

eliminar las causas de los modos de falla del producto o reducir su tasa de ocurrencia. Salidas del FMEA de Proceso  Una lista de procesos o acciones de proceso para reducir la Severidad. y mejorar la tasa de Detección 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 síntoma 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 (métodos no claros. cansancio. formatos ilegibles) o cualquier otra razón que cause el modo de falla 487 .

falla o error.La forma en que un producto o proceso puede fallar para cumplir con las especificaciones o requerimientos.Normalmente se asocia con un Defecto. . Definiciones Modo de Falla . Diseño Proceso Alcance insuficiente Omisiones Recursos inadecuados Monto equivocado Servicio no adecuado Tiempo de respuesta excesivo 488 .

.Las causas son fuentes de Variabilidad asociada con variables de Entrada Claves Ejemplos: Diseño Proceso Material incorrecto Error en servicio Demasiado esfuerzo No cumple requerimientos 489 .El cliente o el siguiente proceso puede ser afectado.El impacto en el Cliente cuando el Modo de Falla no se previene ni corrige.Una deficiencia que genera el Modo de Falla. Ejemplos: Diseño Proceso Serv. incompleto Servicio deficiente Operación errática Claridad insuficiente Causa . Definiciones Efecto . .

producto o proceso dirige el equipo. así como representantes de las áreas involucradas y otros expertos en la materia que sea conveniente. Preparación del AMEF  Se recomienda que sea un equipo multidisciplinario  El responsable del sistema. 490 .

¿Cuando iniciar un FMEA?  Al diseñar los sistemas.  Después de completar la Solución de Problemas (con el fin de evitar la incidencia del problema). productos y procesos nuevos. 491 . después de definir las funciones del producto.  El AMEF de diseño.  Al cambiar los diseños o procesos existentes o que serán usados en aplicaciones o ambientes nuevos.  El AMEF de proceso. cuando los documentos preliminares del producto y sus especificaciones están disponibles. antes de que el diseño sea aprobado y entregado para su manufactura o servicio.

FMEA de Diseño .DFMEA 492 .

AMEF de Diseño  El DFMEA es una técnica analítica utilizada por el equipo de diseño para asegurar que los modos de falla potenciales y sus causas/mecanismos asociados. se han considerado y atendido 493 .

 Entre mejor se definan las características deseadas. será más fácil identificar Modos de de falla potenciales para toma de acciones correctivas / preventivas. AMEF de Diseño  El proceso inicia con un listado de lo que se espera del diseño (intención) y que no hará el diseño  Las necesidades y expectativas de los clientes de determinan de fuentes tales como el QFD. y/o requerimientos de manufactura/ensamble/servicio. 494 . requerimientos de diseño del producto.

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 dirección es crucial para el éxito 495 .

para asegurar que el equipo adecuado realice el análisis 496 . Alcance del DMEA  El alcance se establece en el Diagrama de límites (Boundary Diagram) por medio de consenso con el equipo de:  ¿Qué se va incluir? ¿Qué se va a excluir?  Establecer los límites adecuados antes de hacer el DFMEA evitará entrar en áreas que no se están revisando o creando.

a lo mejor primero se deben aclarar y resolver asuntos pendientes antes del DMFEA. Alcance del DMEA  Para determinar la amplitud del alcance. ¿está finalizado o es un punto de control?  ¿Cuántos atributos o características están todavía bajo discusión o la necesidad debe determinarse?  ¿Qué tan avanzado va el diseño o proceso para su terminación? Tendrá cambios 497 . se deben hacer las decisiones siguientes:  Determinar la estabilidad del diseño o desarrollo del proceso.

reducir reclamaciones de calidad e incrementar la satisfacción del cliente  Se generan del diagrama P que identifica los cinco factores de ruido. para ser atendidos a tiempo haciendo al diseño insensible al ruido 498 . Entradas al DFMEA Herramientas de robustez  Su propósito es reducir la probabilidad de campañas de calidad. mejorar la imagen.

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 .

tamaño. gr. localización y accesibilidad o requerimientos de estándares (v. de ing. incluye parámetros adicionales o parámetros de diseño como especificaciones de servicio. condiciones especiales. peso. y:  Se escriben en forma de verbo/nombre/caract. EMVSS) 500 . medible  La característica Medible o SDS: Puede ser verificada/validada. Modelo DFMEA – Paso 1 Funciones  La función da respuesta a ¿Qué se supone que hace este artículo?  Las funciones son intenciones del diseño o especs.

Modelo DFMEA – Paso 1 Funciones  Las funciones representan las expectativas. necesidades y requerimientos tanto explícitos como no explícitos de los clientes y sistemas  Las funciones no pueden “fallar” si no son medibles o especificadas Ejemplos:  Almacenar fluido. X centímetros cúbicos por segundo  Abrir con X fuerza  Mantener la calidad del fluido durante X años bajo condiciones de operación 501 . X litros sin fugas  Controlar el flujo.

pueden ser también 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 artículo en particular y con su función (revisar el historial de garantías y fallas o hacer tormenta de ideas  También se deben considerar modos de falla potenciales que pudieran ocurrir sólo bajo ciertas condiciones (vg. subsistema o sistema pueden potencialmente no cumplir o proporcionar la función intencionada. frío. polvo. Calor. humedad. etc) 502 . Modelo DFMEA – Paso 1 Modos de falla potenciales  Son las formas en las cuales un componente.

Modelo DFMEA – Paso 1 Tipos de Modos de falla potenciales  No funciona  Funciona parcialmente / sobre función / degradación con el tiempo  Función intermitente  A veces causado por los factores ambientales  Función no intencionada  Los limpiadores operan sin haber actuado el switch  El coche va hacia atrás aún con la palanca en Drive 503 .

a pesar de que el artículo se fabrica de acuerdo al dibujo?  ¿Cuándo se prueba la función. Modelo DFMEA – Paso 1 Preguntas para Modos Potenciales de falla  ¿De que manera puede fallar este artículo para realizar su función intencionada?  ¿Qué puede salir mal (go wrong). como se debería reconocer su modo de falla?  ¿Dónde y cómo operará el diseño? 504 .

0 fugas. durante 10 años  Sus modos de falla son:  Almacenar < X. Modelo DFMEA – Paso 1 Preguntas para Modos Potenciales de falla  ¿Bajo que condiciones ambientales operará?  ¿El artículo será usado en ensambles de más alto nivel?  ¿Cómo interactúa/interfase con otros niveles del diseño?  No introducir modos de fallas triviales que no pueden o no ocurrirán  Asumiendo la función:  Almacenar fluido. X litros. presenta fugas 505 .

o no cumplimiento de reglamentaciones  Los efectos se establecen en términos de sisemas específicos. subsistemas o componentes conforme sean analizados  La intención es analizar los efectos de falla al nivel de experiecia y conocimiento del equipo. Modelo DFMEA – Paso 1 Efectos Potenciales de falla  Se definen como los efectos del modo de falla en la función percibida por el cliente. 506 . Qué puede notar o experimentar ya sea interno o final  Establecer claramente si la función podría impactar a la seguridad.

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  Operación errática – no operable  Apariencia pobre – olores desagradables  Operación inestable  Operación intermitente  Fugas  Ruido de radiofrecuencia (EMC) 508 .

Habrá sólo una severidad para cada modo de falla  Para reducir la severidad es necesario hacer un cambio de diseño  La severidad se estima de la tabla siguiente 509 . Modelo DFMEA – Paso 1 Severidad  Es la evaluación asociada con el efecto más serio de la columna anterior.

falla repentina. Mayor 7 El cliente está insatisfecho. o servicio se ve afectado. No 1 Sin efecto Muy poco 2 Cliente no molesto. Menor 4 El cliente se siente un poco fastidiado. Extremo 8 Cliente muy insatisfecho. Capaz de descontinuar el uso sin perder tiempo. Se cumple con el reglamento del gobierno en materia de riesgo. Significativo 6 El cliente se siente algo inconforme. pero a salvo. El desempeño del comp. Poco efecto en el desempeño del comp. pero es funcional y está a salvo. Sistema afectado. Incumplimiento con reglamento del gobierno. o servicio. dependiendo de la falla. Serio 9 Efecto de peligro potencial. Efecto menor en el desempeño del componente o servicio. Poco efecto en el desempeño del componente o servicio. Moderado 5 El cliente se siente algo insatisfecho. 510 . Efecto moderado en el desempeño del componente o servicio. Rangos de Severidad (AMEFD) Efecto Rango Criterio . Servicio inadecuado. El desempeño del servicio se ve seriamente afectado. Peligro 10 Efecto peligroso. Poco 3 Cliente algo molesto. Seguridad relacionada . Falla parcial. Sistema inoperable. pero operable. pero es operable y está a salvo.

se identifica como “YC” y se inicia un FMEA de proceso  Estas características del producto afectan su función segura y/o cumplimiento de reglamentaciones gubernamentales y pueden requerir condiciones especiales de manufactura. Modelo DFMEA – Paso 1 Clasificación  Cuando un modo de falla tiene un rango de severidad de 9 o 10. abastecimiento. existe una característica crítica. monitoreo y/o acciones de inspección o controles 511 . ensamble. embarque.

Geometría. Para valores menores también se pueden considerar acciones  Para eliminar el modo de falla considerar la acción:  Cambiar el diseño (vg. material) si está relaionado a una característica del producto 512 . Modelo DFMEA – Paso 1 Acciones recomendadas  Eliminar el Modo de falla  Mitigar el efecto  Es necesario un énfasis especial en acciones posibles cuando la severidad es 9 o 10.

Modelo DFMEA – Paso 2 Identificar:  Las Causas asociadas (primer nivel y raíz)  Su tasa de ocurrencia estimada  La designación de la característica adecuada (si existe) a ser indicada en la columna de clasificación  Acciones recomendadas para Severidad y Criticalidad alta (S x O) 513 .

cada causa de falla y/o mecanismo de falla para cada uno de los modos de falla. Model DFMEA – Paso 2 Causa potencial o mecanismo de falla  La causa potencial de falla se define como un indicador de debilidad del diseño cuya consecuencia es el modo de falla  Listar como sea posible. El detalle de la descripción permitirá enfocar los esfuerzos para atacar la causa pertinente 514 .

preguntarse:  ¿Qué circunstancia pudo causar que fallara el artículo para su fúnción?  ¿Cómo podría fallar el artículo para cumplir con las especificaciones?  ¿Cómo pueden ser incompatibles artículos que interactúan?  ¿Qué información desarrollada en los diagramas P y Matriz de Interfase pueden identificar causas potenciales?  ¿Qué puede causar que el artículo no de la función intencionada?  ¿Qué información en el Diagrama de límites 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 . Model DFMEA – Paso 2 Causa potencial o mecanismo de falla Se puede emplear un diagrama de Ishikawa o un Árbol de falla (FTA).

Model DFMEA – Paso 2 Causa potencial o mecanismo de falla Supuesto 1: El artículo se fabricó de acuerdo a especificaciones. ejemplos de causas de falla:  La especificación 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  Degradación de parámetro del Componente  Calor excesivo 516 .

Model DFMEA – Paso 2 Causa potencial o mecanismo de falla Supuesto 2: El artículo puede incluir una deficiencia que causa variabilidad introducida en el proceso de ensamble o manufactura:  Especificar un diseño simétrico que permita que la parte se pueda instalar desde atrás o de arriba a abajo  Torque incorrecto debido a que el hoyo está diseñado fuera de posición  Cinturón equivocado debido a que el diseño es similar a otro que es estándar también en uso 517 .

Modelo DFMEA – Paso 2 Causa potencial o mecanismo de falla Precauciones:  El DFMA no confía en los controles del proceso para subsanar debilidades del diseño. pero toma en cuenta sus limitaciones  El objetivo es identificar las deficiencias del diseño que peuden causar variación inaceptable en el proceso de manufactura o ensamble a través de un equipo multidisciplinario  Las causas de variación que no sean el resultado de directo de deficiencias de diseño pueden identificarse en el DFMEA y ser atendidas en el FMEA de Proceso  Otro objetivo es identificar las características que mejoren la robustez del diseño 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 diseño  El rango de ocurrencia tiene un significado relativo más que sea absoluto  La prevención o control de las Causas / Mecanismos del modo de falla se realiza a través de cambios de diseño o cambios de diseño del proceso para reducir la ocurrencia 519 .

Modelo DFMEA – Paso 2 Estimación de la Ocurrencia  ¿Cuál es el historial de servicio y campo experimentado con artículos similares?  ¿El artículo es similar al utilizado en niveles anteriores de subsistemas?  ¿El componente es radicalmente diferente de los anteriores?  ¿Ha cambiado la aplicación del componente?  ¿Se han instalado controles preventivos en el proceso?  ¿Cuáles son los cambios en el ambiente?  ¿Se ha realizado un análisis análítico de la predicción de confiabilidad para estimar la tasa de ocurrencia? 520 .

500 Zlt > 3.5 fallado a menudo 7 1 en 50 Zlt > 2 Muy alta La falla es casi inevitable 8 1 en 15 Zlt > 1.000 Zlt > 5 asociadas con este producto o con un producto / Servicio casi idéntico Muy Poca Sólo fallas aisladas asociadas con 2 1 en 150. No existen fallas 1 <1 en 1.500.5 este producto / Servicio casi idéntico 3 1 en 30. Rangos de Ocurrencia (AMEFD) Ocurrencia Criterios Rango Probabilidad de Falla Remota Falla improbable. Se puede basar en el desempeño de un diseño similar en una aplicación similar.5 5 1 en 800 Zlt > 3 Alta Este producto / Servicio ha 6 1 en 150 Zlt > 2. .5 9 1 en 6 Zlt > 1 10 >1 en 3 Zlt < 1 Nota: El criterio se basa en la probabilidad de ocurrencia de la causa/mecanismo.000 Zlt > 4.000 Poca Fallas aisladas asociadas con Zlt > 4 productos / Servicios similares Moderada Este producto / Servicio ha tenido fallas ocasionales 4 1 en 4.

embarque. monitoreo y/o inspección 522 . ensamble. entonces se tiene una caracterítica significativa crítica potencial que se identifica con “YS” y se inicia el FMEA de proceso  Estas características del producto afectan la función del producto y/o son importantes para la satisfacción del cliente y pueden requerir condiciones especiales de manufactura. Clasificación  Cuando el Modo de falla/causa tien una severidad de 5 a 8 y una ocurrencia de 4 o mayor.

Identificar  Controles actuales de prevención usados para establecer la ocurrencia  Controles actuales de detección (vg. Detección y RPN 523 .  Cuando ya se hayan implementado las acciones recomenddas. Pruebas) usadas para establecer la Detección  Determinar la efectividad de los controles de Detección en escala de 1 a 10  El RPN inicial (Risk Priority Number). se revisa el formato DFMEA en relación a la Severidad. Modelo DFMEA Paso 3 Si las causas no se pueden eliminar en paso 1 o 2. Ocurrencia.  Acciones Recomendadas (Prevenciónn and Detección).

 El equipo siempre debe enfocarse a mejorar los controles de diseño. 524 . etc. Diseños falla/seguro como válvulas de alivio. o la creación de muevos algoritmos de modelado. u otras actividades que aseguran la adecuación del diseño para el modo de falla y/o causa / mecanismo bajo consideración  Controles actuales (vg. revisiones de factibilidad. por ejemplo la creación de nuevos sistemas de prueba en el laboratorio. Confianilidad y robustez analítica) son los que han sido o estan usándose con los mismos diseños o similares. CAE. Modelo DFMEA – Paso 3 Controles de diseño actuales  Listar las actividades terminadas para prevención. vaidación/verificación del diseño (DV).

Modelo DFMEA – Paso 3 Controles de diseño actuales  Hay dos tipos de controles de diseño: Prevención y detección  De prevención:  Previenen la ocurrencia de la causa/mecanismo o Modo de falla/efecto reduciendo la tasa de Ocurrencia  De detección:  Detectan la causa/mecanismo o Modo de falla/efecto ya sea por métodos analíticos o físicos antes que el artículo se libere para Poducción  Si solo se usa una columna indicarlos con P o D 525 .

Lista de verificáción de robustez. Modelo DFMEA – Paso 3 Controles de diseño actuales Identificación de controles de diseño  Si una causa potencial no fue analizada. Una forma de detectarlo es con su Modo de falla resultante. Acciones de 8Ds 526 . el producto con deficiencia de diseño pasará a Producción. Planes de DV anteriores. Identificar y listar los métodos que puedan ser utilizados para detectar el modo de falla. FMEA anteriores. como: 1. Se debe tomar acción correctiva Identificar controles de diseño como sigue: 1.

Identificar otros métodos posibles preguntando: ¿De que manera puede la causa de este modo de falla ser reconocida? ¿Cómo puedo descubrir que esta causa ha ocurrido? ¿De que manera este modo de falla puede ser reconocido? ¿Cómo puedo descubrir que este modo de falla ha ocurrido? 527 . Revisar reportes históricos de pruebas 3. Listar todos los controles de diseño históricos que puedan ser suados para causas de primer nivel listadas. Modelo DFMEA – Paso 3 Controles de diseño actuales 2.

considerar solo los controles que serán usados para detectar los Modos de Falla o sus Causas. Modelo DFMEA – Paso 3 Detección  Cuando se estima una tasa de Detección. 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 prevención no detectan deben ser calificadas con 10  Solo se deben considerar los métodos que son usados antes de la liberación a Producción para estimar la tasa de Detección  Los programas de verificación de diseño deben basarse en la efectividad de los controles de diseño 528 .

Expansión térmica. Tolerancias deométricas dimensionales)  Estudios de compatibilidad de materiales (vg. Modelo DFMEA – Paso 3 Detección Para evaluar la efectividad de cada control de diseño considerar las siguientes categorías (de mayor a menor):  Métodos de análisis de diseño  Modelado y simulación probada (vg. Ruido) 529 . Análisis de elementos finitos)  Estudios de tolerancias (vg. corrosión)  Revisión de diseño subjetiva  Métodos de desarrollo de pruebas:  Diseño de experimentos/ experimentos de peor caso (vg.

Decisión del tema)  Al tener prototipos de ingeneiría  Justo antes de liberarse a Producción 530 . Modelo DFMEA – Paso 3 Detección  Métodos de desarrollo de pruebas (cont…):  Pruebas en muestras de pre-producción o prototipo  Maquetas usando partes similares  Pruebas de durabilidad (verificación de diseño)  Número de muestras a ser probadas  Muestra significativa estadísticamente  Cantidad pequeña. no significativa estadísticamente  Oportunidad de la aplicación de control de diseño  Desde la etapa de diseño del concepto (vg.

basado en el cumplimiento oportuno con el Plazo Fijado 1 Detectado antes del prototipo o prueba piloto 2-3 Detectado antes de entregar el diseño 4-5 Detectado antes del lanzamiento del servicio 6-7 Detectado antes de la prestación del servicio 8 Detectado antes de prestar el servicio 9 Detectado en campo. pero antes de que ocurra la falla o error 10 No detectable hasta que ocurra la falla o error en campo . Rangos de Detección (AMEFD) • Rango de Probabilidad de Detección basado en la efectividad del Sistema de Control Actual.

los de criticalidad alta (S x O) y al final los que tienen RPNs más altos 532 . Ocurrencia (O) y Detección (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 más altas de severidad  Atender los aspectos con Severidad 9 o 10 y después los efectos con Severidad alta. DFMEA – Cálculo del riesgo  El número de prioridad del rieso (RPN) es el producto de Severidad (S).

Para reducir la severidad es necesario un cambio de diseño 533 .DFMEA – Acciones recomendadas Considerar acciones como las siguientes:  Revisión del diseño de la Geometría y/o tolerancias  Revisión de especificación de materiales  Diseños de experimentos (con múltiples causas interactuando) u otras técnicas de solución de problemas  Revisión 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 satisfacción del cliente al mejorar el diseño.

anotar una descripción breve y la fecha de efectividad 534 . DFMEA – Acciones tomadas  Se identifica la organización y persona responsable para las acciones recomendadas y la fecha de terminación  Dar seguimiento:  Desarrollar una lista de características especiales parasu consideración en el DFMEA  Dar seguimiento a todas las acciones recomendadas y actualizar las acciones del DFMEA  Después de que se implementa una acción.

DFMEA – Nivel de riesgo RPN  Después de haber implementado las acciones preventivas/correctivas. Ocurrencia y Detección  Calcular el nuevo RPN  Si no se tomaron acciones en algunos aspectos. dejarlos en blanco 535 . registrar la nueva Severidad.

esta lista es una entrada al DVP  Debe ser un documento clave a revisar como parte del proceso de revisión de diseño 536 .. vg. DFMEA – Lista de verificación de robustez  Es una salida del proceso integrado de robustez:  Resume los atributos de robustez clave y controles de diseño  Enlaza el DFMEA y los 5 factores de ruido del diseño al Plan de verificación de diseño (DVP).

PFMEA 537 .FMEA de Proceso .

PFMEA  Equipo  Se inicia por el Ing. en conjunto con un equipo de personas expertas además de incluir personas de apoyo  Alcance  Define que es incluido y que es excluido 538 . responsable de la actividad.

¿Cuál es su propósito?. ¿Cuál es su función?  El Diagrama P es una entrada opcional al PFMEA 539 . Entradas al PFMEA  Diagrama de flujo del proceso  El equipo debe desarrollar el flujo del proceso. preguntando ¿Qué se supone que hace el proceso?.

) de FMEA ______(rev. de falla r c 540 . ANALISIS DEL MODO Y EFECTO DE FALLA AMEF de Diseño / Proceso Componente ______________________ Responsable del Diseño ____________AMEF Número _________________ Ensamble ________________ Preparó _______________ Pagina _______de _______ Equipo de Trabajo ___________ FECHA (orig.) ______ Resultados de Acción O Controles de D Función S Causa(s) Efecto (s) c Diseño o e R Responsable S O D R del Producto/ Modos de Falla e Potencial(es) Acción Acción Potencial (es) c Proceso t P y fecha límite e c e P Paso del Potenciales v o Mecanismos Sugerida Adoptada de falla u Actuales e N de Terminación v c t N proceso .

tomar acciones para eliminar modos de falla sin atender las “causas” 541 . 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 calificación de severidad para cada conjunto de efectos que de prioridad el modo de falla  De ser posible.

Modelo de PFMEA – Paso 1  Requerimientos de la función del proceso  Contiene características de ambos el producto y el proceso  Ejemplos  Operación No. 22: Realizar el subensamble X al ensamble Y 542 . 20: Hacer perforación de tamaño X de cierta profundidad  Operación No.

de falla Actual r c Factura correcta Relacione las funciones del diseño del componente Pasos del proceso Del diagrama de flujo . ANALISIS DEL MODO Y EFECTO DE FALLA AMEF de Diseño / Proceso Componente ______________________ Responsable del Diseño ____________AMEF Número _________________ Ensamble ________________ Preparó _______________ Pagina _______de _______ Equipo de Trabajo ___________ FECHA (orig.) ______ Resultados de Acción O D Función S Causa(s) Controles del Efecto (s) c e R Responsable S O D R de Modos de Falla e Potencial(es) Diseño / Acción Acción Potencial (es) c t P y fecha límite e c e P Componente/Paso Potenciales v de los Mecanismos Proceso Sugerida Adoptada de falla u e N de Terminación v c t N de proceso .) de AMEF ______(rev.

Modelo de PFMEA – Paso 1  Modos de falla potenciales  No funciona  Funcionamiento parcial / Sobre función / Degradación en el tiempo  Funcionamiento intermitente  Función 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  Inspección/Prueba: Aceptar partes equivocadas 544 .

ANALISIS DEL MODO Y EFECTO DE FALLA AMEF de Diseño / Proceso Componente ______________________ Responsable del Diseño ____________AMEF Número _________________ Ensamble ________________ Preparó _______________ Pagina _______de _______ Equipo de Trabajo ___________ FECHA (orig.) ______ Resultados de Acción Función O D Causa(s) Controles de del Efecto (s) D c e R Responsable S O D R Modos de Falla Potencial(es) Diseño / Acción Acción componente/ Potencial (es) i c t P y fecha límite e c e P Potenciales de los Mecanismos Proceso Sugerida Adoptada Paso del de falla v u e N de Terminación v c t N de falla Actuales proceso r c Factura correcta Datos incorrectos Identificar modos de falla Tipo 1 inherentes al diseño .) de AMEF ______(rev.

Modelo de PFMEA – Paso 1  Efectos de las fallas potenciales (consecuencias en)  Seguridad del operador  Siguiente usuario  Usuarios siguientes  Máquinas / equipos  Operación del producto final  Cliente último  Cumplimiento de reglamentaciones gubernamentales 546 .

Modelo de PFMEA .Paso 1  Efectos de las fallas potenciales (en usuario final)  Ruido  Operación errática  Inoperable  Inestable  Apariencia mala  Fugas  Excesivo esfuerzo  Retrabajos / reparaciones  Insatisfacción del cliente 547 .

Modelo de PFMEA –Paso 1  Efectos de las fallas potenciales (en siguiente operación)  No se puede sujetar  No se puede tapar  No se puede montar  Pone en riesgo al operador  No se ajusta  No conecta  Daña al equipo  Causa excesivo desgaste de herramentales 548 .

) ______ Resultados de Acción O Controles de D Función Causa(s) Efecto (s) D c Diseño / e R Responsable S O D R del componente Modos de Falla Potencial(es) Acción Acción Potencial (es) i c Proceso t P y fecha límite e c e P / Paso del Potenciales oMecanismos Sugerida Adoptada de falla v u Actuales e N de Terminación v c t N proceso de falla r c Factura correcta Datos incorrectosLOCAL: Rehacer la factura Describir los efectos de MAXIMO PROXIMO modo de falla en: Contabilidad LOCAL equivocada El mayor subsecuente Y Usuario final CON CLIENTE Molestia Insatisfacción CTQs del QFD o Matriz de Causa Efecto .) de AMEF ______(rev. ANALISIS DEL MODO Y EFECTO DE FALLA AMEF de Diseño Componente ______________________ Responsable del Diseño ____________AMEF Número _________________ Ensamble ________________ Preparó _______________ Pagina _______de _______ Equipo de Trabajo ___________ FECHA (orig.

pero fuera de la estación 3 Muy menor No se cumple con el ajuste. sin aviso Peligroso con aviso Calificación de severidad muy alta cuando un modo potencial de falla afecta la operación segura del producto y/o involucra un no Puede exponer al peligro al operador (máquina o ensamble) sin aviso 9 cumplimiento con alguna regulación gubernamental. pero un item de confort/conveniencia es inoperable. Defecto notado por el 50% de los clientes El producto puede tener que ser retrabajada. Peligroso sin aviso Calificación de severidad muy alta cuando un modo potencial de falla afecta la operación segura del producto y/o involucra un no Puede exponer al peligro al operador (máquina o ensamble) sin aviso 10 cumplimiento con alguna regulación gubernamental. y rechinidos. Muy bajo No se cumple con el ajuste. Defecto notado por clientes muy críticos (menos del El producto puede tener que ser retrabajado. CRITERIO DE EVALUACIÓN DE SEVERIDAD SUGERIDO PARA AMEFP Esta calificación resulta cuando un modo de falla potencial resulta en un defecto con un cliente final y/o una planta de manufactura / ensamble. acabado o presenta ruidos y rechinidos. sin desecho. y una parte retrabajada 4 Menor No se cumple con el ajuste. en línea. Cliente insatisfecho Una parte del producto puede tener que ser desechado sin selección o reparado con un tiempo y costo alto 6 Bajo Producto / item operable. con aviso Muy alto El producto / item es inoperable ( pérdida de la función primaria) El 100% del producto puede tener que ser desechado op reparado con un tiempo o costo infinitamente mayor 8 Alto El producto / item es operable pero con un reducido nivel de desempeño. Cliente muy insatisfecho El producto tiene que ser seleccionado y un parte desechada o reparada en un tiempo y costo muy alto 7 Modera do Producto / item operable. en la estación 2 25%) Ninguno Sin efecto perceptible Ligero inconveniente para la operación u operador. o sin efecto 1 . use la mayor de las dos severidades Efecto en el cliente Efecto en Manufactura /Ensamble Efecto Calif. sin desecho. acabado o presenta ruidos y rechinidos. acabado o presenta ruidos. Si ocurren ambos. Defecto notado por el 75% de los clientes El producto puede tener que ser seleccionado. El cliente final debe ser siempre considerado primero. pero un item de confort/conveniencia son operables a niveles de desempeño bajos El 100% del producto puede tener que ser retrabajado o reparado fuera de línea pero no necesariamente va al àrea 5 de retrabajo . sin desecho en la línea.

acabado o presenta ruidos. sin aviso Peligroso con aviso Calificación de severidad muy alta cuando un modo potencial de falla afecta la operación segura del producto y/o involucra un no Puede exponer al peligro al operador (máquina o ensamble) sin aviso 9 cumplimiento con alguna regulación gubernamental. y rechinidos. Cliente muy insatisfecho El producto tiene que ser seleccionado y un parte desechada o reparada en un tiempo y costo muy alto 7 Modera do Producto / item operable. o sin efecto 1 . Muy bajo No se cumple con el ajuste. use la mayor de las dos severidades Efecto en el cliente Efecto en Manufactura /Ensamble Efecto Calif. sin desecho. Si ocurren ambos. Defecto notado por el 75% de los clientes El producto puede tener que ser seleccionado. sin desecho. El cliente final debe ser siempre considerado primero. acabado o presenta ruidos y rechinidos. en la estación 2 25%) Ninguno Sin efecto perceptible Ligero inconveniente para la operación u operador. pero un item de confort/conveniencia son operables a niveles de desempeño bajos El 100% del producto puede tener que ser retrabajado o reparado fuera de línea pero no necesariamente va al àrea 5 de retrabajo . sin desecho en la línea. CRITERIO DE EVALUACIÓN DE SEVERIDAD SUGERIDO PARA PFMEA Esta calificación resulta cuando un modo de falla potencial resulta en un defecto con un cliente final y/o una planta de manufactura / ensamble. acabado o presenta ruidos y rechinidos. pero fuera de la estación 3 Muy menor No se cumple con el ajuste. y una parte retrabajada 4 Menor No se cumple con el ajuste. pero un item de confort/conveniencia es inoperable. con aviso Muy alto El producto / item es inoperable ( pérdida de la función primaria) El 100% del producto puede tener que ser desechado op reparado con un tiempo o costo infinitamente mayor 8 Alto El producto / item es operable pero con un reducido nivel de desempeño. Cliente insatisfecho Una parte del producto puede tener que ser desechado sin selección o reparado con un tiempo y costo alto 6 Bajo Producto / item operable. Defecto notado por clientes muy críticos (menos del El producto puede tener que ser retrabajado. Defecto notado por el 50% de los clientes El producto puede tener que ser retrabajada. Peligroso sin aviso Calificación de severidad muy alta cuando un modo potencial de falla afecta la operación segura del producto y/o involucra un no Puede exponer al peligro al operador (máquina o ensamble) sin aviso 10 cumplimiento con alguna regulación gubernamental. en línea.

Modelo de PFMEA – Paso 2  Paso 2 identificar:  Las causas asociadas (primer nivel y raíz)  Su tasa de ocurrencia  La designación apropiada de la característica indicada en ola columna de clasificación  Acciones recomendadas para alta severidad y criticalidad (S x O) así como la Seguridad del operador (OS) y errores de proceso de alto impacto (HI) 552 .

presión)  Lubricación inadecuada 553 . tiempo. descrito en términos de algo que puede ser corregido o controlado  Se debe dar priorioridad a rangos de prioridad de 9 o 10 Ejemplos. Modelo de PFMEA – Paso 2 Causa/Mecanismo potencial de falla  Describe la forma de cómo puede ocurrir la falla. especificar claramente:  Torque inadecuado (bajo o alto)  Soldadura iandecuada (corriente.

Efecto(s) Potencial(es) de falla Evaluar 3 (tres) niveles de Efectos del Modo de Falla • Efectos Locales – Efectos en el Área Local – Impactos Inmediatos • Efectos Mayores Subsecuentes – Entre Efectos Locales y Usuario Final • Efectos Finales – Efecto en el Usuario Final del producto o Servicio 554 .

Modelo de PFMEA – Paso 2  Suposición 1: Los materiales para la operación son correctos  Ajuste de herramentales a la profundidad equivocada  Desgaste de herramentales  Temperatura del horno muy alta  Tiempo de curado muy corto  Presión de aire muy baja  Velocidad del transportador no es constante  Jets de lavadora desconectados 555 .

Modelo de PFMEA – Paso 2  Suposición 2: Los materiales para la operación tienen variación  Material demasiado duro / suave / quebradizo  La Dimensión no cumple especificaciones  El acabado superficial de la operación 10 no cumple especificaciones  El localizador de perforación fuera de posición correcta 556 .

entonces estimar la tasa de falla posible 557 . Modelo de PFMEA – Paso 2  Ocurrencia:  Es la probabilidad de que una causa/mecanismo ocurra  Se puede reducir o controlar solo a través de un cambio de diseño  Si la ocurrencia de la causa no puede ser estimada.

67 1 improbable .86 7 Moderada: Fallas 5 por mil piezas > 0.55 10 persistentes 50 por mil piezas > 0.30 2 Remota: La falla es < 0.01 por mil piezas > 1.5 por mil piezas > 1.20 3 fallas 0.55 9 Alta: Fallas frecuentes 20 por mil piezas > 0.1 por mil piezas > 1.94 6 ocasionales 2 por mil piezas > 1.78 8 10 por mil piezas > 0. falla Muy alta: Fallas 100 por mil piezas < 0.10 4 Baja : Relativamente pocas 0.00 5 1 por mil piezas > 1. CRITERIO DE EVALUACIÓN DE OCURRENCIA SUGERIDO PARA AMEFP Probabilidad Indices Posibles de ppk Calif.

Modelo de PFMEA – Paso 2  Clasificación de características especiales si:  Afectan la función del producto final. cumplimiento con reglamentaciones gubernamentales. monitoreo y/o inspección o seguridad 559 . embarques. ensamble. o la satisfacción del cliente. y  Requieren controles especiales de manufactura. proveedores. seguridad de los operadores.

) ______ Resultados de Acción O D Función S Causa(s) Controles de Efecto (s) c e R Responsable S O D R del componente Modos de Falla e Potencial(es) Diseño / Acción Acción Potencial (es) c t P y fecha límite e c e P / Paso del Potenciales v o Mecanismos Proceso Sugerida Adoptada de falla u e N de Terminación v c t N proceso .) de AMEF ______(rev. de falla Actuales r c La abertura del engrane propor La abertura no LOCAL: ciona una aber.es suficiente Daño a sensor tura de aire entre de velocidad y diente y diente engrane Usar tabla para MAXIMO PROXIMO Falla en eje 7 determinar severidad o gravedad CON CLIENTE Equipo parado . ANALISIS DEL MODO Y EFECTO DE FALLA AMEF de Diseño / Proceso Componente ______________________ Responsable del Diseño ____________AMEF Número _________________ Ensamble ________________ Preparó _______________ Pagina _______de _______ Equipo de Trabajo ___________ FECHA (orig.

de falla Actuales proceso r c Factura correcta Datos LOCAL: equivocadso Rehacer la factura Rango de probabilidades en que MAXIMO PROXIMO la causa identificada Contabilidad 7 3 ocurra erronea CON CLIENTE Molestia Insatisfacción .) de AMEF ______(rev. ANALISIS DEL MODO Y EFECTO DE FALLA AMEF de Diseño / Proceso Componente ______________________ Responsable del Diseño ____________AMEF Número _________________ Ensamble ________________ Preparó _______________ Pagina _______de _______ Equipo de Trabajo ___________ FECHA (orig.) ______ Resultados de Acción Función O D S Causa(s) Controles de del Efecto (s) c e R Responsable S O D R Modos de Falla e Potencial(es) Diseño/ Acción Acción Componente / Potencial (es) c t P y fecha límite e c e P Potenciales v o Mecanismos Proceso Sugerida Adoptada Paso del de falla u e N de Terminación v c t N .

Inspección) usados para establecer la tasa de detección  Efectividad de los controles de detección del proceso en una escala de 1 a 10  El factor de riesgo RPN inicial  Acciones recomendadas (Prevención y Detección) 562 . Modelo de PFMEA – Paso 3  En el paso 3 identificar:  Controles actuales de prevención del proceso (con acciones de diseño o proceso) usados para establecer la ocurrencia  Controles actuales de detección (vg.

Características del servicio o Pasos del proceso – Diseño de formatos – Asignación de recursos – Equipos planeados • Causas que no pueden ser Entradas de Diseño. tales como: – Ambiente. información completa 563 . tiempo de entrega. Identificar Causa(s) Potencial(es) de la Falla • Causas relacionadas con el diseño . Fenómenos naturales • Mecanismos de Falla – Rendimiento. Clima.

y mecanismos de MAXIMO PROXIMO falla que pueden Contabilidad 7 erronea ser señalados para los modos de falla CON CLIENTE Molestia identificada. Causas potenciales Insatisfacción De Diagrama de Ishikawa Diagrama de árbol o Diagrama de relaciones . ANALISIS DEL MODO Y EFECTO DE FALLA AMEF de Diseño Componente ______________________ Responsable del Diseño ____________AMEF Número _________________ Ensamble ________________ Preparó _______________ Pagina _______de _______ Equipo de Trabajo ___________ FECHA (orig.) de AMEF ______(rev. de falla r c Factura correcta Datos incorrectosLOCAL: Rehacer la Identificar causas factura de diseño.) ______ Resultados de Acción O D S Causa(s) Controles de Función Efecto (s) c e R Responsable S O D R Modos de Falla e Potencial(es) Diseño/Proces Acción Acción de Potencial (es) c t P y fecha límite e c e P Potenciales v de los Mecanismos o Actuales Sugerida Adoptada Artículo de falla u e N de Terminación v c t N .

Modelo de PFMEA – Paso 3  Controles de proceso actuales:  Son una descripción de los controles ya sea para prevenir o para detectar la ocurrencia de los Modos/causas de falla  Consideraciones  Incrementar la probabilidad de detección es costosa y no efectiva  A veces se requiere un cambio en el diseño para apoyar la detección  El incremento del control de calidad o frecuencia de inspección sólo debe utilizarse como medida temporal  Se debe hacer énfasis en la prevención de los defectos 565 .

Identificar o detectar fallas o errores Anticipadamente • Tercera Línea de Defensa . Pruebas piloto Poka Yokes. Análisis.Reducir impactos/consecuencias de falla o errores 566 . y/o reducir impacto: Cálculos. detectar falla anticipadamente. listas de verificación • Primera Línea de Defensa . Identificar Controles de Diseño o de Proceso Actuales • Verificación/ Validación de actividades de Diseño o control de proceso usadas para evitar la causa.Evitar o eliminar causas de falla o error • Segunda Línea de Defensa . planes de control. Prototipo de Prueba.

) de AMEF ______(rev. ANALISIS DEL MODO Y EFECTO DE FALLA AMEF de Diseño Componente ______________________ Responsable del Diseño ____________AMEF Número _________________ Ensamble ________________ Preparó _______________ Pagina _______de _______ Equipo de Trabajo ___________ FECHA (orig.) ______ Resultados de Acción Función O D S Causa(s) Controles de del Efecto (s) c e R Responsable S O D R Modos de Falla e Potencial(es) Diseño / Acción Acción Componente / Potencial (es) c t P y fecha límite e c e P Potenciales v o Mecanismos Proceso Sugerida Adoptada Paso del de falla u e N de Terminación v c t N . de falla Actuales proceso r c Factura correcta Datos correctos LOCAL: Rehacer la factura ¿Cuál es el método de control actual que usa MAXIMO PROXIMO ingeniería para evitar el Contabilidad 7 3 modo de falla? erronea CON CLIENTE Molestia Insatisfacción .

¿es claro o confuso? 568 .  El número de personas que pueden observar el modo de falla potencialmente  La naturaleza del modo de falla . Modelo de PFMEA – Paso 3 Seleccionar un rango en la tabla de detección Si se usa inspección automática al 100% considerar:  La condición del gages  La calibración del gage  La variación del sistema de medición del gage  Probabilidad de falla del gage  Probabilidad de que el sistema del gage sea punteado Si se usa inspección visual al 100% considerar:  Es efectiva entre un 80 a 100% dependiendo del proc.

o en dispositivos Pasa NO pasa realizado en 5 el 100% de las partes después de que las partes han dejado la estación Moderada Los controles tienen una buena X X Detección de error en operaciones subsiguientes. No puede aceptar parte discrepante Muy Alta Controles casi seguros para X X detectar Detección del error en la estación (medición automática con dispositivo de paro automático). instalación. o medición mente oportunidad para detectar realizada en el ajuste y verificación de primera pieza ( solo para 4 causas de ajuste) Alta Alta Los controles tienen una buena X X Detección del error en la estación o detección del error en oportunidad para detectar operaciones subsiguientes por filtros multiples de aceptación: 3 suministro. No puede pasar la 2 parte discrepante Muy Alta Controles seguros para detectar X No se pueden hacer partes discrepantes porque el item ha pasado a prueba de errores dado el diseño del 1 proceso/producto Tipos de inspección: A) A prueba de error B) Medición automatizada C) Inspección visual/manual . verificación. CRITERIO DE EVALUACIÓN DE DETECCION SUGERIDO PARA AMEFP Detecciòn Criterio Tipos de Métodos de seguridad de Rangos de Calif Inspección Detección A B C Casi Certeza absoluta de no detección X No se puede detectar o no es verificada imposible 10 Muy Los controles probablemente no X El control es logrado solamente con 9 remota detectarán verificaciones indirectas o al azar Remota Los controles tienen poca X El control es logrado solamente con oportunidad de detección 8 inspección visual Muy baja Los controles tienen poca X El control es logrado solamente con oportunidad de detección 7 doble inspección visual Baja Los controles pueden detectar X X El control es logrado con métodos gráficos con el CEP 6 Moderada Los controles pueden detectar X El control se basa en mediciones por variables después de que las partes dejan la estación.

de falla Actuales proceso r c Factura correcta Datos incorrectosLOCAL: Rehacer la factura ¿Cuál es la probabilidad MAXIMO PROXIMO de detectar la causa de Contabilidad 7 3 5 falla? erronea CON CLIENTE Molestia Insatisfacción .) ______ Resultados de Acción Función O D S Causa(s) Controles de del Efecto (s) c e R Responsable S O D R Modos de Falla e Potencial(es) Diseño / Acción Acción Componente / Potencial (es) c t P y fecha límite e c e P Potenciales v o Mecanismos Proceso Sugerida Adoptada Paso del de falla u e N de Terminación v c t N . ANALISIS DEL MODO Y EFECTO DE FALLA AMEF de Diseño / Proceso Componente ______________________ Responsable del Diseño ____________AMEF Número _________________ Ensamble ________________ Preparó _______________ Pagina _______de _______ Equipo de Trabajo ___________ FECHA (orig.) de AMEF ______(rev.

Modelo de PFMEA – Paso 3  Número 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. después continuar con las demás  Las acciones se deben orientar a prevenir los defectos a través de la eliminación o reducción de las causas o modos de falla 571 .

y Detección RPN / Gravedad usada para identificar principales CTQs Severidad mayor o igual a 8 RPN mayor a 150 572 . Ocurrencia. Calcular RPN (Número de Prioridad de Riesgo) Producto de Severidad.

Reducir el riesgo general del diseño 573 .  Describir la acción adoptada y sus resultados. Planear Acciones Requeridas para todos los CTQs  Listar todas las acciones sugeridas. qué persona es la responsable y fecha de terminación.  Recalcular número de prioridad de riesgo .

dar una descripción breve de la acción real y fecha de efectividad  Responsabilidad y fechas de terminación  Desarrollar una lista de características especiales proporcionándola al diseñador para modificar el DFMEA  Dar seguimiento a las acciones recomendadas y actualizar las últimas columnas del FMEA 574 . Modelo de PFMEA – Paso 3  Acciones tomadas  Identificar al responsable de las acciones recomendadas y la fecha estimada de terminación  Después de terminar una acción.

estimar de nuevo los rangos de Severidad. Ocurrencia y Detección y calcular el nuevo RPN. Modelo de PFMEA – Paso 3  RPN resultante  Después de implementadas las acciones recomendadas. Si no se tomaron acciones dejarlo en blanco.  Salidas del PFMEA  Hay una relación directa del PFMEA a el Plan de Control del proceso 575 .

de falla r c Factura Datos LOCAL: incorrecta incorrectos Rehacer la factura Riesgo = Severidad x MAXIMO PROXIMO Ocurrencia x Detección Contabilidad 7 3 5 105 erronea CON CLIENTE Molestia Causas probables a Insatisfacción atacar primero .) ______ Resultados de Acción O D S Causa(s) Función Efecto (s) c e R Responsable S O D R Modos de Falla e Potencial(es) Controles de Acción Acción de Potencial (es) c t P y fecha límite e c e P Potenciales v de los Mecanismos Diseño Actual Sugerida Adoptada Artículo de falla u e N de Terminación v c t N . ANALISIS DEL MODO Y EFECTO DE FALLA AMEF de Diseño / Proceso Componente ______________________ Responsable del Diseño ____________ AMEF Número _________________ Ensamble ________________ Preparó _______________ Pagina _______de _______ Equipo de Trabajo ___________ FECHA (orig.) de AMEF ______(rev.

) de AMEF ______(rev. . de falla Actuales r c Factura correcta Datos LOCAL: erroneos Rehacer la factura MAXIMO PROXIMO Contabilidad 7 3 5 105 erronea CON CLIENTE Molestia Insatisfacción Usar RPN para identificar acciones futuras. recalcular el RPN.) ______ Resultados de Acción O D Función S Causa(s) Controles de Efecto (s) c e R Responsable S O D R del componente Modos de Falla e Potencial(es) Diseño / Acción Acción Potencial (es) c t P y fecha límite e c e P / Paso del Potenciales v o Mecanismos Prcoeso Sugerida Adoptada de falla u e N de Terminación v c t N proceso . Una vez que se lleva a cabo la acción. ANALISIS DEL MODO Y EFECTO DE FALLA AMEF de Diseño / Proceso Componente ______________________ Responsable del Diseño ____________ AMEF Número _________________ Ensamble ________________ Preparó _______________ Pagina _______de _______ Equipo de Trabajo ___________ FECHA (orig.

Herramientas para el FMEA 578 .

Herramientas  Diagramas de límites  Diagramas de flujo de proceso  Matriz de características  Tormenta de ideas  Árboles de funciones  Lista de efectos: FMEA de diseño  Lista de efectos: FMEA de proceso  Diagrama de Ishikawa  Tecnica de preguntas 579 .

Herramientas  Análisis de árbol de fallas (FTA)  Análisis del modo de falla (FMA)  Diseño de experimentos (DOE)  Proceso de solución de problemas de 8Ds  Planes de Control  Planeación dinámica de control (DCP)  Despliegue de la función de calidad (QFD)  Análisis de valor/ Ingeniería del valor (VA/VE)  REDPEPR  FMEA Express  FMEA del software 580 .

ilustran funciones en vez de partes  Diagramas de límites Hardware/funcional  Dividen al sistema en elementos más pequeños desde un punto de vista funcional. Diagrama de límites  Diagramas de límites de funciones  Salida del análisis de funciones para la fase de concepto CFMEA. se usan en los DFMEAs. 581 . Muestran relaciones físicas.

Nombres de verbos útiles 582 .

 Ninguna idea es evaluada o criticada antes de considerar todos los pensamientos concernientes al problema. Tormenta de ideas  Seleccionar el problema a tratar. 583 . que motivan a los participantes a generar más ideas.  Pedir a todos los miembros del equipo generen ideas para la solución del problema. 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. las cuales se anotan en el pizarrón sin importar que tan buenas o malas sean estas.  Apruebe la naturalidad y el buen humor con informalidad. ya que al hacerlo pueden surgir cosas muy interesantes.  Una vez que se tengan un gran número 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 solución.  Aliente todo tipo de ideas.

por ejemplo:  Calentar el interior a XºC  Enfriar a los ocupantes a XºC  Eliminar la niebla del parabrisas en X segundos 584 . Herramientas para el FMEA  Árbol de funciones  Ayuda a que los requerimientos del cliente no expresados explícitamente sobre el producto o proceso se cumplan  Es conveniente describir las funciones de un producto o proceso por un verbo – pronombre medible.

El “desajuste de los faros” ocasiona “haces de luz desalineados” 585 . por ejemplo:  MODO DE FALLA: No ajustan los faros delanteros  P: ¿Qué podría 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”. Un modo de falla es debido a una causa. Técnica de preguntas  Hacer una oración con el modo de falla. causa y efecto y ver si la oración tiene sentido. el modo de falla podría resultar en efectos.

Técnica de preguntas Paso 3 Paso 1 ¿Qué lo causa? Paso 2 Modo de falla ¿Qué efecto tiene? 586 .

Análisis de árbol de fallas (FTA)  Es una técnica analítica deductiva que usa un árbol para mostrar las relaciones causa efecto entre un evento indeseable (falla) y las diversas causas que contribuyen. se pueden determinar las acciones preventivas o los controles necesarios  Otra aplicación es determinar las probabilidades de las causas que contribuyen a la falla y propagarlas hacia adelante 587 . Se usan símbolos lógicos para interconectar las ramas  Después de hacer el FTA e identificadas las causas raíz.

y/o datos de procesos  Se usa para identificar la operación. tasas de falla y parámetros críticos de diseño de hardware o procesos. datos de campo. Análisis del Modo de Falla (FMA)  Es un enfoque sistemático disciplinado para cuantificar el modo de falla. modos de falla. tasa de falla. y causa raíz de fallas o tasas de reparación conocidas (el FMEA para las desconocidas)  Se basa en información histórica de garantías. También permite identificar acciones correctivas para causas raíz actuales 588 . datos de servicios.

Diseño de experimentos (DOE)  Es un método 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 estadístico para diseñar pruebas para identificar los factores primarios que causas eventos indeseables  Se usan para identificar causas raíz de modos de falla. cuando varios factores pueden estar contribuyendo o cuando estos factores están interrelacionados y se desean conocer los efectos de sus interacciones 589 .

las disciplinas o pasos son:  Preparar el proceso  Establecer el equipo  Describir el problema  Desarrollar las acciones de contención o contingentes  Diagnosticar el problema (definir y verificar causa raíz)  Seleccionar y verificar acciones correctivas permanentes (PCAs) para causas raíz y puntos de escape  Implementar y validar PCAs  Reconocer contribuciones del equipo y los miembros 590 . Método de 8 disciplinas (8Ds)  Es un método de solución de problemas orientado a equipos de trabajo.

producción piloto (capacidad de procesos) y de producción 591 . Planes de control  Es una descripción escrita del sistema para controlar el proceso de producción  Lista todos los parámetros del proceso y características de las partes características de las partes que requiere acciones específicas de calidad  El plan de control contiene todaslas características críticas y significativas  Hay planes de control a nivel de manufactura de: Prototipos.

Planeación dinámica de control (DCP) Es un procesos que liga las herramientas de calidad para construir planes de control robustos a través de un equipo 1. Estructura del equipo central y de soporte 3. Bitácora de preguntas 592 . Lanzamiento – definir los requerimientos de recursos 2.

Información de soporte (ES. Implementar y mantener 593 . DVP&R.Planeación dinámica de control (DCP) 4. PFMEA. Plan de control 9.) 5. etc. Desarrollar ilustraciones e instrucciones 10. Pre lanzamiento o controles preliminares 7. DFMEAs. Diagrama de flujo y carácterísticas de enlace 6. PFMEA 8.

Los datos se anotan en el FMEA como medidas en la columna de función  La necesidad de obtener datos de QFD pueden ser también una salida del FMEA de concepto 594 . Despliegue de la función de calidad (QFD)  El QFD es un método estructurado en el cual los requerimientos del cliente son traducidos en requerimientos técnicos para cada una de las etapas del desarrollo del producto y producción  El QFD es entrada al FMEA de diseño o al FMEA de concepto.

Ambas técnicas usan la fórmula: Valor = Función (primaria o secundaria) / Costo  Los datos de VA/VE pueden ser entradas al FMEA de diseño o de proceso en columna de Función como funciones primaria y secundaria. La Ingeniería del valor se realiza antes de comprometer el herramental. El análisis del valor (VA) se realiza después del herramentado. controles o acciones recomendadas  La metodología VA debe ser incluida en la revisión de FMEAs actuales como apoyo para evaluar riesgos y beneficios cuando se analizan varias propuestas 595 . También pueden ser causas. Análisis del valor / Ingeniería del valor (VA/VE)  Son metodologías usadas comúnmente para despliegue del valor.

ford.redpepr.com 596 . REDPEPR (Robust Engineering Design Product Enhacement Process) Es una herramienta que proporciona a los equipos de Diseño:  Un proceso paso a paso para aplicar el RED  Las herramientas necesarias para completar el diagrama P. listas de verificación de confiabilidad y robustez (RRCL) y la matriz de demostración 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 comunicación con el equipo de ingeneiría El Web site donde se encuentra el software es www.

Aplicaciones del FMEA Express Ambiental De máquinas 597 .

colección de información y documentos de modos de falla conocidos. efectos y controles 598 . FMEA Express Es un proceso que aplica técnicas de FMEA simultaneamente tanto a los aspectos de diseño como a los de manufactura de un proyecto: Consiste de cuatro fases:  Preparación: Se forma un equipo directivo para definir el alcance del proyecto. causas. equipo de trabajo multidisciplinario.

ford. se proporciona un certificado de cumplimiento Software para el FMEA: www.quality. El líder del equipo de FMEA es responsable de monitorear el avance  Auditoría de calidad: Después de una verificación de calidad.com/cpar/fmea/ 599 . FMEA Express  Desarrollo del FMEA: El equipo de trabajo multidisciplianrio completa el FMEA utilizando formatos y definiciones estándar  Posterior a la tarea: El facilitador y el equipo directivo generan un reporte final y un plan de seguimiento.

E-FMEA ambiental 600 .

E-FMEA ambiental 601 .

Matriz de requerimientos ambientales con criterios múltiples  Para cada alternativa de diseño resumir la siguiente información  Uso de substancias prohibidas o de uso restringido  Tipo y cantidad de residuos (refleja el nivel de materiales utilizados)  Consumo de energía por componente  Consumo de agua por componente  Otros objetivos ambientales 602 .

E-FMEA Ejemplos de acciones recomendadas (hacer una revisión previa de efectos secundarios en la vida del producto):  Sistemas de conexión alternos  Reciclar  Rutas alternas de disposición de residuos  Uso de materiales naturales  Revisar rutas de transporte  Reducir trayectorias de proceso  Optimizar el consumo de agua y energía 603 .

Tipo de enlace)  Recomendaciones de proceso (vg. E-FMEA Salidas del FMEA ambiental:  Recomendaciones de materiales  Recomendaciones de diseño (vg. Potencial de ahorro de energía)  Recomendación para rutas de disposición 604 .

MFMEA – FMEA de maquinaria 605 .

requerimientos de diseño y alternativas de diseño  Incrementar la probabilidad de que los modos de falla y sus efectos en la maquinaria se han considerado en el proceso de diseño y desarrollo 606 . FMEA de maquinaria  Su propósito es que a través de un equipo se asegure que los modos de falla y sus causas/mecanismos asociados se hayan atendido  Soporta el proceso de diseño en:  Apoyar en la evaluación objetiva de las funciones del equipo.

evaluando cambios de diseño y desarrollo de maquinaria. 607 . estableciendo prioridades para mejoras al diseño y desarrollo  Proporcionar documentación para referencia futura para el análisis de problemas de campo. prueba y desarrollo  Desarrollar una lista de modos de falla potenciales en base a su efecto con el cliente. FMEA de maquinaria  Proporcionar información adicional como apoyo a la planeación de todos los programas de diseño.

9% 608 .  Sistema de posición – Ángulo de rotación de 30º  Hacer un barreno – Rendimiento a la primera 99. FMEA de maquinaria  Ejemplos de descripción de funciones  Proceso de partes – 120 tareas / hora  Cabezal del índice – MTBF > 200 Hrs  Control del flujo hidráulico – 8p cl/seg.

requiriendo intervención del operador o ajustador 609 . cambio de modelo o cambio de molde. Los ajustes incluyen el tiempo muerto usado para ajustar el equipo para evitar defectos y bajo rendimiento. FMEA de maquinaria  Efectos potenciales como consecuencias de falla de subsistemas en relación a seguridad y “Las 7 grandes pérdidas”  Falla – pérdidas resultado de una pérdida funcional o reducción de la función sobre una parte del equipo requiriendo intervención de mantenimiento  Preparación y ajustes – pérdidas que son resultado de procedimientos de preparación tal como herramentado.

El tiempo de ciclo ideal se determina por: a) velocidad original. FMEA de maquinaria  Tiempo de espera y paros menores – pérdidas resultado de interrupciones menores al flujo del proceso (como atoramiento de microswitch) requiriendo intervención del operador. El tiempo de espera sólo se puede resolver revisando el sistema / línea completa  Capacidad reducida – pérdidas que resultan de la diferencia entre el ciclo de tiempo ideal del equipo y su tiempo de ciclo real. b) condiciones óptimas y c) tiempo máximo de ciclo logrado con maquinaria similar 610 .

o entre turnos). y/o partes no útiles  Herramentales – pérdidas que resultan de fallas en el herramental. FMEA de maquinaria  Pérdidas en el arranque – pérdidas que ocurren durante los primeros pasos del proceso productivo después de paros largos (fines de semana. días de azueto. resultando en rendimiento reducido o incremento de desperdicio y rechazos  Partes defectivas – pérdidas que resultan de la generación de defectos que producen retrabajo.) 611 . Herramientas de corte. rotura. etc. reaparaciones. tips de soldadura. deterioración o desgaste (vg.

FMEA de maquinaria Criterios de Severidad 612 .

FMEA de maquinaria  Causas potenciales. preguntarse para identificar causas potenciales lo siguiente:  ¿Cuáles son las circunstancias que pueden orientar al componente. usó. y se dispuso de acuerdo a sus especificaciones. instaló. se asume que la maquinaria se fabricó. subsistema y sistema a no cumplir sus requerimientos funcionales / de desempeño?  ¿A qué grado pueden los componentes. subsistemas y sistemas que interactúan ser compatibles?  ¿Qué especificaciones garantizan compatibilidad? 613 .

FMEA de maquinaria Criterios de Ocurrencia 614 .

FMEA de maquinaria Criterios de Detección 615 .

Herramientas de la Fase de Análisis Identificación de causas potenciales Cartas Multivari y Análisis de Regresión Intervalos de confianza y Pruebas de Hipótesis 616 .

Identificación de causas potenciales Tormenta de ideas Diagrama de Ishikawa Diagrama de Relaciones Diagrama de Árbol Verificación de causas raíz 617 .

 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 número de ideas. ni criticarlas  Motivar a que todos participen con la misma oportunidad 618 . Tormenta de ideas  Técnica para generar ideas creativas cuando la mejor solución no es obvia. sin juzgarlas.

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 asignándolas a las ramas correspondientes a:  Medio ambiente  Mediciones  Materia Prima  Maquinaria  Personal y  Métodos o  Las diferentes etapas del proceso de manufactura o servicio 620 .

Diagrama de Ishikawa Medio ambiente Métodos Personal Frecuencia Falta de Rotación de Clima personal de visitas supervi húmedo Falta de ción motivación Posición de Ausentismo Distancia de exhibidores la agencia al Elaboración ¿Qué changarro de pedidos produce bajas ventas Clientes con Calidad del de ventas bajas Seguimiento producto Tortillinas Malos semanal Tía Rosa? Conocimiento itinerarios de los Tipo de Descompostura mínimos por exhibidor del camión ruta repartidor Maquinaría Medición Materiales .

... En base a No hay coordinación de pedidos los pedidos entre la operación y las unidades de marketing Programación del negocio Las un.... Entre las dif... Y desarrollo’’’ No hay coordinación a pedidos entre marketing Falta de operaciones No hay control coordinación al fincar de inv.... De marketing y la op..... la empresa Marketing no Mala prog. Entre ofertas No hay com. De tiene en cuenta ordenes de compra cap de p. Influencia de la Compra de material Por falta de situación econ del para el desarrollo de programación país nuevos productos por de acuerdo parte inv. En proc.. No hay com. cancelaciones la op... áreas de las UN y la oper. Reciben deficiente ordenes de dos deptos diferentes Capacidad instalada Falta de coordinación desconocida entre el enlace de compras Altos Duplicidad Demasiados deptos de cada unidad con compras Falta de control de inventarios de funciones de inv. Y desarrollo corporativo inventarios en Compras compras aprovecha Falta de com.....Diagrama de relaciones Perdida de mercado debido a la competencia No hay flujo efectivo de mat. general Influencia directa de marketing sobre compras Falta de comunicación entre las unidades del negocio 622 . Entre compras con la op.. pedidos entre Constantes Falta de prog..

¿Que nos puede provocar Variación de Velocidad Durante el ciclo de cambio en la sección del Embobinadores? 13/0 2/1 Bandas de Dancer transmisión 2/4 Taco generador 1/1 Causas a validar del motor Empaques de arrastre 0/4 Poleas guías 0/3 Presión de aire de trabajo 1/2 Presión del 5/2 Drive principal dancer 5/1 Mal guiado 4/1 Voltaje del motor 1/4 Sensor de velocidad de línea 1/5Ejes principales Entradas Causa Salidas Efecto 1/4 Sensor 1/5Poleas de transmisión circunferencial .

resources tation In = 5 Out = 0 In = 0 Out = 2 . 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 Driver clearly defined Plan not In = 3 Out = 2 integrated Communica- tion issues In = 2 Out = 4 within the group In = 1 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 Planning In = 5 Out = 1 approach not standardized Outcome In = 0 Out = 5 External Lack of Driver factors impact time and implemen.

Diagrama de árbol o sistemático Meta Medio Meta Medio Meta Medio Segundo Tercer Cuarto Primer nivel nivel nivel nivel Medios Medios Medios Medios o planes Meta u objetivo Medios o planes 625 .

Diagrama de Arbol.Mar-04 Preparación para el SMED Analizar el video 10 y 17 –Mar-04 Describir las tareas 17.Mar-04 2702 herramientas y materiales Analizar las funciones y ¿Qué? Fase 2: Conversión propósito de c/operación 12 .Mar-04 ¿Objetivo? Separar las tareas 17.12 .04 Elaboramos un Diagrama de Arbol Realización de operaciones 5 –May -04 en paralelo.Abr.Mar-04 funciones SMED Producto DJ Analizar el transporte de 24.Aplicación Sistema SMED ¿Cómo? ¿Cuándo? Filmar la preparación 5. 19– May -04 el sistema SMED.Mar-04 Fase 1: Separación de la preparación Elaborar lista de chequeo 2.Mar-04 Implantar el interna de la externa Sistema Realizar chequeo de 24. para poder analizar nuestro Fase 3: Refinamiento Uso de sujeciones problema siguiendo de todos los aspectos funcionales. Eliminación de ajustes 12.04 de preparación Convertir tareas de prepa- interna en externa ración interna a externas 15 –Abr . de la preparación.May -04 19 .

 Seleccionar la manera que:  represente la causa de forma efectiva. y  sea fácil y rápida de aplicar. 627 . Verificación de posibles causas  Para cada causa probable . el equipo deberá por medio del diagrama 5Ws – 1H:  Llevar a cabo una tormenta de ideas para verificar la causa.

3. ciclo de cambio 3. ejes durante el ciclo de motor.2 Tomar dimensiones de poleas(dientes .1.3 Verificar estado de rodamientos de embobinador poleas. 3 Ejes 3. entre poleas de Abril’04 1804 J. 1. transmisión de vibración excesiva ejes principales y polea de transmisión del Embob.1. 2 Sensor 2.1 Tomar dimensiones de ensamble entre Abril ’04 1804 J.1 Por variación de 1. R. F. 4.1.1. Embob.1. Calendario de las actividades ¿qué? ¿por qué? ¿cómo? ¿cuándo ¿dónde ¿quién? ? ? 1 1. velocidad del motor 2. 4 Poleas de 4.1 Por que nos 2. 628 . de motor ciclo de cambio 1.1. 4. principales de excesiva durante el alojamientos de rodamientos Embob.3 Analizar valor lecturas de vibración tomadas. hacia el control de los sensores.4 Verificar valor de tensión de bandas. P.1.1 Tomar lecturas de vibración en Abril’04 1804 F. de transmisión). U.2 Verificar estado actual y embobinador especificaciones de escobillas. Embob.1.1. R.1. P.1.3 tomar valores de voltaje de salida durante el ciclo de cambio.1. transmisión.2 Tomar valores de voltaje de salida de linea.2 Comparar valores de vibraciones con lecturas anteriores.3 Tomar dimensiones de bandas (dientes de transmisión) 4.1.1 Verificar alineación. embobinadores cambio.1 Por vibración 3.1 Puede generar 4.1 Tomar dimensiones de la distancia Abril ’04 1804 U. Tacogenerador voltaje durante el coples. circular y de genera una varión en entre poleas y sensores. velocidad de la señal de referencia 2.

Método de Balanceo no 6 SI ES CAUSA RAIZ X adecuado. NO ES CAUSA RAIZ 4 Fabricación y reemplazo de NO ES CAUSA RAIZ ejes y poleas no adecuados en ensamble de aspas. bloques y SI ES CAUSA RAIZ X contrapesos no adecuados en aspas. Desalineamiento de poleas y SI ES CAUSA RAIZ X 5 bandas de transmisión de aspas. . SI ES CAUSA RAIZ X 3 Desgaste de bujes en los carretes. 7 Desalineación de pinolas en NO ES CAUSA RAIZ cuna. Resumen de la validación de las causas # de Causa Causas Resultados Causa Raíz 1 Ensamble de ojillos. 2 Amortiguadores dañados.

VI.D Métodos de análisis adicionales 630 .

Métodos adicionales de análisis 1. Análisis del Muda 631 . Análisis de brecha 2. Análisis de causa raíz 3.

1 Análisis de brecha 632 .D.VI.

 Identifica la diferencia de lo que es y lo que debería ser 633 . a un desempeño potencial deseado. El análisis de brecha (Gap Analysis) es una herramienta de evaluación para comparar el desempeño actual de la organización.

Análisis de brecha  Se pueden redirigir los esfuerzos a objetivos como:  Permanecer en el negocio  Mantener o incrementar la participación 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 .

Análisis de brecha  Se requieren tres categorías de información  ¿Dónde estamos?  ¿Dónde queremos ir?  ¿Cómo vamos a medir los resultados? 635 .

Por lo que se sugiere considerar escenarios del mejor y del peor caso. Planeación de escenarios  Al elaborar planes estratégicos. Aunque algunos elementos sean desconocidos 636 . para evitar errores en la toma de decisiones  Los escenarios permiten imaginar el desempeño futuro de la organización ante riesgos. para tomar las mejores decisiones y atender estos eventos. los directivos pueden confiarse o ser orgullosos de aceptar cambios.

sociales. Planeación de escenarios  El proceso de planeación es como sigue:  Seleccionar al personal que pueda dar muchas perspectivas  Desarrollar una lista de cambios percibidos. técnicos y económicos  Agrupar estas percepciones en patrones relacionados  Desarrollar una lista de las mejores percepciones (prioridades) 637 .

evaluar. y revisar los escenarios 638 . Planeación de escenarios  El proceso de planeación es como sigue:  Desarrollar un escenario grueso del futuro basado en estas prioridades  Determinar como afectan los escenarios a la organización  Determinar los cursos de acción potenciales a tomar  Monitorear.

Evitar las siguientes trampas:  No utilizar un facilitador experimentado  Considerar escenarios como pronósticos  Hacer escenarios simplistas  Limitar el impacto global de los escenarios 639 . Planeación de escenarios  Por lo común se perciben de 6 – 10 amenazas u oportunidades en 2 o 3 escenarios desarrollados.

:  No incluir a un equipo directivo en el proceso  Tratar los escenarios solo como actividad informativa  Limitar el estímulo imaginativo en el diseño del escenario  No desarrollar escenarios para área de impacto clave del negocio 640 .. Planeación de escenarios  Evitar las siguientes trampas….

usada para organizar y desplegar planes estratégicos  Hoshin traduce la visión de la empresa en resultados medibles dramáticos y rupturas estratégicas  Hoshin se enfoca a identificar los pocos logros vitales de ruptura 641 . Planeación Hoshin  Es una herramienta de ejecución.

Planeación Hoshin  Tiene seis objetivos:  Alinear las metas organizacionales  Enfocarse en las pocas brechas vitales estratégicas  Trabajar con otros para cerrar las brechas  Especificar los métodos para lograr los objetivos  Hacer visible el enlace entre planes locales  Mejora continua del proceso de planeación 642 .

Otras técnicas de análisis clave  Benchmarking  Análisis FODA  Análisis PEST  Las cinco fuerzas competitivas de Porter 643 .

gestión de la calidad. salud y seguridad. Evaluación organizacional  Análisis funcional con datos de colección:  Entrevistas cara a cara  Selección 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 organización en áreas funcionales clave  Liderazgo. prácticas de negocio. etc… 644 . análisis financiero. mercadotecnia. manufactura. diseño y desarrollo.

Evaluación organizacional  Se deben analizar los resultados y presentarlos a la dirección. Quienes deben generar e implementar las soluciones y guiar al éxito 645 . quien debe promover e implementar planes de acción claros  Normalmente el consultor colecta y resume la información en categorías principales para su revisión por la dirección.

Métricas organizacionales  Se establecen metas de desempeño organizacional y sus métricas en las áreas de:  Utilidades  Tiempos de ciclo  Recursos  Respuestas del mercado  Por cada meta organizacional mayor deben desarrollarse métricas. con unidades y métodos de medición. 646 .

Métricas organizacionales Para los anteriores. costos personales. ROI. comparaciones competitivas. inversión de capital. las métricas pueden ser:  Utilidades a corto y largo plazo  Valor de acciones. ventas$  Tiempos de ciclo  Tiempos de ciclo actuales  Benchmarks internos  Benchmarks externos  Reducción en tiempos de ciclo 647 .

Métricas organizacionales  Recursos  No. reducciones de variabilidad. estudios de capacidad de procesos. De proyectos de mejora. costos de calidad con relación a una base. porcentaje de defectos con relación a alguna base  Respuestas del mercado  Encuestas con clientes  Análisis de devoluciones  Desarrollo de nuevos productos  Retención de clientes  Pérdidas con clientes  Tasas de cortesías e instalaciones 648 . ROI de proyectos.

proveedores. Métricas organizacionales Las métricas permiten medir los avances en relación a las metas organizacionales  De acuerdo a Juran se debe tomar en cuenta lo siguiente:  Las métricas deben tener un significado estándar  Deben apoyar el proceso de toma de decisiones  Deben proporcionar información valiosa  Debe ser fácil de instalar  Si son valiosas. o internas 649 . deben usarse en todo  Las métricas se basan en la retroalimentación con base en clientes.

D.VI.2 Análisis de causa raíz 650 .

Pueden tomar varios pasos:  Situación (presa con fuga)  Acción inmediata (desahogarla)  Acción intermedia (reparar la presa)  Acción en la causa raíz (identificar que causó la fuga para evitar su recurrencia y reconstruir la presa) 651 . Análisis de causa raíz  Un equipo tiene la responsabilidad de determinar la causa raíz de una deficiencia y corregirla.

seis sombreros de pensamiento. diagrama de causa efecto.   equipos de trabajo. FMEA. tormenta de ideas.  técnicas de consenso. grupo nominal. PHVA. Análisis de causa raíz Se pueden utilizar las siguientes herramientas:  Herramientas subjetivas:  Preguntar por qué cinco veces.  observación de operación.  análisis de flujo de proceso. FTA 652 .

hoja de verificación  Análisis de matriz de datos  Análisis de capacidad de procesos. cartas de control 653 . experimentos simples. análisis de regresión. división de variación  Subgrupos de datos. Análisis de causa raíz Se pueden utilizar las siguientes herramientas:  Herramientas analíticas:  Colección y análisis de datos  Análisis de Pareto. DOE  Pruebas analíticas.

la dirección debe determinar si:  El análisis de causa raíz ha identificado el impacto completo del problema  La acción correctiva es efectiva para eliminar o prevenir la recurrencia  La acción correctiva es realista y sostenible 654 . Análisis de causa raíz Ante una acción correctiva permanente.

Los 5 Por qués  Se hace la pregunta ¿Por qué? Cinco veces  ¿Por qué? Nos faltaron partes por máquina dañada  ¿Por qué? La máquina no ha tenido mantenimiento en los últimos 3 meses  ¿Por qué? El departamento de mantenimiento se ha reducido a 6 personas de 8  ¿Por qué? Se pasó del presupuesto. les quitaron el tiempo extra y dos personas  ¿Por qué? La empresa no ha tenido los resultados esperados y el director ha hecho recortes para salvar la situación. teme por su puesto 655 .

¿por qué? Y ¿cómo?. 5Ws y 1H  El método de las 5Ws y 1H se resume al preguntar ¿quién?. ¿qué?.  Pueden usarse las ramas del diagrama de causa efecto 656 . ¿dónde?. ¿cuándo?.

Diagrama de causa efecto  Rompe el problema en partes más pequeñas  Muestra muchas causas potenciales gráficamente  Muestra como interactúan 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 acción 657 .

) presentan la mayor oportunidad para la mejora (80% aprox.) 658 . 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 categorías de problemas (20% aprox.

Método de las 8 disciplinas . Establecer el equipo D2.Ford  El método de Ford para el análisis de causa raíz es: D1. Prevenir la recurrencia D8. Desarrollar alternativas de solución D6. Implementar una acción correctiva permanente D7. Reconocer al equipo y las contribuciones individuales 659 . Describir el problema D3. Desarrollar una acción de contención D4. Identificar la causa raíz D5.

y determinar todas las posibles razones (fallas) que pueden hacer que ocurra el evento  Se utiliza el las primeras fases del diseño como herramienta para impulsar modificaciones iniciales de diseño. 660 .FTA  FTA es un método sistemático deductivo. para definir un evento singular específico e indeseable. Análisis de árbol de falla .

 simplificación de mantenimiento y detección de falla.FTA  Otras áreas de su aplicación son:  Análisis funcional de sistemas complejos  Evaluación de requerimientos de seguridad.  eliminación lógica de causas de falla 661 .  riesgos de peligro.  confiabilidad.  defectos de diseño. Análisis de árbol de falla .  acciones correctivas.

FTA  Se prefiere el FTA en vez del FMEA cuando:  La seguridad el personal es importante  Se pueden identificar un número pequeño de eventos superiores  Hay alto potencial de falla  El problema es cuantificar la evaluación del riesgo  La funcionalidad del producto es altamente compleja  El producto no es reaprables 662 . Análisis de árbol de falla .

FTA  Se prefiere el FMEA en vez del FTA cuando:  Los eventos superiores no se pueden definir explícitamente  Son factibles múltiples perfiles potencialmente exitosos  La identificación de todos los modos de falla es importante  La funcionalidad del producto tiene poca intervención externa 663 . Análisis de árbol de falla .

FTA  Símbolos de compuertas lógicas para determinar la confiabilidad del sistema. evento de falla de bajo nivel. Hay símbolos de eventos y símbolos de compuertas  Símbolos de eventos Evento superior. Análisis de árbol de falla . falla a nivel sistema o evento indeseable Evento básico. evento falla de más bajo nivel a estudiar Evento de falla. Puede recibir entradas o proporcionar salidas a una compuerta lógica 664 .

FTA  Símbolos de compuertas lógicas “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 . Análisis de árbol de falla .

Análisis de árbol de falla .FTA  Ejemplo: se asume que falla el sistema superior 666 .

20). Se indica que el teclado es prioritario (0. Análisis de árbol de falla .015) y el monitor (0.015) 667 . después la CPU (0.FTA  La probabilidad de falla del sistema es 5.02%.

VI.D.3 Análisis del Muda 668 .

de acuerdo a Imai son:  Sobreproducción  Inventarios  Reparaciones / rechazos  Movimientos  Transportes  Re – Procesos  Esperas 669 . Análisis de Muda  Las actividades que no agregan valor se clasifican como Muda.

por:  Producir más de lo necesario por el siguiente proceso  Producir antes de lo requerido por el siguiente proceso  Producir más rápido de lo requerido por el siguiente proceso  Sus consecuencias son:  Espacio extra en las instalaciones del cliente  Materias primas adicionales en uso  Utilización de energéticos y transportes adicionales  Costos de programación adicionales 670 . Sobreproducción  Se produce más en cierto momento.

Montacargas  Sistemas de transportadores  Interés sobre el costo de los materiales  Puede verse afectado por:  El polvo. inventario en proceso. el inventario es Muda ya que requiere:  Espacio en piso. materias primas. daño durante el manejo 671 . refacciones y productos terminados forman el inventario. Transporte. Inventario en exceso  Las partes. obsolescencia  Humedad (oxidación). deterioro.

deterioro. inventario en proceso. Montacargas  Sistemas de transportadores  Interés sobre el costo de los materiales  Puede verse afectado por:  El polvo. obsolescencia  Humedad (oxidación). daño durante el manejo 672 . el inventario es Muda ya que requiere:  Espacio en piso. Inventario en exceso  Las partes. refacciones y productos terminados forman el inventario. Transporte. materias primas.

Se rompe el Takt Time  Puede haber desperdicio de materiales o productos no recuperable  Si hay defectos. Reparaciones / defectos  Las reparaciones o el retrabajo de partes defectivas significa un segundo intento de producirlas bien. no puede implementarse el flujo de una pieza  Los cambios de diseño también son Muda 673 .

etc.  El lugar de trabajo debe diseñarse ergonómicamente. Movimientos  Los movimientos adicionales del personal son Muda. analizando cada estación de trabajo  La ergonomía puede causar daños y producción perdida 674 . Caminar mucho. cargar pesado. repetir movimientos. agacharse. estirarse mucho.

Movimientos  Algunas reglas de la ergonomía 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  Rediseñar las herramientas para reducir esfuerzo y daños  Variar las tareas con rotación de puestos  Hacer que la máquina sirva al ser humano 675 .

por ejemplo:  Remoción de rebabas  Maquinado de partes mal moldeadas  Agregar procesos de manejo adicionales  Realizar procesos de inspección  Repetir cambios al producto innecesarios  Mantener copias adicionales de información 676 . Reprocesos  Consiste de pasos adicionales en el proceso de manufactura.

áreas grandes de almacenaje. o problemas de programación 677 . Incluye:  Uso de montacargas  Uso de transportadores  Uso de movedores de pallets y camiones  Puede ser causado por:  Deficiente distribución de planta o de celdas  Tiempos de espera largos. Transportes  Todo transporte es Muda excepto la entrega al cliente.

Esperas  Ocurre cuando un operador está listo para realizar su operación. pero permanece ocioso. por falla de máquina. El Muda de espera puede ser por:  Operadores ociosos  Fallas de maquinaria  Tiempos de ajuste y preparación largos  Tareas no programadas a tiempo  Flujo de materiales en lotes  Juntas largas e innecesarias 678 . paros de línea. etc. falta de partes.

Mudas adicionales  Otros mudas adicionales a los 7 desperdicios son:  Recursos mal utilizados  Recursos poco utilizados  Actividades de conteo  Búsqueda de herramientas o partes  Sistemas múltiples  Manos múltiples  Aprobaciones innecesarias  Fallas de máquinas  Envío de producto defectivo al cliente o mal servicio 679 .

Salidas de la Fase de Análisis  Causas raíz validadas  Guía de oportunidades de mejora 680 .

35. El coeficiente de correlación es de 0. 0. 0. Se recalcula el coeficiente de correlación. La intersección en el eje X d.30 b. Después se encontró que el velocímetro está equivocado y debió haber marcado 5 km. La pendiente de la línea b. I y II c. -0. ¿que representa el término Beta 1?: a. En un estudio de análisis de regresión con dos variables. Se hace un estudio entre la velocidad de coches y su consumo de gasolina.40 d. cuantas de las siguientes causas de variación en estudios multi vari pueden incluir elementos de proceso relacionados con el tiempo: I. En un sentido amplio. Temporal a. II y III 2.35 681 . De más. 0. I. que debe dar: a.35 c. I y III d. La intersección en el eje Y 3. II y III b. La interacción de la medición c. Preguntas ejemplo 1. Posicional II. Cilíndrica III.

La covarianza de X y Y b. El coeficiente de determinación es positivo III. El coeficiente de determinación es menor que el coeficiente de correlación a. Preguntas ejemplo 4. Sólo III b. La siguiente ecuación es: a. La varianza del producto de X y Y 5. ¿Cuál de las afirmaciones siguientes es falsa? I. Según la figura. El coeficiente de correlación es negativo II. Sólo I c. II y III 682 . Sólo II d. El coeficiente de correlación de X y Y c. El coeficiente de determinación de X y Y d.

ninguna de las cuales es restringida por el experimentador c. Se resuelve estimado el valor de la variable dependiente para varios valores de la variable independiente b. Es un caso donde la distribución relevante debe ser geométrica d. Se resuelve al asumir que las variables son normales e independientemente distribuidas con media cero y varianza “s” 683 . Un problema de correlación: a. Preguntas ejemplo 6. Considera la variación conjunta de las dos mediciones.

¿Cuál de los siguientes valores es el más cercano al tamaño de muestra requerido? a. El tamaño de muestra se determina de manera que haya un 0. Si un tamaño de muestra de 16 tiene un promedio de 12 y una desviación estándar de 3. estimar el intervalo de confianza para un nivel de confianza del 95% para la población (asumir una distribución normal) 684 .05 se tiene más posibilidad de riesgo de cometer un error tipo II c. Una muestra aleatoria de tamaño n se toma de una gran población con desviación estándar de 1. 365 b.05 se tiene mayor tendencia a cometer un error tipo I b.1” de error de tolerancia al usar la media de la muestra para estimar la Mu. Con alfa de 0. La diferencia entre poner alfa de 0.05 y alfa igual a 0. Con alfa de 0. 100 8.05 es una prueba más “conservadora” de la hipótesis nula Ho d. Preguntas ejemplo 7. 200 d. 40 c.01 en una prueba de hipótesis es: a. Con alfa de 0.05 de probabilidad de riesgo de exceder 0. Con alfa de 0.0”.05 se tiene menos posibilidad de cometer un error tipo I 9.

0.829 d.347 km2. 2. En una muestra aleatoria de 900 vehículos. 0. 2. cuando se hace una prueba t de dos colas.821 c. a. con muestras de 13 y alfa de 0. Hay diferencia significativa por que Fcalc > Ftablas d. Hay diferencia significativa ya que Fcalc < Ftablas b.778 – 0.179 d.639 – 0. 1. No hay diferencia significativa por que Fcalc < Ftablas c. 1. Misil B: 31 lecturas Varianza = 2.774 – 0.064 b.237 km2. Preguntas ejemplo 10. El valor crítico para t. No hay diferencia significativa pro que Facla > Ftablas 12.771 – 0. 0. ¿Cuál es el intervalo del 95% para el porcentaje de vehículos con frenos ABS? a. 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. 80% tienen frenos ABS. 0.782 c.826 11.05 es: a.964 b.711 .

rc – 1 d. con dos obseraciones por celda. Los grados de libertad para la interacción son: a. se rechaza la hipótesis nula a. (r-1) (c-1) c. Un análisis de varianza de dos vías tiene r niveles para una variable y c niveles para la otra. ¿cuál de los siguiente es (son) verdadero? I. Para un nivel de significancia de 0. Como el valor calaculado de Chi cuadrada en mayor a 5.99 III. II y III 14.9 II.99.05. I. 2 (r -1) (c – 1) . con los resultados siguientes: Persona A B C Total Defectivos 17 30 25 72 Buenos 33 20 25 78 Total 50 50 50 150 Para determinar si hay o no hay diferencia en la habilidad de las tres personas para clasificar adecuadamente las partes. Sólo I c. El valor calculado de Chi cuadrada es de 6. Tres personas en entrenamiento se les proporciona el mismo lote de 50 piezas y se les pide que las clasifiquen como buenas o defectuosas. Sólo II b. I y II d. Preguntas ejemplo 13. el valor crítico de Chi cuadrada es de 5. 2 (r ) (c ) b.

I. Los supuestos básicos del análisis de varianza oncluyen: I. Preguntas ejemplo 15. I y III d. Las observaciones vienen de poblaciones normales II. I y II c. II y III 16. Las observaciones vienen de poblaciones con vaianzas iguales III. El valor teórico esperado para una celda en la tabla de contingencia se calcula como: . Las observaciones vienen de poblaciones con medias iguales a. II y III b.

II y IV b. Preguntas ejemplo 17. Pueden ser aplicadas a estudios de correlación III. ¿Cuál de las siguientes afirmaciones son verdaderas en relación a las pruebas no paramétricas? I. II y III . Requieren supuestos acerca de la forma oi naturaleza de las poblaciones involucradas IV. I. Requieren cálculos que son más difíciles que sus equivalentes pruebas paramétricas a. Tienen mayor eficiencia que sus equivalentes pruebas paramétricas II. I y III d. Sólo II c.