Seis Sigma BB Analisis

Programa de certificacin
de Black Belts ASQ

VI. Seis Sigma - Anlisis
P. Reyes / Noviembre de 2007
Fase de Anlisis
Propsitos:
Establecer hiptesis sobre las posibles Causas

Raz
Refinar, rechazar, o confirmar la Causa Raz
Seleccionar las Causas Raz ms importantes:
Las pocas Xs vitales
Salidas:
Causas raz validadas

Factores de variabilidad identificados
QFD
FASE DE ANLISIS
Diagrama
Causa Efecto
Definicin
Y=X1 + X2+. .Xn
CTQs = Ys
Operatividad
Diagrama de
relaciones
Diagrama de
Ishikawa
Diagrama
de rbol
Medicin Y,
X1, X2, Xn
Anlisis del Modo y Efecto de

Falla (AMEF)
Pruebas
de
hiptesis
Diagrama
de Flujo
del
proceso
X's
Causas
potenciales
Llenar columnas del FMEA

Hasta sol. Propuesta y
comprobar causas con
Pruebas de Hiptesis
X's vitales
No
Causa
Raz?
Si
Causas raz
validadas
VI. Anlisis
A. Medicin y modelaje de relacin entre
variables
B: Pruebas de hiptesis
C. Anlisis del modo y efecto de falla (AMEF)
D. Mtodos adicionales de anlisis
4
A. Medicin y modelaje de
relacin entre variables
A. Medicin y modelaje de
relacin entre variables
1. Coeficiente de correlacin
2. Regresin
3. Herramientas Multivariadas
4. Estudios Multivari
5. Anlisis de datos por atributos
6
VI.A.1 Coeficiente de
correlacin
Correlacin
Definiciones
Establece si existe una relacin entre las variables y

responde a la pregunta, Qu tan evidente es esta
relacin?"
Regresin
Describe con ms detalle la relacin entre las variables.
Construye modelos de prediccin a partir de informacin
experimental u otra fuente disponible.
Regresin lineal simple
Regresin lineal mltiple
Regresin no lineal cuadrtica o cbica
8
Correlacin
Accidentes laborales
Propsito:
Propsito: Estudiar
Estudiarla
laposible
posiblerelacin
relacin
entre
entredos
dosvariables.
variables.
Correlacin
positiva,
posible
Numero de rdenes urgentes
El 1er. paso es realizar una grfica de la informacin.

9
Coeficiente de correlacin (r )
Mide la fuerza de la relacin lineal entre las

variables X y Y en una muestra.
El coeficiente de correlacin muestral de

Pearson rx,y con valores entre -1 y +1 es:
10
Correlacin de la informacin (R ) de las X y las Y

Correlacin Negativa
Evidente
25
20
20
15
15
10
Correlacin Positiva
Evidente
25
5
0
10
15
20
25
Sin Correlacin
10
0
0
10
25
R=1
15
20
25
R=-1
20
15
25
Correlacin
Positiva
Correlacin
Negativa
5
0
0
20
10
15
X
15
10
20
25
25
R=
0
20
15
Y
10
10
5
0
0
10
15
X
20
25
R=>1
0
0
10
15
X
20
25
R=>-1
11
Coeficiente de correlacin
El coeficiente de correlacin r asume el mismo

signo de la pendiente de la recta 1 siendo cero
cuando
1 =0
Un valor positivo de r implica que la pendiente de

la lnea es ascendente hacia la derecha
Un valor negativo de r implica que la pendiente de
la lnea es descendente hacia la derecha
Si r=0 no hay correlacin lineal, aunque puede
haber correlacin curvilnea
12
Reglas empricas
Coeficiente de
correlacin
Fuerte, positiva
0.8 < r < 1.0
Dbil, positiva
0.3 < r < 0.8
No existe
-0.3 < r < 0.3
Dbil, negativa
-0.8 < r < -0.3
Fuerte, negativa
Relacin
-1.0 < r < -0.8

13
Correlaciones (Pearson)
Tabla de Correlacin mnima
n
3
4
5
6
7
8
9
10
11
12
13
14
95%
de confianza
1.00
0.95
0.88
0.81
0.75
0.71
0.67
0.63
0.60
0.58
0.53
0.53
99%
de confianza
1.00
0.99
0.96
0.92
0.87
0.83
0.80
0.76
0.73
0.71
0.68
0.66
n
15
16
17
18
19
20
22
24
26
28
30
95%
de confianza
0.51
0.50
0.48
0.47
0.46
0.44
0.42
0.40
0.39
0.37
0.36
99%
de confianza
0.64
0.61
0.61
0.59
0.58
0.56
0.54
0.52
0.50
0.48
0.46
Para un 95% de confianza, con una muestra de 10,

el coeficiente (r) debe ser al menos .63
14
Correlacin
La correlacin puede usarse para informacin de
atributos, variables normales y variables no normales.
La correlacin puede usarse con un predictor o
ms para una respuesta dada.
La correlacin es una prueba fcil y rpida para
eliminar factores que no influyen en la prediccin, para
una respuesta dada.
15
Coeficiente de Correlacin
Para determinar que tanto se acercan los datos
predichos por el modelo a los datos observados
aplicando el coeficiente de correlacin de
Pearson (ver tabla anterior para identificar la
significancia)
S(yeyo)
r=
S(yeye) S(yoyo)
2
y
)
ei
S(yeye) = yei2 n
2
y
)
oi
S(yoyo) = yoi2 n
yei)yoi)
S(yeyo) = yei yoi -
r = Coeficiente de correlacin
yo = Respuesta observada
ye = Respuesta esperada
16
Coeficiente de Correlacin ajustad

Otra forma para no consultar la tabla de
coeficiente de correlacin de Pearson es la r
ajustada
R2(Adj) = 1 (1 r2) (n-1)
(n-p)
Criterios
Donde :
R2(Adj) = Coeficiente de correlacin ajustado
r = Coeficiente de correlacin de Pearson
n = Nmero de datos
p = Nm. trminos en el modelo
(Incluyendo la constante)
en funcin a la R2(Adj)
> 90% = Correlacin Fuerte

80% - 90% = Buena correlacin
60% - 80% = Correlacin media
40% - 60% = Correlacin dbil
< 40% = No existe correlacin
17
Coeficiente de Determinacin
(R2)
El coeficiente de determinacin es la
proporcin de la variacin total explicada por
la regresin, R2 se encuentra en el rango de
valores de 0 a 1.
18
Correlacin vs causacin
Tener cuidado de no tener variables colineales,

por ejemplo peso de un coche y peso de las
personas que transporta, o que no la relacin
no tenga sentido, como si lavo mi coche,
llueve.
19
VI.A.2 Regresin
20
Anlisis de Regresin
El
Elanlisis
anlisisde
deregresin
regresin es
esun
unmtodo
mtodo
estandarizado
estandarizadopara
paralocalizar
localizarla
lacorrelacin
correlacinentre
entredos
dos
grupos
grupos de
dedatos,
datos, y,y,quiz
quizms
ms importante,
importante, crear
crear un
un
modelo
modelode
deprediccin.
prediccin.
Puede
Puedeser
ser usado
usadopara
para analizar
analizar las
lasrelaciones
relacionesentre:
entre:
Una
Unasola
solaX
Xpredictora
predictorayyuna
unasola
sola Y
Y
Mltiples
Mltiplespredictores
predictoresX
Xyy una
unasola
solaY
Y
Varios
Variospredictores
predictoresX
X entre
entres
s
21
Supuestos de la regresin
lineal
Los principales supuestos que se hacen en el anlisis de
regresin lineal son los siguientes:
La relacin entre las variables Y y X es lineal, o al
menos bien aproximada por una
y lnea
recta.
X
0
El trmino de error tiene media cero.
El trmino de error tiene varianza constante 2.
Los errores no estn correlacionados.
Los errores estn normalmente distribuidos.
22
Modelo de regresin lineal
Se aume que para cualquier valor de X el valor

observado de Y varia en forma aleatoria y tiene una
distribucin de probabilidad normal
El modelo general es:

Y = Valor medio de Yi para Xi + error aleatorio
y 0 1 X
23
Regresin Lineal Simple

La lnea de regresin se calcula por el mtodo de mnimos
cuadrados.
Un residuo es la diferencia entre un punto de referencia en
particular (xi, yi) y el modelo de prediccin ( y = a + bx ). El
modelo se define de tal manera que la suma de los cuadrados
de los residuales es un mnimo. La suma residual de los
cuadrados es llamada con frecuencia la suma de los cuadrados
y = b0 + b1x
de los errores (SSE) acerca de la lnea
de regresin
i
ei
SSE =
ei2
xi
yi - yi2
a y b son
Estimados de
0 y 1
Grfica de la Lnea de Ajuste

Recta de regresin
Y=-.600.858+5738.89X
R2 = .895
Retencin
600
Regresin
500
95% Intervalo
de confianza
95% Intervalo
de prediccin
400
0.18
0.19
Altura del muelle
0.20
Interpretacin de los Resultados

La ecuacin de regresin (Y = -600.858 + 5738.89X) describe
la relacin entre la variable predictora X y la respuesta de
prediccin Y.
RR22(coef.
(coef.de
dedeterminacin)
determinacin)es
eselelporcentaje
porcentajede
devariacin
variacin
explicado
explicadopor
porlalaecuacin
ecuacinde
deregresin
regresinrespecto
respectoaalalavariacin
variacintotal
total
en
enelelmodelo
modelo
El intervalo de confianza es una banda con un 95% de
confianza de encontrar la Y media estimada para cada valor de
X [Lneas rojas]
El intervalo de prediccin es el grado de certidumbre de la
difusin de la Y estimada para puntos individuales X. En general,
95% de los puntos individuales (provenientes de la poblacin
sobre la que se basa la lnea de regresin), se encontrarn dentro
de la banda [Lneas azules]
26
Interpretacin de los Resultados

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

Podemos observar en la grfica de regresin los errores
indicados por segmentos verticales.
28
Errores residuales
^
Los residuosei Yi Y i , i 1,2,3..., n
pueden ser graficados para:
Checar normalidad.
Checar el efecto del tiempo si su orden es conocido en los
datos.
Checar la constancia de la varianza y la posible necesidad
de transformar los datos en Y.
Checar la curvatura de ms alto orden que ajusta en las
Xs.
A veces es preferible trabajar con residuos estandarizados o

ei
estudentizados:
ri
,
e
di
MS E
,....1 1,2,....., n
1 ( X i X )2

MSE 1
n
S
XX
29
Errores residuales
Anlisis de los errores o residuales
30
Ejemplo
Considere el problema de predecir las ventas
mensuales en funcin del costo de publicidad.
Calcular el coeficiente de correlacin, el de
determinacin y la recta.
MES
Publicidad
Ventas
1
2
3
4
5
6
7
8
9
1.2
0.8
1.0
1.3
0.7
0.8
1.0
0.6
0.9
101
92
110
120
90
82
93
75
91
31
Clculo manual
Calcular columnas para Suma X, Suma Y, Xi2, XiYi y Yi2
Xi
Yi
MES Publicidad
Ventas
Xi2
XiYi
Yi2
1
2
3
4
5
6
7
8
9
10
1.2
0.8
1.0
1.3
0.7
0.8
1.0
0.6
0.9
1.1
101
92
110
120
90
82
93
75
91
105
1.44
0.64
1.00
1.69
0.49
0.64
1.00
0.36
0.81
1.21
121.2
73.6
110.0
156
63.0
65.6
93.0
45.0
81.9
115.5
10201
8464
12100
14400
8100
6724
8649
5625
8281
11025
SUMA 9.4
959
9.28
924.8
93,569
32
Mtodo de mnimos
cuadrados
Donde:
Yest = Valor predicho de para un valor particular de x.
b0 = Estimador puntual de .(ordenada al origen)
b1= Estimador puntual de (pendiente)
Para el clculo de b0 y b1 se utilizamos las siguientes
frmulas:
33
Anlisis de varianza en la
regresin
La desviacin estndar S corresponde a la raz cuadrada del

valor de MSE o cuadrado medio residual.
SS E
SYY b1 S XY
2
S
n2
n2
SYY Yi 2
i 1
Y
n
X Y
i 1
S XY X iYi
i 1
i 1
i 1
Los residuos son:

^
ei Yi Y i
__
__
Yi Y i Yi Y (Y i Y ) (Y
__
__
Y ) 2 (Y i Y ) 2 (Yi Y i ) 2
34
1
t ( n 2,1 ).S
2
b1
__
(
X
X
i )2
regresin
Las conclusiones son como sigue:
Intervalos de confianza para Beta 0 y Beta 1
se(b1 )
__ 2
1 X
se(b0 ) MSE
n S XX
X i2
1/ 2
__
n ( X i X )
MSE
S XX
S
S XX
1
X
b0 t ( n 2,1 )
2 n ( X X__ ) 2
i
b1
2
i
t ( n 2,1
( X
1
). S
2
__
1/ 2
X )2
35
1
t ( n 2,1 ).S
2
b1
__
(
X
X
i )2
regresin
El intervalo de confianza para la desviacin estndar es:
( n 2) MSE
( n 2) MSE
2
2 / 2,n 2
12 / 2,n 2
Intervalos de confianza para la Y estimada promedio
^
Y0 t a / 2 , n 2
__
2
1 (X0 X )
MSE
S XX
n
Intervalo de prediccin para un valor particular de Y

estimado
__
Y0 t / 2 ,n 2
1 ( X 0 X )2
MSE 1
Y0 Y0 t / 2 ,n 2
n
S XX
__
1 ( X 0 X )2
MSE 1
n
S XX
36
1
t ( n 2,1 ).S
2
b1
__
(
X
X
i )2
regresin
Prueba de Hiptesis para Beta 1:

Ho: 1 = 0 contra H1:1 0
t0
b1
MSE
S XX
Si t 0 t / 2,n 2 el coeficiente Beta 1 es significativo
37
1
t ( n 2,1 ).S
2
b1
__
(
X
X
i )2
regresin
Coeficiente de correlacin r:
S XY
S XX SYY
Coeficiente de determinacin: r2
R2 mide la proporcin de la variacin total respecto a la
media que es explicada por la regresin. Se expresa en
porcentaje.
^
( SS .de.la.regresin . por.b0 )
R2
( SSTotal .corregido. para.la.media )
__
2
(
Y
Y
)
(Y
__
Y )2
SSE
SYY
38
1
t ( n 2,1 ).S
2
b1
__
(
X
X
i )2
regresin
Prueba de hiptesis para el Coeficiente de correlacin r:
H0: = 0 contra H1: 0

t0
Si
r n2
1 r2
t 0 t / 2,n 2
se rechaza la hiptesis Ho, indicando que

existe una correlacin significativa
39
Riesgos de la regresin
Los modelos de regresin son vlidos como ecuaciones

de interpolacin sobre el rango de las variables
utilizadas en el modelo. No pueden ser vlidas para
extrapolacin fuera de este rango.
Mientras que todos los puntos tienen igual peso en la

determinacin de la recta, su pendiente est ms
influenciada por los valores extremos de X.
40
Riesgos de la regresin
Los outliers u observaciones aberrantes pueden

distorsionar seriamente el ajuste de mnimos cuadrados.
Si se encuentra que dos variables estn relacionadas

fuertemente, no implica que la relacin sea casual, se
debe investigar la relacin causa efecto entre ellas.
Por ejemplo el nmero de enfermos mentales vs.
nmero de licencias recibidas.
41
Clculo manual (cont..)

Clculo de la recta de regresin lineal:
Sxx = 9.28 - (9.4)^2/10 = 0.444
Sxy = 924.8 - (9.4)(959) / 10 = 23.34
Ymedia = 959 / 10 = 95.9
Xmedia = 9.4 / 10 = 0.94
b1 = Sxy / Sxx = 23.34 / 0.444 = 52.57

b0 = Ymedia - b1*Xmedia = 95.9 - (52.5676)(0.94) = 46.49
Yest. = 46.49 + 52.57* X
42
Ejemplo (cont..)
Clculo de S2 estimador de
S2 = SSE / (n - 2) = Syy - (Sxy)^2/Sxx
Syy = 93,569 - (959)^2 / 10 = 1600.9
SSE = Syy - b1*Sxy = 1600.9 - (52.567)(23.34) = 373.97
S2 = SSE / (n - 2) = 373.97 / 8 = 46.75
S = 6.84
El intervalo de confianza donde caern el 95% de los puntos
es el rango de 1.96S = 13.41 o sea a 13.41 de la lnea.
43
Ejemplo (cont..)
Inferencias respecto a la pendiente de la lnea b1:
Se usa el estadstico t = b1 / (S / Sxx)
El trmino del denominador es el error estndar de la
pendiente.
Para probar la hiptesis nula Ho: 1 = 0
En este caso tc = 52.57 / (6.84 / 0.444) = 5.12
El valor crtico tcrit. para alfa/2 = 0.025 con (n-2) = 8 grados
de libertad es 2.306.
Como tc > tcrtico se rechaza la hiptesis de que b1 = 0
existiendo la regresin.
44
Ejemplo (cont..)
Estableciendo un 95% de confianza para la pendiente de
la recta b1.
Usando la frmula b1 t0.025 (S / Sxx) se tiene:
52.57 2.306 * 6.84 / 0.444 = 52.57 23.67.
Por tanto una unidad de incremento en publicidad, har que
el volumen de ventas se encuentre entre $28.9 a $76.2.
45
Ejemplo (cont..)
Clculo del coeficiente de Correlacin:
________
r = Sxy / (SxxSyy)
____________
r = 23.34 / 0.444*1600.9 = 0.88
Como r es positivo, la pendiente de la recta apunta hacia
arriba y a la derecha.
El coeficiente de determinacin r^2 = 1 - SSE/Syy
r^2 = ( Syy - SSE ) / Syy = 0.774
46
Anlisis de Regresin
1. Teclear los datos para Xi y Yi
2. Llamar a TOOLS o HERRAMIENTAS, DATA ANALYSIS o
ANALISIS DE DATOS, CORRELATION o CORRELACIN
3. Dar INPUT RANGE (rango de datos), OUTPUT RANGE
(para los resultados) y obtener los resultados
Column 1
Column 2
Column 1
1
0.875442
Column 2
0.875442
1
El coeficiente de correlacin r = 0.875442

47
Clculo con Excel)

4. Llamar a TOOLS o HERRAMIENTAS, DATA ANALYSIS o
ANALISIS DE DATOS, REGRESION o REGRESIN
3. Dar INPUT RANGE Y (rango de datos Yi), INPUT RANGE X
(rango de datos Xi), CONFIDENCE INTERVAL 95%, OUTPUT
RANGE (para los resultados), RESIDUAL PLOTS o GRAFICAS DE
RESIDUALES y obtener una tabla de resultados como los que se
muestran en las pginas siguientes.
NOTAS:
a) La grfica de probabilidad normal debe mostrar puntos
fcilmente aproximables por una lnea recta, indicando normalidad.
B) La grfica de residuos estandarizados se deben distribuir en
forma aleatoria alrededor de la lnea media igual a cero.
48
Resultados de Excel
SUMMARY OUTPUT
Regression Statistics
Multiple R
0.875442
Adjusted R Square0.737198
Observations
10
R Square
0.766398
Standard Error 6.83715
ANOVA
df
1
8
9
SS
MS
F
Significance F
Regression
1226.927 1226.927 26.24633 0.000904
Residual
373.973 46.74662
Total
1600.9
Confidence 95%
Coefficients Standard Error t Stat
P-value Lower
Upper
Intercept 46.48649
9.884566
4.702936
0.001536 23.69262 69.28035
X Variable1 52.56757 10.26086 5.123117 0.000904
28.90597 76.22916
La ecuacin de la recta es Yest = 46.48649 + 52.56757 X

Como los valores p para los coeficientes son menores a 0.05,
ambos son significativos
Grfica normal de Excel

Normal Probability Plot
140
120
100
80
60
40
20
0
0
20
40
60
80
100
Sample Percentile
50
Grfica de Residuos vs. X de Excel

X Variable 1 Residual Plot
Residuals
20
10
0
-10 0
0.5
1.5
X Variable 1
51
Ejercicio
Calcular la recta de prediccin con sus bandas de
confianza, la correlacin y la determinacin para la
respuesta de un Taxi, los datos se muestran a
continuacin:
Distancia
Tiempo
0.8
200
2.2
1.0
0.6
1.0
1.4
2.2
0.6
400
160
120
360
280
560
320
52
Relaciones no Lineales
Qu pasa si existe una relacin causal, no lineal?
Cmo describira
El siguiente es un conjunto de datos
esta relacin?
experimentales codificados, sobre
resistencia a la compresin de una
aleacin especial:
Concentracin
x
10.0
15.0
20.0
25.0
30.0
Resistencia a
la Compresin
y
25.2 27.3 28.7
29.8 31.1 27.8
31.2 32.6 29.7
31.7 30.1 32.3
29.4 30.8 32.8
(ref. Walpole & Myers, 1985)
53
Resultados del Anlisis de Regresin - Modelo Cuadrt
Y = 19.0333 + 1.00857X - 2.04E-02X**2

R2 = 0.614
Anlisis de Variancia
FUENTE
Regresin
Error
Total
DF
2
12
14
SS
MS
F
p
38.9371 19.4686 9.54490 3.31E-03
24.4762 2.0397
63.4133
FUENTE DF
Lineal
1
Cuadrtica 1
Seq SS F
p
28.0333 10.3005 6.84E-03
10.9038 5.34584 3.93E-02
54
Regresin cuadrtica
55
Regresin cuadrtica
56
Regresin cuadrtica
Los residuos
No son normales
Se deben transforma
Las variables
57
Otros Patrones No Lineales

A veces es posible transformar una o ambas variables, para mostrar
mejor la relacin entre ambas. La meta es identificar la relacin
matemtica entre las variables, para que con la variable transformada
se obtenga una lnea ms recta. Algunas transformaciones comunes
incluyen:
x = 1/x
x = Raz cuadrada de (x)
Funciones trigonomtricas: x = Seno

de x
x = log x
Trasformacin de funciones
Ejemplo: seaY 0 e 1 X
ln Y ln 0 1 X ln
se transforma como
Y ' 0 ' 1 X '
59
Transformacin de variables del

ejemplo de regresin cuadrtica
Transformando la variable X = 1/X se tiene, utilizando

Minitab
60

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

Minitab
61

Los residuos ahora ya se muestran normales
62
Transformacin para
homoestacidad de la varianza
Algunas transformaciones para estabilizar la varianza
63
Transformacin para
Ejemplo: Se hizo un estudio entre la demanda (Y) y la

energa elctrica utilizada (X) durante un cierto periodo
de tiempo
64
Transformacin para
Ejemplo: Se hizo un estudio entre la demanda (Y) y la

energa elctrica utilizada (X) durante un cierto periodo
de tiempo
65
Transformacin para
Se observa que la varianza se incrementa conforme

aumenta X
66
Transformacin para
Se observa que la varianza se incrementa conforme

aumenta X
67
Transformacin para
Transformando a X por su raz cuadrada se tiene:
68
Transformacin para
69
Transformacin para
70
Regresin lineal mltiple
71
Regresin mltiple
Cuando se usa ms de una variable independiente para

predecir los valores de una variable dependiente, el proceso
se llama anlisis de regresin mltiple, incluye el uso de
ecuaciones lineales.
Yu 0 1 X u1 2 X u 2 ....... k X uk u
Se asume que los errores u tienen las caractersticas
siguientes:
Tienen media cero y varianza comn 2.
Son estadsticamente independientes.
Estn distribuidos en forma normal.
72
Regresin mltiple
Estimacin de los parmetros del modelo
Se trata de minimizar los errores cuadrticos en:

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

u 1
El modelo de regresin mltiple en forma matricial es:

Y = X + = [1 : D] +
Y es un vector N x 1.
X es una matriz de orden N x (k + 1), donde la 1. columna es 1s.
es un vector de orden (k + 1) x 1.
es un vector de orden N x 1.
D es la matriz de Xij con i = 1, 2, ..., N; j = 1, 2, ......, k
73
Regresin mltiple
Estimacin de los parmetros del modelo:
b = (XX)-1 XY
El vector de valores ajustados
Y Xb
como:
se puede expresar
Y Xb X ( X ' X ) 1 X ' Y Hy
La
varianza del modelo se estima como:
SSE (Y Y ) e e' e
2
i 1
2
i
SSE (Y Xb)' (Y Xb) Y ' Y b' X ' Y Y ' Xb b' X ' Xb Y ' Y 2b' X ' Y b' X ' Xb
SSE Y ' Y b' X ' Y
s 2 MSE
SSE
Np
74
Tamao de muestra
Tomar 5 observaciones para cada una de las

variables independientes, si esta razn es
menor de5 a 1, se tiene el riesgo de
sobreajustar el modelo
Un mejor nivel deseable es tomar 15 a 20

observaciones por cada variable
independiente
75
Ejemplo de regresin mltiple
Un embotellador est analizando las rutas de servicio de

mquinas dispensadoras, est interesado en predecir la
cantidad de tiempo requerida por el chofer para surtir
las mquinas en el local (Y).
La actividad de servicio incluye llenar la mquina con

refrescos y un mantenimiento menor.
Se tienen como variables el nmero de envases con que

llena la mquina (X1) y la distancia que tiene que
caminar (X2).
76
77

Solucin matricial
78

Solucin matricial
79

Solucin matricial
80

Solucin matricial
Intervalo de confianza para Beta 1
b1 t.025, 22 se(b1 ) 1 b1 t.025, 22 se(b1 )

1.61591 ( 2.074) (10.6239)(0.00274378) 1 1.6191 ( 2.074)(0.17073)
Por tanto el intervalo de confianza para el 95% es:
1.26181 1 1.97001
81

Solucin matricial
El embotellador desea construir un intervalo de

confianza sobre el tiempo medio de entrega para un
local requiriendo:
X1 = 8 envases y cuya distancia es X2 = 275 pies.
2.34123
1
Y0 X ' 0 b 1,8,275 1.61591 19.22minutos
X0 8
0.01438
275
La varianza de la Y0 estimada es 1(tomando

M8=inv(XX) :
Var (Y0 ) S 2 X ' 0 ( X ' X ) 1 X 0 10.62391,8,275 M 8 8 10.6239(0.05346) 0.56794
275
82

Solucin matricial
El intervalo de confianza sobre el tiempo medio de

entrega para un local requiriendo es para 95% de nivel
de confianza:
19.22 2.074 0.56794 Y0 19.22 2.074 0.56794
Que se reduce a: 17.66 Y0 20.78
83

Solucin matricial
El anlisis de varianza es:
84

Solucin matricial
El comportamiento de los residuos es como sigue:
85
Multicolinealidad
La multicolinealidad implica una dependencia cercana

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

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

inflados debido a la multicolinealidad. Es evidente por los
valores diferentes de cero que no estn en la diagonal
principal de XX. Que son correlaciones simples entre los
regresores.
86
Multicolinealidad
Una prueba fcil de probar si hay multicolinealidad entre dos

variables es que su coeficiente de correlacin sea mayor a
0.7
Los elementos de la diagonal principal de la matriz XX se

denominan Factores de inflacin de varianza (VIFs) y se usan
como un diagnstico importante de multicolinealidad. Para el
componente j simo se tiene:
1
VIF j
1 R 2j
Si es mayor a 10 implica que se tienen serios problemas de

multicolinealidad.
87
Anlisis de los residuos
Los residuos graficados vs la Y estimada, pueden mostrar

diferentes patrones indicando adecuacin o no
adecuacin del modelo:
Grfica de residuos aleatorios cuya suma es cero (null

plot) indica modelo adecuado
Grfica de residuos mostrando una no linealidad

curvilnea indica necesidad de transformar las variables
Si los residuos se van abriendo indica que la varianza

muestra heteroestacidad y se requiere transformar las
variables. Se puede probar con la prueba de Levene de
homogeneidad de varianzas
88
Escalamiento de residuos
En algunos casos es difcil hacer comparaciones directas

entre los coeficientes de la regresin debido a que la
magnitud de bj refleja las unidades de medicin del
regresor Xj. Por ejemplo:
Y 5 X 1 1000 X 2
Para facilitarla visualizacin de residuos ante grandes

diferencias en los coeficientes, se sugiere estandarizar o
estudentizar los residuos
89
Residuos estandarizados
Se obtienen dividiendo cada residuo entre la

desviacin estndar de los residuos
di
ei
,
MSE
Despus de la estandarizacin, los residuos

tienen una media de 0 y desviacin estndar de 1
Con ms de 50 datos siguen a la distribucin t, de

manera que si exceden a 1.96 (lmite para alfa
0.05) indica significancia estadstica y son
outliers
90
Residuos estudentizados
Son similares a los residuos donde se elimina una

observacin y se predice su valor, pero adems se
elimina la i-sima observacin en el clculo de la
desviacin estndar usada para estandarizar la sima observacin
Puede identificar observaciones que tienen una gran

influencia pero que no son detectadas por los
residuos estandarizados
H = X (XX)-1X es
e la matriz sombrero o hat matriz.
ri
MSE (1 hii )
91
El estadstico PRESS (Prediction Error Sum of Squares) es

una medida similar a la R2 en la regresin. Difiere en que se
estiman n-1 modelos de regresin.
En cada modelo se omite una observacin en la estimacin

del modelo de regresin y entonces se predice el valor de la
observacin omitida con el modelo estimado. El residuo
isimo ser:
e( i ) Yi Y( i )
El residuo PRESS es la suma al cuadrado de los residuos

individuales e indica una medida de la capacidad de
prediccin
2
PRESS e(2i ) Yi Y( i )
N
i 1
RPr2 ediccin 1
PRESS
SYY
92
Grficas parciales de
regresin
Para mostrar el impacto de casos individuales es ms efectiva

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

y sin la observacin muestra la influencia de la observacin
El coeficiente de correlacin parcial es la correlacin de la

variable independiente Xi la variable dependiente Y cuando
se han eliminado de ambos Xi y Y
La correlacin semiparcial refleja la correlacin entre las

variables independiente y dependiente removiendo el efecto
Xi
93
Matriz sombrero
Los puntos de influencia son observaciones

substancialmente diferentes de las observaciones
remanentes en una o ms variables independientes
Contiene valores (sombrero en su diagonal) para cada

observacin que representa influencia. Representa los
efectos combinados de todos las variables
independientes para cada caso
94
Matriz sombrero
Los valores en la diagonal de la matriz sombrero miden

dos aspectos:
Para cada observacin miden la distancia de la
observacin al centro de la media de todas las
observaciones de las variables independientes
Valores altos en la diagonal indica que la observacin

tiene mucho peso para la prediccin del valor de la
variable dependiente, minimizando su residuo
El rango de valores es de 0 a 1, con media p/n, p es
el nmero de predictores y n es el tamao de
muestra. Valores lmite se encuentran en 2p/n y 3p/n
95
Distancia de Mahalanobis
D2 es una medida comparable a los valores sombrero

(hat values) que considera slo la distancia de una
observacin del valor medio de las variables
independientes.
Es otra forma de identificar outliers
La significancia estadstica de la distancia de

Malahanobis se puede hacer a partir de tablas del texto:
Barnett, V., Outliers in Statistical Data, 2nd. Edition,
Nueva York, Wiley, 2984
96
Influencia en coeficientes
individuales
El impacto de eliminar una observacin simple en

cada uno de los coeficientes de la regresin mltiple
se muestra con la DFBETA y su versin
estandarizada SDFBETA.
Se sugiere aplicar como lmites 1.0 o 2 para

tamaos de muestra pequeos y n para muestras
medias y grandes
La distancia de Cook (Di) captura el impacto de una

observacin:
La dimensin del cambio en los valores pronosticados
cuando se omite la observacin y la distancia de las
otras observaciones, el lmite es 1 o 4/(n-k-1)
97
Influencia en coeficientes
individuales
La medida COVRATIO estima el efecto de la

observacin en la eficiencia del proceso, en sus
errores estndar de los coeficientes de la regresin.
Considera a todos los coeficientes colectivamente.
El lmite puede ser establecido en 1 3p/n, los

valores mayores al lmite hacen el proceso ms eficiente y
los menores ms ineficiente
La medida SDFFIT es el grado en que cambian los

valores ajustados o pronosticados cuando el caso se
elimina. El valor lmite es 2*raz((k+1)/(n-k-1))
Ejemplo de regresin
mltiple
Solucin con Excel y Minitab
99
Ejemplo de Regresin Mltiple

Cat. (US News)
Stanford
1
Harvard
2
Penn (Wharton)
3
MIT (Sloan)
4
Chicago
5
Northwestern
6
Columbia
7
Dartmouth
8
Duke
9
Berkeley
10
Virginia
11
Michigan
12
NYU
13
Carnegie Mellon
14
Yale
15
U.N.C.
16
UCLA
17
Texas-Austin
18
Indiana
19
Cornell
20
Rochester
21
Ohio State
22
Emory
23
Purdue
24
Maryland
25
GMAT
711
670
662
650
680
660
660
670
646
653
660
645
646
640
675
630
651
630
630
637
630
611
626
603
640
Salario Inicial ($)

82000
80000
79000
78000
65000
70000
83000
70000
67500
70000
66000
65000
70583
67200
65000
60000
65000
60000
61500
64000
58500
61000
60000
63700
53000
% Aceptacin
7.4
12.8
14.7
15.1
25.0
16.0
14.8
12.6
20.5
13.3
18.9
28.0
20.9
30.8
23.5
19.8
17.5
27.3
44.7
25.4
36.0
23.2
33.0
20.7
18.9
100
Interpretacin de Resultados de Excel- Regresin Multiple

SUMMARY OUTPUT
Multiple R
0.8749313 R Square
0.76550478
Adjusted R Square
Observations
25
ANOVA
df
Regression
3
8.17E-07
Residual
21
0.732005463 Standard Error
4050.855918
SS
MS
1.12E+09
F
374977790.1
Significance F
22.851355
3.45E+08
16409433.67
Total
1.47E+09
24
Coefficients Standard
t Stat
P-value Lower 95% U pper 95%
Error
Intercept
122481.40 41473.13 2.953271081
0.007589
36233.29
208729.5
X Variable1 -926.873
-513.424
65.76118
198.8104 -4.662094325 0.0001336

60.44875 -0.991730876 0.3326192
-1340.32
-185.659
Resultados de Excel- Regresin slo con slo X1

SUMMARY OUTPUT
Multiple R
0.855974
R Square
0.732691
Adjusted R Square
Standard Error
Observations
0.721069
4132.688
25
ANOVA
df
SS
F
Regression
63.04264
Residual
1
1.08E+09
4.88E-08
23
3.93E+08
Total
24
MS
Significance
1.08E+09
17079107
1.47E+09
Coefficients Standard Error

t Stat
P-value Lower 95%
Upper 95%
Con
el
simplifica
enormemente
Intercept
79230.32
46.49801
2.98E-24
Conslo
sloX1,
X1,
elModelo
Modelose
se1703.951
simplifica
enormemente
75705.43405
82755.20595 prctica se pierde en R22 (ajustada)
poca
importancia
poca
importancia
prctica se pierde4.88E-08-1147.186411
en R (ajustada)
114.6201 -7.93994
-672.9674353
Reduccin
del Modelo
Vuelva a correr
la regresin usando la categora
US News, como el nico agente de prediccin (predictor)
La ecuacin de regresin es:
y = 79230 - 910 x
Predictor
Constante
x
Coef
79230
-910.1
Desv. Estndar
1704
114.6
S = 4133
R2 = 73.3%
T
46.50
-7.94
p
0.000
0.000
R2 (ajustada) = 72.1%
Anlisis de Variancia
Fuente
Regresin
Error
Total
DF
1
23
24
SS
1076712008
392819470
1469531477
MS
1076712008
17079107
F
63.04
p
0.000
El
El Modelo
Modelo se
se simplifica
simplifica enormemente..poca
enormemente..poca
22
importancia
prctica
se
pierde
en
R
importancia prctica se pierde en R (ajustada)
(ajustada)
Corrida en Minitab
Se introducen los datos en varias columnas C1

a C5 incluyendo la respuesta Y (heatflux) y las
variables predictoras Xs (North, South, East)
HeatFlux
Insolation
East
South
271.8
783.35 33.53
40.55
16.66
264.0
748.45 36.50
36.19
16.46
238.8
684.45 34.66
37.31
17.66
230.7
827.80 33.13
32.52
17.50
251.6
860.45 35.75
33.71
16.40
257.9
875.15 34.46
34.14
16.28
North
104
Corrida en Minitab
Utilzar el archivo de ejemplo Exh_regr.mtw

Opcin: Stat > Regression > Regression
Para regresin lineal indicar la columna de
respuesta Y (Score2) y X (Score1)
En Regresin lienal en opciones se puede

poner un valor Xo para predecir la respuesta e
intervalos. Las grficas se obtienen Stat >
Regression > Regression > Fitted line Plots
Para regresin mltiple Y (heatflux) y las

columnas de los predictores (north, south,
105
east)
Resultados de la regresin
lineal
The regression equation is
Score2 = 1.12 + 0.218 Score1
Predictor
Constant
Score1
Coef
SE Coef
1.1177
0.1093
10.23
0.000
0.21767
0.01740
12.51
0.000
S = 0.1274
R-Sq = 95.7%
R-Sq(adj) = 95.1%
Analysis of Variance
Source
Regression
DF
SS
MS
2.5419
2.5419
156.56
0.000
Residual Error
Total
0.1136
8
0.0162
2.6556
Predicted Values for New Observations

New Obs
1
2.6414
Fit
SE Fit
0.0474
95.0% CI
(
2.5292,
New Obs
2.7536)
Score1
95.0% PI
(
2.3197,
2.9631)
106
lineal
Regression Plot
Score2 = 1.11771 + 0.217670 Score1
S = 0.127419
R-Sq = 95.7 %
R-Sq(adj) = 95.1 %
Score2
3.5
2.5
Regression
1.5
95% CI
95% PI
2
Score1
107
Mltiple
The regression equation is
HeatFlux = 389 - 24.1 North + 5.32 South + 2.12 East
Predictor
Coef
SE Coef
389.17
66.09
5.89
0.000
North
-24.132
1.869
-12.92
0.000
South
5.3185
0.9629
5.52
0.000
2.125
1.214
1.75
0.092
Constant
East
S = 8.598
R-Sq = 87.4%
R-Sq(adj) = 85.9%
Analysis of Variance
Source
Regression
DF
SS
MS
12833.9
4278.0
57.87
0.000
Residual Error
25
1848.1
Total
28
73.9
14681.9
Source
DF
Seq SS
North
10578.7
South
2028.9
East
226.3
108
Resumen de la Regresin
La regresin slo puede utilizarse con informacin de variables
continuas.
Los residuos deben distribuirse normalmente con media cero.
Importancia prctica: (R2). Importancia estadstica: (valores p)
La regresin puede usarse con un predictor X o ms,
para una respuesta dada
Reduzca el modelo de regresin cuando sea posible,
sin perder mucha importancia prctica
109
VI.A.4 Herramientas
multivariadas
110
Herramientas multivariadas
1. Introduccin
2. Anlisis de componentes principales
3. Anlisis factorial
4. Anlisis discriminante
5. MANOVA
111
Introduccin
En el anlisis multivariado se incluyen dos o

ms variables dependientes Y1, Y2, etc.
Consideradas simultneamente para las
variables independientes X1, X2, ., Xn
Normalmente se resuelven con herramientas

computacionales tales como Minitab y SPSS.
Entre las herramientas principales se

encuentran:
Componentes principales, anlisis factorial,

anlisis discriminante, anlisis de conglomerados,
anlisis cannico, MANOVA
112
Anlisis de componentes
principales
El anlisis (PCA) y el anlisis factorial (FA) se usan

para encontrar patrones de correlacin entre
muchas variables posibles y subconjuntos de datos
Busca reducirlas a un menor nmero de

componentes o factores que representen la mayor
parte de la varianza.
Normalmente se requieren al menos cinco

observaciones por variable
113
Anlisis de componentes
principales
Pasos de anlisis en Minitab
Se usa una matriz de correlacin para determinar

la relacin entre componentes
Las matrices definen cantidades como
eigenvalores y eigenvectores
Se suman los eigenvalores y se calculan las
proporciones de cada componente
Se identifican los PC1, PC2, que explican la
mayor parte de la varianza
Se puede hacer un diagrama de Pareto como
apoyo
114
Ejemplo: Alimentos en
Europa
115
Corrida en Minitab
2Stat > Multivariate > Principal components
3En Variables, X1, X2, X3, X4, X6, X7, X8, X9
4En Number of factors to extract, 3. Seleccionar
Correlation Matrix
5Click Graphs y seleccionar Scree Plot, Score plot
for first 2 components Loading plot for first 2
components
8 Click Storage e indicar las columnas donde se guarden
los coeficientes y los valores Z (scores) Coef1 Coef 2 y
Z1 Z2
9. Click OK en cada uno de los cuadros de dilogo
116
Europa
Dos componentes exceden

El eigenvalor de ref. de 1
117
Europa
118
Anlisis factorial
Es una tcnica de reduccin de variables para

identificar factores que expliquen la variacin,
aunque se reiere un juicio subjetivo.
Las variables de salida estn relacionadas

linealmente con las variables de entrada.
Las variables deben ser medibles y simtricas.

Debe haber cuatro o ms factores de entrada
para cada variable independiente
119
Anlisis factorial
Se especifican un cierto nmero de factores

comunes
El anlisis factorial se hace en dos etapas:
Extraccin de factores, para identificar los

factores principales para un estudio posterior
Rotacin de factores, para hacerlos ms
significativos
120
Corrida con Minitab

2Stat > Multivariate > Factor Analysis.
3En Variables, X1, X2, X3, X4, X6, X7, X8, X9
4En Number of factors to extract, 4.
En Method of Extraction, seleccionar Principal
components
6En Type of Rotation, seleccionar Varimax.
7Click Graphs y seleccionar Loading plot for first 2
factors y Scree Plot.
Click Results y seleccionar Sort loadings.
Seleccionar Storage e indicar columnas para
ponderaciones, coeficientes, Zs, eigenvalores, etc.
Click OK en cada uno de los cuadros de d
121
Ejemplo
122
Ejemplo:
123
Anlisis discriminante
Si se tiene una muestra con grupos conocidos,

el anlisis discriminante clasifica las
observaciones o atributos en dos o ms grupos
Puede utilizarse como herramienta predictiva o

descriptiva
Las variables deben ser multivariadamente

normales, con la misma varianza y covarianza
poblacional entre variables dependientes, y las
muestras exhiben independencia
124
pases
125
Corrida con Minitab

2Stat > Multivariate > Discriminant
Analysis.
3En Groups, poner SalmonOrigin.
4 En Predictors, poner Freshwater Marine.
Click OK.
126
Corrida con Minitab
127
Anlisis de conglomerados
128
Anlisis de conglomerados
Se usa para determinar agrupaciones o

clasificaciones de un conjunto de datos
Las personas se pueden agrupar por IQ,

padres, hbitos de estudio, etc.
Se trata de dar sentido a grandes cantidades

de datos de cuestionarios, ecnuestas, etc.
129
Ejemplo
Suponer que un estudio

de mercado trata de
determinar segmentos
de mercado en base a los
patrones de lealtad de
marcas (V1) y tiendas
(V2), medidas del 0 al 10
en 7 personas (A-G).
Variables V1
V2
130
Corrida en Minitab
Stat > Multivariate Anlisis > Cluster

Observations
Distance Measured Euclidean Seleccionar
Show Dendogram OK
131
Anlisis de correlacin
cannico
Prueba la hiptesis de que los efectos pueden

tener causas mltiples y de que las causas
pueden tener efectos mltiples (Hotelling 1935)
Es como una regresin mltiple para determinar

la correlacin entre dos conjuntos de
combinaciones lieneales, cada conjunto puede
tener varias variables relacionadas.
La relacin de un conjunto de variables
dependientes a un conjunto de variables
independientes forma combinaciones lineales
132
Anlisis de correlacin
cannico
Se usan los ms altos valores de correlacin

para los conjuntos. Los pares de combinaciones
lineales se denominan variates cannicas con
correlaciones cannicas (Rc con valor mayor a
0.3)
Por ejemplo se quiere determinar si hay una

correlacin entre las caractersticas de un
ingeniero industrial y las habilidades requeridas
en la descripcin de puesto del mismo ingeniero.
133
MANOVA
(Anlisis de varianza mltiple)
Es un modelo para analizar la relacin entre

una o ms variables independientes y dos o
ms variables dependientes
Prueba si hay diferencias significativas en las

medias de grupos de una combinancin de
respuestas Y.
Los datos deben ser normales, con covarianza

homogenea y observaciones independientes
134
MANOVA
(Anlisis de varianza mltiple)
135
Diferencias de ANOVA y MANOVA
136
Ejemplo:
Extrusin de pelcula plstica
Se realiza un estudio para determinar las

condiciones ptimas para extruir pelcula plstica.
Se miden tres respuestas Tear, gloss y opacity

cinco veces en cada combinacin de dos factores
tasa de extrusin y cantidad de aditivo cada
grupo se pone en niveles bajos y altos.
Se utiliza el MANOVA balanceado para probar la

igualdad de las medias.
137
Ejemplo:
138
Ejemplo:
1Abrir el archivo EXH_MVAR.MTW.
2Seleccionar Stat > ANOVA > Balanced
MANOVA.
3En Responses, poner Tear Gloss Opacity.
4En Model, poner Extrusion | Additive.
5Click Results. En Display of Results,
seleccionar Matrices (hypothesis, error,
partial correlations) y Eigen analysis.
6 Click OK en cada cuadro de dilogo.
139
Ejemplo
140
Ejemplo:
Las matrices SSCP evalan la contribucin a la
variabilidad de manera similar a la suma de
cuadrados en la ANOVA univariada.
Las correlaciones parciales entre Tear y Gloss son
pequeas. Como la estructura de las
correlaciones es dbil, se pueden realizar
anlisis univariados de ANOVA para cada una
de las respuestas.
141
VI.A.4 Estudios Multivari
142
Estudios Multivari
La carta multivari permite analizar la variacin

dentro de la pieza, de pieza a pieza o de
tiempo en tiempo
Permite investigar la estabilidad de un proceso

consiste de lneas verticales u otro esquema
en funcin del tiempo. La longitud de la lnea o
del esquema representa el rango de valores
encontrados en cada conjunto de muestras
143
Estudios Multivari
La variacin dentro de las muestras (cinco

puntos en cada lnea). La variacin de muestra
a muestra como posicin vertical de las lneas.
E
S
P
E
S
O
R
Nmero de subgrupo
144
Estudios Multivari
Ejemplo de parte metlica

Centro ms grueso
145
Estudios Multivari
Procedimiento de muestreo:
Seleccionar el proceso y la caracterstica a

investigar
Seleccionar tamao de muestra y frecuencia

de muestreo
Registrar en una hoja la hora y valores para

conjunto de partes
146
Estudios Multivari
Procedimiento de muestreo:
Realizar la carta Multivari

Unir los valores observados con una lnea
Analizar la carta para variacin dentro de la

parte, de parte a parte y sobre el tiempo
Puede ser necesario realizar estudios

adicionales alrededor del rea de mxima
variacin aparente
Despus de la accin de mejora comprobar
con otro estudio Multivari
147
Cartas Multivari
Su propsito fundamental es reducir el gran nmero de

causas posibles de variacin, a un conjunto pequeo de
causas que realmente influyen en la variabilidad.
Sirven para identificar el patrn principal de variacin de

entre tres patrones principales:
Temporal: Variacin de hora a hora; turno a

turno; da a da; semana a semana; etc.
Cclico: Variacin entre unidades de un mismo

proceso; variacin entre grupos de unidades;
variacin de lote a lote.
148
Cartas Multivari
Posicional:
Variaciones dentro de una misma unidad

(ejemplo: porosidad en un molde de metal) o a
travs de una sola unidad con mltiples partes
(circuito impreso).
Variaciones por la localizacin dentro de un
proceso que produce mltiples unidades al mismo
tiempo. Por ejemplo las diferentes cavidades de
un molde
Variaciones de mquina a mquina; operador a
operador; planta a planta
149
Cartas Multivari
Ejemplo: Se toman 3 a 5 unidades consecutivas, repitiendo el

proceso tres o ms veces a cierto intervalo de tiempo, hasta
que al menos el 80% de la variacin en el proceso se ha
capturado.
1 2 3 4 5
27 28 29 30 31
55 56 57 58 59
VARIACIN POSICIONAL DENTRO DE LA UNIDAD
150
Cartas Multivari
Ejemplo: (cont...)
1 2 3 4 5
27 28 29 30 31
55 56 57 58 59
VARIACIN CCLICA DE UNIDAD A UNIDAD
151
Cartas Multivari
Ejemplo: (cont...)
1 2 3 4 5
27 28 29 30 31
55 56 57 58 59
VARIACIN TEMPORAL DE TIEMPO A TIEMPO
152
Cartas Multivari
Ejemplo: Un proceso produce flecha cilndricas,

con un dimetro especificado de 0.0250 0.001.
Sin embargo un estudio de capacidad muestra un

Cp = 0.8 y una dispersin natural de 0.0025 (6
) contra la permitida de 0.0002.
Se tiene pensado comprar un torno nuevo de

US$70,000 para tolerancia de 0.0008, i.e. Cpk
= 1.25. Se sugiri un estudio Multi Vari previo.
153
Cartas Multivari
Se tomaron cuatro lecturas en cada flecha, dos a

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

se muestra mediante las lneas que concentran las
cuatro lecturas de cada flecha.
Tambin se muestra la variacin temporal.
154
Cartas Multivari
8 AM
9 AM
10 AM
11 AM
12 AM
0.25
10
0.2500
0.2490
Izquierda
Mximo
Derecha
Mnimo
155
Cartas Multivari
Un anlisis rpido revela que la mayor variacin es temporal con un cambio mayor entre las 10 AM y las 11 AM.
A las 10 AM se para el equipo para el almuerzo y se arranca a las 11 AM, con lecturas similares a las de las 8 AM. Conforme
pasa el tiempo las lecturas tienden a decrecer ms y ms, hasta que se invierten a las 10 A.M. en forma drstica.
Se investig y se encontr que la temperatura tena influencia en la variacin.
La variacin en temperatura era causada por que la cantidad de refrigerante no era la adecuada, lo cual se notaba ms cuando
se paraba el equipo y se volva a arrancar. Se adicion, reduciendo la variacin en 50% aproximadamente..
156
Cartas Multivari
Tambin se encontr que el acabado cnico era causado por que la herramienta de corte
estaba mal alineada. Se ajust, contribuyendo a otra reduccin del 10% de la variabilidad.
La excentricidad de las flechas se corrigi al cambiar un rodamiento excntrico por desgaste

en el torno. Se instal un nuevo rodamiento eliminndose otro 30% de la variabilidad.
La tabla siguiente muestra un resumen de los resultados.
157
Cartas Multivari
Tipo de
% var.
Causas de
Accin
% de variacin
Variacin
Total
Variacin
Correctiva
Reducida
Temporal
50
Bajo nivel de
Adicionar
Casi 50
Refrigerante
refrigerante
Ajuste no
Ajuste de la
no paralelo
herramienta de
Tiempo a tiempo
Dentro de
10
la flecha
Casi 10
corte
Dentro de
30
la flecha
Flecha a
flecha
Rodamiento
Nuevo
gastado
rodamiento
-???
Casi 30
158
Cartas Multivari
Resultados:
La variacin total en la siguiente corrida de produccin se redujo de 0.0025 a 0.0004
El nuevo Cp fue de 0.002 / 0.0004 = 5.0
Como beneficios se redujo a cero el desperdicio y no hubo necesidad de adquirir una nueva mquina.
Se observa que antes de cambiar equipo o mquinas, es conveniente realizar un estudio de variabilidad para identificar
las fuentes de variacin y tratar de eliminarlas.
159
Cartas Multivari
Ejemplo: Bsqueda de fuentes de variacin con el diagrama sistemtico.
Dimetro de Flecha
(0.150" +/- .002)
Variacin
de
proceso
Pieza a
pieza
Lote a lote
Programa
Dentro de
la pieza
Mquina
Variacin de
sist. medicin
Mquina a
mquina
Accesorios
Turno a
turno
Tiempo a
tiempo
Operador a
operador
160
Cartas Multivari
Ejemplo (cont..):
Al realizar la prueba de homogeneidad de varianza F, se
encontr que haba una diferencia significante entre los
operadores.
Se Rechaza Ho: Oper1 = Oper2 = Oper3

Para probar si existe diferencia significativa entre
medias de operadores se hacen las siguientes
comparaciones
Ho: Oper1 = Oper2

Ho: Oper2 = Oper3
Ho: Oper1 = Oper3

Ha: Oper1 Oper2 Oper3
161
Corrida en Minitab
Se introducen los datos en varias columnas C1

a C3 incluyendo la respuesta (strenght) y los
factores (time y Metal)
SinterTime
MetalType
Strength
0.5
15
23
0.5
15
20
0.5
15
21
0.5
18
22
0.5
18
19
0.5
18
20
0.5
21
19
0.5
21
18
162
Corrida en Minitab
Utilizar el achivo de ejemplo Sinter.mtw
Opcin: Stat > Quality Tools > Multivari charts
Indicar la columna de respuesta y las

columnas de los factores
En opciones se puede poner un ttulo y

conectar las lneas
163
Resultados
Multi-Vari Chart for Strength by SinterTime - MetalType
SinterTime
0.5
23.5
1.0
2.0
22.5
Strength
21.5
20.5
19.5
18.5
17.5
15
18
21
MetalType
164
VI.A.5 Anlisis de datos

por atributos
165
Anlisis de datos por

atributos
Si los CTQs son variables continuas, se usa la

regresin, dependiendo de la naturaleza de la
caracterstica crtica para el cliente (CTSs) como
ste la expresa:
CTS
HERRAMIENTA
Nominal (Verde, Rojo, azul) Regresin Logstica
Nominal
Atributo (Pasa/No pasa)
Regresin Logstica
Binaria
Ordinal (1, 2, 3, 4, 5)
Regresin Logstica Ordinal
166

atributos
El anlisis de datos por atributos se organiza

en valores, categoras o grupos dicotmicos
Las decisiones incluyen: si / no, pasa / no pasa,

bueno / malo,
pobre/justo/bueno/superior/excelente, etc.
Entre los modelos no lineales de regresin

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

atributos
Regresin logstica
Relaciona variables independientes categricas

a una variable dependiente (Y). Minitab incluye
los modelos binario, ordinal y nominal
Regresin logit
Es subconjunto del modelo log-lineal. Tiene solo

una variable dependiente, usa determinaciones
de probabilidad o tasa de probabilidad
168

atributos
Regresin probit
Es similar a la prueba de vida acelerada, la

unidad se somete a esfuerzo con la respuesta
pasa/falla, bueno o malo. Es una respuesta
binaria en un tiempo de falla futuro
169
Regresin logstica o binaria
En caso de informacin cualitativa es

necesario traducir las preferencias del cliente
expresadas como atributos a un intervalo de
valores
aceptables
de
variables
(Especificaciones).
170
Es similar a la regresin mltiple excepto que

la respuesta es binaria (si/no, bueno/malo,
etc.) Sus coeficientes se determinan por el
mtodo de mxima verosimilitud
Su funcin tiene forma de S, con valores

mximos de Cero y Uno.
Yi = 0, 1
171
La probabilidad de que el resultado est en

cierta categora es:
El mtodo de clculo del coeficiente b es

diferente que en la regresin lineal
Los coeficientes se determinan con la relacin

sig.:
172
Regresin logstica
Condiciones:
Hay solo dos resultados posibles

Hay solo un resultado por evento
Los resultados son independientes estadsticamente
Todos los predictores relevantes estn en el modelo
Es mutuamente exclusivo y colectivamente
exhaustivo
Los tamaos de muestra son mayores que para la
regresin mltiple
Los efectos positivos se obtienen con b1>1 y los

negativos con b1 e 0 a 1
173
Regresin logstica
Relacin con ajuste pobre
Relacin con buen ajuste
174
Regresin logstica Procedimiento
Definir el atributo a traducir (y)

Definir la variable apropiada para el atributo
(x)
Definir el modelo matemtico a probar
Determinar los defectos que est dispuesto a
aceptar
Recolecte informacin de x vs y. Asigne 1
si falla y 0 si es aceptable.
Analice la informacin mediante Regresin
Logstica Binaria
175
Regresin logsticaProcedimiento
176

Coeficientes del modelo
P-Value de Deviance
Observe el P-Value de Deviance en la Sesin,

debe de ser grande (P >0.10)
Obtenga los coeficientes del modelo (De la
Sesin)
177
Construya el modelo de regresin para la

probabilidad de falla estar dado por :
b +b x +....
e
Donde :
P(Falla) =
b +b x +....
b , b , ... = Coeficientes del modelo
1 +e
0
Identifique el(los) valor(es) de x que le

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

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

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

(Varias categoras de respuesta como
totalmente de acuerdo, de acuerdo, en
desacuerdo y totalmente en desacuerdo) y
el Factor CTQ es de naturaleza continua,
entonces, para definir Especificaciones, la
herramienta a utilizar es la Regresin
Logstica Ordinal.
180
Regresin logstica ordinal Procedimiento
Defina la variable de respuesta a traducir

(y CTS)
Defina el CTQ (x) variable a relacionar con
el CTS
Defina el modelo matemtico a probar
Determine los defectos que est dispuesto a
aceptar en la categora de inters
Recolecte informacin de x vs y
Analice la informacin mediante Regresin
Logstica Ordinal
181
Stat > Regression > Ordinal Logistic

Regression
Seleccione la respuesta (y)

Seleccione los trminos que estima tiene el
modelo [3]
Constantes y
Coeficientes
del modelo
182
Observe el P-Value de Deviance en la

Sesin, debe de ser grande (P >0.10)
Obtenga las constantes y coeficientes del

modelo (De la Sesin)
Construya los modelos de regresin para la

probabilidad acumulada por categora
183

P
acumulada hasta
categora i
e
1+
Ki+b1x1+ b2x2....
Ki+b1x1+ b2x2....
Donde :
Ki = Constante de la categora i
b1, b2, ... = Coeficientes del modelo
Constantes y
Coeficientes
del modelo
Identifique el(los) valor(es) de x que le generarn como mximo la

cantidad de defectos que usted est dispuesto a aceptar en la
categora de inters [4]
184
LIE LSE Otra
Expectativas
(CTSs)
Especificaciones
Tipo
Importan.
CTQs
Producto
(General)
Matriz de
Diseo
Una vez que se tienen establecidos los CTQs

con los que se medir el desempeo del
producto, es necesario indicar las
Especificaciones de los mismos
Parmetros
de Diseo
(DPs)
Clientes
Usuarios
Finales
Producto
(Especfico)
185
Anlisis Logit
Usa razones para determinar que tanta

posibilidad tiene una observacin de pernecer a
un grupo que a otro.
Una posibilidad de 0.8 de estar en el grupo A se

puede expresar como una tasa de posibilidades
de 4:1 ( que es p/(1-p)), cuyo logaritmo es el
logit.
La probabilidad para un valor L est dado por la

ecuacin
186
Anlisis Logit - ejemplo

50 estudiantes tomaron un examen, donde solo 27
pasaron. Cules son las posibilidades de pasar?
Posibilidades = P/(1-P) = 0.54/0.46 = 1.17 o 1.71:1
Un estudiante que estudia 80 horas tiene un 54.5% de
pasar, cules son las posibilidades?
Posibilidades = 0.545/(1-0.545) = 1.198 o 1.198:1
Logit = ln(p/(1-p)) = ln(1.189) = 0.1809 y despejando al
Exp(b1) = exp(0.1082) = 1.11 que es la tasa de pasar a
otro nivel
187
Anlisis Probit
Es similar a las pruebas de vida acelerada y

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

diferenciarse del modelo logit
Los coeficientes b del modelo logit difieren del

probit en 1.814 con: bl = -1.1814 bp
188
VI.B Pruebas de
hiptesis
189
VI.B Pruebas de hiptesis

1.
2.
3.
4.
Conceptos fundamentales
Estimacin puntual y por intervalo
Pruebas para medias, varianzas y proporciones
Pruebas comparativas para varianzas, medias y
prop.
5.
6.
7.
8.
Bondad de ajustes
Anlisis de varianza (ANOVA)
Tablas de contingencia
Pruebas no paramtricas
190
VI.B.1 Conceptos
fundamentales
191
Anlisis
Estadstico
En CADA prueba estadstica, se comparan algunos
valores observados a algunos esperados u otro valor
observado comparando estimaciones de parmetros
(media, desviacin estndar, varianza)
Estas estimaciones de los VERDADEROS parmetros son
obtenidos usando una muestra de datos y calculando los
ESTADSTICOS...
La capacidad para detectar un diferencia entre lo que es
observado y lo que es esperado depende del desarrollo de
la muestra de datos
Incrementando el tamao de la muestra mejora la
estimacin y tu confianza en las conclusiones estadsticas.192
Hiptesis nula Ho
Es la hiptesis o afirmacin a ser probada
Puede ser por ejemplo , , , = 5
Slo puede ser rechazada o no rechazada
Hiptesis alterna Ha
Es la hiptesis que se acepta como verdadera cuando
se rechaza Ho, es su complemento
Puede ser por ejemplo = 5 para prueba de dos colas
< 5 para prueba de cola izquierda
> 5 para prueba de cola derecha
Esta hiptesis se acepta cuando se rechaza Ho
193
Ejemplos:
Se est investigando si una semilla modificada

proporciona una mayor rendimiento por
hectrea, la hiptesis nula de dos colas asumir
que los rendimientos no cambian Ho: Ya = Yb
Se trata de probar si el promedio del proceso A

es mayor que el promedio del proceso B. La
hiptesis nula de cola derecha establecer que
el proceso A es <= Proceso B. O sea Ho: A <=
B.
194
Estadstico de prueba
Error tipo I (alfa = nivel de significancia,

normal=.05)
Para probar la hiptesis nula se calcula un estadstico

de prueba con la informacin de la muestra el cual se
compara a un valor crtico apropiado. De esta forma
se toma una decisin sobre rechazar o no rechazar la
Ho
Se comete al rechazar la Ho cuando en realidad es

verdadera. Tambin se denomina riesgo del productor
Error tipo II (beta )
Se comete cuando no se rechaza la hiptesis nula

195
siendo en realidad falsa. Es el riesgo del consumidor
Tipos de errores
Se asume que un valor pequeo para es deseable, sin
embargo esto incrementa el riesgo .
Para un mismo tamao de muestra n ambos varan
inversamente
Incrementando el tamao de muestra se pueden reducir
ambos riesgos.
Decisin realizada
Ho en realidad es
Verdadera
Ho en realidad
es falsa
No hay evidencia
para rechazar Ho
p = 1-
Decisin correcta
p=
Error tipo II
Rechazar Ho
p=
Error tipo I
p=1-
Decisin
correcta
196
Pruebas de dos colas
Si la Ho: , , , = cte. que un valor

poblacional, entonces el riesgo alfa se reparte
en ambos extremos de la distribucin. Por
ejemplo si Ho = 10 se tiene:
P(Z<= - Zexcel ) = alfa/2
P(Z>= + Zexcel ) = alfa/2
197
Pruebas de una cola
Si la Ho: , , , >= Cte. que un valor

poblacional, entonces el riesgo alfa se coloca en
la cola izquierda de la distribucin. Por ejemplo
si Ho: >= 10 y Ha: < 10 se tiene una prueba
de cola izquierda:
198
Pruebas de una cola
Si la Ho: , , , <= Cte. que un valor

poblacional, entonces el riesgo alfa se coloca en
la cola derecha de la distribucin. Por ejemplo si
Ho: <= 10 y Ha: > 10 se tiene una prueba de
cola derecha:
P(Z>= + Zexcel ) = alfa
199
Tamao de muestra requerido
Normalmente se determina el error alfa y beta

deseado y despus se calcula el tamao de
muestra necesario para obtener el intervalo de
confianza.
El tamao de muestra (n) necesario para la

prueba de hiptesis depende de:
El riesgo deseado tipo I alfa y tipo II Beta

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

error mximo E o Delta P intervalo
proporcional esperado se determina como
sigue:2
2
/2
E2
Z 2 / 2 ( p )(1 p )
n
( p ) 2
201
Ejemplo:
Cul es el tamao de muestra mnimo que al

95% de nivel de confianza (Z=1.96) confirma la
significancia de una corrida en la media mayor a
4 toneladas/hora (E), si la desviacin estndar
(sigma) es de 20 toneladas?
n = (1.96^2)(20^2)/(4)^2 = 96
Obtener 96 valores de rendimiento por hora y
determinar el promedio, si se desva por ms de
4 toneladas, ya ha ocurrido un cambio
significativo al 95% de nivel de confianza 202
Efecto del tamao de

muestra
203
Efecto del tamao de

muestra
204
Efecto del tamao de

muestra
205
Efecto del tamao de

muestra
206
Potencia de la prueba
La potencia de una prueba estadstica es su

habilidad para detectar una diferencia crtica
Potencia 1
Si Beta = 0.1 la potencia es del 90%
Delta se puede normalizar dividindolo entre la

desviacin estndar
y se expresa en un
cierto
nmero de (1 , 1.5 )
207
La potencia de la prueba es la probabilidad de de

rechazar correctamente la hiptesis nula siendo
que en realidad es falsa.
El anlisis de potencia puede ayudar a contestar
preguntas como:
Cuntas muestras se deben tomar para el anlisis?

Es suficiente el tamao de muestra?
Qu tan grande es la diferencia que la prueba
puede detectar?
Son realmente valiosos los resultados de la
prueba?
208
Para estimar la potencia, Minitab requiere de

dos de los siguientes parmetros:
Tamaos de muestra
Diferencias - un corrimiento significativo de la
media que se desea detectar
Valores de potencia - La probabilidad deseada
de rechazar Ho cuando es falsa
209
Considerando la potencia de
prueba
210
VI.2 Significancia estadstica

vs prctica
211
Estimacin de riesgos
212
Pruebas de Minitab
Permite hacer las siguientes pruebas:
Prueba
Prueba
Prueba
Prueba
Prueba
z de una muestra
t de una muestra
t de dos muestras
de 1 proporcin
de 2 proporciones
ANOVA
Diseos factoriales de dos niveles
Diseos de Packett Burman
213
Calculo manual
214
Calculo manual
215
VI.3 Tamao de muestra
216
Calculo manual de tamao de

muestra
217

muestra Pruebas de una cola
218

muestra Pruebas de una cola
219
Ejemplo con prueba de una

media t
Ejemplo: Se tiene una poblacin normal con media de

365 y lmites de especificacin de 360 y 370. Si la
media se desplaza 2.5 gramos por arriba de la media, el
nmero de defectos sera inaceptable, la desviacin
estndar histrica es de 2.403:
220

media t
221

media t
222

media t
223
Ejemplo con prueba de 2 medias

t
224
Ejemplo con prueba de 1

proporcin
225
Ejemplo con prueba de 1

proporcin
226
Ejercicios
Calcular los tamaos de muestra necesarios para los siguientes
escenarios (usar pruebas de dos colas):
a. 1-muestra Z a=0.05, b=0.1 y 0.2, d = 1.5s
b. 1-muestra t a=0.05, b=0.1 y 0.2, d = 1.5s
c. 1-muestra t a=0.01, b=0.05, d = 0.5s y 1.0s
d. 2-muestras t a=0.05, b=0.1, d = 1.5s y 2.0s
2. Calcular la potencia de la prueba para los siguientes
escenarios
(usar pruebas de dos colas):
a. 1-muestra Z a=0.05, d = 0.5s, n = 25, 35
b. 1-muestra t a=0.05, d = 1.0s, n = 10, 20
c. 1-muestra t a=0.01, d = 1.0s, n = 10, 25
d. 2-muestras t a=0.05, d = 0.5s, n = 10, 25, 50, 75, 100
227
Ejercicios
Calcular el tamao de muestra requerido para los siguientes
escenarios (usar pruebas de dos colas):
a. 1-proporcin a=0.05, b=0.1 & 0.2, P0 = 0.5, PA = 0.6
b. 1-proporcin a=0.01, b=0.1 & 0.2, P0 = 0.8, PA = 0.9
c. 2-proporcin a=0.05, b=0.1, P0 = 0.5, PA = 0.6, 0.8
d. 2-proporciones a=0.01, b=0.1, P0 = 0.8, PA = 0.85, 0.95
2. Calcular la potencia de la prueba para los siguientes
escenarios
(usar pruebas de dos colas):
a. 1-proporcin a=0.05, P0 = 0.5, PA = 0.6, n = 250, 350
b. 1-proporcin a=0.01, P0 = 0.9, PA = 0.95, n = 400, 500
c. 2-proporciones a=0.05, P0 = 0.5, PA = 0.6, n = 250, 350
d. 2-proporciones a=0.01, P0 = 0.9, PA = 0.95, n = =400, 500
228
229
230
VI.B.4 Estimacin puntual

y por intervalo
231
Estimacin puntual y por

intervalo
Las medias o desviaciones estndar calculadas de una

muestra se denominan ESTADSTICOS, podran ser
consideradas como un punto estimado de la media y
desviacin estndar real de poblacin o de los
PARAMETROS.
Qu pasa si no deseamos una estimacin puntual como

media basada en una muestra, qu otra cosa podramos
obtener como margen, algn tipo de error?
Un Intervalo de Confianza
232
Intervalo de confianza
Error de estimacin
233

intervalo
Cmo obtenemos un intervalo de confianza?

Estimacin puntual + error de estimacin
De dnde viene el error de estimacin?
Desv. estndar X multiplicador de nivel de confianza deseado

Z/2
Por Ejemplo: Si la media de la muestra es 100 y la desviacin
estndar es 10, el intervalo de confianza al 95% donde se
encuentra la media para una distribucin normal es:
100 + (10) X 1.96 => (80.4, 119.6)
1.96 = Z0.025
234

intervalo
95% de Nivel de Confianza significa que slo tenemos un 5% de
oportunidad de obtener un punto fuera de ese intervalo.
Esto es el 5% total, o 2.5% mayor o menor. Si vamos a la tabla Z
veremos que para un rea de 0.025, corresponde a una Z de 1.960.
C. I.
99
Multiplicador Z/2
2.576
95
1.960
90
1.645
85
1.439
80
1.282
Para tamaos de muestra >30, o conocida usar la distribucin Normal
Para muestras de menor tamao, o desconocida usar la distribucin t
235

intervalo
para .n 30 X Z
para .n 30 X t
2
( n 1) s 2
2
2
, n 1
( n 1) s 2
p Z
2
; con n-1 gl.
, n 1
p (1 p )
n
236
Para n grande el IC es
pequeo
237
Para n grande el IC es
pequeo
238
Ejemplo
Dadas las siguientes resistencias a la tensin:

28.7, 27.9, 29.2 y 26.5 psi
Estimar la media puntual

X media = 28.08 con S = 1.02
Estimar el intervalo de confianza para un nivel de

confianza del 95% (t = 3.182 con n-1=3 grados
de libertad)
Xmedia3.182*S/n = 28.083.182*1.02/2=(26.46, 29.70)
239
Ejemplos para la media con

Distribucin normal Z
Z 1. El peso promedio de una muestra de 50 bultos de productos
Xmedia = 652.58 Kgs., con S = 217.43 Kgs. Determinar el
intervalo de confianza al NC del 95% y al 99% donde se
encuentra la media del proceso (poblacional). Alfa = 1 - NC
2. Un intervalo de confianza del 90% para estimar la ganancia
promedio del peso de ratones de laboratorio oscila entre 0.93 y
1.73 onzas. Cul es el valor de Z?.
3. 100 latas de 16 onzas de salsa de tomate tienen una media de
Xmedia = 15.2 onzas con una S = 0.96 onzas.
A un nivel de
confianza del 95%, las latas parecen estar llenas con 16 onzas?.
4. Una muestra de 16 soluciones tienen un peso promedio de 16.6
onzas con S = 3.63. Se rechaza la solucin si el peso promedio de
todo el lote no excede las 18 onzas. Cul es la decisin a un 90%
de nivel de confianza?.
240
Ejemplos para la media y

varianza con Distribucin t
t 5. 20 cajas de producto pesaron 102 grs. Con S = 8.5 grs.
Cul es el intervalo donde se encuentra la media y
varianza del lote para un 90% de nivel de confianza?.
Grados libertad=20 -1 =19
6. Una muestra de 25 productos tienen un peso promedio de
23.87 grs. Con una S = 9.56. Cul es la estimacin del
intervalo de confianza para la media y varianza a un nivel
de confianza del 95 y del 98% del peso de productos del
lote completo?.
7. Los pesos de 25 paquetes enviados a travs de UPS
tuvieron una media de 3.7 libras y una desviacin estndar
de 1.2 libras. Hallar el intervalo de confianza del 95% para
estimar el peso promedio y la varianza de todos los
paquetes. Los pesos de los paquetes se distribuyen
normalmente.
241
Ejemplos para proporciones con

Distribucin Z
Z 8. De 814 encuestados 562 contestaron en forma
afirmativa. Cul es el intervalo de confianza para un
90% de nivel de confianza?
9. En una encuesta a 673 tiendas, 521 reportaron
problemas de robo por los empleados Se puede
concluir con un 99% de nivel de confianza que el 78%
se encuentra en el intervalo de confianza. ?
242
Instrucciones con Minitab

Intervalo de confianza para la
media
Stat > Basic Statistics > 1-Sample Z, t
Variable -- Indicar la columna de los datos o Summarized
Data
En caso de requerirse dar el valor de Sigma = dato
En Options:
Indicar el Confidence level -- 90, 95 o 99%
OK
243
Instrucciones con Minitab

Intervalo de confianza para
proporcin
Stat > Basic Statistics > 1-Proportion

Seleccionar Summarized Data
Number of trials = n tamao de la muestra
Number of events = D xitos encontrados en la muestra
En Options:
Indicar el Confidence Interval -- 90, 95 o 99%
Seleccionar Use test and interval based in normal
distribution
244
VI.B.5 Pruebas de hiptesis para

medias, varianzas y
proporciones
245
Elementos de una
Prueba de Hiptesis
Prueba Estadstica- Procedimiento para decidir no rechazar
Ho aceptando Ha o rechazar Ho.
Hiptesis Nula (Ho) - Usualmente es una afirmacin
representando una situacin status quo. Generalmente
deseamos rechazar la hiptesis nula.
Hiptesis Alterna (Ha) - Es lo que aceptamos si podemos
rechazar la hiptesis nula. Ha es lo que queremos probar.
246
Elementos de una
Prueba de Hiptesis
Estadstico de prueba: Calculado con datos de la muestra
(Z, t, X2 or F).
Regin de Rechazo Indica los valores de la prueba
estadstica para que podamos rechazar la Hiptesis nula
(Ho). Esta regin esta basada en un riesgo deseado,
normalmente 0.05 o 5%.
247
Pasos en la Prueba de Hiptesis

1. Definir el Problema - Problema Prctico
2. Sealar los Objetivos - Problema Estadstico
3. Determinar tipo de datos - Atributo o Variable
4. Si son datos Variables - Prueba de Normalidad
248

5. Establecer las Hiptesis
- Hiptesis Nula (Ho) - Siempre tiene el signo =, ,
- Hiptesis Alterna (Ha) Tiene signos , > o <.
El signo de la hiptesis alterna indica el tipo de prueba a usar
249
Elementos de una Prueba de Hiptesis

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

Ho: a b
Regin de
Ha: a < b
Regin de
Rechazo
Regin de
Rechazo
0
Rechazo
-Z
250

6. Seleccionar el nivel de Alfa (normalmente 0.05 o 5%) o el
nivel de confianza NC = 1 - alfa
7. Establecer el tamao de la muestra, >= 10.
8.Desarrollar el Plan de Muestreo
9.Seleccionar Muestras y Obtener Datos
10. Decidir la prueba estadstica apropiada y calcular el

estadstico de prueba (Z, t, X2 or F) a partir de los datos.
251
Estadsticos para medias,

varianzas y proporciones
X
;Una.media; n 30; conocida
/ n
X
t
;Una.media; n 30; desconocida
S/ n
S12
F 2 ; DF n1 1, n2 1; prueba.dos. var ianzas
S2
Z
X1 X 2
; dos.medias; ' s desconocidas. pero.
1
1
Sp /
n1
n2
Sp
t
( n1 1) s12 ( n2 1) s22
; DF n1 n2 2
n1 n2 2
X1 X 2
2
1
2
2
s
s
n1
n2
; dos.medias; ' s desconocidas.diferentes
DF formula.especial
252
Estadsticos para medias,

varianzas y proporciones
Para el caso de muestras pareadas se calculan

las diferencias d individuales como sigue:
t
X
d
; Pares.de.medias; d i . para.cada. par
Sd / n
( n 1) S 2
; DF (n 1); prueba.una.v ar ianza
(O E ) 2
; DF ( r 1)(c 1); bondad .ajuste

E
253

11. Obtener el estadstico correspondiente de tablas o Excel.
12.Determinar la probabilidad de que el estadstico de prueba

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

cae en la regin de rechazo o ver si la probabilidad es menor a
alfa, rechaze Ho y acepte Ha. En caso contrario no rechaze Ho.
14.Con los resultados interprete una conclusin estadstica

para la solucin prctica.
254
Estadstico
Prueba de Hiptesis
Calculado con
Datos de la muestr
Pruebas de Hiptesis de dos colas:
Ho: a = b
Ha: a b
Regin de
Rechazo
Regin de
Rechazo
-Z
Pruebas de Hiptesis de cola derecha:
Ho: a b
Ha: a > b
Pruebas de Hiptesis cola izquierda:

Ho: a b
Regin de
Ha: a < b
Regin de
Rechazo
0
Rechazo
-Z
255
Prueba de hiptesis para la

varianza
Las varianzas de la poblacin se ditribuyen de

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

Caso I. Comparacin de varianzas cuando la
varianza de la poblacin es conocida
Caso II. Comparando frecuencias observadas y
esperadas de resultados de pruebas cuando no
hay una varianza de la poblacin definida (datos
por atributos)
256

varianza
Las pruebas de hiptesis para comparar una

varianza poblacional a un cierto valor
constante 0, si la poblacin sigue la
distribucin normal es:
Con el estadstico Chi Cuadrada con n-1

grados de libertad
257

varianza
2.17
Ejemplo: El material muestra una variacin (sigma) en la
resistencia a la tensin menor o igual a 15 psi con 95% de
confianza?. En una muestra de 8 piezas se obtuvo una S = 8psi.
X^2c =(7)(8)^2/(15)^2 = 1.99
Como La Chi calculada es menor a la Chi de Excel de 2.17 se debe
rechazar la hiptesis nula. Si hay decremento en la resistencia
258
Prueba de hiptesis para

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

atributos
Ho: p1 = p2 = p3
Ha: p1 p2 p3
Grados de libertad = (No. de columnas -1)*(No. renglones -1)
Las frecuencias esperadas son: (Total columna x Total rengln)
Valores
esperados
E
Inspector Inspector
1
2
Inspector
3
Total por
tratamient
o
Radios
detectados
24.67
24.67
24.67
74
Radios no
detectados
5.33
5.33
5.33
16
Total de la
muestra
30
30
30
90
260

atributos
El estadstico Chi Cuadrado en este caso es:
El estadstico Chi Cuadrada de alfa = 0.05 para 4 grados de libertad es 5.99.

El estadstico Chi Cuadrada calculada es menor que Chi de alfa, por lo que no se rechaza Ho y las habilidades son similares
5.99
261
Ejemplo de Prueba de hiptesis para la media

Para una muestra grande (n>30)probar la hiptesis de una media u
1.) Ho:
2.) Ha:
3.) Calcular el estadstico de prueba
4.) Establecer la regin de rechazo
Las regiones de rechazo para prueba de 2 colas: -Z Z
Zcalc=
Regin de
Rechazo
s
n
Regin de
Rechazo
0
-Z
Si el valor del estadstico de prueba cae en la regin de rechazo

rechazaremos Ho de otra manera no podemos rechazar Ho.
262
Prueba de hiptesis de una

poblacin para muestras
grandes con Z
263
264
Prueba de hiptesis de una

poblacin para muestras
pequeas con t
Gl=14;
265
266
Prueba de hiptesis
para una proporcin con Z
267
268
Instrucciones con Minitab para la

prueba de hiptesis de una
media
Stat > Basic Statistics > 1-Sample Z, t
Variable -- Indicar la columna de los datos o Summarized
Data
En caso de requerirse dar el valor de Sigma = dato
Proporcionar la Media de la hiptesis Test Mean
En Options:
Indicar el signo de la hiptesis alterna: Less Than, Not
equal, Greater than
OK
269

prueba de hiptesis de una
proporcin
Stat > Basic Statistics > 1-Proportion
Number of trials = n tamao de la muestra
Number of events = D xitos encontrados en la muestra
En Options:
Indicar la Test Proportion Proporcin de la hiptesis
equal, Greater than
Seleccionar Use test and interval based in normal distribution
OK
270
Pruebas de hiptesis para

comparacin de varianzas,
medias, y proporciones
271
Prueba de Hiptesis
Supongamos que tenemos muestras de dos reactores

que producen el mismo artculo. Se desea ver si hay
diferencia significativa en el rendimiento de Reactor a
Reactor A
Reactor B
Reactor.
Estadsticas Descriptivas
89.7
84.7
81.4
86.1
84.5
83.2
84.8
91.9
87.3
86.3
Rendimiento A
10 84.24
2.90
79.7
79.3
10 85.54
3.65
85.1
82.6
81.7
89.1
83.7
83.7
84.5
88.5
Variable
Reactor N
Media Desv.Std
272
Prueba de Hiptesis
Pregunta Prctica: Existe diferencia entre los
reactores?
Pregunta estadstica La media del Reactor B (85.54) es significativamente
diferente de la media del Reactor A (84.24)? O, su diferencia se da por
casualidad en una variacin de da a da.
Ho: Hiptesis Estadstica:

No existe diferencia entre los
Reactores
Ha: Hiptesis Alterna:

Las medias de los
Reactores son diferentes.
a b
Ha: a b
Ho:
Se busca demostrar que los valores observados al parecer no

corresponden al mismo proceso, se trata de rechazar Ho.
273
Prueba de Hiptesis
Hiptesis Estadstica: No
existe diferencia entre los
Reactores
Esto se llama Hiptesis
Nula (Ho)
Hiptesis Alterna: Cuando

las medias de Reactores son
diferentes. A esto se le llama
Hiptesis Alterna (Ha)
Debemos demostrar que los valores que observamos al parecer no

corresponden al mismo proceso, que la Ho debe estar equivocada
274
Qu representa esto?
Reactor A
Reactor B
B
A
80.0
B B B B BB
AA
AAAA
A
82.5
85.0
BB
A
87.5
90.0
92.5
Representan los reactores dos procesos diferentes?

Representan los reactores un proceso bsico?
275
Prueba F de dos varianzas
Si se toman dos muestras de dos poblaciones normales

con varianzas iguales, la razn de sus varianzas crea
una distribucin muestral F. Las hiptesis son las
siguientes:
El estadstico F se muestra a continuacin donde S1 se

acostumbra tomar como la mayor
276
Prueba F de dos varianzas
Sea S1 = 900 psi, n1 = 9, s2 = 300 psi, n2 = 7. A un 95% de nivel

de confianza se puede concluir que hay menor variacin?
Ho: Varianza 1 <= Varianza 2

H1: Varianza 1 > Varianza 2
Grados de libertad para Var1 = 8 y para var 2 = 6
Falfa = F(0.05, 8, 6) = 4.15
Fcalculada = (900^2)/(300^2) = 9 >> Falfa, se rechaza Ho.
Hay evidencia suficiente para indicar que la variacin ya se
ha reducido
277
Prueba de hiptesis de dos pob.

comparando varianzas con F
278
279

Comparando dos medias con Z
280
281
Prueba de dos medias

muestras pequeas
Sigmas desconocidas e iguales
Sigmas desconocidas
y desiguales
282

Comparando dos medias con t
283
284

Comparando datos pareados con
t
Grados de libertad = No. de pares - 1
285
286

Comparando dos proporciones
con Z
287
288
Robustez
Los procedimientos estadsticos se basan en

supuestos acerca de su comportamiento
terico. Cuando los estadsticos obtenidos no
son afectados por desviaciones moderadas de
su expectativa terica, se dice que son
robustos.
289
Resumen
290

comparacin de dos varianzas
Stat > Basic Statistics > 2-variances
Seleccionar samples in different columns o Summarized
data
First-- Indicar la columna de datos de la muestra 1
Second- Indicar la columna de datos de la muestra 2
En Options:
OK
291

comparacin de dos medias
Stat > Basic Statistics > 2-Sample t
Seleccionar samples in different columns o Summarized data
First-- Indicar la columna de datos de la muestra 1
Second- Indicar la columna de datos de la muestra 2
Seleccionar o no seleccionar Assume equal variances de
acuerdo a los resultados de la prueba de igualdad de
varianzas
En Options:
Indicar la diferencia a probar Test Difference (normalmente 0)
Indicar el signo de la hiptesis alterna: Less Than, Not equal,
Greater than
En graphs seleccionar las graficas Boxplot e Individual value
plot
OK
292

comparacin de dos medias
pareadas
Stat > Basic Statistics > Paired t
Seleccionar samples in columns o Summarized data
First sample Indicar la columna de datos de la muestra
1
Second sample - Indicar la columna de datos de la muestra
2
En Options:
Indicar la diferencia a probar Test Mean (normalmente 0)
equal, Greater than
En graphs seleccionar las graficas Boxplot e Individual value
plot
OK
293

prueba de hiptesis de dos
proporciones
Stat > Basic Statistics > 2-Proportions
Trials:
Events:
First:
No. de elementos de la 1. Muestra y D1 xitos
encontrados
Second: No. de elementos de la 2. Muestra y D2 xitos
encontrados
En Options:
Indicar la Test Difference Normalmente 0
Indicar el signo de la hiptesis alterna: Less Than, Not equal,
Greater than
Seleccionar Use pooled estimate of p for test
OK
294
VI.B.7 Pruebas de bondad

de ajuste
295
(O
i
E
)
Bondad de ajuste
PRUEBAS DE BONDAD DE AJUSTE
Medidas sobre que tan cerca se ajustan los datos muestrales observados a una forma
de distribucin particular planteada como hiptesis
Si el ajuste es razonablemente cercano, puede concluirse que s exite la forma de distribucin
planteada como hiptesis
2
2iK
Por ejemplo:
Ho: La distribucin poblacional es uniforme

Ha: La distribucin poblacional no es uniforme
Se usa el estadstico Chi-Cuadrado
Oi = Frecuencia de los eventos observados en los datos muestrales
Ei = Frecuencia de los eventos esperados si la hiptesis nula es correcta

Para que la prueba sea confiable Ei >= 5. De otra forma se combinan las categorias para
cumplir con este requisito.
K = Nmero de categoras o clases
296
Bondad de ajuste
Ejemplo:
Se venden n = 48 botes en 4 meses. Si la demanda es uniforme se esperara que se vendieran
12 botes / mes. La cantidad real que se vendi fue:
Ventas (Oi) Ventas (Ei)
Tipo de bote observadas esperadas
A
15
12
B
11
12
C
10
12
D
12
12
DISTR.CHI
Entonces el estadstico Chi Cuadrado de la muestra es = 1.17 el valor P corresp.=
0.76020818
El Chi Cuadrado de excel se determina con alfa = 0.05 y K - 1 grados de libetad = 3

Chi cuadrado de excel = 7.815
El estadstico Chi cuadrado calculado de 1.17 es menor al de excel de 7.815 por tanto se acepta
la hiptesis nula
PRUEBA.CHI.INV
297
Prueba de Bondad de ajuste

para la distribucin de Poisson
1. Plantear la hiptesis nula y alterna
Ho: La poblacin tiene una distribucin de prob. De Poisson
Ha: Caso contrario
2. Tomar una muestra aleatoria, anotar la frecuencia
observada fi y calcular la media de ocurrencias
3. Calcular la frecuencia esperada de ocurrencias ei. Multiplicar
el tamao de muestra con la prob. de Poisson para cada
valor de la variable aleatoria. Si hay menos de 5 combinar
las categoras
4. Calcular el estadstico de prueba
( f i ei ) 2
ei
i 1
n
2 2
5. Rechazar Ho si
o si p < alfa. Con gl=k-p-1 y alfa nivel
de significancia
298
Ejemplo:
Distribucin de Poisson =5
Ho: No. de clientes que llega en intervalos de 5 min. tiene una

distribucin de Poisson
Ha: No se sigue una distribucin de
Poisson
Clientes
Frec. observada f(x) de Poisson
128*f(x)
cantidad
esperada
0
0.0067
0.8576
0.0337
4.3136
10
0.0842
10.7776
12
0.1404
17.9712
18
0.1755
22.4640
22
0.1755
22.4640
22
0.1462
18.7136
16
0.1044
13.3662
12
0.0653
8.3584
0.0363
4.6464
10 o ms
0.0318
4.0704299
Ejemplo:
Distribucin de Poisson =5
Combinando X=0,1 y X=9, 10 o ms para que la frecuencia

observada sea mayor a 5 y se pueda aplicar la distribucin Chi
Cuadrada se tiene
Clientes
Frec. Observada f(x) de Poisson
128*f(x)
frecuencia
(fi)
esperada (ei)
0o1
10
0.0067+0.0337
5.1712
10
0.0842
10.7776
12
0.1404
17.9712
18
0.1755
22.4640
22
0.1755
22.4640
22
0.1462
18.7136
16
0.1044
13.3662
12
0.0653
8.3584
9 o ms
0.0363+0.0318
8.7168
300
Estadstico y conclusin
Con los datos anteriores se calcula el estadstico Chi cuadrada que
se compara con Chi Cuadrada de alfa para k-p-1 grados de
libertad (K categoras: 9, p parmetros a estimar: 1 media).
( f i ei ) 2

ei
i 1
2
Ho se rechaza si
o si p es mayor que alfa.
El valor de Chi Cuadrada calculado es de 10.9766 y el valor Chi

Cuadrada de alfa 0.05 con 2 gl. Es de 14.07 no se rechaza Ho
En este caso p = 0.14 > 0.05 por tanto no se rechaza Ho y se
concluye que los datos siguen una distribucin de Poisson
301

para la distribucin Normal
1. Plantear la hiptesis nula y alterna
Ho: La poblacin tiene una distribucin de prob. Normal
Ha: Caso contrario
2. Tomar una muestra aleatoria, calcular la media y la
desviacin estndar
3. Definir K intervalos de valores de forma que la
frecuencia esperada sea 5 cuando menos para cada uno
(intervalos de igual probabilidad). Anotar la frecuencia
observada de los valores de datos fi, en cada intervalo
302

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

2 2
6. Rechazar Ho si
nivel de significancia
( f i ei ) 2
ei
i 1
n
o si p < alfa. Con gl=k-p-1 y alfa
303

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

10.41
Calificaciones
71
66
61
65
54
93
60
86
70
70
73
73
55
63
56
62
76
54
82
79
76
68
53
58
85
80
56
61
61
64
65
62
90
69
76
79
77
54
64
74
65
65
61
56
63
80
56
71
79
84
304

Ho: la poblacin tiene una distribucin normal con media
68.42 y S=10.41 Ha: Caso contrario
Para una muestra de 50 con una frecuencia mnima
esperada de 5 se tiene el 10% al menos por cada celda
La primera celda correspondiente al 10% est en Z = -1.28
con
X = (Media - Z*S) = 55.10
Para el rea del 20%, Z = -0.84 y X = 59.68
y as sucesivamente
305

Intervalo
Frecuencia
observada
(fi)
Frecuencia
esperada
(ei)
Menos de
55.10
55.10 a
59.68
59.68 a
63.01
63.01 a
65.82
65.82 a
68.42
68.42 a
71.02
Se registran las
frecuencias de
los datos
tomados de las
calificaciones
306

Se determina el estadstico Chi Cuadrado = 7.2
( f i ei ) 2

ei
i 1
2
El Valor de Chi Cuadrado de alfa = 0.10 para k p 1

grados de libertad. K = 10 categoras, p = 2
parmetros. Gl = 7. Chi Cuadrado es 12.017
2
2
Como
no se puede rechazar la hiptesis nula de

normalidad de las calificaciones
307

para la distribucin Multinomial
1. Enunciar la hiptesis nula y alternativa
Ho: La poblacin sigue una distribucin de probabilidad
multinomial con probabilidades especificadas para cada
una de las K categoras
Ha: Caso contrario
2. Tomar una muestra aleatoria y anotar las frecuencias
observadas fi para cada categora
3. Suponiendo que Ho es cierta, determinar la frecuencia
esperada ei, en cada categora multiplicando la
probabilidad de la categora por el tamao de muestra
308

4. Se determina el estadstico Chi Cuadrado de prueba
( f i ei ) 2

ei
i 1
2
5. Regla de rechazo:
2
2
Si no se puede rechazar la hiptesis nula
Rechazar si el valor p es menor a alfa

Con alfa nivel de significancia y los grados de libertad son k-1
309

Ejemplo: El ao pasado la participacin de mercado para la
empresa A fue del 30%, 50% para la empresa B y 20%
para la empresa C. La empresa C hace una prueba con un
nuevo producto para estimar su impacto en las
preferencias del mercado.
Se tom una muestra de 200 clientes resultando preferencias
de compra de: 48 para A, 98 para B y 54 para C.
De acuerdo a las probabilidades esperadas, en los 200
clientes las preferencias esperadas son: A=200*0.3=60,
B=200*0.5=100, C=200*0.2=40
310

Datos para calcular el estadstico de prueba Chi Cuadrado
Categora
Proporcin
hipottica
Frecuencia
observada
Frecuencia
esperada
Empresa A
0.3
48
60
Empresa B
0.5
98
100
Empresa C
0.2
54
40
311

Chi Cuadrado calculado = 7.34
Chi cuadrado de alfa = 0.05 con k 1 = 2 grados de libertad
= 2 es de 5.99. El valor p correspondiente es de 0.025.
Como 7.34 es mayor a 5.99 o el valor p de 0.025 es menor a
alfa de 0.05 se rechaza la hiptesis nula Ho y se concluye
que el nuevo producto modificar las preferencias del
mercado actuales
La participacin de la empresa C aumenta con el nuevo
producto
312
Prueba de Bondad
de ajuste en Minitab
La columna C1 Observadas contiene las frecuencias
observadas y la C2 esperadas las frecuencias esperadas
Calc > Calculator > Store result in variable ChiCuadrada
Teclear en el cuadro de expresin sum((ObservadasEsperadas)**2/Esperadas)
Calc > Probability distributions > Chi Square
Seleccionar Cummulative probability
Degrees of freedom 2
Input column ChiCuadrada; Optional Storage CumProb
OK
Calc > Calculator > Store results in variable p
En el cuadro Expression teclear 1-CumProb
313
OK
Prueba de Bondad
de ajuste en Minitab
Ejemplo: investigacin de mercado
Observadas Esperadas ChiCuadrada

48
60
98
100
54
40
7.34
CumProb
0.974524
0.0254765
314
Prueba de Bondad
de ajuste en Excel
Ejemplo: investigacin de mercado
1. Calcular el estadstico Chi Cuadrada con =(A2-B2)^2/B2

y Suma
Chi cuadrada = 7.34
2. El valor P es =distr.chi(7.34, 2)
3. El estadstico Chi Cuadrada de alfa es:
=prueba.chi.inv(0.05,2) = 5.99
4. Como p es menor a alfa de 0.05 se rechaza la Ho
315
VI.B.6 ANOVA para un factor

principal y una o ms
variables de bloqueo
316
Introduccin
Cuando es necesario comparar 2 o ms medias

poblacionales al mismo tiempo, para lo cual se usa
ANOVA.
El mtodo ANOVA tiene los siguientes supuestos:

La varianza es la misma para todos los tratamientos
del factor en todos sus niveles
Las mediciones indiviudales dentro de cada
tratamiento se distribuyen normalmente
El trmino de error tiene un efecto distribuido
normalmente e independiente
317
Contenido
ANOVA de un factor o direccin
ANOVA de un factor y una variable de bloqueo
ANOVA de un factor y dos variables de bloqueo

CUADRADO LATINO
ANOVA de un factor y tres variables de

bloqueo CUADRADO GRECOLATINO
318
ANOVA de un factor
o direccin
319
Introduccin
Con el ANOVA las variaciones en la respuesta se

dividen en componentes que reflejan los efectos de
una o ms variables independientes
La variabilidad se representa como la suma de

cuadrados total que es la suma de cuadrados de las
desviaciones de mediciones individuales respecto a la
gran media, se divide en:
Suma de cuadrados de las medias de los
tratamientos
Suma de cuadrados del residuo o error experimental
320
para probar la igualdad de

medias de varias poblaciones
para un factor
Se trata de probar si el efecto de un factor o

Tratamiento en la respuesta de un proceso o sistem
Significativo, al realizar experimentos variando
Los niveles de ese factor (Temp. 1, Temp. 2, Temp.3,
Ho : 1 2 3 ......... a
Ha : A lg unas. ' s.son.diferentes
321
ANOVA - Condiciones
Todas las poblaciones son normales
Todas las poblaciones tiene la misma varianza
Los errores son independientes con

distribucin normal de media cero
La varianza se mantiene constante para todos

los niveles del factor
322
ANOVA Ejemplo de datos
Niveles del Factor Peso % de algodn y Resistencia d
Peso porc.
de algodn
15
20
25
30
35
Respuesta
Resistencia de la tela
7
7
15
12
17
12
14
18
18
19
25
22
7
10
11
11
18
19
19
15
9
18
19
23
11
323
ANOVA Suma de
cuadrados total
Xij
Gran media
Xij
SCT
i 1
j 1
( Xij X )
324
ANOVA Suma de cuadrados

de renglones (a)tratamientos
Media Trat. 1
Media Trat. a
a renglones
Gran media
Media trat. 2
SCTr b( X i X )
i 1
325

del error
X2j
X1j
X3j
Media X1.
Media
X3.
Media X2.
Muestra 1
a
SCE
i 1
Muestra 2
b
(X
j 1
ij
X i)
Mues
2
326

del error
X2j
X1j
X3j
Media X1.
Media X2.
Muestra 1
Muestra 2
SCE SCT SCTr
Media
X3.
Mues
327
ANOVA Grados de libertad:

Totales, Tratamientos, Error
gl.SCT n 1
gl.SCTr a 1
gl.SCE (n 1) (a 1) n a
328
ANOVA Cuadrados medios:

Total, Tratamiento y Error
MCT SCT /( n 1)
MCTr SCTr /( a 1)
MCE SCE /( n a )
329
ANOVA Clculo del

estadstico Fc y Fexcel
MCTr
Fc
MCE
Fexcel FINV ALFA , gl .SCTr , gl .SCE
330
Tabla final de ANOVA

TABLA DE ANOVA
FUENTE DE VARIACIN
SUMA DE GRADOS DE CUADRADO

CUADRADOS LIBERTAD MEDIO
Entre muestras (tratam.)
SCTR
a-1
CMTR
Dentro de muestras (error)
SCE
n-a
CME
Variacin total
SCT
n-1
CMT
VALOR F
CMTR/CME
Regla: Rechazar Ho si la Fc de la muestra es mayor que la F de Excel para una cierta alfa
o si el valor p correspondiente a la Fc es menor al valor de alfa especificado
331
ANOVA Toma de decisin

Distribucin F
Fexcel
Alfa
Zona de no rechazo de Ho
O de no aceptar Ha
Zona de rechazo
De Ho o aceptar Ha
Fc
332
ANOVA Toma de decisin

Si Fc es mayor que Fexcel se rechaza Ho
Aceptando Ha donde las medias son
diferentes
O si el valor de p correspondiente a Fc es
menor de Alfa se rechaza Ho
333
ANOVA Identificar las

medias diferentes por Prueba
de Tukey T
T q , a , n a
CME
b
Para diseos balanceado

(mismo nmero de
columnas en los
tratamientos) el valor
de q se determina por
medio de la tabla en el
334
ANOVA Identificar las

medias diferentes por Prueba
de Tukey T
Se calcula la diferencia Di entre cada par de Medias

D1 = X1 X2
D2 = X1 X3
D3 = X2 X3
etc.
Cada una de las diferencias Di se comparan con el

valor de T, si lo exceden entonces la diferencia es
Significativa de otra forma se considera que las me
Son iguales
335
diferentes por Prueba de

Diferencia Mnima Significativa
DMS
2(CME ) F ,1,n a
DMS
b
Para diseos balanceados (los
tratamientos tienen igual no. De
columnas), se calcula un factor DMS
contra el que se comparan las
diferencias Xi Xi. Significativas si lo 336
Prueba DMS para Diseos no

balanceados
DMS j ,k
1 1
(CME ) F ,a 1,n a
b j bk
Para diseos no balanceados (los

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

(mquina) con tres niveles (mquinas A, B, C).
Los datos se muestran a continuacin y debe
verificarse si existe diferencia significativa a
un alfa = 0.05
Mquin
as
Datos
Su
m
a
Prom
.
338
Ejemplo:
La tabla completa de ANOVA es la siguientes:

Fuentes
De variacin
Cuadrado
medio
Mquin
as
Como el valor calculado de F(33.2) excede el valor crtico de F,

se rechaza la Hiptesis nula Ho
339
Ejemplo:
Con Minitab: Stat>ANOVA>One way unstacked

Responses (in separate columns) A B C
Interpretar los resultados
A
-2
-2
-3
340
Ejemplo:
One-way ANOVA: A, B, C
Source
DF
SS
MS
Factor
137.20
68.60
33.19
Error
12
24.80
2.07
Total
14
162.00
S = 1.438
R-Sq = 84.69%
0.000 Rechazo Ho
R-Sq(adj) = 82.14%
Individual 95% CIs For Mean Based on

Pooled StDev
Level
Mean
StDev
---------+---------+---------+---------+
6.200
0.837
(-----*----)
0.600
1.673
-0.800
1.643
(----*-----)
(-----*----)
---------+---------+---------+---------+
0.0
2.5
5.0
7.5
Pooled StDev = 1.438
341
Corrida en Minitab
Se introducen las respuestas en una columna

C1
Se introducenDurability
los subndices
de los renglones
Carpet
en una columna C218.95 1
12.62
11.94
14.42
10.06
7.19
7.03
14.66
342
Corrida en Minitab
Opcin: stat>ANOVA One Way (usar archivo

Exh_aov)
En Response indicar la col. De Respuesta
(Durability)
En factors indicar la columna de subndices (carpet)
En comparisons (Tukey)
Pedir grfica de Box Plot of data y residuales

Normal Plot y vs fits y orden
Si los datos estan en columnas pedir ANOVA One

Way (unstacked)
343
Results for: Exh_aov.MTW

One-way ANOVA: Durability versus Carpet
Resultados
Analysis of Variance for Durabili

Source
DF
Carpet
SS
MS
111.6
37.2
2.60
0.101
Error
12
172.0
Total
15
14.3
283.6
Individual 95% CIs For Mean

Based on Pooled StDev
Level
Mean
14.483
3
4
StDev
4
4
---------+---------+---------+-------
3.157
9.735
12.808
17.005
3.566
(-------*-------)
(-------*--------)
1.506
(--------*-------)
5.691
(-------*-------)
---------+---------+---------+-------
Pooled StDev =
3.786
10.0
15.0
20.0
Tukey's pairwise comparisons

Family error rate = 0.0500
Individual error rate = 0.0117
Critical value = 4.20
344
ANOVA de dos vas un

factor principal y una
variable de bloqueo
345
ANOVA de 2 vas
Este es un procedimiento extensin de los

patrones del ANOVA de una va con tres
fuentes de variacin: Tratamiento del factor A
(columnas), Tratamiento del factor B
(renglones) y Error experimental.
X ijk Ef . Ai Ef .B j Ef . AxBij kij
346
para probar la igualdad de

medias de varias poblaciones
con dos vas
Se trata de probar si el efecto de un factor o
Tratamiento en la respuesta de un proceso o
sistema es
Significativo, al realizar experimentos variando
Los niveles de ese factor (Temp.1, Temp.2, etc.)
POR RENGLON
Y
Considerando los niveles de otro factor que se
piensa
Que tiene influencia en la prueba FACTOR DE
347
ANOVA 2 vas
Para el tratamiento en renglones
Ho : 1 2 3 ......... a
Para el factor de bloqueo en columnas
Ho : '1 '2 '3 ......... 'a

348
ANOVA 2 vas - Ejemplo
Maquinas
Maq 1
Maq 2
Maq 3
Experiencia en aos de los operadores

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

direcciones
La SCT y SCTr (renlgones) se determina de la

misma forma que para la ANOVA de una
direccin o factor
En forma adicional se determina la suma de

cuadrados del factor de bloqueo (columnas) de
forma similar a la de los renglones
La SCE = SCT SCTr - SCBl

350
ANOVA de 2 vas
b
SCBl a ( X j X )
j 1
gl.SCBl b 1
CMBl SCBl /(b 1)
351
ANOVA de 2 vas
SCE SCT SCTr SCBl

gl.SCE (n a )(n b)
CME SCBl /( n a )(n b)
352
ANOVA Estadstico Fc y
Fexcel
MCTr
Fc
MCE
353
ANOVA Estadstico Fb
MCBl
Fc
MCE
Fexcel FINV ALFA , gl .SCBl , gl .SCE
354
Tabla final ANOVA 2 vas

FUENTE DE VARIACIN

VALOR F
Entre muestras (tratam.)
SCTR
a-1
CMTR
CMTR/CME
Entre Bloques (Factor Bl)
SCBl
b-1
CMBL
CMBL/CME
SCE
(a-1)(b-1)
CME
Variacin total
SCT
n-1
CMT
Regla: No rechazar si la F de la muestra es menor que la F de Excel para una cierta alfa
355
ANOVA 2 vas: Toma de

decisin
Distribucin F
Fexcel
Alfa
Zona de no rechazo de Ho
O de no aceptar Ha
Fc
Tr o Bl
Zona de rechazo
De Ho o aceptar Ha
356
ANOVA 2 vas: Toma de

decisin
Si Fc (Tr o Bl) es mayor que Fexcel se
rechaza Ho Aceptando Ha donde las
medias son diferentes
O si el valor de p correspondiente a Fc (Tr
o Bl) es menor de Alfa se rechaza Ho
357
Clculo de los residuales

y
ij yi . y. j y..
Y estimada
eij yij y
ij
Error o residuo
MSE
b
Error estndar
Rk r0.05, k , gl . MSE * s yi .
Factor de comparaci
s yi .
Si la diferencia de medias excede a Rk es significativa

358
Adecuacin del modelo
Los residuales deben seguir una recta en la

grfica normal
Deben mostrar patrones aleatorios en las

grficas de los residuos contra el orden de las
Yij, contra los valores estimados y contra los
valores reales Yij
359
Corrida en Minitab
Se introducen las respuestas en una columna C3 y los

subndices de renglones en columna C4 y de columnas
en C5
Plantas
Suplemento
Lago
34
Rose
43
Rose
57
Dennison
40
Dennison
85
Rose
68
Rose
67
Dennison
53
Dennison
41
Rose
24
Rose
42
Dennison
52
Dennison
360
Corrida en Minitab
Opcin: stat>ANOVA Two Way (usar archivo

Exh_aov)
En Response indicar la col. De Respuesta (Plantas)
En Row factor y Column Factor indicar las columnas

de subndices de renglones y columnas (suplemento
y lago) y Display Means para ambos casos
Pedir grfica residuales Normal Plot y vs fits y orden
361
Two-way ANOVA: Zooplankton versus Supplement, Lake

Analysis of Variance for Zooplank
Source
DF
SS
MS
Lake
Resultados
9.25
21
21
0.21
0.666
Interaction
561
281
2.71
0.145
Suppleme
1919
959
0.015
Error
6
Total
622
11
104
3123
Individual 95% CI
Suppleme
Mean
1
--+---------+---------+---------+--------43.5
(-------*-------)
68.3
3
39.8
(--------*-------)
(--------*-------)
--+---------+---------+---------+--------30.0
45.0
60.0
75.0
Individual 95% CI
Lake
Dennison
Rose
Mean
51.8
49.2
------+---------+---------+---------+----(----------------*----------------)
(----------------*----------------)
------+---------+---------+---------+----42.0
48.0
54.0
60.0
362
ANOVA de un factor y dos

o tres variables de
bloqueo
CUADRADO LATINO Y
GRECOLATINO
363
ANOVA 3 y 4 factores
El diseo de Cuadrado latino utiliza dos

factores de bloqueo adicionales al de
Tratamiento
EL diseo de Cuadrado Grecolatino utiliza tres

factores adicionales al del Tratamiento
El clculo de suma de cuadrados para

renglones y para columnas es similar al de
ANOVA de un factor principal y otro de
bloqueo
364
Cuadrado Latino
Aos exp.
Empleado
1
Maana
B=15
Turno
Tarde
A=18
Noche
C=11
C=12
B=20
A=9
3
A=17
A, B, C = Mquinas 1, 2 y 3
C=19
B=10
365
ANOVA Cuadrado Latino:

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

Clculo del error
SCE SCT SCTcol SC Re ng SCTr
gl.SCE (a 2)(a 1)
CME SCE /( a 2)(a 1)
367
ANOVA Clculo del

MCTr
Fc
MCE
368
ANOVA Cuadrado Latino Reng /

Col
MC Re ng
Fcreng
MCE
MCCols
Fcols
MCE
369
Tabla final ANOVA 2 Factores

FUENTE DE VARIACIN

VALOR F
Renglores
SCRen
a-1
CMRen
CMRen/CME
Columnas
SCCol
b-1
CMCol
CMCol/CME
Tratamiento
SCTr
a-1
CMTr
CMTr/CME
SCE
(a-2)(a-1)
CME
Variacin total
SCT
n-1
CMT
370
Cuadrado latino en Minitab
Se introducen las respuestas en una columna C1
Se introducen los subndices de los renglones en

una columna C2
Se introducen los subndices de las columnas en

una columna C3
Se introducen las letras maysculas que indican el

nivel del factor (A, B, C, D, etc.) correspondientes
a cada respuesta en la columna C4
371
Cuadrado latino en Minitab
Opcin: stat> ANOVA General linear model
En Response indicar la col. De Respuesta,
En Model indicar las columnas de los factores y
En Random factors indicar los factores adicionales

al del efecto principal a probar (A, B, C, D). Se
pueden pedir interacciones entre factores x y con
Cx*Cy
Pedir grfica de residuales Normal y vs fits y orden
372
Cuadrado Greco Latino

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

Minitab
Se introducen las respuestas en una columna C1

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

Minitab
Opcin: ANOVA General linear model
En Response indicar la col. De Respuesta,
En Model indicar las columnas de los factores y
En Random factors indicar los factores adicionales al del

efecto principal a probar (A, B, C, D). Tambin se pueden
indicar interacciones entre factores x-y con Cx * Cy
Pedir grfica de residuales Normal y vs fits y orden
375
ANOVA Cuadrado
Grecolatino
b
SCG a ( X m X )
m 1
gl.SCG b 1
CMG SCG /(b 1)
376
ANOVA de 2 factores Suma

de cuadrados, gl. y Cuadrado
medio para el error
SCE SCT SCTr SCG SC Re n SCCol
gl.SCE (a 3)(a 1)
CME SCE /( a 3)(a 1)
377
ANOVA Clculo del

MCG
Fc
MCE
Fexcel FINVALFA , gl .SCTr , gl .SCE
378
ANOVA Cuadrado Grecolatino
MCTr
Fc
MCE
379
Tabla final ANOVA 2 Factores

FUENTE DE VARIACIN

VALOR F
Renglores
SCRen
a-1
CMRen
CMRen/CME
Columnas
Letras griegas
Tratamiento
SCCol
SCG
SCTr
b-1
a-1
a-1
CMCol
CMG
CMTr
CMCol/CME
CMG/CME
CMTr/CME
SCE
(a-3)(a-1)
CME
Variacin total
SCT
n-1
CMT
380
ANOVA para diseo factorial

AxB
En un experimento factorial involucrando el factor A con

(a) niveles y un factor B con (b) niveles, la suma de
cuadrados se puede dividir en:
SST = SS(A) + SS(B) + SS(AB) + SSE
381
VI.B.8 Tablas de contingencia

Prueba Chi2 (2)
382
Para qu se utiliza?
1. Para probar si una serie de datos
observada, concuerda con el modelo (serie
esperada) de la informacin.
2. Para probar las diferencias entre las
proporciones de varios grupos (tabla de
contingencia).
Para todos los casos,
Ho: No hay diferencia

Ha: Hay diferencia
383
Ejemplo 1: Chi Cuadrada(

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

Ha: La moneda est cargada
384
Ejemplo 1: Chi Cuadrada(

Observada
Esperada
(fo - fe)2
fe
( fo )
( fe )
Aguilas
63
50
3.38
Soles
37
50
3.38
2 = 3.38 + 3.38
2 = 6.76
c=
2
j=1
Estadstico Chi Cuadrada

(fo - fe)2
fe
385
Ejemplo 1: Chi cuadrada

Funcin de Distribucin Acumulada Chi2 con 1 grado de
libertad (d.f)
2c
P(2c > x)
6.7600
p = 1 - 0.9907 = 0.0093
De tablas X2Crtica, (0.05, 1) = 3.8414
Ho: La moneda es buena.
Ha: La moneda est cargada.
Para un 95% de confianza antes de concluir que la moneda est
cargada, se requiere que X2c > X2Crtica o que el valor de p sea
0.05.
Como p 0.05, se puede concluir -con un 95% de confianza que la moneda est cargada.
386
Clculo en Excel del estadstico Chi cuadrada

1. Posicionarse en una celda vaca
2. Accesar el men de funciones con Fx
3. Seleccionar STATISTICAL o ESTADSTICAS, CHIINV.
4. Dar valores de probabilidad (0.05) y grados de libertad,
normalmente (n - 1) para un parmetro o (# de renglones -1)
* (# de columnas - 1) para el caso de tablas de proporciones.
387
Tabla de Valores Crticos Seleccionados de Chi2

df
.250
.100
.050
.025
.010
.005
.001
1
2
3
4
5
1.323
2.773
4.108
5.385
6.626
2.706
4.605
6.251
7.779
9.236
3.841
5.991
7.815
9.488
11.070
5.024
7.378
9.348
11.143
12.832
6.635
9.210
11.345
13.277
15.086
7.879
10.597
12.838
14.860
16.750
10.828
13.816
16.266
18.467
20.515
6
7
8
9
10
7.841
9.037
10.219
11.389
12.549
10.645
12.017
13.362
14.684
15.987
12.592
14.067
15.507
16.919
18.307
14.449
16.013
17.535
19.023
20.483
16.812
18.475
20.090
21.666
23.209
18.548
20.278
21.955
23.589
25.188
22.458
24.322
26.125
27.877
29.588
11
12
13
14
15
13.701
14.845
15.984
17.117
18.245
17.275
18.549
19.812
21.064
22.307
19.675
21.026
22.362
23.685
24.996
21.920
23.337
24.736
26.119
27.488
24.725
26.217
27.688
29.141
30.578
26.757
28.300
29.819
31.319
32.801
31.264
32.909
34.528
36.123
37.697
16
17
18
19
20
19.369
20.489
21.605
22.718
23.828
23.542
24.769
25.989
27.204
28.412
26.296
27.587
28.869
30.144
31.410
28.845
30.191
31.526
32.852
34.170
32.000
33.409
34.805
36.191
37.566
34.267
35.718
37.156
38.582
39.997
39.252
40.790
43.312
43.820
45.315
21
22
23
24
25
24.935
26.039
27.141
28.241
29.339
29.615
30.813
32.007
33.196
34.382
32.671
33.924
35.172
36.415
37.652
35.479
36.781
38.076
39.364
40.646
38.932
40.289
41.638
42.980
44.314
41.401
42.796
44.181
45.558
46.928
46.797
48.268
49.728
51.179
52.620
26
27
28
29
30
30.434
31.528
32.620
33.711
34.800
35.563
36.741
37.916
39.087
40.256
38.885
40.113
41.337
42.557
43.773
41.923
43.194
44.461
45.722
46.979
45.642
46.963
48.278
49.588
50.892
48.290
49.645
50.993
52.336
53.672
54.052
55.476
56.892
58.302
59.703
40
50
60
45.616
56.334
66.981
51.805
63.167
74.397
55.758
67.505
79.082
59.342
71.420
83.298
63.691
76.154
88.379
66.766
79.490
91.952
73.402
86.661
99.607
70
80
90
100
77.577
88.130
98.650
109.141
85.527
96.578
107.565
118.498
90.531
101.879
113.145
124.342
95.023
106.629
118.136
129.561
100.425
112.329
124.116
135.807
104.215
116.321
128.299
140.169
112.317
124.839
137.208
149.449
388
Tabla de contingencia
Una tabla de clasificacin de dos vas (filas y columnas)

que contiene frecuencias originales, se puede analizar
para determinar si las dos variables (clasificaciones) son
independientes o tienen una asociacin significativa.
La prueba Chi Cuadrada probar si hay dependencia

entre las dos clasificaciones.
Adems se puede calcular el coeficiente de

contingencia (correlacin) que en todo caso muestra la
fuerza de la dependencia
389
Para esta prueba se usa la prueba Chi Cuadrada donde:
Entre mayor sea su valor, mayor ser la diferencia de la

discrepancia entre frecuencias observadas y tericas.
Esta prueba es similar a la de bondad de ajuste.
390
Ejemplo: Cada una de las 15 celdas hace una

contribucin al estadstico Chi Cuadrado (una celda)
Asumiendo Alfa = 0.1 y Gl= (reng 1)*(Col 1) = 4*2 =

8 Chi-Cuadrado de alfa = 20.09
Como Chi Cuadrada calculada >> Chi C. Alfa, se
rechaza Ho de igualdad de resultados entre negocios
391
Ejemplo 2: Chi2 Para comparacin de

dos grupos; son las mismas
proporciones?)
Ho: No existen diferencias en los ndices de defectos de las dos mquinas.
Ha: Existen diferencias en los ndices de defectos de las dos mquinas.
Los valores observados (fo) son los siguientes:
Partes buenas
Partes defectuosas
mquina 1
fo = 517
fo = 17
Total = 534
mquina 2
fo = 234
fo = 11
Total = 245
751
28
Total
779
El ndice de defectos totales es 28 / 779 = 3.6%
392
Ejemplo 2: Chi2 Para comparacin de

dos grupos; son las mismas
proporciones?)
Clculo de los valores esperados
Partes buenas
Partes defectuosas
mquina 1
fo = 751*534/779
fo = 28*534/779
Total = 534
mquina 2
fo = 751*245/779
fo = 28*245/779
Total = 245
Basados en este ndice, los valores esperados (fe) seran:
mquina 1
Partes
buenas
530.53
mquina 2
233.47
779
Partes defectuosas
3.47
1.53
393
Prueba de chi cuadrada:

Los conteos esperados estn debajo de los conteos observados
Partes buenas
Partes Defectuosas
Total
1
532
2
534
530.53
3.47
2
Total
232
233.47
764
3
1.53
5
235
769
Chi2 = 0.004 + 0.624 + 0.009 + 1.418 = 2.056

DF= 1; valor de p = 0.152
2 celdas con conteos esperados menores a 5.0
Nota: Chi cuadrada no podr aplicarse en los casos donde los conteos seas menores a 5 en 20%
de celdas.
Si cualquiera de los conteos esperados en las celdas es menor a uno, no deber usarse Chi 2.
Si algunas celdas tienen un conteo menor a los esperados, ya sea combinando u omitiendo
renglones y/o columnas, las categoras pueden ser de utilidad.
394
Tabla de Chi2
Tabla de valores crticos seleccionados para Chi2
DF
.250
.100
.050
1
2
3
4
5
1.323
2.773
4.108
5.385
6.626
2.706
4.605
6.251
7.779
9.236
3.841
5.991
7.815
9.488
11.070
6
7
8
9
10
7.841
9.037
10.219
11.389
12.549
10.645
12.017
13.362
14.684
15.987
11
12
13
14
15
13.701
14.845
15.984
17.117
18.245
16
17
18
19
20
19.369
20.489
21.605
22.718
23.828
.025
.010
.005
5.024
7.378
9.348
11.143
12.832
6.635
9.210
11.345
13.277
15.086
7.879
10.597
12.838
14.860
16.750
10.828
13.816
16.266
18.467
20.515
12.592
14.067
15.507
16.919
18.307
14.449
16.013
17.535
19.023
20.483
16.812
18.475
20.090
21.666
23.209
18.548
20.278
21.955
23.589
25.188
22.458
24.322
26.125
27.877
29.588
17.275
18.549
19.812
21.064
22.307
19.675
21.026
22.362
23.685
24.996
21.920
23.337
24.736
26.119
27.488
24.725
26.217
27.688
29.141
30.578
26.757
28.300
29.819
31.319
32.801
31.264
32.909
34.528
36.123
37.697
23.542
24.769
25.989
27.204
28.412
26.296
27.587
28.869
30.144
31.410
28.845
30.191
31.526
32.852
34.170
32.000
33.409
34.805
36.191
37.566
34.267
35.718
37.156
38.582
39.997
39.252
40.790
43.312
43.820
45.315
.001
395
Problema: Fugas
Beneficios Potenciales: $10,000 de ahorro en retrabajos, y en la
reduccin de tiempo de ciclo.
Variacin en familias a probar

Operador a operador
Ho: No existe diferencia en los ndices de defecto de los diferentes
operadores
Ha: Existe diferencia en los ndices de defecto de los diferentes
operadores
Mquina a mquina
Ho: No existe diferencia en los ndices de defecto de las diferentes
mquinas
Ha: Existe diferencia en los ndices de defecto de las diferentes
mquinas
Tamao de la muestra:
5000 + total de oportunidades (172 piezas)
396
Prueba de chi2 (mquina a mquina)

Los conteos esperados estn colocados debajo de los conteos observados
Con fugas
Sin fugas
Total
1
30
610
640
32.11
607.89
2
235
223.38
4217
4228.62
4452
3
12.84
253
243.16
256
18
17.66
334
334.34
352
5414
5700
Total
286
Chi2 = 0.139 + 0.007 + 0.604 + 0.032 + 7.546 + 0.399 + 0.006 +

0.000 = 8.734
DF= (4-1)(2-1) = 3; valor P = 0.033
397
Prueba de chi2 (operador a operador)

Los conteos esperados estn colocados debajo de los conteos observados.
Con gotera Sin gotera
Total
1
6
122
128
6.61
121.39
2
1
6.61
127
121.39
128
200
208.55
3836
3827.45
4036
54
13.23
202
242.77
256
5
36.38
699
667.62
704
12
6.61
278
116
121.39
5102
128
Total
5380
Chi2 = 0.057 + 0.003 + 4.765 + 0.260 + 0.351 + 0.019 +125.666 + 6.847 + 27.065 + 1.475
+ 4.386 + 0.239 = 171.132
DF= 5; valor P = 0.000
398
Qu sucede si los grupos mltiples de variacin son estadsticamente significativos?

(en este caso, operador a operador y mquina a mquina)
Se utiliza un procedimiento denominado Coeficiente de Contingencia como clave

para determinar qu grupo de variacin debe investigarse primero.
Chi Cuadrada
Coeficiente de
Contingencia
Chi2
N
CC
Mquina
8.734
5700
0.15
Operador
171.132
5380
3.18
x 100
Controlador Mayor
SI el tamao de la muestra (N), es similar para los grupos. Al dividir entre N,
probablemente, llevar a la misma ruta que hubiera alcanzado con slo ver la
estadstica Chi2.
Sin embargo, si N tiene una variacin considerable, dependiendo del grupo de
variacin que se investiga, el coeficiente de contingencia puede ser una herramienta
valiosa para determinar la prioridad sobre qu grupo debe investigarse primero.
399
Qu sucede si los grupos mltiples de variacin son estadsticamente significativos?

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

lo esperado
54
13.23
202
242.77
256
Mucho mejor que

lo esperado
5
36.38
699
667.62
704
12
6.61
116
121.39
128
(Estos mismos operadores fueron quienes

tuvieron los nmeros ms grandes de chi2)
400
Operador a operador: = 0.000

Rechace
Ho y acepte Ha
(Existe una diferencia significativa entre los operadores)
Los operadores 4 y 5 estn fuera del estndar:
El operador 4 es notablemente peor que el resto,
El operador 5 es notablemente mejor que los dems
Cul es el prximo paso? Hable con todos los operadores para averiguar qu diferencias
pueden existen en sus tcnicas.
El operador 4 no tena experiencia en este tipo de trabajo y apenas se estaba acostumbrado a
soldar este producto en particular.
El operador 5 encontr un modo de mejor de hacer el ensamble, con lo cual consigui mejorar
el trabajo de soldadura, aunque esto mostraba un grado de dificultad ergonmica. Se aadi
un colocador para ensamblar la parte en forma segura. (Esto tambin redujo el tiempo que
requeran los operadores para acostumbrarse a trabajar en esta forma)
401
Ejercicios
1. Se quiere evaluar la habilidad de tres inspectores de rayos
X en un aeropuerto para detectar artculos clave. Como
prueba se pusieron radios de transistores en 90 maletas,
cada inspector fue expuesto a 30 maletas conteniendo radios
mezcladas entre otras que nos los contenan. Los resultados
se resumen a continuacin:
Inspectores
1
2
3
Radios detectados
Radios no detectados
27
3
25
5
22
8
Con un 95% de confianza, existe una diferencia entre los

inspectores?
Ho: p1 = p2 = p3; Ha: al menos una es diferente
Grados de libertad = (columnas - 1) ( filas -1)
402
Ejercicios
1. Se quiere evaluar si hay preferencia por manejar en un
carril de una autopista dependiendo de la hora del da. Los
datos se resumen a continuacin:
Carril
Izquierdo
Central
Derecho
Hora del da
1:00
3:00
44
37
28
50
8
13
5:00
18
72
30
Con un 95% de confianza, existe una diferencia entre las

preferencias de los automovilistas dependiendo de la hora?
Ho: P1 = P2 = P3; Ha: al menos una es diferente
Grados de libertad = (columnas - 1) ( filas -1)
403
Coeficiente de Contingencia
Coeficiente de contingencia es el grado de relacin o

dependencia de las clasificaciones en la tabla de
contingencias es:
C2
X2
X2 N
Donde N es la frecuencia total y X es el estadstico Chi

Cuadrado calculado
404
Coeficiente de Contingencia
Para los datos del ejemplo anterior se tiene:
C2
2
X2
66
.
22
2
0.38
2
2
X N
66.22 393
El valor mximo de C se obtiene de:
Max C
k 2
82
0.866
k
8
405
Correlacin de atributos
Para tablas de orden k * k, el coeficiente de correlacin,

r, es :
X
N (k 1)
Donde 0<= r <= 1
406
VI.B.9 Pruebas de
Hiptesis no paramtricas
407
Pruebas no paramtricas
Las pruebas paramtricas asumen una distribucin para

la poblacin, tal como la Normal
Las pruebas no paramtricas no asumen una

distribucin especfica de la poblacin
Bajo los mismos tamaos de muestra la Potencia o

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

resultados de la prueba son ms robustos contra
violacin de los supuestos
408
Prueba de Hiptesis
Atributo
Variable
No Normal
Varianza
Homogeneidad
de la Variacin
de Levene
Tablas de
Contingencia de
Medianas
Correlacin
Correlacin
Prueba de signos
Wilcoxon
MannWhitney
KurskalWallis
Prueba de Mood
Friedman
Normal
Variancia
Prueba-F
Homogeneidad
de la Variacin
de Bartlett
Medias
Pruebas de t
Muestra-1
Muestra-2
ANOVA
Una va
Dos vas
Correlacin
Regresin
Residuos
distribuidos
normalmente
409
Resumen de pruebas de Hiptesis

Datos Normales
Datos No Normales
Pruebas de Variancias
Pruebas de Varianzas
X2 : Compara la variancia de una
Homogeneidad de la varianza de
muestra con una variancia de un Levene : Compara dos o ms
universo conocido.
varianzas de muestras de la misma
poblacin.
Prueba F : Compara dos varianzas
de muestras.
Homogeneidad de la variancia de
Bartlett: Compara dos o ms
varianzas muestras de la misma
poblacin.
410
Resumen de pruebas de Hiptesis

Datos Normales
Pruebas de los Promedios
Datos No Normales
Pruebas de la Mediana
Prueba t de 1 muestra : Prueba si el promedio

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

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

dos variables.
Regresin : Define la relacin lineal entre una
variable dependiente y una independiente.
(Aqu la "normalidad" se aplica al valor
residual de la regresin)
411
Acciones a tomar con datos No Normales

Revise y asegrese de que los datos no siguen una distribucin normal.
Desarrollar una Prueba de normalidad (para verificar realmente lo

anormal. Para la prueba de Bartlet el valor de p debe ser < 0.05)
Desarrollar una Prueba de Corridas (para verificar que no existen
sucesos no aleatorios que puedan haber distorsionado la informacin)
Revisar la informacin para detectar errores (tipogrficos, etc.).
Investiguar los valores atpicos.
Una muestra pequea (n < 30) proveniente de un universo normal, se
mostrar algunas veces como anormal.
Intentar transformar los datos. Las transformaciones comunes incluyen:
- Raz cuadrada de todos los datos
- Logaritmo de todos los datos
- Cuadrado de todos los datos
Si la informacin es todava anormal, entonces usar las herramientas no
paramtricas.
412
7B8. Definiciones
Promedio : Es la media aritmtica de la informacin. Es la suma de todos

los datos, dividida entre el nmero de datos de referencia.
Mediana: Valor del punto medio de los datos, cuando se ordenan en forma
ascendente (en caso de datos pares, obtener promedio).
Moda : Valor que se repite con ms frecuencia sobre el conjunto de datos.

Ejemplo:
Se cuestion a veinte personas sobre cunto tiempo les tomaba estar
listas para ir a trabajar, en las maanas. Sus respuestas (en minutos) se
muestran ms adelante. Cules son el promedio y la mediana para esta
muestra?
30, 37, 25, 35, 42, 35, 35, 47, 45, 60
39, 45, 30, 38, 35, 40, 44, 55, 47, 43
413
Un dibujo dice ms que mil palabras

Promedio
Mediana
28.0
35.0
42.0
49.0
56.0
63.0
C1
++++++
Promedio = 40.35
Mediana = 39.5
El promedio puede estar influenciado considerablemente por los

valores atpicos porque, cuando se calcula un promedio, se incluyen
los valores reales de estos valores.
La mediana, por otra parte, asigna la misma importancia a todas las
observaciones, independientemente de los valores reales de los
valores atpicos, ya que es la que sencuentra en la posicin media de
los valores ordenados.
414
Pruebas Alternativas Analoga

comnmente
con datos normales
usadas
Prueba de Corridas (la misma
Pruebas para datos No normales
Prueba de Corridas : Calcula la

probabilidad de que un X nmero de
puntos de referencia, est por encima o
por debajo del promedio aleatoriamente.
Prueba de signos, de 1 muestra :

Prueba la probabilidad de que la
mediana de la muestra, sea igual al valor
hipottico.
Prueba Mann-Whitney : Comprueba el

rango de dos muestras, por la diferencia
entre dos medianas del universo.
Prueba t de 2 muestras
Prueba de la Mediana de Mood :

Prueba para ms de dos medianas del
universo. Ms robusta para los valores
atpicos o para los errores en la
informacin.
ANOVA de un factor
prueba para ambos tipos de

informacin)
Prueba t de una muestra
415
Prueba de Rachas
Considere los siguientes datos (que se muestran aqu en orden cronolgico):
325, 210, 400, 72, 150, 145, 110, 507, 56, 120, 99, 144, 110, 110,
320, 290, 101, 0, 80, 500, 201, 50, 140, 80, 220, 180, 240, 309, 80
Es importante tener los datos registrados en orden cronolgico.

Una representacin grfica de los datos se asemeja a esto:
600
Promedio
500
Primera
"corrida"
400
300
200
100
0
Segunda racha"
Racha: Un punto o una serie consecutiva de puntos que caen
en un lado del promedio.
Nmero total de Rachas: 12
Nmero total de puntos > al promedio: 11
Nmero total de puntos < al promedio: 18
Prueba de Rachas
Ho: Los datos son aleatorios
Ha:Los datos NO so aleatorios
Prueba de Rachas
Promedio K = 184.4483
Promedio
Nmero de rachas observado = 12

Nmero de rachas esperado = 14.6552
=> No se rechaza Ho
11 observaciones por encima de K; 18 por
debajo
La prueba es significativa en p= 0.2860
No se puede rechazar Ho con valor alfa = 0.05
Este es el valor p
de las Prueba de
Corridas
Ya que p > 0.05, no podemos rechazar la hiptesis nula.

Los datos son aceptados, siendo aleatorios.
Clculos de la Prueba de Rachas

El estadstico Z cuando n > 20 se calcula como:
Z = (G - MediaG) / DesvStG
Con MediaG = 1 + (2n1*n2) / (n1 + n2)
DesvStG = Raiz [ (2n1*n2) (2n1*n2 - n1 -n2) / (n1 + n2)^2* (n1+n2 -1)
Del ejemplo anterior G = 12;
MediaG = 14.655
n1 = 11n2 = 18
DesStG = 2.4843
Z1 = (12 - 14.655) / 2.4843 = -1.0687

P(Z1) = 0.1430 y para dos colas se tiene
P(Z1) + P(Z2) = 0.2860 > Alfa crtico de 0.05, no rechazndose Ho
Si las n1 y n2 son menores a 21, entonces se consulta la tabla de
valores crticos para el nmero de Rachas G
418
Corrida con Minitab
Stat > Nonparametrics > Runs Test

Variable C1, Above and below the mean
Runs Test: C1
Runs test for C1
Runs above and below K = 184.448
The observed number of runs = 12
The expected number of runs = 14.6552
11 observations above K, 18 below
P-value = 0.285
P > 0.05
No rechazar
Ho
419
Prueba de Signos de la Mediana

Ho : La mediana de la muestra es igual a la mediana de la hiptesis
Ha : Las medianas son diferentes
Ejemplo (usando los datos del ejemplo anterior):
Ho: Valor de la mediana = 115.0
Ha: Valor de la mediana diferente de 115.0
N DEBAJO IGUAL ENCIMA VALOR P MEDIANA
29 12
0
17
0.4576
144.0
Ya que p >0.05, no se puede rechazar la hiptesis nula.
No se puede probar que la mediana real y la mediana hipottica son
diferentes.
En las pginas siguientes se muestra el detalle del clculo.
420
Clculos de la Prueba de Signos de la

Mediana
Ejemplo:
Con los datos del ejemplo anterior y ordenndo de menor a
mayor se tiene:
No.
1
2
3
4
5
6
7
8
9
10
Valor
0
50
56
72
80
80
80
99
101
110
n = 29, Mediana de Ho = 115

Signo
-
No.
11
12
13
14
15
16
17
18
19
20
Valor
110
110
120
140
144
145
150
180
201
210
Signo
+
+
+
+
+
+
+
+
No.
21
22
23
24
25
26
27
28
29
Valor
220
240
290
309
320
325
400
500
507
Signo
+
+
+
+
+
+
+
+
+
Con la mediana en 144. Si el valor contra el cual se desea

probar es 115, entonces hay 12 valores por debajo de el (-) y 17
valores por arriba (+).
421
Clculos de la Prueba de Signos de la

Mediana
El estadstico X es el el nmero de veces que ocurre el signo menos
frecuente, en este caso el 12 (-).
Cmo n 25, se calcula el estadstico Z para la prueba de signos con:
Z = [ (Y + 0.5) - (0.5*n) ]/ 0.5 n
En este caso Z1 = - 0.74278 y P(Z1) = 0.2288 para la cola izquierda
en forma similar P(Z2) 0-2288 para la cola derecha, por lo que la
probabilidad total es 0.4576 >> 0.05 del criterio de rechazo.
Si n hubiera sido < 25 entonces se hubiera consultado la tabla de
valores crticos para la prueba de signo.
422

Es esto correcto?144 podra ser igual a 115?
Bueno, veamos una grfica de la informacin
115
100
200
300
400
500
144
Despus de todo, tal vez

esto SEA lo correcto. 423
Corrida en Minitab
Stat > Nonparametrics > 1-Sample sign Variable C1

Confidence interval 95% Test Median 115 Alternative Not
equal
SignTestforMedian:Signos
Signtestofmedian=115.0versusnot
=115.0
NBelowEqualAbove
PMedian
Signos2912017
0.4583144.0
Como P > 0.05 no se rechaza Ho y la mediana es 115
424

Para observaciones pareadas
Calificaciones de amas de casa a dos limpiadores de
ventanas:
Ho: p = 0.5 no hay preferencia de A sobre B

Ha: p<>0.5
Ama
Casa
Limpiad
or
10
Hay evidencia que indique

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

Product
o
Media = 0.5*n
Desv. Estand.= 0.5*raiz(n)
Zc = (Y media) / Desv. Estn

Rechazar Ho si Zc ><Zalfa/2
Familia
10
Hay evidencia que indique

cierta preferencia por un
Producto A o B?
426

Media = 0.5*11 = 5.5
Desv. Estand.= 0.5*raiz(n) = 1.67
Para Zc = (8 5.5) / 1.67 = 1.497
Zexcel = 1.96 para alfa/2 = 0.025
Como Zc < Zexcel no se rechaza Ho o
Como p value = 0.067 > 0.025
No hay evidencia suficiente de que los
Consumidores prefieran al producto B
427
Wilconox
Es la alternativa no paramtrica de la prueba paramtrica de
muestras pareadas
Ejemplo: HO: Las poblaciones son idnticas Ha: Caso

contrario
Trabaja Mtodo Mtodo Diferen Abs(difere
Rango
dor
1
2
cias
n.)
Rango
c/signo
10.2
9.5
0.7
0.7
9.6
9.8
-0.2
0.2
-2
9.2
8.8
0.4
0.4
3.5
3.5
10.6
10.1
0.5
0.5
5.5
5.5
9.9
10.3
-0.4
0.4
3.5
-3.5
10.2
9.3
0.9
0.9
10
10
10.6
10.5
0.1
0.1
10
10
Eliminar
11.2
10.6
0.6
0.6
10
10.7
10.2
0.5
0.5
5.5
5.5
11
10.6
9.8
0.8
0.8
9
T = 428
44
Prueba rango con signo de

Wilconox
Distribucin muestral T para poblaciones idnticas
Se aproxima a la distribucin normal para n >= 10
T 0
n(n 1)(2n 1)
6
En este caso n = pares eliminando las que son iguales con dif. = 0 para el
trabajador 8.
= raiz(10 x 11 x 21/6) = 19.62
Z = (T )/ = 44/19.62 = 2.24
Z alfa/2 = Z0.025 = 1.96
Como Zc = 2.24 > Z0.025 se rechaza Ho, los mtodos son diferentes
429
Prueba en Minitab para prueba

de mediana con Wilconox
File> Open worksheet > Exh_Stat

Stat > Nonparametrics > 1-Sample Wilconox
Variables C1 Test Median 77
Altenative Not equal
Wilcoxon Signed Rank Test: Achievement

Test of median = 77.00 versus median not = 77.00
for Wilcoxon
Estimated
for Wilcoxon
Estimated
N Test Statistic
P
Median
Achievement 9
8
19.5 0.889
77.50
Ho: Mediana = 77 Ha: Mediana <> 77
Como P de 0.889 >> alfa de 0.05 no se rechaza Ho
Achievement
77
88
85
74
75
62
80
70
83
430
Prueba de MannWhitney
Se llev a cabo un estudio que analiza la frecuencia del pulso en dos
grupos de personas de edades diferentes, despus de diez minutos de
ejercicios aerbicos.
Los datos resultantes se muestran a continuacin.
Edad 40-44
C1
Tuvieron diferencias
140
significativas las frecuencias de
135
pulso de ambos grupos?
150
140
144
154
160
144
136
148
Edad 16-20
C2
130
166
128
126
140
136
132
128
124
431
Ordenando los datos y asignndoles el (rango) de su posicin relativa se tiene (promediando

posiciones para el caso de que sean iguales):
Edad 40-44
C1
(7) 135
(8.5) 136
(11) 140
(11) 140
(13.5) 144
(13.5) 144
(15) 148
(16) 150
(17) 154
(18) 160
Edad 16-20
C2
(1) 124
(2) 126
(3.5) 128
(3.5) 128
(5) 130
(6) 132
(8.5) 136
(11)140
(15)166
n1 = 10
Ta = 130.5
n2 = 9
Tb = 55.5
432
Ho: Las distribuciones de frecuencias relativas de las poblaciones A y B son iguales
Ha: Las distribuciones de frecuencias relativas poblacionales no son idnticas
Ho: 1 = 2
Ha: 1 2
1, 2 = Medianas de las poblaciones
Ordenando los datos y asignndoles su posicin relativa se tiene:
Ua = n1*n2 + (n1) * (n1 + 1) /2 - Ta
Ub = n1*n2 + (n2) * (n2 + 1) /2 - Tb
Ua + Ub = n1 * n2
Ua = 90 + 55 - 130.5 = 14.5
P(Ua) = 0.006
Ub = 90 + 45 - 55.5 = 79.5
El menor de los dos es Ua.
Para alfa = 0.05 el valor de Uo = 25
Como Ua < 25 se rechaza la Hiptesis Ho de que las medianas son iguales.
Dado que p < 0.05, rechazamos la hiptesis nula.

Estadsticamente existe una diferencia significativa entre los
433
dos grupos de edad.
Ho: Las distribuciones de frecuencias relativas de las poblaciones A y B son iguales
Ha: Las distribuciones de frecuencias relativas poblacionales no son idnticas
Ua = 14.5
Ub = 79.5
Utilizando el estadstico Z y la distribucin normal se tiene:
45
12.24
Z = [ (U - (n1* n2 / 2 ) / Raiz (n1 * n2 * (n1 + n2 + 1) / 12)
Con Ua y Ub se tiene:
Za = (14.5 - 45) / 12.24 = - 2.49 P(Z) = 0.0064 similar a la anterior
Zb = (79.5 -45) / 12.24 = 2.81 P(total) = 2 * 0.0064 = 0.0128 menor = 0.05
El valor crtico de Z para alfa 0.025 por ser prueba de dos colas, es 1.96.
Como Za > Zcrtico se rechaza la Hiptesis Ho de que las medianas son iguales.
Dado que p < 0.05, rechazamos la hiptesis nula.

Estadsticamente existe una diferencia significativa entre los
434
dos grupos de edad.
Prueba de Mann-Whitney
16-20 aos de edad
40-44 aos de
edad
140
135
150
140
144
154
160
144
136
148
130
10
5
20
10
14
24
30
14
6
18
166
-26
-31
-16
-26
-22
-12
-6
-22
-30
-18
128
12
7
22
12
16
26
32
16
8
20
126
14
9
24
14
18
28
34
18
10
22
140
0
-5
10
0
4
14
20
4
-4
8
136
4
-1
14
4
8
18
24
8
0
12
132
8
3
18
8
12
22
28
12
4
16
128
12
7
22
12
16
26
32
16
8
20
124
16
11
26
16
20
30
36
20
12
24
Diferencias entre los encabezados de

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

First Sample C1 Second Sample C2 Conf. Level 95%
Alternative Not equal
Mann-Whitney Test and CI: C1, C2

N Median
P>0.05
C1 10 144.00
Se rechaza Ho
C2 9 130.00
Point estimate for ETA1-ETA2 is 12.00
95.5 Percent CI for ETA1-ETA2 is (4.01,20.00)
W = 130.5
Test of ETA1 = ETA2 vs ETA1 not = ETA2 is significant at 0.0
The test is significant at 0.0140 (adjusted for ties)
436
Prueba de Kruskal
Wallis
Ordenando los datos de ventas y asignndoles el (rango) de su posicin relativa se tiene
(promediando posiciones para el caso de que sean iguales):
Zona 1
(15.5) 147
(17.5) 17.5
(9) 128
(19) 162
(12) 135
(10) 132
(22) 181
(13) 138
Zona 2
(17.5) 160
(14) 140
(21) 173
(4) 113
(1) 85
(7) 120
(25) 285
(5) 117
(11) 133
(6) 119
Zona 3
(24) 215
(8) 127
(2) 98
(15.5) 127
(23) 184
(3) 109
(20) 169
n1 = 8
Ta = 118
n2 = 10
Tb = 111.5
n3 = 7
Tc = 95.5
N = n1 + n2 + n3 = 25
437
Prueba de Kruskal
Wallis
Ho: Las poblaciones A, B y C son iguales

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

diferencia entre las poblaciones
438
Corrida en Minitab
Stat > Nonparametrics > Kruskal Wallis

Response C1 Factor C2 OK
Kruskal-Wallis Test: Datos versus Factor

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

de una va. La prueba es robusta contra Outliers y errores en
datos y es adecuada para anlisis preliminares
Determina si K grupos independientes han sido extraidas de la

misma poblacin con medianas iguales o poblaciones con formas
similares
Con base en la gran mediana, anotar un signo positivo si la

observacin excede la mediana o un signo menos si es menor.
Los valores que coincidan se reparten en los grupos
Hacer una tabla de contingencia K x 2 con las frecuencias de

signos ms y menos en cada grupo K
440
Prueba de Medianas de Mood
Se determina el estadstico Chi Cuadrada con:
(O E )

E
2
Probar Ho: Todas las medianas son iguales

Ha: Al menos una mediana es diferente
Se compara Chi Cuadrada calculada con Chi Cuadrada de
alfa para 0.05 y (reng 1)*(Col 1) grados de libertad
441
Corrida con Minitab

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

Stat > Nonparametrics > Moods Median Test
Response Otis Factor ED Ok
442
Corrida con Minitab

Mood Median Test: Otis versus ED
Mood median test for Otis
P>0.05
Chi-Square = 49.08
DF = 2
P = 0.0005 Se
rechaza Ho
Individual 95.0% CIs
ED N<= N> Median Q3-Q1 ----+---------+--------+---------+-0
47 9
97.5 17.3 (-----*-----)
29 24 106.0 21.5
15 55 116.5 16.3
(------*------)
(----*----)
----+---------+---------+---------+--
443
Diseos factoriales aleatorias

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

Resultados de salida:
Se muestra el estadstico de prueba con
distribucin Chi Cuadrada aproximada con gl =
Tratamientos 1.
Si hay observaciones parecidas en uno o ms

bloques, se usa el rango promedio y se muestra el
estadstico corregido
La mediana estimada es la gran mediana ms el

efecto del tratamiento
445

Ejemplo:
Se evala el efecto del tratamiento de una
droga en la actividad enzimtica con tres
niveles, probado en cuatro animales
Open the worksheet EXH_STAT.MTW.

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

Datos:
EnzymeActivity
Therapy
Litter
0.15
0.26
0.23
0.99
0.55
0.26
-0.22
0.99
0.55
0.66
0.77
0.99
447

Resultados:
Friedman Test: EnzymeActivity versus

Therapy blocked by Litter
S = 2.38 DF = 2 P = 0.305 No
rechazar Ho
S = 3.80 DF = 2 P = 0.150 (adjusted for
ties)
Sum
of
Therapy N Est Median Ranks
1
0.2450
6.5
0.3117
7.0
0.5783 10.5
448

Resultados:
El estadstico de prueba S tiene un valor P de 0.305 sin
ajustar para observaciones en cero y 0.150 para el valor
ajustado.
Por tanto no hay evidencia suficiente para rechazar Ho
Las medianas estimadas asociadas con los tratamientos son

la gran mediana ms los efectos estimados de los
tratamientos.
El estadstico de prueba se determina con base a los rangos

en cada bloque y totales
449

Resultados:
450

Resultados:
451

Resultados:
452
Prueba de igualdad de
varianzas de Levene
Se usa para probar la hiptesis nula de que las varianzas

de k mltiples poblacionales son iguales
Las igualdad de varianzas en las muestras se denomina

homogeneidad de varianzas
La prueba de Levene es menos sensible que la prueba

de Bartlett o la prueba F cuando se apartan de la
normalidad
La prueba de Bartlett tiene un mejor desempeo para la

distribucin normal o aproximadamente normal
453
Prueba de igualdad de
varianzas de Levene
Para dos muestras el procedimiento es como sigue:
Determinar la media
Calcular la desviacin de cada observacin respecto a

la media
Z es el cuadrado de las desviaciones respecto a la

media
Aplicar la prueba t a las dos medias de los datos
454
Rot
Temp
Oxygen
13
10
10
10
10
10
10
15
10
10
10
10
10
10
26
16
19
16
24
16
15
16
22
16
18
16
20
16
10
24
16
10
16
10
Prueba de igualdad 11
3
de Varianzas-Minitab10
Se estudian tamaos de papa
inyectando con bacterias y
sujetas a diferentes
temperaturas. Antes del
ANOVA se verifica la
igualdad de varianzas
Stat > ANOVA > Test for

equal variances
Response Rot
Factors Temp Oxigen
Confidence level 95%
455
Resultados
456
Resultados
Test for Equal Variances: Rot versus Temp, Oxygen
95% Bonferroni confidence intervals for standard
deviations
Temp Oxygen N
Lower
StDev
Upper
10
2 3 2.26029 5.29150 81.890
10
6 3 1.28146 3.00000 46.427
10
10 3 2.80104 6.55744 101.481
16
2 3 1.54013 3.60555 55.799
16
6 3 1.50012 3.51188 54.349
16
10 3 3.55677 8.32666 128.862
Bartlett's Test (normal distribution)

Test statistic = 2.71, p-value = 0.744 P>0.05 no
rechazar Ho
Levene's Test (any continuous distribution)
457
Prueba de la concordancia del

Coeficiente de Kendall
El coeficiente expresa el grado de asociacin entre las

calificaciones mltiples realizadas por un evaluador
Ho: Las variables son independientes

Ha: Las variables estn asociadas
Kendall usa la informacin relacionada con las

calificaciones relativas y es sensible a la seriedad de
mala clasificacin
Por ejemplo para K = jueces N = Muestras = 10

Rango medio = 220 / 22 S = 1066 Gl = n-1 = 9
Chi Cuadrada crtica = X2 0.01,9 = 21.67
458
Prueba de la concordancia del

Coeficiente de Kendall
El Estadstico Chi Cuadrada calculado es:
Como Chi Cuadrada de alfa es menor que la calculada,

los cuatro jueces estn asociados significativamente.
Constituyen un panel uniforme. No quiere decir que
estn en lo correcto, solo que responden de manera
uniforme a los estmulos
459
El coeficiente de correlacin de
rangos de Spearman (rs)
El coeficiente de correlacin es una medida de la

asociacin que requiere que ambas variables sean
medidas en al menos una escala ordinal de manera que
las muestras u observaciones a ser analizadas pueden
ser clasificadas en rangos en dos series ordenadas 2
r 1
Ho: Las variables son independientess

Ha: Las variables estn asociadas
6 d
N N
3
Para el ejemplo anterior si N = 10, el coeficiente es:
6(5.5)
rs 1
1 0.03 0.97
990
460
de rangos para monotona
de preferencias
Una persona interesada en adquirir un TV asigna
rangos a modelos de cada uno de 8
fabricantes
Rang
Fab.
Preferencia
Precio
(rango)
o
Di
449.50 (1)
36
525.00 (5)
-1
479.95 (3)
-1
499.95 (4)
580.00 (8)
-7
49
549.95 (7)
-4
16
469.95 (2)
36
532.50 (6)
-1
Di
cuadrada
461
de rangos para monotona
de preferencias
Ho: No existe asociacin entre los rangos
Ha: Existe asociacin entre los rangos o es positiva o negativa
El coeficiente de correlacin de rangos de Spearman es:
Rs = 1 6*suma(di cuadrada) / (n(n cuadrada 1))
En este caso: Rs = 1 6(144)/(8*(64-1) = -0.714
R0 se determina de la tabla de Valores crticos del coeficiente de
correlacin del coeficiente de correlacin de rangos de
Spearman
Rt = 0.686
Por tanto si hay asociacin significativa en las preferencias
462
Tabla de constantes
n
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
Alfa=0.05
0.900
0.829
0.714
0.643
0.600
0.564
0.523
0.497
0.475
0.457
0.441
0.425
0.412
0.388
0.377
0.368
0.359
0.351
0.343
0.336
0.329
0.329
0.323
0.317
0.311
0.305
Alfa = 0.025
0.886
0.786
0.738
0.683
0.648
0.623
0.591
0.566
0.545
0.525
0.507
0.490
0.476
0.462
0.450
0.438
0.428
0.418
0.409
0.400
0.392
0.385
0.377
0.370
0.364
463
Corrida con Minitab

Para la corrida en Minitab primero
se deben determinar los
rangos en forma manual para
las variables X y Y.
Stat > Basic statistics >
Correlation
Variables Preferencia Precio
Fabric Prefeante rencia Precio
Preci
o
449
525
479
Correlations: Preferencia,
Precio
499
580
Pearson correlation of
Preferencia and Precio =
-0.714
549
469
532
P-Value = 0.047
464
Ejemplo con Minitab

Se estudia la relacin entre
colgeno y Proline en
pacientes con cirrosis
Stat > Basic statistics >
Correlation
Variables Colgeno Proline
Correlations: Colageno,
Proline
Pearson correlation of
Colageno and Proline =
0.935
P-Value = 0.002
Paciente
Colgeno
Proline
7.1
2.8
7.1
2.9
7.2
2.8
8.3
2.6
9.4
3.5
10.5
4.6
11.4
465
Resumen de pruebas
no paramtricas
Prueba de signos de 1 muestra: Prueba la igualdad de la

mediana a un valor y determina el intervalo de
confianza
Prueba de Wilconox de 1 muestra: Prueba la igualdad de

la mediana a un valor con rangos con signo y determina
el intervalo de confianza
Comparacin de dos medianas poblacionales de Mann

Whitney: Prueba la igualdad de las medianas y
determina el intervalo de confianza
466
Resumen de pruebas
no paramtricas
Comparacin de igualdad de medianas poblacionales de

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

Prueba la igualdad de medianas con un diseo de una
va
467
468
469
VI.C Anlisis del Modo y

Efecto de Falla (FMEA)
470
Qu es el FMEA?
El Anlisis de del Modo y Efectos de Falla es un grupo
sistematizado de actividades para:
Reconocer y evaluar fallas potenciales y sus efectos.
Identificar acciones que reduzcan o eliminen las

probabilidades de falla.
Documentar los procesos con los hallazgos del

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

Failure Mode, Effects and Criticality Analysis
471
Propsitos del FMEA
Mejorar la calidad, confiabilidad y seguridad de los

productos y procesos evaluados
Reducir el tiempo y costo de re-desarrollo del

producto
Documenta y da seguimiento a acciones tomadas

para reducir el riesgo
Soporta el desarrollo de planes de control robustos
472
Propsitos del FMEA
Soporta el desarrollo de planes de verificacin del

desarrollo de diseo robusto
Apoya a priorizar y enfocarse en eliminar/reducir

problemas de proceso y producto y/o previene la
ocurrencia de problemas
Mejora la satisfaccin del cliente/consumidor
473
Tipos del FMEA
AMEF de concepto (CFMEA)

A nivel de sistema, subsistema y componente
AMEF de diseo (DFMEA)
AMEF de Proceso (PFMEA)
AMEF de maquinaria (como aplicacin del

DFMEA)
474
Tipos de FMEAs
FMEA de Diseo (AMEFD), su propsito es analizar

como afectan al sistema los modos de falla y
minimizar los efectos de falla en el sistema. Se
usan antes de la liberacin de productos o
servicios, para corregir las deficiencias de diseo.
FMEA de Proceso (AMEFP), su propsito es analizar

como afectan al proceso los modos de falla y
minimizar los efectos de falla en el proceso. Se
usan durante la planeacin de calidad y como
apoyo durante la produccin o prestacin del
servicio.
475
PFMEA o AMEF de Proceso

Fecha lmite:
Concepto
Prototipo
Pre-produccin /Produccin
FMEAD
FMEAP
FMEAD
Falla
Controles
FMEAP
Caracterstica de Diseo
Forma en que el
producto o servicio falla
Paso de Proceso
Forma en que el proceso falla
al producir el requerimiento
que se pretende
Tcnicas de Diseo de
Verificacin/Validacin
Controles de Proceso
476
Flujo del FMEA y su rol

en evitar el Modo de Falla
DFMEA
Es un anlisis detallado de los modos de falla
potenciales relacionados con las funciones
primarias y de interfases del sistema.
Es el documento primario para demostrar que

se han evitado errores e identifica los controles
y acciones para reducir los riesgos asociados
477
Beneficios de los tipos de FMEA

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

requerimientos funcionales y alternativas de diseo
Evaluar los diseos iniciales sobre requerimientos

de manufactura, ensamble, servicio y reciclado
Incrementar la probabilidad de que los modos de

falla potencial y sus efectos en el sistema y
operacin del producto se han considerado en el
procesos de diseo/desarrollo
478

FMEA de Diseo
Proporcionar informacin adicional como apoyo en

la planeacin exhaustiva de programas de diseo
eficiente, desarrollo y validacin
Desarrollo de una lista priorizada de modos de

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

para recomendar y dar seguimiento de acciones
que reduzcan el riesgo
479

FMEA de Proceso
Los beneficios de un FMEA de proceso incluyen:
Identifica las funciones y requerimientos del proceso
Identifica modos de falla potenciales relacionados

con el producto y proceso
Evala los efectos de las fallas potenciales con el

cliente
Identifica las causas potenciales en el proceso de

manufactura
Identifica las variables de proceso en las cuales hay

que enfocarse para reducir las fallas muy lejanas
480

FMEA de Proceso
Los beneficios de un FMEA de proceso incluyen:
Identificar las variables del proceso centrandose en la

ocurrencia
Reduccin o deteccin de las condiciones de falla
Identificar variables del proceso a las cuales enfocar

el control
Desarrollar una lista ordenada clasificada de modos

de falla estandarizados para establecer un sistema
de prioridades
481

FMEA de Proceso
Sistema del prioridad del riesgo para consideraciones

de acciones preventivas y correctivas
Documentar los resultados del proceso de

manufactura o proceso de ensamble
Documenta los resultados del proceso de

manufactura o ensamble
Identifica deficiencias del proceso para orientar

a establecer controles para reducir la ocurrencia
de productos no conformes o en mtodos para
mejorar su deteccin
482

FMEA de Proceso
Identifica caractersticas crticas y/o

significativas confirmadas
Apoya en el desarrollo de Planes de Control a

travs de todo el proceso de manufactura
Identifica aspectos de preocupacin en relacin

con la seguridad del operador
Retroalimenta informacin sobre cambios de

diseo requeridos y factibilidad de manufactura
a las reas de diseo
483

FMEA de Proceso
Se enfoca a modos de falla potenciales del

producto causados por deficiencias de manufactura
o ensamble
Confirma la necesidad de controles especiales en

manufactura y confirma las Caractersticas
Especiales designadas en el DFMEA
Identifica modos de falla del proceso que pudieran

violar las reglamentaciones del gobierno o
comprometer la seguridad del personal,
identificando otras Caractersticas especiales de
Seguridad del operador (OS) y con alto impacto (HI)
484
Salidas del FMEA de Proceso
Una lista de modos potenciales de falla
Una lista de Caracterticas crticas y/o

significativas
Una lista de caractersticas relacionadas con la

seguridad del operador y con alto impacto
Una lista de controles especiales recomendados

para las Caractersticas Especiales designadas y
consideradas en el Plan de control
485
Salidas del FMEA de Proceso
Una lista de procesos o acciones de proceso

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

dibujos de ensamble
486
Modos de fallas vs
Mecanismos de falla
El modo de falla es el sntoma real de la falla

(altos costos del servicio; tiempo de entrega
excedido).
Mecanismos de falla son las razones simples o

diversas que causas el modo de falla (mtodos
no claros; cansancio; formatos ilegibles) o
cualquier otra razn que cause el modo de
falla
487
Definiciones
Modo
Modo de
de Falla
Falla
--La
Laforma
formaen
enque
queun
unproducto
productoooproceso
procesopuede
puedefallar
fallarpara
para
cumplir
cumplircon
conlas
lasespecificaciones
especificacionesoorequerimientos.
requerimientos.
--Normalmente
Normalmentese
seasocia
asociacon
conun
un Defecto,
Defecto, falla
fallaooerror.
error.
Diseo
Proceso
Diseo
Proceso
Alcance
Omisiones
Alcanceinsuficiente
insuficiente
Omisiones
Recursos
Recursosinadecuados
inadecuados Monto
Montoequivocado
equivocado
Servicio
Serviciono
noadecuadoTiempo
adecuadoTiempode
derespuesta
respuestaexcesivo
excesivo
488
Definiciones
Efecto
Efecto
--El
Elimpacto
impactoen
enel
elCliente
Cliente cuando
cuandoel
elModo
Modode
deFalla
Fallano
nose
se
previene
previeneni
nicorrige.
corrige.
--El
Elcliente
clienteooel
elsiguiente
siguienteproceso
procesopuede
puedeser
serafectado.
afectado.
Ejemplos:
Ejemplos:
Diseo
Diseo
Serv.
Serv.incompleto
incompleto
Operacin
Operacinerrtica
errtica
Proceso
Proceso
Servicio
Serviciodeficiente
deficiente
Claridad
Claridadinsuficiente
insuficiente
Causa
Causa
--Una
Unadeficiencia
deficienciaque
quegenera
generael
elModo
Modode
deFalla.
Falla.
--Las
Lascausas
causasson
sonfuentes
fuentesde
de Variabilidad
Variabilidad asociada
asociadacon
con
variables
de
Entrada
Claves
variables de Entrada Claves
Ejemplos:
Ejemplos:
Diseo
Diseo
Material
Materialincorrecto
incorrecto
Demasiado
Demasiadoesfuerzo
esfuerzo
requerimientos
requerimientos
Proceso
Proceso
Error
Erroren
enservicio
servicio
No
No cumple
cumple
489
Preparacin
Preparacin del
del AMEF
AMEF
Se recomienda que sea un equipo

multidisciplinario
El responsable del sistema, producto o

proceso dirige el equipo, as como
representantes de las reas involucradas y
otros expertos en la materia que sea
conveniente.
490
Cuando iniciar un FMEA?
Al disear los sistemas, productos y procesos nuevos.

Al cambiar los diseos o procesos existentes o que
sern usados en aplicaciones o ambientes nuevos.
Despus de completar la Solucin de Problemas (con el

fin de evitar la incidencia del problema).
El AMEF de diseo, despus de definir las funciones del

producto, antes de que el diseo sea aprobado y
entregado para su manufactura o servicio.
El AMEF de proceso, cuando los documentos preliminares

del producto y sus especificaciones estn disponibles.
491
FMEA de Diseo - DFMEA
492
AMEF de Diseo
El DFMEA es una tcnica analtica utilizada por

el equipo de diseo para asegurar que los
modos de falla potenciales y sus
causas/mecanismos asociados, se han
considerado y atendido
493
AMEF de Diseo
El proceso inicia con un listado de lo que se espera

del diseo (intencin) y que no har el diseo
Las necesidades y expectativas de los clientes de

determinan de fuentes tales como el QFD,
requerimientos de diseo del producto, y/o
requerimientos de manufactura/ensamble/servicio.
Entre mejor se definan las caractersticas

deseadas, ser ms fcil identificar Modos de de
falla potenciales para toma de acciones correctivas
/ preventivas.
494
Equipo de trabajo
El equipo se divide en dos secciones:
El equipo central (core) que participa en

todas las fases del FMEA y el equipo de
soporte que apoya conforme es requerido
El apoyo de la alta direccin es crucial para el

xito
495
Alcance del DMEA
El alcance se establece en el Diagrama de

lmites (Boundary Diagram) por medio de
consenso con el equipo de:
Qu se va incluir? Qu se va a excluir?
Establecer los lmites adecuados antes de

hacer el DFMEA evitar entrar en reas que no
se estn revisando o creando, para asegurar
que el equipo adecuado realice el anlisis
496
Alcance del DMEA
Para determinar la amplitud del alcance, se deben hacer

las decisiones siguientes:
Determinar la estabilidad del diseo o desarrollo del

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

discusin o la necesidad debe determinarse?
Qu tan avanzado va el diseo o proceso para su

terminacin? Tendr cambios
497
Entradas al DFMEA
Herramientas de robustez
Su propsito es reducir la probabilidad de

campaas de calidad, mejorar la imagen,
reducir reclamaciones de calidad e
incrementar la satisfaccin del cliente
Se generan del diagrama P que identifica los

cinco factores de ruido, para ser atendidos a
tiempo haciendo al diseo insensible al ruido
498
Modelo DFMEA Paso 1

Funciones
Identificar todas las funciones en el alcance

Identificar como cada una de las funciones puede fallar
(Modos de falla)
Identificar un grupo de efectos asociados para cada
modo de falla
Identificar el rango de severidad para cada uno de los
grupos de efectos que prioriza los modos de falla
Si es posible recomendar acciones para eliminar los
modos de falla sin atender las causas
Completar pasos 2 y 3
499
Modelo DFMEA Paso 1

Funciones
La funcin da respuesta a Qu se supone que hace este

artculo?
Las funciones son intenciones del diseo o especs. de ing. y:
Se escriben en forma de verbo/nombre/caract. medible
La caracterstica Medible o SDS: Puede ser

verificada/validada; incluye parmetros adicionales o
parmetros de diseo como especificaciones de servicio,
condiciones especiales, peso, tamao, localizacin y
accesibilidad o requerimientos de estndares (v. gr.
EMVSS)
500
Modelo DFMEA Paso 1

Funciones
Las funciones representan las expectativas, necesidades y

requerimientos tanto explcitos como no explcitos de los
clientes y sistemas
Las funciones no pueden fallar si no son medibles o

especificadas
Ejemplos:
Almacenar fluido, X litros sin fugas
Controlar el flujo, X centmetros cbicos por segundo
Abrir con X fuerza
Mantener la calidad del fluido durante X aos bajo
condiciones de operacin
501
Modelo DFMEA Paso 1

Modos de falla potenciales
Son las formas en las cuales un componente, subsistema o

sistema pueden potencialmente no cumplir o proporcionar
la funcin intencionada, pueden ser tambin las causas
El Modo de falla en un sistema mayor puede ser el efecto

de un componente de menor nivel
Listar cada uno de los modos de falla potenciales

asociados con el artculo en particular y con su funcin
(revisar el historial de garantas y fallas o hacer tormenta
de ideas
Tambin se deben considerar modos de falla potenciales

que pudieran ocurrir slo bajo ciertas condiciones (vg.
Calor, fro, humedad, polvo, etc)
502
Modelo DFMEA Paso 1

Tipos de Modos de falla
potenciales
No funciona
Funciona parcialmente / sobre funcin /
degradacin con el tiempo
Funcin intermitente
A veces causado por los factores ambientales
Funcin no intencionada
Los limpiadores operan sin haber actuado el switch

El coche va hacia atrs an con la palanca en
Drive
503
Modelo DFMEA Paso 1

Preguntas para Modos Potenciales de falla
De que manera puede fallar este artculo para

realizar su funcin intencionada?
Qu puede salir mal (go wrong), a pesar de

que el artculo se fabrica de acuerdo al dibujo?
Cundo se prueba la funcin, como se

debera reconocer su modo de falla?
Dnde y cmo operar el diseo?

504
Modelo DFMEA Paso 1

Preguntas para Modos Potenciales de falla
Bajo que condiciones ambientales operar?

El artculo ser usado en ensambles de ms alto nivel?
Cmo interacta/interfase con otros niveles del diseo?
No introducir modos de fallas triviales que no pueden o

no ocurrirn
Asumiendo la funcin:
Almacenar fluido, X litros, 0 fugas, durante 10 aos
Sus modos de falla son:

Almacenar < X, presenta fugas
505
Modelo DFMEA Paso 1

Efectos Potenciales de falla
Se definen como los efectos del modo de falla en la

funcin percibida por el cliente. Qu puede notar o
experimentar ya sea interno o final
Establecer claramente si la funcin podra impactar a la

seguridad, o no cumplimiento de reglamentaciones
Los efectos se establecen en trminos de sisemas

especficos, subsistemas o componentes conforme sean
analizados
La intencin es analizar los efectos de falla al nivel de

experiecia y conocimiento del equipo.
506
Modelo DFMEA Paso 1

Efectos Potenciales de falla
Describir las consecuencias de cada uno de los modos

de falla identificados en:
Partes o componentes
Ensambles del siguiente nivel
Sistemas
Clientes
Reglamentaciones
NOTA. Todos los estados de error del diagrama P deben

ser incluidos en la columna de Modos de falla o efectos
del DMFEA
507
Modelo DFMEA Paso 1

Ejemplos de Efectos Potenciales de
falla
Ruidos
Operacin errtica no operable
Apariencia pobre olores desagradables
Operacin inestable
Operacin intermitente
Fugas
Ruido de radiofrecuencia (EMC)
508
Modelo DFMEA Paso 1

Severidad
Es la evaluacin asociada con el efecto ms serio de la

columna anterior. Habr slo una severidad para cada
modo de falla
Para reducir la severidad es necesario hacer un cambio

de diseo
La severidad se estima de la tabla siguiente
509
Rangos de Severidad (AMEFD)

Efecto
.
Rango
Criterio
No
Sin efecto
Muy poco
componente o
Cliente no molesto. Poco efecto en el desempeo del

servicio.
Poco
comp. o
Menor
desempeo
Cliente algo molesto. Poco efecto en el desempeo del

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

desempeo del componente o servicio.
Significativo
6
comp. o
salvo. Falla parcial,
El cliente se siente algo inconforme. El desempeo del

servicio se ve afectado, pero es operable y est a
pero operable.
Mayor
seriamente
El cliente est insatisfecho. El desempeo del servicio se ve

afectado, pero es funcional y est a salvo. Sistema afectado.
Extremo
Sistema
Cliente muy insatisfecho. Servicio inadecuado, pero a salvo.

inoperable.
Serio
perder
reglamento del
Efecto de peligro potencial. Capaz de descontinuar el uso sin

tiempo, dependiendo de la falla. Se cumple con el
gobierno en materia de riesgo.
Peligro
10
Efecto peligroso. Seguridad relacionada - falla repentina.
510
Modelo DFMEA Paso 1

Clasificacin
Cuando un modo de falla tiene un rango de severidad

de 9 o 10, existe una caracterstica crtica, se identifica
como YC y se inicia un FMEA de proceso
Estas caractersticas del producto afectan su funcin

segura y/o cumplimiento de reglamentaciones
gubernamentales y pueden requerir condiciones
especiales de manufactura, ensamble, abastecimiento,
embarque, monitoreo y/o acciones de inspeccin o
controles
511
Modelo DFMEA Paso 1

Acciones recomendadas
Eliminar el Modo de falla
Mitigar el efecto
Es necesario un nfasis especial en acciones posibles

cuando la severidad es 9 o 10. Para valores menores
tambin se pueden considerar acciones
Para eliminar el modo de falla considerar la accin:

Cambiar el diseo (vg. Geometra, material) si est
relaionado a una caracterstica del producto
512
Modelo DFMEA Paso 2

Identificar:
Las Causas asociadas (primer nivel y raz)
Su tasa de ocurrencia estimada
La designacin de la caracterstica adecuada (si

existe) a ser indicada en la columna de
clasificacin
Acciones recomendadas para Severidad y

Criticalidad alta (S x O)
513
Causa potencial o mecanismo de

falla
La causa potencial de falla se define como un

indicador de debilidad del diseo cuya
consecuencia es el modo de falla
Listar como sea posible, cada causa de falla

y/o mecanismo de falla para cada uno de los
modos de falla. El detalle de la descripcin
permitir enfocar los esfuerzos para atacar la
causa pertinente
514

falla
Se puede emplear un diagrama de Ishikawa o un rbol de falla
(FTA), preguntarse:
Qu circunstancia pudo causar que fallara el artculo para su
fncin?
Cmo podra fallar el artculo para cumplir con las
especificaciones?
Cmo pueden ser incompatibles artculos que interactan?
Qu informacin desarrollada en los diagramas P y Matriz de
Interfase pueden identificar causas potenciales?
Qu puede causar que el artculo no de la funcin
intencionada?
Qu informacin en el Diagrama de lmites pudo haberse
pasado que pueda causar este modo de falla?
En que puede contribuir el historial de 8Ds y FMEAs a las
causas potenciales?
515

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

Torque especificado demasiado bajo
Supuesto de confiabilidad inadecuada
Degradacin de parmetro del Componente
Calor excesivo
516

falla
Supuesto 2: El artculo puede incluir una deficiencia que
causa variabilidad introducida en el proceso de
ensamble o manufactura:
Especificar un diseo simtrico que permita que la parte

se pueda instalar desde atrs o de arriba a abajo
Torque incorrecto debido a que el hoyo est diseado

fuera de posicin
Cinturn equivocado debido a que el diseo es similar a

otro que es estndar tambin en uso
517

falla
Precauciones:
El DFMA no confa en los controles del proceso para subsanar
debilidades del diseo, pero toma en cuenta sus limitaciones
El objetivo es identificar las deficiencias del diseo que peuden

causar variacin inaceptable en el proceso de manufactura o
ensamble a travs de un equipo multidisciplinario
Las causas de variacin que no sean el resultado de directo de

deficiencias de diseo pueden identificarse en el DFMEA y ser
atendidas en el FMEA de Proceso
Otro objetivo es identificar las caractersticas que mejoren la

robustez del diseo que pueda compensar variaciones en
proceso
518
Modelo DFMEA Paso 2

Ocurrencia
Ocurrencia es la probabilidad de que una

causa/mecanismo (listado en la columna previa) ocurra
durante la vida del diseo
El rango de ocurrencia tiene un significado relativo ms

que sea absoluto
La prevencin o control de las Causas / Mecanismos del

modo de falla se realiza a travs de cambios de diseo o
cambios de diseo del proceso para reducir la
ocurrencia
519
Modelo DFMEA Paso 2

Estimacin de la Ocurrencia
Cul es el historial de servicio y campo experimentado

con artculos similares?
El artculo es similar al utilizado en niveles anteriores de
subsistemas?
El componente es radicalmente diferente de los
anteriores?
Ha cambiado la aplicacin del componente?
Se han instalado controles preventivos en el proceso?
Cules son los cambios en el ambiente?
Se ha realizado un anlisis anltico de la prediccin de
confiabilidad para estimar la tasa de ocurrencia?
520
Rangos de Ocurrencia (AMEFD)

Ocurrencia
Criterios
Remota
fallas
con
idntico
Falla improbable. No existen

asociadas con este producto o
un producto / Servicio casi
Muy Poca
con
Servicio
Slo fallas aisladas asociadas

este producto /
casi idntico
Poca
Fallas aisladas asociadas con

productos / Servicios similares
Moderada
Este producto / Servicio ha

tenido fallas ocasionales
Rango Probabilidad de Falla

1
<1 en 1,500,000
Zlt > 5
2
4.5
1 en 150,000
Zlt >
1 en 30,000
Zlt > 4
Alta
Este producto / Servicio ha

fallado a menudo
800
Muy alta
La falla es casi inevitable
2.5
1 en 4,500
Zlt > 3.5 5
Zlt > 3
1 en 150
7
1 en 50
8
1 en 15
1.5ocurrencia de la
Nota: El criterio se basa en la probabilidad de
causa/mecanismo. Se puede basar en el desempeo
de
un
9
1 en
6 diseo
similar en una aplicacin similar.
10
>1 en 3
1 en
6
Zlt >
Zlt > 2
Zlt >
Zlt > 1
Zlt < 1
Clasificacin
Cuando el Modo de falla/causa tien una

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

funcin del producto y/o son importantes para
la satisfaccin del cliente y pueden requerir
condiciones especiales de manufactura,
ensamble, embarque, monitoreo y/o inspeccin
522
Modelo DFMEA
Paso 3
Si las causas no se pueden eliminar en paso 1 o 2,
Identificar
Controles actuales de prevencin usados para establecer
la ocurrencia
Controles actuales de deteccin (vg. Pruebas) usadas
para establecer la Deteccin
Determinar la efectividad de los controles de Deteccin
en escala de 1 a 10
El RPN inicial (Risk Priority Number).
Acciones Recomendadas (Prevencinn and Deteccin).
Cuando ya se hayan implementado las acciones
recomenddas, se revisa el formato DFMEA en relacin a la
Severidad, Ocurrencia, Deteccin y RPN
523
Modelo DFMEA Paso 3

Controles de diseo actuales
Listar las actividades terminadas para prevencin,

vaidacin/verificacin del diseo (DV), u otras actividades
que aseguran la adecuacin del diseo para el modo de
falla y/o causa / mecanismo bajo consideracin
Controles actuales (vg. Diseos falla/seguro como

vlvulas de alivio, revisiones de factibilidad, CAE,
Confianilidad y robustez analtica) son los que han sido o
estan usndose con los mismos diseos o similares.
El equipo siempre debe enfocarse a mejorar los controles

de diseo, por ejemplo la creacin de nuevos sistemas de
prueba en el laboratorio, o la creacin de muevos
algoritmos de modelado, etc.
524
Modelo DFMEA Paso 3

Hay dos tipos de controles de diseo:

Prevencin y deteccin
De prevencin:
De deteccin:
Previenen la ocurrencia de la causa/mecanismo o

Modo de falla/efecto reduciendo la tasa de
Ocurrencia
Detectan la causa/mecanismo o Modo de
falla/efecto ya sea por mtodos analticos o fsicos
antes que el artculo se libere para Poduccin
Si solo se usa una columna indicarlos con P o D
525
Modelo DFMEA Paso 3

Identificacin de controles de diseo
Si una causa potencial no fue analizada, el

producto con deficiencia de diseo pasar a
Produccin. Una forma de detectarlo es con su
Modo de falla resultante. Se debe tomar
accin correctiva
Identificar controles de diseo como sigue:
1.
Identificar y listar los mtodos que puedan ser
utilizados para detectar el modo de falla,
como:
526
1.
FMEA anteriores, Planes de DV anteriores, Lista
Modelo DFMEA Paso 3

2. Listar todos los controles de diseo histricos que
puedan ser suados para causas de primer nivel
listadas. Revisar reportes histricos de pruebas
3. Identificar otros mtodos posibles preguntando:
De que manera puede la causa de este modo de falla ser
reconocida?
Cmo puedo descubrir que esta causa ha ocurrido?
De que manera este modo de falla puede ser reconocido?
Cmo puedo descubrir que este modo de falla ha ocurrido?
527
Modelo DFMEA Paso 3

Deteccin
Cuando se estima una tasa de Deteccin, considerar solo los

controles que sern usados para detectar los Modos de Falla
o sus Causas. Los controles intencionados para prevenir o
reducir la Ocurrencia de una Causa o Modo de falla son
considerados al estimar la tasa de Ocurrencia
Si los controles de prevencin no detectan deben ser

calificadas con 10
Solo se deben considerar los mtodos que son usados antes

de la liberacin a Produccin para estimar la tasa de
Deteccin
Los programas de verificacin de diseo deben basarse en
la efectividad de los controles de diseo
528
Modelo DFMEA Paso 3

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

Modelado y simulacin probada (vg. Anlisis de
elementos finitos)
Estudios de tolerancias (vg. Tolerancias deomtricas
dimensionales)
Estudios de compatibilidad de materiales (vg.
Expansin trmica, corrosin)
Revisin de diseo subjetiva
Mtodos de desarrollo de pruebas:
Diseo de experimentos/ experimentos de peor caso
(vg. Ruido)
529
Modelo DFMEA Paso 3

Deteccin
Mtodos de desarrollo de pruebas (cont):
Pruebas en muestras de pre-produccin o prototipo

Maquetas usando partes similares
Pruebas de durabilidad (verificacin de diseo)
Nmero de muestras a ser probadas
Muestra significativa estadsticamente
Cantidad pequea, no significativa
estadsticamente
Oportunidad de la aplicacin de control de diseo
Desde la etapa de diseo del concepto (vg.

Decisin del tema)
Al tener prototipos de ingeneira
Justo antes de liberarse a Produccin
530
Rangos de Deteccin (AMEFD)

Rango de Probabilidad de Deteccin basado en la
efectividad del Sistema de Control Actual; basado
en el cumplimiento oportuno con el Plazo Fijado
1
Detectado antes del prototipo o prueba piloto
2-3
Detectado antes de entregar el diseo
4-5
Detectado antes del lanzamiento del servicio
6-7
Detectado antes de la prestacin del servicio
Detectado antes de prestar el servicio
Detectado en campo, pero antes de que ocurra la falla o

error
10
No detectable hasta que ocurra la falla o error en campo
DFMEA Clculo del riesgo
El nmero de prioridad del rieso (RPN) es el producto de

Severidad (S), Ocurrencia (O) y Deteccin (D)
RPN = (S) x (O) x (D) con valores entre 1 y 1000
Puede usarse como en un Pareto para priorizar riesgos

potenciales con efectos que tengan las tasas ms altas
de severidad
Atender los aspectos con Severidad 9 o 10 y despus

los efectos con Severidad alta; los de criticalidad alta (S
x O) y al final los que tienen RPNs ms altos
532
DFMEA Acciones
recomendadas
Considerar acciones como las siguientes:
Revisin del diseo de la Geometra y/o tolerancias
Revisin de especificacin de materiales
Diseos de experimentos (con mltiples causas

interactuando) u otras tcnicas de solucin de problemas
Revisin de planes de prueba
Sistemas redundantes dispositivos de aviso estados

de falla (ON y OFF)
El objetivo primario de las acciones recomendadas es
reducir riesgos e incrementar la satisfaccin del cliente al
mejorar el diseo.
Para reducir la severidad es necesario un cambio de diseo
533
DFMEA Acciones tomadas
Se identifica la organizacin y persona responsable para

las acciones recomendadas y la fecha de terminacin
Dar seguimiento:
Desarrollar una lista de caractersticas especiales
parasu consideracin en el DFMEA
Dar seguimiento a todas las acciones recomendadas
y actualizar las acciones del DFMEA
Despus de que se implementa una accin, anotar una

descripcin breve y la fecha de efectividad
534
DFMEA Nivel de riesgo RPN
Despus de haber implementado las acciones

preventivas/correctivas, registrar la nueva Severidad,
Ocurrencia y Deteccin
Calcular el nuevo RPN
Si no se tomaron acciones en algunos aspectos, dejarlos

en blanco
535
DFMEA Lista de verificacin de

robustez
Es una salida del proceso integrado de robustez:
Resume los atributos de robustez clave y

controles de diseo
Enlaza el DFMEA y los 5 factores de ruido del

diseo al Plan de verificacin de diseo (DVP);
vg., esta lista es una entrada al DVP
Debe ser un documento clave a revisar como

parte del proceso de revisin de diseo
536
FMEA de Proceso - PFMEA
537
PFMEA
Equipo
Se inicia por el Ing. responsable de la actividad,

en conjunto con un equipo de personas expertas
adems de incluir personas de apoyo
Alcance
Define que es incluido y que es excluido
538
Entradas al PFMEA
Diagrama de flujo del proceso
El equipo debe desarrollar el flujo del proceso,

preguntando Qu se supone que hace el
proceso?; Cul es su propsito?; Cul es su
funcin?
El Diagrama P es una entrada opcional al

PFMEA
539
540
Modelo del PFMEA Paso 1
Identificar todos los requerimientos funcionales dentro

del alcance
Identificar los modos de falla correspondientes
Identificar un conjunto de efectos asociados para cada

modo de falla
Identificar la calificacin de severidad para cada

conjunto de efectos que de prioridad el modo de falla
De ser posible, tomar acciones para eliminar modos de

falla sin atender las causas
541
Modelo de PFMEA Paso 1
Requerimientos de la funcin del proceso
Contiene caractersticas de ambos el producto y

el proceso
Ejemplos
Operacin No. 20: Hacer perforacin de tamao

X de cierta profundidad
Operacin No. 22: Realizar el subensamble X al
ensamble Y
542
Pasos del proceso

Del diagrama de flujo
Modos de falla potenciales

No funciona
Funcionamiento parcial / Sobre funcin / Degradacin
en el tiempo
Funcionamiento intermitente
Funcin no intencionada
Los modos de falla se pueden categorizar como sigue:
Manufactura: Dimensional fuera de tolerancia
Ensamble: Falta de componentes
Recibo de materiales: Aceptar partes no conformes
Inspeccin/Prueba: Aceptar partes equivocadas
544
Efectos de las fallas potenciales

(consecuencias en)
Seguridad del operador

Siguiente usuario
Usuarios siguientes
Mquinas / equipos
Operacin del producto final
Cliente ltimo
Cumplimiento de reglamentaciones
gubernamentales
546
Modelo de PFMEA - Paso 1
Efectos de las fallas potenciales (en usuario final)
Ruido
Operacin errtica
Inoperable
Inestable
Apariencia mala
Fugas
Excesivo esfuerzo
Retrabajos / reparaciones
Insatisfaccin del cliente
547
Efectos de las fallas potenciales (en siguiente

operacin)
No se puede sujetar
No se puede tapar
No se puede montar
Pone en riesgo al operador
No se ajusta
No conecta
Daa al equipo
Causa excesivo desgaste de herramentales
548
CTQs del QFD o

Matriz de Causa Efecto
CRITERIO DE EVALUACIN DE SEVERIDAD SUGERIDO PARA AMEFP

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

ensamble) sin aviso
Calif
.
10

ensamble) sin aviso
El 100% del producto puede tener que ser

desechado op reparado con un tiempo o costo
infinitamente mayor
Alto
El producto / item es operable pero con un reducido

nivel de desempeo. Cliente muy insatisfecho
El producto tiene que ser seleccionado y un parte

desechada o reparada en un tiempo y costo muy alto
Modera
do
Producto / item operable, pero un item de

confort/conveniencia es inoperable. Cliente insatisfecho
Una parte del producto puede tener que ser

desechado sin seleccin o reparado con un tiempo y
costo alto
Bajo

confort/conveniencia son operables a niveles de
desempeo bajos

retrabajado o reparado fuera de lnea pero no
necesariamente va al rea de retrabajo .
Muy
bajo
No se cumple con el ajuste, acabado o presenta ruidos y

rechinidos. Defecto notado por el 75% de los clientes
El producto puede tener que ser seleccionado, sin

desecho, y una parte retrabajada
Menor

El producto puede tener que ser retrabajada, sin

desecho, en lnea, pero fuera de la estacin
Muy
menor
No se cumple con el ajuste, acabado o presenta ruidos,

y rechinidos. Defecto notado por clientes muy crticos
(menos del 25%)
El producto puede tener que ser retrabajado, sin

desecho en la lnea, en la estacin
Ninguno
Sin efecto perceptible
Ligero inconveniente para la operacin u operador, o

sin efecto
Peligros
o sin
aviso
Peligros
o con
aviso
Muy
alto
CRITERIO DE EVALUACIN DE SEVERIDAD SUGERIDO PARA PFMEA

Esta calificacin resulta cuando un modo de falla potencial resulta en un defecto con un cliente final y/o una planta
de manufactura / ensamble. El cliente final debe ser siempre considerado primero. Si ocurren ambos, use la mayor
de las dos severidades
Efecto
Efecto en el cliente
Efecto en Manufactura /Ensamble
regulacin gubernamental, sin aviso
regulacin gubernamental, con aviso
El producto / item es inoperable ( prdida de la funcin
primaria)

ensamble) sin aviso
Calif
.
10

ensamble) sin aviso

desechado op reparado con un tiempo o costo
infinitamente mayor
Alto
El producto / item es operable pero con un reducido

nivel de desempeo. Cliente muy insatisfecho
El producto tiene que ser seleccionado y un parte

desechada o reparada en un tiempo y costo muy alto
Modera
do

confort/conveniencia es inoperable. Cliente insatisfecho
Una parte del producto puede tener que ser

desechado sin seleccin o reparado con un tiempo y
costo alto
Bajo

confort/conveniencia son operables a niveles de
desempeo bajos

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

El producto puede tener que ser seleccionado, sin

desecho, y una parte retrabajada
Menor

El producto puede tener que ser retrabajada, sin

desecho, en lnea, pero fuera de la estacin
Muy
menor
No se cumple con el ajuste, acabado o presenta ruidos,

y rechinidos. Defecto notado por clientes muy crticos
(menos del 25%)
El producto puede tener que ser retrabajado, sin

desecho en la lnea, en la estacin
Ninguno
Sin efecto perceptible
Ligero inconveniente para la operacin u operador, o

sin efecto
Peligros
o sin
aviso
Peligros
o con
aviso
Muy
alto
Paso 2 identificar:
Las causas asociadas (primer nivel y raz)
Su tasa de ocurrencia
La designacin apropiada de la caracterstica

indicada en ola columna de clasificacin
Acciones recomendadas para alta severidad y

criticalidad (S x O) as como la Seguridad del
operador (OS) y errores de proceso de alto
impacto (HI)
552

Causa/Mecanismo potencial de falla
Describe la forma de cmo puede ocurrir la falla,

descrito en trminos de algo que puede ser
corregido o controlado
Se debe dar priorioridad a rangos de prioridad de
9 o 10
Ejemplos, especificar claramente:
Torque inadecuado (bajo o alto)

Soldadura iandecuada (corriente, tiempo, presin)
Lubricacin inadecuada
553
Efecto(s) Potencial(es) de falla

Evaluar 3 (tres) niveles de Efectos del Modo de
Falla
Efectos Locales
Efectos en el rea Local
Impactos Inmediatos
Efectos Mayores Subsecuentes
Entre Efectos Locales y Usuario Final
Efectos Finales
Efecto en el Usuario Final del producto o
554
Suposicin 1: Los materiales para la operacin

son correctos
Ajuste de herramentales a la profundidad

equivocada
Desgaste de herramentales
Temperatura del horno muy alta
Tiempo de curado muy corto
Presin de aire muy baja
Velocidad del transportador no es constante
Jets de lavadora desconectados
555
Suposicin 2: Los materiales para la operacin

tienen variacin
Material demasiado duro / suave / quebradizo

La Dimensin no cumple especificaciones
El acabado superficial de la operacin 10 no
cumple especificaciones
El localizador de perforacin fuera de posicin
correcta
556
Ocurrencia:
Es la probabilidad de que una causa/mecanismo

ocurra
Se puede reducir o controlar solo a travs de un
cambio de diseo
Si la ocurrencia de la causa no puede ser
estimada, entonces estimar la tasa de falla
posible
557
CRITERIO DE EVALUACIN DE OCURRENCIA SUGERIDO PARA

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

cumplimiento con reglamentaciones
gubernamentales, seguridad de los operadores,
o la satisfaccin del cliente, y
Requieren controles especiales de manufactura,

ensamble, proveedores, embarques, monitoreo
y/o inspeccin o seguridad
559
En el paso 3 identificar:
Controles actuales de prevencin del proceso

(con acciones de diseo o proceso) usados para
establecer la ocurrencia
Controles actuales de deteccin (vg. Inspeccin)
usados para establecer la tasa de deteccin
Efectividad de los controles de deteccin del
proceso en una escala de 1 a 10
El factor de riesgo RPN inicial
Acciones recomendadas (Prevencin y Deteccin)
562
Identificar Causa(s) Potencial(es) de la Falla

Causas relacionadas con el diseo - Caractersticas
del servicio o Pasos del proceso
Diseo de formatos
Asignacin de recursos
Equipos planeados
Causas que no pueden ser Entradas de Diseo,
tales como:
Ambiente, Clima, Fenmenos naturales
Mecanismos de Falla
Rendimiento, tiempo de entrega, informacin
completa
563
Causas potenciales
De Diagrama de Ishikawa
Diagrama de rbol o
Diagrama de relaciones
Controles de proceso actuales:
Son una descripcin de los controles ya sea para

prevenir o para detectar la ocurrencia de los
Modos/causas de falla
Consideraciones
Incrementar la probabilidad de deteccin es costosa y

no efectiva
A veces se requiere un cambio en el diseo para
apoyar la deteccin
El incremento del control de calidad o frecuencia de
inspeccin slo debe utilizarse como medida temporal
Se debe hacer nfasis en la prevencin de los
defectos
565
Identificar Controles de Diseo o

ProcesoValidacin
Actuales
de
Verificacin/
de actividades de
Diseo o control de proceso usadas para
evitar la causa, detectar falla
anticipadamente, y/o reducir impacto:
Clculos, Anlisis, Prototipo de Prueba, Pruebas
piloto
Poka Yokes, planes de control, listas de verificacin
Primera Lnea de Defensa - Evitar o eliminar causas de falla
o error
Segunda Lnea de Defensa - Identificar o detectar fallas o
errores Anticipadamente
566
Seleccionar un rango en la tabla de deteccin

Si se usa inspeccin automtica al 100% considerar:
La condicin del gages

La calibracin del gage
La variacin del sistema de medicin del gage
Probabilidad de falla del gage
Probabilidad de que el sistema del gage sea
punteado
Si se usa inspeccin visual al 100% considerar:
Es efectiva entre un 80 a 100% dependiendo del

proc.
El nmero de personas que pueden observar el modo
de falla potencialmente
La naturaleza del modo de falla - es claro o confuso?
568
CRITERIO DE EVALUACIN DE DETECCION SUGERIDO PARA

AMEFP
Detecci
Criterio
Tipos de
n
Mtodos de seguridad de Rangos

de Deteccin
Inspeccin
Casi
imposibl
e
Muy
remota
Certeza absoluta de no
deteccin
Los controles probablemente

no detectarn
Remota
Los controles tienen poca

oportunidad de deteccin
Muy baja
Los controles tienen poca

oportunidad de deteccin
Baja
Los controles pueden detectar
Moderad
a
Los controles pueden detectar
Moderad
amente
Alta
Alta
Los controles tienen una buena

oportunidad para detectar
Los controles tienen una buena

oportunidad para detectar
Muy Alta
Muy Alta
No se puede detectar o no es
verificada
El control es logrado solamente
con verificaciones indirectas o al
azar
El
control es logrado solamente
con inspeccin visual
El control es logrado solamente
con doble inspeccin visual
Cali
f
10
9
8
7
El control es logrado con mtodos

grficos con el CEP
El control se basa en mediciones por variables despus de

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

realizada en el ajuste y verificacin de primera pieza ( solo
para causas de ajuste)
Deteccin del error en la estacin o deteccin del error en

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

detectar
Deteccin del error en la estacin (medicin

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

detectar
No se pueden hacer partes discrepantes porque el

item ha pasado a prueba de errores dado el diseo del
proceso/producto
Tipos de inspeccin: A) A prueba de error
B) Medicin automatizada C) Inspeccin
Nmero de prioridad de riesgo
Se calcula como RPN = (S) x (O) x (D)
Acciones recomendadas
Se deben dirigir primero a las de valores altos

de Severidad (9 o 10) o RPNs, despus continuar
con las dems
Las acciones se deben orientar a prevenir los
defectos a travs de la eliminacin o reduccin
de las causas o modos de falla
571
Calcular RPN (Nmero de Prioridad de

Riesgo)
Producto de Severidad, Ocurrencia, y Deteccin
RPN / Gravedad usada para identificar
principales CTQs
Severidad mayor o igual a 8
RPN mayor a 150
572
Planear Acciones
Requeridas para todos los CTQs
Listar todas las acciones sugeridas, qu

persona es la responsable y fecha de
terminacin.
Describir la accin adoptada y sus
resultados.
Recalcular nmero de prioridad de riesgo .
Reducir el riesgo general del diseo
573
Acciones tomadas
Identificar al responsable de las acciones

recomendadas y la fecha estimada de terminacin
Despus de terminar una accin, dar una descripcin
breve de la accin real y fecha de efectividad
Responsabilidad y fechas de terminacin
Desarrollar una lista de caractersticas especiales

proporcionndola al diseador para modificar el
DFMEA
Dar seguimiento a las acciones recomendadas y
actualizar las ltimas columnas del FMEA
574
RPN resultante
Despus de implementadas las acciones

recomendadas, estimar de nuevo los rangos de
Severidad, Ocurrencia y Deteccin y calcular el
nuevo RPN. Si no se tomaron acciones dejarlo
en blanco.
Salidas del PFMEA
Hay una relacin directa del PFMEA a el Plan de

Control del proceso
575
Causas probables
a atacar primero
Herramientas para el
FMEA
578
Herramientas
Diagramas de lmites
Diagramas de flujo de proceso
Matriz de caractersticas
Tormenta de ideas
rboles de funciones
Lista de efectos: FMEA de diseo
Lista de efectos: FMEA de proceso
Diagrama de Ishikawa
Tecnica de preguntas
579
Herramientas
Anlisis de rbol de fallas (FTA)

Anlisis del modo de falla (FMA)
Diseo de experimentos (DOE)
Proceso de solucin de problemas de 8Ds
Planes de Control
Planeacin dinmica de control (DCP)
Despliegue de la funcin de calidad (QFD)
Anlisis de valor/ Ingeniera del valor (VA/VE)
REDPEPR
FMEA Express
FMEA del software
580
Diagrama de lmites
Diagramas de lmites de funciones
Salida del anlisis de funciones para la fase de

concepto CFMEA, ilustran funciones en vez de
partes
Diagramas de lmites Hardware/funcional
Dividen al sistema en elementos ms pequeos

desde un punto de vista funcional. Muestran
relaciones fsicas, se usan en los DFMEAs.
581
Nombres de verbos tiles
582
Tormenta de ideas
Seleccionar el problema a tratar.

Pedir a todos los miembros del equipo generen ideas para la
solucin del problema, las cuales se anotan en el pizarrn sin
importar que tan buenas o malas sean estas.
Ninguna idea es evaluada o criticada antes de considerar
todos los pensamientos concernientes al problema.
Aliente todo tipo de ideas, ya que al hacerlo pueden surgir
cosas muy interesantes, que motivan a los participantes a
generar ms ideas.
Apruebe la naturalidad y el buen humor con informalidad, en
este punto el objetivo es tener mayor cantidad de ideas
Se les otorga a los participantes la facultad de modificar o
mejorar las sugerencias de otros.
Una vez que se tengan un gran nmero de ideas el facilitador
procede a agrupar y seleccionar las mejores ideas por medio
del consenso del grupo
Las mejores ideas son discutidas y analizadas con el fin del
proponer una solucin.
583
Herramientas para el FMEA
rbol de funciones
Ayuda a que los requerimientos del cliente no

expresados explcitamente sobre el producto o
proceso se cumplan
Es conveniente describir las funciones de un

producto o proceso por un verbo pronombre
medible, por ejemplo:
Calentar el interior a XC
Enfriar a los ocupantes a XC
Eliminar la niebla del parabrisas en X segundos
584
Tcnica de preguntas
Hacer una oracin con el modo de falla, causa y efecto y ver

si la oracin tiene sentido. Un modo de falla es debido a una
causa, el modo de falla podra resultar en efectos, por
ejemplo:
MODO DE FALLA: No ajustan los faros delanteros

P: Qu podra ocasionar esta falla?
R: La luz desalineada -> Efecto
P: A que se puede deber esta falla?
R: Cuerda grande en tornillo de ajuste -> Causa
El No ajuste de faros delanteros se debe a Cuerda
grande en tornillo de ajuste. El desajuste de los
faros ocasiona haces de luz desalineados
585
Tcnica de preguntas
Paso 3
Paso 1
Qu lo causa? Modo de falla
Paso 2
Qu efecto tiene?
586
Anlisis de rbol de fallas

(FTA)
Es una tcnica analtica deductiva que usa un rbol para

mostrar las relaciones causa efecto entre un evento
indeseable (falla) y las diversas causas que contribuyen.
Se usan smbolos lgicos para interconectar las ramas
Despus de hacer el FTA e identificadas las causas raz,

se pueden determinar las acciones preventivas o los
controles necesarios
Otra aplicacin es determinar las probabilidades de las

causas que contribuyen a la falla y propagarlas hacia
adelante
587
Anlisis del Modo de Falla

(FMA)
Es un enfoque sistemtico disciplinado para

cuantificar el modo de falla, tasa de falla, y causa
raz de fallas o tasas de reparacin conocidas (el
FMEA para las desconocidas)
Se basa en informacin histrica de garantas, datos

de campo, datos de servicios, y/o datos de procesos
Se usa para identificar la operacin, modos de falla,

tasas de falla y parmetros crticos de diseo de
hardware o procesos. Tambin permite identificar
acciones correctivas para causas raz actuales
588
Diseo de experimentos
(DOE)
Es un mtodo para definir los arreglos en cuales se

puedas realizar experimentos, donde se cambian de
manera controlada las variables independientes de
acuerdo a un plan definido y se determinan los efectos
Para pruebas de confiabilidad el DOE usa un enfoque

estadstico para disear pruebas para identificar los
factores primarios que causas eventos indeseables
Se usan para identificar causas raz de modos de falla,

cuando varios factores pueden estar contribuyendo o
cuando estos factores estn interrelacionados y se
desean conocer los efectos de sus interacciones
589
Mtodo de 8 disciplinas (8Ds)
Es un mtodo de solucin de problemas orientado a

equipos de trabajo, las disciplinas o pasos son:
Preparar el proceso
Establecer el equipo
Describir el problema
Desarrollar las acciones de contencin o contingentes
Diagnosticar el problema (definir y verificar causa
raz)
Seleccionar y verificar acciones correctivas
permanentes (PCAs) para causas raz y puntos de
escape
Implementar y validar PCAs
Reconocer contribuciones del equipo y los miembros
590
Planes de control
Es una descripcin escrita del sistema para

controlar el proceso de produccin
Lista todos los parmetros del proceso y

caractersticas de las partes caractersticas de
las partes que requiere acciones especficas de
calidad
El plan de control contiene todaslas

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

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

recursos
2.
Estructura del equipo central y de soporte
3.
Bitcora de preguntas
592
Planeacin dinmica de control

(DCP)
4. Informacin de soporte (ES, DFMEAs, DVP&R, PFMEA, etc.)
5. Diagrama de flujo y carctersticas de enlace
6. Pre lanzamiento o controles preliminares
7. PFMEA
8. Plan de control
9. Desarrollar ilustraciones e instrucciones
10. Implementar y mantener
593
Despliegue de la funcin de
calidad (QFD)
El QFD es un mtodo estructurado en el cual los

requerimientos del cliente son traducidos en
requerimientos tcnicos para cada una de las etapas
del desarrollo del producto y produccin
El QFD es entrada al FMEA de diseo o al FMEA de

concepto. Los datos se anotan en el FMEA como
medidas en la columna de funcin
La necesidad de obtener datos de QFD pueden ser

tambin una salida del FMEA de concepto
594
Anlisis del valor / Ingeniera del

valor (VA/VE)
Son metodologas usadas comnmente para despliegue del

valor. La Ingeniera del valor se realiza antes de comprometer el
herramental. El anlisis del valor (VA) se realiza despus del
herramentado. Ambas tcnicas usan la frmula:
Valor = Funcin (primaria o secundaria) / Costo
Los datos de VA/VE pueden ser entradas al FMEA de diseo o de

proceso en columna de Funcin como funciones primaria y
secundaria. Tambin pueden ser causas, controles o acciones
recomendadas
La metodologa VA debe ser incluida en la revisin de FMEAs

actuales como apoyo para evaluar riesgos y beneficios cuando se
analizan varias propuestas
595
REDPEPR (Robust Engineering

Design Product Enhacement
Process)
Es una herramienta que proporciona a los equipos
de Diseo:
Un proceso paso a paso para aplicar el RED
Las herramientas necesarias para completar el diagrama P,

listas de verificacin de confiabilidad y robustez (RRCL) y la
matriz de demostracin de confiabilidad y robustez (RRDM)
Preguntas y tips para guiar al equipo en el proceso
Capacidad para generar reportes en Excel
Un proceso para mejorar la comunicacin con el equipo de

ingeneira
El Web site donde se encuentra el software es
www.redpepr.ford.com
596
Aplicaciones del FMEA

Express
Ambiental
De mquinas
597
FMEA Express
Es un proceso que aplica tcnicas de FMEA
simultaneamente tanto a los aspectos de
diseo como a los de manufactura de un
proyecto:
Consiste de cuatro fases:
Preparacin: Se forma un equipo directivo para

definir el alcance del proyecto, equipo de trabajo
multidisciplinario, coleccin de informacin y
documentos de modos de falla conocidos, causas,
efectos y controles
598
FMEA Express
Desarrollo del FMEA: El equipo de trabajo

multidisciplianrio completa el FMEA utilizando formatos y
definiciones estndar
Posterior a la tarea: El facilitador y el equipo directivo

generan un reporte final y un plan de seguimiento. El lder
del equipo de FMEA es responsable de monitorear el avance
Auditora de calidad: Despus de una verificacin de

calidad, se proporciona un certificado de cumplimiento
Software para el FMEA: www.quality.ford.com/cpar/fmea/
599
E-FMEA ambiental
600
E-FMEA ambiental
601
Matriz de requerimientos
ambientales con criterios
mltiples
Para cada alternativa de diseo resumir la

siguiente informacin
Uso de substancias prohibidas o de uso restringido

Tipo y cantidad de residuos (refleja el nivel de
materiales utilizados)
Consumo de energa por componente
Consumo de agua por componente
Otros objetivos ambientales
602
E-FMEA
Ejemplos de acciones recomendadas (hacer una
revisin previa de efectos secundarios en la
vida del producto):
Sistemas de conexin alternos

Reciclar
Rutas alternas de disposicin de residuos
Uso de materiales naturales
Revisar rutas de transporte
Reducir trayectorias de proceso
Optimizar el consumo de agua y energa
603
E-FMEA
Salidas del FMEA ambiental:
Recomendaciones de materiales
Recomendaciones de diseo (vg. Tipo de enlace)
Recomendaciones de proceso (vg. Potencial de

ahorro de energa)
Recomendacin para rutas de disposicin
604
MFMEA FMEA de
maquinaria
605
FMEA de maquinaria
Su propsito es que a travs de un equipo se asegure

que los modos de falla y sus causas/mecanismos
asociados se hayan atendido
Soporta el proceso de diseo en:

Apoyar en la evaluacin objetiva de las funciones del
equipo, requerimientos de diseo y alternativas de
diseo
Incrementar la probabilidad de que los modos de

falla y sus efectos en la maquinaria se han
considerado en el proceso de diseo y desarrollo
606
FMEA de maquinaria
Proporcionar informacin adicional como apoyo a la

planeacin de todos los programas de diseo,
prueba y desarrollo
Desarrollar una lista de modos de falla potenciales

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

para el anlisis de problemas de campo, evaluando
cambios de diseo y desarrollo de maquinaria.
607
FMEA de maquinaria
Ejemplos de descripcin de funciones
Proceso de partes 120 tareas / hora
Cabezal del ndice MTBF > 200 Hrs
Control del flujo hidrulico 8p cl/seg.
Sistema de posicin ngulo de rotacin de 30
Hacer un barreno Rendimiento a la primera 99.9%
608
FMEA de maquinaria
Efectos potenciales como consecuencias de falla de

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

de procedimientos de preparacin tal como
herramentado, cambio de modelo o cambio de
molde. Los ajustes incluyen el tiempo muerto usado
para ajustar el equipo para evitar defectos y bajo
rendimiento, requiriendo intervencin del operador o
ajustador
609
FMEA de maquinaria
Tiempo de espera y paros menores

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

de la diferencia entre el ciclo de tiempo ideal del
equipo y su tiempo de ciclo real. El tiempo de
ciclo ideal se determina por: a) velocidad
original; b) condiciones ptimas y c) tiempo
mximo de ciclo logrado con maquinaria similar
610
FMEA de maquinaria
Prdidas en el arranque prdidas que ocurren

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

generacin de defectos que producen retrabajo,
reaparaciones, y/o partes no tiles
Herramentales prdidas que resultan de fallas

en el herramental, rotura, deterioracin o
desgaste (vg. Herramientas de corte, tips de
soldadura, etc.)
611
FMEA de maquinaria
Criterios de Severidad
612
FMEA de maquinaria
Causas potenciales, se asume que la maquinaria

se fabric, instal, us, y se dispuso de acuerdo a
sus especificaciones, preguntarse para identificar
causas potenciales lo siguiente:
Cules son las circunstancias que pueden orientar

al componente, subsistema y sistema a no cumplir
sus requerimientos funcionales / de desempeo?
A qu grado pueden los componentes, subsistemas

y sistemas que interactan ser compatibles?
Qu especificaciones garantizan compatibilidad?
613
FMEA de maquinaria
Criterios de Ocurrencia
614
FMEA de maquinaria
Criterios de Deteccin
615
Herramientas de la
Fase de Anlisis
Identificacin de causas potenciales
Cartas Multivari y Anlisis de Regresin
Intervalos de confianza y Pruebas de
Hiptesis
616
Identificacin de causas
potenciales
Tormenta de ideas
Diagrama de
Relaciones
Diagrama de rbol
Verificacin de causas
raz
617
Tormenta de ideas
Tcnica para generar ideas creativas cuando la mejor

solucin no es obvia.
Reunir a un equipo de trabajo (4 a 10 miembros) en un

lugar adecuado
El problema a analizar debe estar siempre visible

Generar y registrar en el diagrama de Ishikawa un gran
nmero de ideas, sin juzgarlas, ni criticarlas
Motivar a que todos participen con la misma oportunidad
618
Tormenta de ideas
Permite obtener ideas de los participantes
619
Anotar el problema en el cuadro de la derecha
Anotar en rotafolio las ideas sobre las posibles

causas asignndolas a las ramas
correspondientes a:
Medio ambiente
Mediciones
Materia Prima
Maquinaria
Personal y
Mtodos
o
Las diferentes etapas del proceso de
manufactura o servicio
620
Medio
ambiente
Clima
hmedo
Distancia de
la agencia al
changarro
Clientes con
ventas bajas
Malos
itinerarios
Mtodos
Frecuencia
de visitas
Posicin de
exhibidores
Falta de
supervi
Falta de
cin
motivacin
Elaboracin
de pedidos
Seguimiento
semanal
Conocimiento
de los
mnimos por
ruta
Descompostura
del camin
repartidor
Maquinara
Personal
Medicin
Materiales
Rotacin de
personal
Ausentismo
Qu
produce
bajas ventas
Calidad del de
Tortillinas
producto
Ta Rosa?
Tipo de
exhibidor
Diagrama de relaciones
Perdida de mercado
debido a la
competencia
No hay flujo
efectivo de mat.
Por falta de
programacin
de acuerdo
a pedidos
Constantes
cancelaciones
de pedidos
de marketing
Falta de prog. De
la op. En base a
los pedidos
Influencia de la
situacin econ del
pas
Falta de
No hay control coordinacin al fincar
de inv..... En proc.
pedidos entre
marketing y la op.
Programacin
deficiente
Capacidad
instalada
desconocida
Las un. Reciben

ordenes de dos
deptos diferentes
Altos
inventarios
Falta de control de
inventarios en
compras
Compras
aprovecha
ofertas
Mala prog. De
ordenes de compra
No hay coordinacin
entre marketing
operaciones
Compra de material
para el desarrollo de
nuevos productos por
parte inv..... Y desarrollo
No hay coordinacin
entre la operacin y las unidades
del negocio
Falta de coordinacin
entre el enlace de compras
Duplicidad Demasiados deptos
de cada unidad con compras
de funciones de inv..... Y desarrollo
corporativo
Falta de com..... Entre

No hay com..... Entre
las dif. reas de
las UN y la oper.
la empresa
Marketing no
tiene en cuenta
cap de p.
No hay com..... Entre compras
con la op. general
Influencia directa de
marketing sobre
compras
Falta de comunicacin
entre las unidades
del negocio
622
Que nos puede provocar Variacin de Velocidad

Durante el ciclo de cambio en la seccin del
Embobinadores?
13/0
2/1
Bandas de
transmisin
Dancer
2/4
0/4
1/2
5/1
Taco generador
del motor
Poleas guas
Presin del
dancer
Mal guiado
1/4 Sensor de velocidad

de lnea
1/4
Sensor
circunferencial
1/1
Empaques de arrastre
Causas a validar
0/3
Presin de aire de trabajo
5/2
Drive principal
4/1
Voltaje del motor
1/5
Ejes principales
1/5
Poleas de transmisin
Entradas
Salidas
Causa
Efecto
What Data Needs to be Collected to

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

Means not
clearly
defined
In = 3 Out = 2
Communication issues
within the
group
In = 1
Driver
Plan not
integrated
In = 2
Out = 4
Out = 3
Fast new
product
introductions
stretch
resources
In = 1 Out = 2
No strong
commitment
to the group
In = 2 Out = 0
Capacity
may not
meet needs
Plannin
approach
not
g
standardiz
ed
In = 5
Outcome
In = 0 Out = 5
Driver
Out = 1
External
factors impact
implementation
In = 0
Out = 2
Lack of
time and
resources
In = 5 Out = 0
Diagrama de rbol o
sistemtico
Meta
Medio
Meta
Medio
Meta
Primer
nivel
Segundo
nivel
Medio
Tercer
nivel
Medios
Cuarto
nivel
Medios
Medios
Medios
o planes
Meta u
objetivo
Medios
o planes
625
Diagrama de Arbol- Aplicacin Sistema SMED

Cmo?
Preparacin
para el SMED
Objetivo?
Implantar el
Sistema
SMED
Producto DJ
2702
Qu?
Elaboramos
un
Diagrama de Arbol
para
poder
analizar
nuestro
problema siguiendo
el sistema SMED.
Fase 1: Separacin
de la preparacin
interna de la externa
Fase 2: Conversin
de preparacin
interna en externa
Fase 3: Refinamiento
de todos los aspectos
de la preparacin.
Cundo?
Filmar la preparacin
5- 12 - Mar-04
Analizar el video
10 y 17 Mar-04
Describir las tareas
17- Mar-04
Separar las tareas
17- Mar-04
Elaborar lista de chequeo
2- Mar-04
Realizar chequeo de
funciones
24- Mar-04
Analizar el transporte de
herramientas y materiales
24- Mar-04
Analizar las funciones y

propsito de c/operacin
12 - Abr- 04
Convertir tareas de preparacin interna a externas
15 Abr - 04
Realizacin de operaciones
en paralelo.
5 May -04
Uso de sujeciones
funcionales.
19 May -04
Eliminacin de ajustes
12- May -04

19
Verificacin de posibles
causas
Para cada causa probable , el equipo

deber por medio del diagrama 5Ws
1H:
Llevar a cabo una tormenta de ideas para

verificar la causa.
Seleccionar la manera que:
represente la causa de forma efectiva, y
sea fcil y rpida de aplicar.
627
Calendario de las actividades

qu?
por qu?
cmo?
cund
o?
dnd
e?
quin
?
1
Tacogenerad
or de motor
embobinador
1.1 Por variacin

de voltaje durante
el ciclo de cambio
1.1.1 Tomar dimensiones de ensamble

entre coples.
1.1.2 Verificar estado actual y
especificaciones de escobillas.
1.1.3 tomar valores de voltaje de salida
durante el ciclo de cambio.
Abril
04
1804
Embob
.
J. R.
2 Sensor
circular y de
velocidad de
linea.
2.1 Por que nos

genera una varin
en la seal de
referencia hacia el
control de
velocidad del
motor
embobinador
2.1.1 Tomar dimensiones de la

distancia entre poleas y sensores.
2.1.2 Tomar valores de voltaje de salida
de los sensores.
2.1.3 Verificar estado de rodamientos
de poleas.
Abril
04
1804
Embob
.
U. P.
3 Ejes
principales
de
transmisin.
3.1 Por vibracin

excesiva durante
el ciclo de cambio
3.1.1 Tomar lecturas de vibracin en

alojamientos de rodamientos
3.1.2 Comparar valores de vibraciones
con lecturas anteriores.
3.1.3 Analizar valor lecturas de
vibracin tomadas.
Abril04
1804
Embob
.
F. F.
4 Poleas de
transmisin
de ejes
embobinador
es.
4.1 Puede generar

vibracin excesiva
durante el ciclo de
cambio.
4.1.1 Verificar alineacin, entre poleas

de ejes principales y polea de
transmisin del motor.
4.1.2 Tomar dimensiones de
poleas(dientes de transmisin).
4.1.3 Tomar dimensiones de bandas
(dientes de transmisin)
Abril04
1804
Embob
.
J. R.
U. P.
628
Resumen de la validacin de las

causas
# de
Causa
Causas
Resultados
Ensamble de ojillos,
bloques y contrapesos no
adecuados en aspas.
SI ES CAUSA RAIZ
2
3
Amortiguadores daados.
SI ES CAUSA RAIZ
5
6
7
Desgaste de bujes en los

carretes.
Fabricacin y reemplazo de
ejes y poleas no adecuados
en ensamble de aspas.
Desalineamiento de poleas
y bandas de transmisin de
aspas.
Mtodo de Balanceo no
adecuado.
Desalineacin de pinolas
en cuna.
Causa
Raz
NO ES CAUSA RAIZ
NO ES CAUSA RAIZ
SI ES CAUSA RAIZ
SI ES CAUSA RAIZ
NO ES CAUSA RAIZ
X
X
VI.D Mtodos de anlisis

adicionales
630
Mtodos adicionales de
anlisis
1. Anlisis de brecha
2. Anlisis de causa raz
3. Anlisis del Muda
631
VI.D.1 Anlisis de brecha
632
El anlisis de brecha (Gap Analysis) es una

herramienta de evaluacin para comparar el
desempeo actual de la organizacin, a un
desempeo potencial deseado.
Identifica la diferencia de lo que es y lo que

debera ser
633
Anlisis de brecha
Se pueden redirigir los esfuerzos a objetivos como:
Permanecer en el negocio
Mantener o incrementar la participacin del mercado
Mejorar el clima laboral
Igualar o exceder a Benchmarks
Igualar o exceder a la competencia
Reducir tiempos de ciclo
Lograr certificaciones
Mejorar la productividad
Mejorar los niveles de calidad
634
Anlisis de brecha
Se requieren tres categoras de informacin
Dnde estamos?
Dnde queremos ir?
Cmo vamos a medir los resultados?
635
Planeacin de escenarios
Al elaborar planes estratgicos, los directivos

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

futuro de la organizacin ante riesgos, para
tomar las mejores decisiones y atender estos
eventos. Aunque algunos elementos sean
desconocidos
636
El proceso de planeacin es como sigue:
Seleccionar al personal que pueda dar muchas

perspectivas
Desarrollar una lista de cambios percibidos,
sociales, tcnicos y econmicos
Agrupar estas percepciones en patrones
relacionados
Desarrollar una lista de las mejores
percepciones (prioridades)
637
El proceso de planeacin es como sigue:
Desarrollar un escenario grueso del futuro

basado en estas prioridades
Determinar como afectan los escenarios a la
organizacin
Determinar los cursos de accin potenciales a
tomar
Monitorear, evaluar, y revisar los escenarios
638
Por lo comn se perciben de 6 10 amenazas

u oportunidades en 2 o 3 escenarios
desarrollados. Evitar las siguientes trampas:
No utilizar un facilitador experimentado
Considerar escenarios como pronsticos
Hacer escenarios simplistas
Limitar el impacto global de los escenarios
639
Evitar las siguientes trampas..:
No incluir a un equipo directivo en el proceso
Tratar los escenarios solo como actividad

informativa
Limitar el estmulo imaginativo en el diseo del

escenario
No desarrollar escenarios para rea de impacto

clave del negocio
640
Planeacin Hoshin
Es una herramienta de ejecucin, usada para

organizar y desplegar planes estratgicos
Hoshin traduce la visin de la empresa en

resultados medibles dramticos y rupturas
estratgicas
Hoshin se enfoca a identificar los pocos logros

vitales de ruptura
641
Planeacin Hoshin
Tiene seis objetivos:
Alinear las metas organizacionales
Enfocarse en las pocas brechas vitales estratgicas
Trabajar con otros para cerrar las brechas
Especificar los mtodos para lograr los objetivos
Hacer visible el enlace entre planes locales
Mejora continua del proceso de planeacin
642
Otras tcnicas de anlisis

clave
Benchmarking
Anlisis FODA
Anlisis PEST
Las cinco fuerzas competitivas de Porter
643
Evaluacin organizacional
Anlisis funcional con datos de coleccin:
Entrevistas cara a cara

Seleccin de muestra apropiada
Entradas de grupo de enfoque
Observaciones de visitas a la planta
Datos colectados de fuentes de la industria
Se divide a la organizacin en reas funcionales

clave
Liderazgo, prcticas de negocio, anlisis financiero,

mercadotecnia, gestin de la calidad, diseo y
desarrollo, manufactura, salud y seguridad, etc
644
Evaluacin organizacional
Se deben analizar los resultados y presentarlos

a la direccin, quien debe promover e
implementar planes de accin claros
Normalmente el consultor colecta y resume la

informacin en categoras principales para su
revisin por la direccin. Quienes deben
generar e implementar las soluciones y guiar
al xito
645
Mtricas organizacionales
Se establecen metas de desempeo

organizacional y sus mtricas en las reas de:
Utilidades
Tiempos de ciclo
Recursos
Respuestas del mercado
Por cada meta organizacional mayor deben

desarrollarse mtricas, con unidades y
mtodos de medicin.
646
Para los anteriores, las mtricas pueden ser:
Utilidades a corto y largo plazo
Valor de acciones, inversin de capital, costos

personales, comparaciones competitivas, ROI,
ventas$
Tiempos de ciclo
Tiempos de ciclo actuales

Benchmarks internos
Benchmarks externos
Reduccin en tiempos de ciclo
647
Recursos
No. De proyectos de mejora, ROI de proyectos,
estudios de capacidad de procesos, reducciones de
variabilidad, costos de calidad con relacin a una
base, porcentaje de defectos con relacin a alguna
base
Respuestas del mercado

Encuestas con clientes
Anlisis de devoluciones
Desarrollo de nuevos productos
Retencin de clientes
Prdidas con clientes
Tasas de cortesas e instalaciones
648
Las mtricas permiten medir los avances en
relacin a las metas organizacionales
De acuerdo a Juran se debe tomar en cuenta lo

siguiente:
Las mtricas deben tener un significado estndar

Deben apoyar el proceso de toma de decisiones
Deben proporcionar informacin valiosa
Debe ser fcil de instalar
Si son valiosas, deben usarse en todo
Las mtricas se basan en la retroalimentacin

con base en clientes, proveedores, o internas
649
VI.D.2 Anlisis de causa

raz
650
Anlisis de causa raz
Un equipo tiene la responsabilidad de

determinar la causa raz de una deficiencia y
corregirla. Pueden tomar varios pasos:
Situacin (presa con fuga)

Accin inmediata (desahogarla)
Accin intermedia (reparar la presa)
Accin en la causa raz (identificar que caus la
fuga para evitar su recurrencia y reconstruir la
presa)
651

Se pueden utilizar las siguientes herramientas:
Herramientas subjetivas:
Preguntar por qu cinco veces, tormenta de ideas,
anlisis de flujo de proceso, PHVA, grupo nominal,
observacin de operacin, diagrama de causa efecto,
tcnicas de consenso, seis sombreros de

pensamiento,
equipos de trabajo, FMEA, FTA
652

Se pueden utilizar las siguientes herramientas:
Herramientas analticas:
Coleccin y anlisis de datos
Anlisis de Pareto, anlisis de regresin, hoja de

verificacin
Anlisis de matriz de datos

Anlisis de capacidad de procesos, divisin de
variacin
Subgrupos de datos, experimentos simples, DOE

Pruebas analticas, cartas de control
653

Ante una accin correctiva permanente, la
direccin debe determinar si:
El anlisis de causa raz ha identificado el

impacto completo del problema
La accin correctiva es efectiva para eliminar o

prevenir la recurrencia
La accin correctiva es realista y sostenible

654
Los 5 Por qus
Se hace la pregunta Por qu? Cinco veces
Por qu? Nos faltaron partes por mquina

daada
Por qu? La mquina no ha tenido
mantenimiento en los ltimos 3 meses
Por qu? El departamento de mantenimiento se
ha reducido a 6 personas de 8
Por qu? Se pas del presupuesto, les quitaron
el tiempo extra y dos personas
Por qu? La empresa no ha tenido los
resultados esperados y el director ha hecho
recortes para salvar la situacin, teme por su
655
puesto
5Ws y 1H
El mtodo de las 5Ws y 1H se resume al

preguntar quin?, qu?, cundo?, dnde?,
por qu? Y cmo?.
Pueden usarse las ramas del diagrama de

causa efecto
656
Diagrama de causa efecto
Rompe el problema en partes ms pequeas

Muestra muchas causas potenciales
grficamente
Muestra como interactan las causas
Sigue las reglas de la tormenta de ideas
Las sesiones tienen tres partes:
Tormenta de ideas
Dar prioridades (identificar las tres causas
principales)
Desarrollo de un plan de accin
657
Diagrama de Pareto
Sirve para identificar problemas u

oportunidades prioritarias o mayores
De acuerdo a Juran permite identificar los

pocos vitales de los muchos triviales
El principio de Pareto sugiere que unas

cuantas categoras de problemas (20% aprox.)
presentan la mayor oportunidad para la
mejora (80% aprox.)
658
Mtodo de las 8 disciplinas Ford
El mtodo de Ford para el anlisis de causa raz

es:
D1. Establecer el equipo
D2. Describir el problema
D3. Desarrollar una accin de contencin
D4. Identificar la causa raz
D5. Desarrollar alternativas de solucin
D6. Implementar una accin correctiva permanente
D7. Prevenir la recurrencia
D8. Reconocer al equipo y las contribuciones
individuales
659
Anlisis de rbol de falla FTA
FTA es un mtodo sistemtico deductivo, para

definir un evento singular especfico e
indeseable, y determinar todas las posibles
razones (fallas) que pueden hacer que ocurra
el evento
Se utiliza el las primeras fases del diseo como

herramienta para impulsar modificaciones
iniciales de diseo.
660
Otras reas de su aplicacin son:
Anlisis funcional de sistemas complejos

Evaluacin de requerimientos de seguridad,
confiabilidad,
defectos de diseo,
riesgos de peligro,
acciones correctivas,
simplificacin de mantenimiento y deteccin de
falla,
eliminacin lgica de causas de falla
661
Se prefiere el FTA en vez del FMEA cuando:
La seguridad el personal es importante

Se pueden identificar un nmero pequeo de
eventos superiores
Hay alto potencial de falla
El problema es cuantificar la evaluacin del
riesgo
La funcionalidad del producto es altamente
compleja
El producto no es reaprables
662
Se prefiere el FMEA en vez del FTA cuando:
Los eventos superiores no se pueden definir

explcitamente
Son factibles mltiples perfiles potencialmente
exitosos
La identificacin de todos los modos de falla es
importante
La funcionalidad del producto tiene poca
intervencin externa
663
Smbolos de compuertas lgicas para

determinar la confiabilidad del sistema. Hay
smbolos de eventos y smbolos de compuertas
Smbolos de eventos
Evento superior, falla a nivel sistema o evento

indeseable
Evento bsico, evento falla de ms bajo nivel
a estudiar
Evento de falla, evento de falla de bajo nivel. Puede recibir
entradas o proporcionar salidas a una compuerta lgica
664
Smbolos de compuertas lgicas
AND. El evento de salida ocurre solo

Si ocurren todos los eventos de entrada
Simultaneamente
OR. El evento de salida ocurre si
Ocurre alguno de los eventos de
La entrada
665
Ejemplo: se asume que falla el sistema

superior
666
La probabilidad de falla del sistema es 5.02%.

Se indica que el teclado es prioritario (0.20),
despus la CPU (0.015) y el monitor (0.015)
667
VI.D.3 Anlisis del Muda
668
Anlisis de Muda
Las actividades que no agregan valor se

clasifican como Muda, de acuerdo a Imai son:
Sobreproduccin
Inventarios
Reparaciones / rechazos
Movimientos
Transportes
Re Procesos
Esperas
669
Sobreproduccin
Se produce ms en cierto momento, por:
Producir ms de lo necesario por el siguiente proceso

Producir antes de lo requerido por el siguiente
proceso
Producir ms rpido de lo requerido por el siguiente
proceso
Sus consecuencias son:
Espacio extra en las instalaciones del cliente

Materias primas adicionales en uso
Utilizacin de energticos y transportes adicionales
Costos de programacin adicionales
670
Inventario en exceso
Las partes, materias primas, inventario en proceso,

refacciones y productos terminados forman el
inventario, el inventario es Muda ya que requiere:
Espacio en piso, Transporte, Montacargas

Sistemas de transportadores
Inters sobre el costo de los materiales
Puede verse afectado por:
El polvo, deterioro, obsolescencia

Humedad (oxidacin), dao durante el manejo
671
Inventario en exceso
Las partes, materias primas, inventario en proceso,

refacciones y productos terminados forman el
inventario, el inventario es Muda ya que requiere:
Espacio en piso, Transporte, Montacargas

Sistemas de transportadores
Inters sobre el costo de los materiales
Puede verse afectado por:
El polvo, deterioro, obsolescencia

Humedad (oxidacin), dao durante el manejo
672
Reparaciones / defectos
Las reparaciones o el retrabajo de partes

defectivas significa un segundo intento de
producirlas bien. Se rompe el Takt Time
Puede haber desperdicio de materiales o

productos no recuperable
Si hay defectos, no puede implementarse el

flujo de una pieza
Los cambios de diseo tambin son Muda
673
Movimientos
Los movimientos adicionales del personal son

Muda. Caminar mucho, cargar pesado, agacharse,
estirarse mucho, repetir movimientos, etc.
El lugar de trabajo debe disearse

ergonmicamente, analizando cada estacin de
trabajo
La ergonoma puede causar daos y produccin

perdida
674
Movimientos
Algunas reglas de la ergonoma incluyen:
Enfatizar la seguridad todas las veces

Adecuar el empelado a la tarea
Cambiar el lugar de trabajo para que se adecue
al empleado
Mantener posiciones neutrales del cuerpo
Redisear las herramientas para reducir
esfuerzo y daos
Variar las tareas con rotacin de puestos
Hacer que la mquina sirva al ser humano
675
Reprocesos
Consiste de pasos adicionales en el proceso de

manufactura, por ejemplo:
Remocin de rebabas
Maquinado de partes mal moldeadas
Agregar procesos de manejo adicionales
Realizar procesos de inspeccin
Repetir cambios al producto innecesarios
Mantener copias adicionales de informacin
676
Transportes
Todo transporte es Muda excepto la entrega al

cliente. Incluye:
Uso de montacargas
Uso de transportadores
Uso de movedores de pallets y camiones
Puede ser causado por:
Deficiente distribucin de planta o de celdas

Tiempos de espera largos, reas grandes de
almacenaje, o problemas de programacin
677
Esperas
Ocurre cuando un operador est listo para

realizar su operacin, pero permanece ocioso,
por falla de mquina, falta de partes, paros de
lnea, etc. El Muda de espera puede ser por:
Operadores ociosos
Fallas de maquinaria
Tiempos de ajuste y preparacin largos
Tareas no programadas a tiempo
Flujo de materiales en lotes
Juntas largas e innecesarias
678
Mudas adicionales
Otros mudas adicionales a los 7 desperdicios son:
Recursos mal utilizados

Recursos poco utilizados
Actividades de conteo
Bsqueda de herramientas o partes
Sistemas mltiples
Manos mltiples
Aprobaciones innecesarias
Fallas de mquinas
Envo de producto defectivo al cliente o mal servicio
679
Salidas de la Fase de Anlisis
Causas raz validadas
Gua de oportunidades de mejora
680
Preguntas ejemplo
1. En un sentido amplio, cuantas de las siguientes causas
de variacin en estudios multi vari pueden incluir
elementos de proceso relacionados con el tiempo:
I. Posicional
II. Cilndrica
III. Temporal
a. I y II
c. II y III
b. I y III
d. I, II y III
2. En un estudio de anlisis de regresin con dos variables,
que representa el trmino Beta 1?:
a. La pendiente de la lnea
b. La interaccin de la medicin
c. La interseccin en el eje X
d. La interseccin en el eje Y
3. Se hace un estudio entre la velocidad de coches y su
consumo de gasolina. El coeficiente de correlacin es de
0.35. Despus se encontr que el velocmetro est
equivocado y debi haber marcado 5 km. De ms. Se
recalcula el coeficiente de correlacin, que debe dar:
a. 0.30 b. 0.35 c. 0.40 d. -0.35
681
Preguntas ejemplo
4. La siguiente ecuacin es:
a. La covarianza de X y Y
b. El coeficiente de correlacin de X y Y
c. El coeficiente de determinacin de X y Y
d. La varianza del producto de X y Y
5. Segn la figura, Cul de las afirmaciones siguientes es
falsa?
I. El coeficiente de correlacin es negativo

II. El coeficiente de determinacin es positivo
III. El coeficiente de determinacin es menor que el
coeficiente de correlacin
a. Slo I
c. Slo III
b. Slo II
d. II y III
682
Preguntas ejemplo
6. Un problema de correlacin:
a. Se resuelve estimado el valor de la variable
dependiente para varios valores de la variable
independiente
b. Considera la variacin conjunta de las dos
mediciones, ninguna de las cuales es
restringida por el experimentador
c. Es un caso donde la distribucin relevante
debe ser geomtrica
d. Se resuelve al asumir que las variables son
normales e independientemente distribuidas
con media cero y varianza s
683
Preguntas ejemplo
7. Una muestra aleatoria de tamao n se toma de una gran
poblacin con desviacin estndar de 1.0. El tamao de
muestra se determina de manera que haya un 0.05 de
probabilidad de riesgo de exceder 0.1 de error de tolerancia
al usar la media de la muestra para estimar la Mu. Cul de
los siguientes valores es el ms cercano al tamao de muestra
requerido?
a. 365
b. 40
c. 200
d. 100
8. La diferencia entre poner alfa de 0.05 y alfa igual a 0.01 en

una prueba de hiptesis es:
a. Con alfa de 0.05 se tiene mayor tendencia a cometer un error
tipo I
b. Con alfa de 0.05 se tiene ms posibilidad de riesgo de cometer
un error tipo II
c. Con alfa de 0.05 es una prueba ms conservadora de la
hiptesis nula Ho
d. Con alfa de 0.05 se tiene menos posibilidad de cometer un
error tipo I
9. Si un tamao de muestra de 16 tiene un promedio de 12 y una
desviacin estndar de 3, estimar el intervalo de confianza
para un nivel de confianza del 95% para la poblacin (asumir
684
una distribucin normal)
Preguntas ejemplo
10. En una muestra aleatoria de 900 vehculos, 80% tienen
frenos ABS. Cul es el intervalo del 95% para el
porcentaje de vehculos con frenos ABS?
a. 0.778 0.821 c. 0.639 0.964
b. 0.771 0.829
d. 0.774 0.826
11. Determinar si los siguientes dos tipos de misiles tienen
diferencias significativas en sus varianzas a un nivel del
5%:
Misil A:61 lecturas
Varianza = 1.347 km2.
Misil B:31 lecturas
Varianza = 2.237 km2.
a. Hay diferencia significativa ya que Fcalc < Ftablas
b. No hay diferencia significativa por que Fcalc < Ftablas
c. Hay diferencia significativa por que Fcalc > Ftablas
d. No hay diferencia significativa pro que Facla > Ftablas
12. El valor crtico para t, cuando se hace una prueba t de
dos colas, con muestras de 13 y alfa de 0.05 es:
a. 1.782
c. 2.064
b. 2.179
d. 1.711
Preguntas ejemplo
13. Tres personas en entrenamiento se les proporciona el mismo
lote de 50 piezas y se les pide que las clasifiquen como buenas
o defectuosas, con los resultados siguientes:
Persona
Para determinar si hay o no hay diferencia en la habilidad de las

tres personas para clasificar adecuadamente las partes, cul
de los siguiente es (son) verdadero?
I. El valor calculado de Chi cuadrada es de 6.9
II. Para un nivel de significancia de 0.05, el valor crtico de Chi
cuadrada es de 5.99
III. Como el valor calaculado de Chi cuadrada en mayor a 5.99, se
rechaza la hiptesis nula
a. Slo I
c. Slo II
b. I y II
d. I, II y III
14. Un anlisis de varianza de dos vas tiene r niveles para una
variable y c niveles para la otra, con dos obseraciones por
celda. Los grados de libertad para la interaccin son:
a. 2 (r ) (c ) b. (r-1) (c-1)
c. rc 1 d. 2 (r -1) (c 1)
Preguntas ejemplo
15. Los supuestos bsicos del anlisis de varianza oncluyen:
I. Las observaciones vienen de poblaciones normales
II. Las observaciones vienen de poblaciones con vaianzas
iguales
III. Las observaciones vienen de poblaciones con medias
iguales
a. I y II
c. II y III
b. I y III
d. I, II y III
16. El valor terico esperado para una celda en la tabla de

contingencia se calcula como:
Preguntas ejemplo
17. Cul de las siguientes afirmaciones son verdaderas en
relacin a las pruebas no paramtricas?
I. Tienen mayor eficiencia que sus equivalentes pruebas
paramtricas
II. Pueden ser aplicadas a estudios de correlacin
III. Requieren supuestos acerca de la forma oi naturaleza de
las poblaciones involucradas
IV. Requieren clculos que son ms difciles que sus
equivalentes pruebas paramtricas
a. Slo II
c. II y IV
b. I y III
d. I, II y III

Seis Sigma BB Analisis

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Seis Sigma BB Analisis

Încărcat de

Drepturi de autor:

Formate disponibile

Programa de certificacin

de Black Belts ASQ

Establecer hiptesis sobre las posibles Causas

Las pocas Xs vitales

Causas raz validadas

Anlisis del Modo y Efecto de

Llenar columnas del FMEA

Establece si existe una relacin entre las variables y

Numero de rdenes urgentes

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

Mide la fuerza de la relacin lineal entre las

El coeficiente de correlacin muestral de

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

El coeficiente de correlacin r asume el mismo

Un valor positivo de r implica que la pendiente de

0.8 < r < 1.0

0.3 < r < 0.8

-0.3 < r < 0.3

-0.8 < r < -0.3

-1.0 < r < -0.8

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

Coeficiente de Correlacin ajustad

> 90% = Correlacin Fuerte

Tener cuidado de no tener variables colineales,

El trmino de error tiene media cero.

El trmino de error tiene varianza constante 2.

Los errores no estn correlacionados.

Los errores estn normalmente distribuidos.

Modelo de regresin lineal

Se aume que para cualquier valor de X el valor

El modelo general es:

Regresin Lineal Simple

Grfica de la Lnea de Ajuste

Interpretacin de los Resultados

Interpretacin de los Resultados

Los errores se denominan frecuentemente residuales.

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

pueden ser graficados para:

A veces es preferible trabajar con residuos estandarizados o

Anlisis de los errores o residuales

La desviacin estndar S corresponde a la raz cuadrada del

Los residuos son:

Las conclusiones son como sigue:

Intervalos de confianza para Beta 0 y Beta 1

El intervalo de confianza para la desviacin estndar es:

Intervalo de prediccin para un valor particular de Y

Prueba de Hiptesis para Beta 1:

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

( SSTotal .corregido. para.la.media )

Prueba de hiptesis para el Coeficiente de correlacin r:

H0: = 0 contra H1: 0

se rechaza la hiptesis Ho, indicando que

Los modelos de regresin son vlidos como ecuaciones

Mientras que todos los puntos tienen igual peso en la

Los outliers u observaciones aberrantes pueden

Si se encuentra que dos variables estn relacionadas

Clculo manual (cont..)

Xmedia = 9.4 / 10 = 0.94

b1 = Sxy / Sxx = 23.34 / 0.444 = 52.57

El coeficiente de correlacin r = 0.875442

Clculo con Excel)

0.001536 23.69262 69.28035

X Variable1 52.56757 10.26086 5.123117 0.000904