Documente Academic
Documente Profesional
Documente Cultură
Fase de Anlisis
Propsitos:
Salidas:
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
Pruebas
de
hiptesis
Diagrama
de Flujo
del
proceso
X's
Causas
potenciales
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
Correlacin
Accidentes laborales
Propsito:
Propsito: Estudiar
Estudiarla
laposible
posiblerelacin
relacin
entre
entredos
dosvariables.
variables.
Correlacin
positiva,
posible
Coeficiente de correlacin (r )
10
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
12
Coeficiente de correlacin
Reglas empricas
Coeficiente de
correlacin
Fuerte, positiva
Dbil, positiva
No existe
Dbil, negativa
Fuerte, negativa
Relacin
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
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
en funcin a la R2(Adj)
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
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
22
y 0 1 X
23
ei
SSE =
ei2
xi
yi - yi2
a y b son
Estimados de
0 y 1
Retencin
600
Regresin
500
95% Intervalo
de confianza
95% Intervalo
de prediccin
400
0.18
0.19
Altura del muelle
0.20
26
Errores residuales
28
Errores residuales
^
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.
di
MS E
,....1 1,2,....., n
1 ( X i X )2
MSE 1
n
S
XX
29
Errores 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
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
ei Yi Y i
__
__
Yi Y i Yi Y (Y i Y ) (Y
__
__
Y ) 2 (Y i Y ) 2 (Yi Y i ) 2
34
1
t ( n 2,1 ).S
2
b1
__
(
X
X
i )2
Anlisis de varianza en la
regresin
se(b1 )
__ 2
1 X
se(b0 ) MSE
n S XX
X i2
1/ 2
__
n ( X i X )
MSE
S XX
S
S XX
1
X
b0 t ( n 2,1 )
2 n ( X X__ ) 2
i
b1
2
i
t ( n 2,1
( X
1
). S
2
__
1/ 2
X )2
35
1
t ( n 2,1 ).S
2
b1
__
(
X
X
i )2
Anlisis de varianza en la
regresin
( 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
__
Y0 t / 2 ,n 2
1 ( X 0 X )2
MSE 1
Y0 Y0 t / 2 ,n 2
n
S XX
__
1 ( X 0 X )2
MSE 1
n
S XX
36
1
t ( n 2,1 ).S
2
b1
__
(
X
X
i )2
Anlisis de varianza en la
regresin
b1
MSE
S XX
37
1
t ( n 2,1 ).S
2
b1
__
(
X
X
i )2
Anlisis de varianza en la
regresin
Coeficiente de correlacin r:
S XY
S XX SYY
Coeficiente de determinacin: r2
R2 mide la proporcin de la variacin total respecto a la
media que es explicada por la regresin. Se expresa en
porcentaje.
^
( SS .de.la.regresin . por.b0 )
R2
__
2
(
Y
Y
)
(Y
__
Y )2
SSE
SYY
38
1
t ( n 2,1 ).S
2
b1
__
(
X
X
i )2
Anlisis de varianza en la
regresin
Si
r n2
1 r2
t 0 t / 2,n 2
39
Riesgos de la regresin
40
Riesgos de la regresin
41
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
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
28.90597 76.22916
100
80
60
40
20
0
0
20
40
60
80
100
Sample Percentile
50
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
53
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
x = 1/x
x = Raz cuadrada de (x)
x = log x
Trasformacin de funciones
Ejemplo: seaY 0 e 1 X
ln Y ln 0 1 X ln
se transforma como
59
60
61
62
Transformacin para
homoestacidad de la varianza
63
Transformacin para
homoestacidad de la varianza
64
Transformacin para
homoestacidad de la varianza
65
Transformacin para
homoestacidad de la varianza
66
Transformacin para
homoestacidad de la varianza
67
Transformacin para
homoestacidad de la varianza
68
Transformacin para
homoestacidad de la varianza
69
Transformacin para
homoestacidad de la varianza
70
71
Regresin mltiple
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
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
s 2 MSE
SSE
Np
74
Tamao de muestra
75
76
77
78
79
80
81
0.01438
275
275
82
83
84
85
Multicolinealidad
86
Multicolinealidad
1
VIF j
1 R 2j
87
88
Escalamiento de residuos
Y 5 X 1 1000 X 2
89
Escalamiento de residuos
Residuos estandarizados
di
ei
,
MSE
90
Escalamiento de residuos
Residuos estudentizados
H = X (XX)-1X es
e la matriz sombrero o hat matriz.
ri
MSE (1 hii )
91
Escalamiento de residuos
e( i ) Yi Y( i )
i 1
RPr2 ediccin 1
PRESS
SYY
92
Grficas parciales de
regresin
93
Matriz sombrero
94
Matriz sombrero
95
Distancia de Mahalanobis
96
Influencia en coeficientes
individuales
97
Influencia en coeficientes
individuales
Ejemplo de regresin
mltiple
Solucin con Excel y Minitab
99
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
% 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
0.8749313 R Square
0.76550478
Adjusted R Square
Observations
25
ANOVA
df
Regression
3
8.17E-07
Residual
21
4050.855918
SS
MS
1.12E+09
F
374977790.1
Significance F
22.851355
3.45E+08
16409433.67
Total
1.47E+09
24
Coefficients Standard
t Stat
P-value Lower 95% U pper 95%
Error
Intercept
122481.40 41473.13 2.953271081
0.007589
36233.29
208729.5
X Variable1 -926.873
-513.424
X Variable2 -59.9488
65.76118
-1340.32
-185.659
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
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
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
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
2.6414
Fit
SE Fit
0.0474
95.0% CI
(
2.5292,
New Obs
2.7536)
Score1
95.0% PI
(
2.3197,
2.9631)
106
Resultados de la regresin
lineal
Regression Plot
Score2 = 1.11771 + 0.217670 Score1
S = 0.127419
R-Sq = 95.7 %
R-Sq(adj) = 95.1 %
Score2
3.5
2.5
Regression
1.5
95% CI
95% PI
2
Score1
107
Resultados de la regresin
Mltiple
The regression equation is
HeatFlux = 389 - 24.1 North + 5.32 South + 2.12 East
Predictor
Coef
SE Coef
389.17
66.09
5.89
0.000
North
-24.132
1.869
-12.92
0.000
South
5.3185
0.9629
5.52
0.000
2.125
1.214
1.75
0.092
Constant
East
S = 8.598
R-Sq = 87.4%
R-Sq(adj) = 85.9%
Analysis of Variance
Source
Regression
DF
SS
MS
12833.9
4278.0
57.87
0.000
Residual Error
25
1848.1
Total
28
73.9
14681.9
Source
DF
Seq SS
North
10578.7
South
2028.9
East
226.3
108
Resumen de la Regresin
La regresin slo puede utilizarse con informacin de variables
continuas.
Los residuos deben distribuirse normalmente con media cero.
Importancia prctica: (R2). Importancia estadstica: (valores p)
La regresin puede usarse con un predictor X o ms,
para una respuesta dada
Reduzca el modelo de regresin cuando sea posible,
sin perder mucha importancia prctica
109
VI.A.4 Herramientas
multivariadas
110
Herramientas multivariadas
1. Introduccin
2. Anlisis de componentes principales
3. Anlisis factorial
4. Anlisis discriminante
5. MANOVA
111
Introduccin
112
Anlisis de componentes
principales
113
Anlisis de componentes
principales
114
Ejemplo: Alimentos en
Europa
115
Corrida en Minitab
2Stat > Multivariate > Principal components
3En Variables, X1, X2, X3, X4, X6, X7, X8, X9
4En Number of factors to extract, 3. Seleccionar
Correlation Matrix
5Click Graphs y seleccionar Scree Plot, Score plot
for first 2 components Loading plot for first 2
components
8 Click Storage e indicar las columnas donde se guarden
los coeficientes y los valores Z (scores) Coef1 Coef 2 y
Z1 Z2
9. Click OK en cada uno de los cuadros de dilogo
116
Ejemplo: Alimentos en
Europa
Ejemplo: Alimentos en
Europa
118
Anlisis factorial
Anlisis factorial
120
121
Ejemplo
122
Ejemplo:
123
Anlisis discriminante
pases
125
126
127
Anlisis de conglomerados
128
Anlisis de conglomerados
129
Ejemplo
Variables V1
V2
130
Corrida en Minitab
131
Anlisis de correlacin
cannico
132
Anlisis de correlacin
cannico
133
MANOVA
(Anlisis de varianza mltiple)
MANOVA
(Anlisis de varianza mltiple)
135
136
Ejemplo:
Extrusin de pelcula plstica
137
Ejemplo:
Extrusin de pelcula plstica
138
Ejemplo:
Extrusin de pelcula plstica
1Abrir el archivo EXH_MVAR.MTW.
2Seleccionar Stat > ANOVA > Balanced
MANOVA.
3En Responses, poner Tear Gloss Opacity.
4En Model, poner Extrusion | Additive.
5Click Results. En Display of Results,
seleccionar Matrices (hypothesis, error,
partial correlations) y Eigen analysis.
6 Click OK en cada cuadro de dilogo.
139
Ejemplo
140
Ejemplo:
Extrusin de pelcula plstica
Las matrices SSCP evalan la contribucin a la
variabilidad de manera similar a la suma de
cuadrados en la ANOVA univariada.
Las correlaciones parciales entre Tear y Gloss son
pequeas. Como la estructura de las
correlaciones es dbil, se pueden realizar
anlisis univariados de ANOVA para cada una
de las respuestas.
141
142
Estudios Multivari
143
Estudios Multivari
Nmero de subgrupo
144
Estudios Multivari
145
Estudios Multivari
Procedimiento de muestreo:
Estudios Multivari
Procedimiento de muestreo:
Cartas Multivari
148
Cartas Multivari
Posicional:
149
Cartas Multivari
1 2 3 4 5
27 28 29 30 31
55 56 57 58 59
150
Cartas Multivari
Ejemplo: (cont...)
1 2 3 4 5
27 28 29 30 31
55 56 57 58 59
151
Cartas Multivari
Ejemplo: (cont...)
1 2 3 4 5
27 28 29 30 31
55 56 57 58 59
152
Cartas Multivari
153
Cartas Multivari
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.
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.
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:
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.
161
Corrida en Minitab
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
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
165
166
Regresin logstica
Regresin logit
168
Regresin probit
169
170
171
172
Regresin logstica
Condiciones:
173
Regresin logstica
Relacin con ajuste pobre
174
175
Regresin logsticaProcedimiento
176
P-Value de Deviance
177
b +b x +....
e
Donde :
P(Falla) =
b +b x +....
b , b , ... = Coeficientes del modelo
1 +e
0
180
181
Constantes y
Coeficientes
del modelo
182
183
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
184
Expectativas
(CTSs)
Especificaciones
Tipo
Importan.
CTQs
Producto
(General)
Matriz de
Diseo
Clientes
Usuarios
Finales
Producto
(Especfico)
185
Anlisis Logit
186
187
Anlisis Probit
188
VI.B Pruebas de
hiptesis
189
Conceptos fundamentales
Estimacin puntual y por intervalo
Pruebas para medias, varianzas y proporciones
Pruebas comparativas para varianzas, medias y
prop.
5.
6.
7.
8.
Bondad de ajustes
Anlisis de varianza (ANOVA)
Tablas de contingencia
Pruebas no paramtricas
190
VI.B.1 Conceptos
fundamentales
191
Anlisis
Estadstico
En CADA prueba estadstica, se comparan algunos
valores observados a algunos esperados u otro valor
observado comparando estimaciones de parmetros
(media, desviacin estndar, varianza)
Estas estimaciones de los VERDADEROS parmetros son
obtenidos usando una muestra de datos y calculando los
ESTADSTICOS...
La capacidad para detectar un diferencia entre lo que es
observado y lo que es esperado depende del desarrollo de
la muestra de datos
Incrementando el tamao de la muestra mejora la
estimacin y tu confianza en las conclusiones estadsticas.192
Conceptos fundamentales
Hiptesis nula Ho
Es la hiptesis o afirmacin a ser probada
Puede ser por ejemplo , , , = 5
Slo puede ser rechazada o no rechazada
Hiptesis alterna Ha
Es la hiptesis que se acepta como verdadera cuando
se rechaza Ho, es su complemento
Puede ser por ejemplo = 5 para prueba de dos colas
< 5 para prueba de cola izquierda
> 5 para prueba de cola derecha
Esta hiptesis se acepta cuando se rechaza Ho
193
Conceptos fundamentales
Ejemplos:
194
Conceptos fundamentales
Estadstico de prueba
Conceptos fundamentales
Tipos de errores
Se asume que un valor pequeo para es deseable, sin
embargo esto incrementa el riesgo .
Para un mismo tamao de muestra n ambos varan
inversamente
Incrementando el tamao de muestra se pueden reducir
ambos riesgos.
Decisin realizada
Ho en realidad es
Verdadera
Ho en realidad
es falsa
No hay evidencia
para rechazar Ho
p = 1-
Decisin correcta
p=
Error tipo II
Rechazar Ho
p=
Error tipo I
p=1-
Decisin
correcta
196
Conceptos fundamentales
197
Conceptos fundamentales
198
Conceptos fundamentales
199
Conceptos fundamentales
Conceptos fundamentales
/2
E2
Z 2 / 2 ( p )(1 p )
n
( p ) 2
201
Conceptos fundamentales
Ejemplo:
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
203
204
205
206
Potencia de la prueba
Potencia 1
cierto
nmero de (1 , 1.5 )
207
Potencia de la prueba
208
Potencia de la prueba
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
211
Estimacin de riesgos
212
Pruebas de Minitab
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
216
217
218
219
220
221
222
223
224
225
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
231
Un Intervalo de Confianza
232
Intervalo de confianza
Error de estimacin
233
1.96 = Z0.025
234
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
para .n 30 X t
2
( n 1) s 2
2
2
, n 1
( n 1) s 2
p Z
2
, n 1
p (1 p )
n
236
Para n grande el IC es
pequeo
237
Para n grande el IC es
pequeo
238
Ejemplo
239
240
241
242
243
244
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
248
249
Regin de
Rechazo
Regin de
Rechazo
0
Rechazo
-Z
250
251
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
DF formula.especial
252
d
; Pares.de.medias; d i . para.cada. par
Sd / n
( n 1) S 2
(O E ) 2
253
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
Regin de
Rechazo
0
Rechazo
-Z
255
256
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
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
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
5.99
261
Regin de
Rechazo
s
n
Regin de
Rechazo
0
-Z
262
263
264
Gl=14;
265
266
Prueba de hiptesis
para una proporcin con Z
267
268
269
270
271
Prueba de Hiptesis
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.
a b
Ha: a b
Ho:
273
Prueba de Hiptesis
Hiptesis Estadstica: No
existe diferencia entre los
Reactores
Esto se llama Hiptesis
Nula (Ho)
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
275
276
277
278
279
280
281
Sigmas desconocidas
y desiguales
282
283
284
285
286
287
288
Robustez
289
Resumen
290
291
292
293
294
295
(O
i
E
)
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:
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
0.76020818
297
( 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
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
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
301
302
( f i ei ) 2
ei
i 1
n
303
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
305
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
( f i ei ) 2
ei
i 1
2
Como
307
308
( f i ei ) 2
ei
i 1
2
5. Regla de rechazo:
2
2
Si no se puede rechazar la hiptesis nula
309
310
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
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
60
98
100
54
40
7.34
CumProb
0.974524
0.0254765
314
Prueba de Bondad
de ajuste en Excel
315
316
Introduccin
317
Contenido
ANOVA de un factor
o direccin
319
Introduccin
320
Ho : 1 2 3 ......... a
Ha : A lg unas. ' s.son.diferentes
321
ANOVA - Condiciones
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
Media Trat. a
a renglones
Gran media
Media trat. 2
SCTr b( X i X )
i 1
325
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
X1j
X3j
Media X1.
Media X2.
Muestra 1
Muestra 2
Media
X3.
Mues
327
gl.SCT n 1
gl.SCTr a 1
gl.SCE (n 1) (a 1) n a
328
MCT SCT /( n 1)
MCTr SCTr /( a 1)
MCE SCE /( n a )
329
MCTr
Fc
MCE
Fexcel FINV ALFA , gl .SCTr , gl .SCE
330
SCTR
a-1
CMTR
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
Fexcel
Alfa
Zona de no rechazo de Ho
O de no aceptar Ha
Zona de rechazo
De Ho o aceptar Ha
Fc
332
T q , a , n a
CME
b
334
D2 = X1 X3
D3 = X2 X3
etc.
335
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
DMS j ,k
1 1
(CME ) F ,a 1,n a
b j bk
Ejemplo:
Mquin
as
Datos
Su
m
a
Prom
.
338
Ejemplo:
Cuadrado
medio
Mquin
as
339
Ejemplo:
-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%
Mean
StDev
---------+---------+---------+---------+
6.200
0.837
(-----*----)
0.600
1.673
-0.800
1.643
(----*-----)
(-----*----)
---------+---------+---------+---------+
0.0
2.5
5.0
7.5
341
Corrida en Minitab
11.94
14.42
10.06
7.19
7.03
14.66
342
Corrida en Minitab
343
Resultados
DF
Carpet
SS
MS
111.6
37.2
2.60
0.101
Error
12
172.0
Total
15
14.3
283.6
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
344
345
ANOVA de 2 vas
346
347
ANOVA 2 vas
Para el tratamiento en renglones
Ho : 1 2 3 ......... a
Ha : A lg unas. ' s.son.diferentes
Para el factor de bloqueo en columnas
Maquinas
Maq 1
Maq 2
Maq 3
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
ANOVA Estadstico Fc y
Fexcel
MCTr
Fc
MCE
Fexcel FINV ALFA , gl .SCTr , gl .SCE
353
ANOVA Estadstico Fb
MCBl
Fc
MCE
Fexcel FINV ALFA , gl .SCBl , gl .SCE
354
VALOR F
SCTR
a-1
CMTR
CMTR/CME
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
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
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 .
359
Corrida en Minitab
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
361
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 3 y 4 factores
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
SCTr a ( X Tr X )
j 1
gl.SCTr a 1 b 1
CMTr SCTr /(b 1)
366
367
MCTr
Fc
MCE
Fexcel FINV ALFA , gl .SCTr , gl .SCE
368
MC Re ng
Fcreng
MCE
MCCols
Fcols
MCE
Fexcel FINV ALFA , gl .SCBl , gl .SCE
369
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
371
372
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
373
374
375
ANOVA Cuadrado
Grecolatino
b
SCG a ( X m X )
m 1
gl.SCG b 1
CMG SCG /(b 1)
376
377
MCG
Fc
MCE
Fexcel FINVALFA , gl .SCTr , gl .SCE
378
MCTr
Fc
MCE
Fexcel FINV ALFA , gl .SCBl , gl .SCE
379
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
381
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,
383
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
385
386
387
.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
389
Tabla de contingencia
390
Tabla de contingencia
391
Partes defectuosas
mquina 1
fo = 517
fo = 17
Total = 534
mquina 2
fo = 234
fo = 11
Total = 245
751
28
Total
779
392
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
mquina 1
Partes
buenas
530.53
mquina 2
233.47
779
Partes defectuosas
3.47
1.53
393
232
233.47
764
3
1.53
5
235
769
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.
396
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
397
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
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
54
13.23
202
242.77
256
5
36.38
699
667.62
704
12
6.61
116
121.39
128
400
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
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
403
Coeficiente de Contingencia
C2
X2
X2 N
404
Coeficiente de Contingencia
C2
2
X2
66
.
22
2
0.38
2
2
X N
66.22 393
Max C
k 2
82
0.866
k
8
405
Correlacin de atributos
X
N (k 1)
406
VI.B.9 Pruebas de
Hiptesis no paramtricas
407
Pruebas no paramtricas
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
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
Datos No Normales
Pruebas de la Mediana
411
7B8. Definiciones
Mediana: Valor del punto medio de los datos, cuando se ordenan en forma
ascendente (en caso de datos pares, obtener promedio).
413
Mediana
28.0
35.0
42.0
49.0
56.0
63.0
C1
++++++
Promedio = 40.35
Mediana = 39.5
414
Prueba t de 2 muestras
ANOVA de un factor
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
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
Este es el valor p
de las Prueba de
Corridas
n1 = 11n2 = 18
DesStG = 2.4843
418
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
420
Valor
0
50
56
72
80
80
80
99
101
110
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
+
+
+
+
+
+
+
+
+
421
422
115
100
200
300
400
500
144
Corrida en Minitab
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
Casa
Limpiad
or
10
Media = 0.5*n
Desv. Estand.= 0.5*raiz(n)
Familia
10
Wilconox
Es la alternativa no paramtrica de la prueba paramtrica de
muestras pareadas
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
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
Achievement
77
88
85
74
75
62
80
70
83
430
Prueba de MannWhitney
Se llev a cabo un estudio que analiza la frecuencia del pulso en dos
grupos de personas de edades diferentes, despus de diez minutos de
ejercicios aerbicos.
Los datos resultantes se muestran a continuacin.
Edad 40-44
C1
Tuvieron diferencias
140
significativas las frecuencias de
135
pulso de ambos grupos?
150
140
144
154
160
144
136
148
Edad 16-20
C2
130
166
128
126
140
136
132
128
124
431
Prueba de MannWhitney
Edad 40-44
C1
(7) 135
(8.5) 136
(11) 140
(11) 140
(13.5) 144
(13.5) 144
(15) 148
(16) 150
(17) 154
(18) 160
Edad 16-20
C2
(1) 124
(2) 126
(3.5) 128
(3.5) 128
(5) 130
(6) 132
(8.5) 136
(11)140
(15)166
n1 = 10
Ta = 130.5
n2 = 9
Tb = 55.5
432
Prueba de MannWhitney
Ho: Las distribuciones de frecuencias relativas de las poblaciones A y B son iguales
Ha: Las distribuciones de frecuencias relativas poblacionales no son idnticas
Ho: 1 = 2
Ha: 1 2
1, 2 = Medianas de las poblaciones
Ordenando los datos y asignndoles su posicin relativa se tiene:
Ua = n1*n2 + (n1) * (n1 + 1) /2 - Ta
Ub = n1*n2 + (n2) * (n2 + 1) /2 - Tb
Ua + Ub = n1 * n2
Ua = 90 + 55 - 130.5 = 14.5
P(Ua) = 0.006
Ub = 90 + 45 - 55.5 = 79.5
El menor de los dos es Ua.
Para alfa = 0.05 el valor de Uo = 25
Como Ua < 25 se rechaza la Hiptesis Ho de que las medianas son iguales.
Prueba de MannWhitney
Ho: Las distribuciones de frecuencias relativas de las poblaciones A y B son iguales
Ha: Las distribuciones de frecuencias relativas poblacionales no son idnticas
Ua = 14.5
Ub = 79.5
Utilizando el estadstico Z y la distribucin normal se tiene:
45
12.24
Z = [ (U - (n1* n2 / 2 ) / Raiz (n1 * n2 * (n1 + n2 + 1) / 12)
Con Ua y Ub se tiene:
Za = (14.5 - 45) / 12.24 = - 2.49 P(Z) = 0.0064 similar a la anterior
Zb = (79.5 -45) / 12.24 = 2.81 P(total) = 2 * 0.0064 = 0.0128 menor = 0.05
El valor crtico de Z para alfa 0.025 por ser prueba de dos colas, es 1.96.
Como Za > Zcrtico se rechaza la Hiptesis Ho de que las medianas son iguales.
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
Corrida en Minitab
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
438
Corrida en Minitab
440
(O E )
E
2
441
442
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
29 24 106.0 21.5
15 55 116.5 16.3
(------*------)
(----*----)
----+---------+---------+---------+--
443
445
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
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
449
450
451
452
Prueba de igualdad de
varianzas de Levene
453
Prueba de igualdad de
varianzas de Levene
Para dos muestras el procedimiento es como sigue:
Determinar la media
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
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
10
10
16
16
16
rechazar Ho
Levene's Test (any continuous distribution)
457
458
459
El coeficiente de correlacin de
rangos de Spearman (rs)
r 1
6 d
N N
3
6(5.5)
rs 1
1 0.03 0.97
990
460
Coeficiente de correlacin
de rangos para monotona
de preferencias
Una persona interesada en adquirir un TV asigna
rangos a modelos de cada uno de 8
fabricantes
Rang
Fab.
Preferencia
Precio
(rango)
o
Di
449.50 (1)
36
525.00 (5)
-1
479.95 (3)
-1
499.95 (4)
580.00 (8)
-7
49
549.95 (7)
-4
16
469.95 (2)
36
532.50 (6)
-1
Di
cuadrada
461
Coeficiente de correlacin
de rangos para monotona
de preferencias
Ho: No existe asociacin entre los rangos
Ha: Existe asociacin entre los rangos o es positiva o negativa
El coeficiente de correlacin de rangos de Spearman es:
Rs = 1 6*suma(di cuadrada) / (n(n cuadrada 1))
En este caso: Rs = 1 6(144)/(8*(64-1) = -0.714
R0 se determina de la tabla de Valores crticos del coeficiente de
correlacin del coeficiente de correlacin de rangos de
Spearman
Rt = 0.686
Por tanto si hay asociacin significativa en las preferencias
462
Tabla de constantes
n
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
Alfa=0.05
0.900
0.829
0.714
0.643
0.600
0.564
0.523
0.497
0.475
0.457
0.441
0.425
0.412
0.388
0.377
0.368
0.359
0.351
0.343
0.336
0.329
0.329
0.323
0.317
0.311
0.305
Alfa = 0.025
0.886
0.786
0.738
0.683
0.648
0.623
0.591
0.566
0.545
0.525
0.507
0.490
0.476
0.462
0.450
0.438
0.428
0.418
0.409
0.400
0.392
0.385
0.377
0.370
0.364
463
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
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
466
Resumen de pruebas
no paramtricas
467
468
469
470
Qu es el FMEA?
El Anlisis de del Modo y Efectos de Falla es un grupo
sistematizado de actividades para:
471
472
473
Tipos de FMEAs
475
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
DFMEA
Es un anlisis detallado de los modos de falla
potenciales relacionados con las funciones
primarias y de interfases del sistema.
477
478
479
480
481
482
483
484
485
486
Modos de fallas vs
Mecanismos de falla
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
490
491
492
AMEF de Diseo
493
AMEF de Diseo
494
Equipo de trabajo
495
Qu se va incluir? Qu se va a excluir?
497
Entradas al DFMEA
Herramientas de robustez
498
499
500
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
502
No funciona
Funciona parcialmente / sobre funcin /
degradacin con el tiempo
Funcin intermitente
Funcin no intencionada
503
Asumiendo la funcin:
Almacenar fluido, X litros, 0 fugas, durante 10 aos
505
506
507
Ruidos
Operacin inestable
Operacin intermitente
Fugas
508
509
Rango
Criterio
No
Sin efecto
Muy poco
componente o
Poco
comp. o
Menor
desempeo
Moderado
Significativo
6
comp. o
salvo. Falla parcial,
Mayor
seriamente
Extremo
Sistema
Serio
perder
reglamento del
Peligro
10
510
511
Mitigar el efecto
512
513
514
515
516
517
518
519
520
Criterios
Remota
fallas
con
idntico
Muy Poca
con
Servicio
Poca
Moderada
<1 en 1,500,000
Zlt > 5
2
4.5
1 en 150,000
Zlt >
1 en 30,000
Zlt > 4
Alta
800
Muy alta
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
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
524
De prevencin:
De deteccin:
525
527
528
529
530
2-3
4-5
6-7
10
532
DFMEA Acciones
recomendadas
Considerar acciones como las siguientes:
533
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
534
535
536
537
PFMEA
Equipo
Alcance
538
Entradas al PFMEA
539
540
541
Ejemplos
542
544
546
Ruido
Operacin errtica
Inoperable
Inestable
Apariencia mala
Fugas
Excesivo esfuerzo
Retrabajos / reparaciones
Insatisfaccin del cliente
547
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
Calif
.
10
Alto
Modera
do
Bajo
Muy
bajo
Menor
Muy
menor
Ninguno
Peligros
o sin
aviso
Peligros
o con
aviso
Muy
alto
Calif
.
10
Alto
Modera
do
Bajo
Muy
bajo
Menor
Muy
menor
Ninguno
Peligros
o sin
aviso
Peligros
o con
aviso
Muy
alto
Paso 2 identificar:
Su tasa de ocurrencia
552
553
554
555
556
Ocurrencia:
557
559
En el paso 3 identificar:
562
Causas potenciales
De Diagrama de Ishikawa
Diagrama de rbol o
Diagrama de relaciones
Consideraciones
565
566
Inspeccin
Casi
imposibl
e
Muy
remota
Certeza absoluta de no
deteccin
Remota
Muy baja
Baja
Moderad
a
Moderad
amente
Alta
Alta
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
Acciones recomendadas
571
572
Planear Acciones
Requeridas para todos los CTQs
573
Acciones tomadas
574
RPN resultante
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
580
Diagrama de lmites
581
582
Tormenta de ideas
583
rbol de funciones
Calentar el interior a XC
Enfriar a los ocupantes a XC
Eliminar la niebla del parabrisas en X segundos
584
Tcnica de preguntas
585
Tcnica de preguntas
Paso 3
Paso 1
Qu lo causa? Modo de falla
Paso 2
Qu efecto tiene?
586
587
588
Diseo de experimentos
(DOE)
589
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
2.
3.
Bitcora de preguntas
592
593
Despliegue de la funcin de
calidad (QFD)
594
595
596
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:
598
FMEA Express
599
E-FMEA ambiental
600
E-FMEA ambiental
601
Matriz de requerimientos
ambientales con criterios
mltiples
602
E-FMEA
Ejemplos de acciones recomendadas (hacer una
revisin previa de efectos secundarios en la
vida del producto):
603
E-FMEA
Salidas del FMEA ambiental:
Recomendaciones de materiales
604
MFMEA FMEA de
maquinaria
605
FMEA de maquinaria
606
FMEA de maquinaria
607
FMEA de maquinaria
608
FMEA de maquinaria
609
FMEA de maquinaria
610
FMEA de maquinaria
611
FMEA de maquinaria
Criterios de Severidad
612
FMEA de maquinaria
613
FMEA de maquinaria
Criterios de Ocurrencia
614
FMEA de maquinaria
Criterios de Deteccin
615
Herramientas de la
Fase de Anlisis
Identificacin de causas potenciales
Cartas Multivari y Anlisis de Regresin
Intervalos de confianza y Pruebas de
Hiptesis
616
Identificacin de causas
potenciales
Tormenta de ideas
Diagrama de Ishikawa
Diagrama de
Relaciones
Diagrama de rbol
Verificacin de causas
raz
617
Tormenta de ideas
618
Tormenta de ideas
619
Diagrama de Ishikawa
Diagrama de Ishikawa
Medio
ambiente
Clima
hmedo
Distancia de
la agencia al
changarro
Clientes con
ventas bajas
Malos
itinerarios
Mtodos
Frecuencia
de visitas
Posicin de
exhibidores
Falta de
supervi
Falta de
cin
motivacin
Elaboracin
de pedidos
Seguimiento
semanal
Conocimiento
de los
mnimos por
ruta
Descompostura
del camin
repartidor
Maquinara
Personal
Medicin
Materiales
Rotacin de
personal
Ausentismo
Qu
produce
bajas ventas
Calidad del de
Tortillinas
producto
Ta Rosa?
Tipo de
exhibidor
Diagrama de relaciones
Perdida de mercado
debido a la
competencia
No hay flujo
efectivo de mat.
Por falta de
programacin
de acuerdo
a pedidos
Constantes
cancelaciones
de pedidos
de marketing
Falta de prog. De
la op. En base a
los pedidos
Influencia de la
situacin econ del
pas
Falta de
No hay control coordinacin al fincar
de inv..... En proc.
pedidos entre
marketing y la op.
Programacin
deficiente
Capacidad
instalada
desconocida
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
Influencia directa de
marketing sobre
compras
Falta de comunicacin
entre las unidades
del negocio
622
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
circunferencial
1/1
Empaques de arrastre
Causas a validar
0/3
5/2
Drive principal
4/1
Voltaje del motor
1/5
Ejes principales
1/5
Poleas de transmisin
Entradas
Salidas
Causa
Efecto
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
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
17- Mar-04
17- Mar-04
2- Mar-04
Realizar chequeo de
funciones
24- Mar-04
Analizar el transporte de
herramientas y materiales
24- Mar-04
12 - Abr- 04
15 Abr - 04
Realizacin de operaciones
en paralelo.
5 May -04
Uso de sujeciones
funcionales.
19 May -04
Eliminacin de ajustes
Verificacin de posibles
causas
627
por qu?
cmo?
cund
o?
dnd
e?
quin
?
1
Tacogenerad
or de motor
embobinador
Abril
04
1804
Embob
.
J. R.
2 Sensor
circular y de
velocidad de
linea.
Abril
04
1804
Embob
.
U. P.
3 Ejes
principales
de
transmisin.
Abril04
1804
Embob
.
F. F.
4 Poleas de
transmisin
de ejes
embobinador
es.
Abril04
1804
Embob
.
J. R.
U. P.
628
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
Causa
Raz
NO ES CAUSA RAIZ
NO ES CAUSA RAIZ
SI ES CAUSA RAIZ
SI ES CAUSA RAIZ
NO ES CAUSA RAIZ
X
X
630
Mtodos adicionales de
anlisis
1. Anlisis de brecha
2. Anlisis de causa raz
3. Anlisis del Muda
631
632
633
Anlisis de brecha
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
Dnde estamos?
Dnde queremos ir?
Cmo vamos a medir los resultados?
635
Planeacin de escenarios
636
Planeacin de escenarios
637
Planeacin de escenarios
638
Planeacin de escenarios
639
Planeacin de escenarios
640
Planeacin Hoshin
Planeacin Hoshin
642
Benchmarking
Anlisis FODA
Anlisis PEST
643
Evaluacin organizacional
644
Evaluacin organizacional
645
Mtricas organizacionales
Utilidades
Tiempos de ciclo
Recursos
Respuestas del mercado
Mtricas organizacionales
Para los anteriores, las mtricas pueden ser:
Utilidades a corto y largo plazo
Tiempos de ciclo
647
Mtricas organizacionales
Recursos
No. De proyectos de mejora, ROI de proyectos,
estudios de capacidad de procesos, reducciones de
variabilidad, costos de calidad con relacin a una
base, porcentaje de defectos con relacin a alguna
base
648
Mtricas organizacionales
Las mtricas permiten medir los avances en
relacin a las metas organizacionales
650
651
652
653
5Ws y 1H
656
Tormenta de ideas
Dar prioridades (identificar las tres causas
principales)
Desarrollo de un plan de accin
657
Diagrama de Pareto
659
660
661
662
663
Smbolos de eventos
664
666
667
668
Anlisis de Muda
Sobreproduccin
Inventarios
Reparaciones / rechazos
Movimientos
Transportes
Re Procesos
Esperas
669
Sobreproduccin
670
Inventario en exceso
671
Inventario en exceso
672
Reparaciones / defectos
673
Movimientos
674
Movimientos
675
Reprocesos
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
Uso de montacargas
Uso de transportadores
Uso de movedores de pallets y camiones
677
Esperas
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
679
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?
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
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
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
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