LEAN SIX SIGMA

“BOX PLOTS”
Gráficos de Caja

Prof. Alejandro Rangel Flores

 ¿Qué son las Box Plots?

• Es una representación grafica (barras) de la distribucion de

frecuencias de un conjunto de datos, en la que pueden observarse
más facilmente tres propiedades:

1. Forma en que se distribuyen los datos

2. Acumulación o tendencia central
3. Dispersión de variabilidad
Diagrama de Caja
(Box Plots)
DIAGRAMAS DE CAJA
(Box Plots)
DISTRIBUCIONES
 OBJETIVOS

 Conocer la importancia de las distribuciones en la estadística

 Entender los diferentes tipos de datos

 Aplicar el modelo den distribucion normal para calcular la

probabolidad de defectos

 Entender los diferentes tipos de defectos

CONTENIDO

1. Introducción a las distribuciones

2. Distribuciones para datos continuos

2.1 Normal
2. 2 Lognormal
2. 3 Weibull

 Distribuciones para datos discretos

* Binominal
* Poisson

3. Teorema del límite central

TIPOS DE DATOS
ESCALAS DE MEDICIÓN
SELECCIONANDO LA TÉCNICA ESTADÍSTICA
 DISTRIBUCIONES ESTADÍSTICAS

• La probabilidad de un proceso para cumplir con

los requerimienros del cliente, en otras palabras
de producir productos y servicios libres de
defectos, esta fuertemente ligada con la
distribucion de los datos obtenidos del proceso.

• Una alta probabilidad de defectos en la

producción, significa niveles relativamente altos
de insatisfacción en el cliente.
SELECCIONADO DE LA TÉCNICA ESTADÍSTICA
 DISTRIBUCIONES ESTADÍSTICAS

Datos Continuos: Para facilitar, la manipulación y el analisis de

Normal los datos, estos deberían seguir una
Lognorm distribución normal; si estos siguieran otro tipo
Webfull de distribución, entonces existe una gran
variedad de transformaciones matemáticas
Datos Discretos: para transformar los datos originales de
Binominal manera que se acerquen a un Distribución
Poisson Normal.
Datos de Muestra: Otro tipo de dsitribuciones estadísticas son las
Chi – Square llamadas Distribuciones de Muestra. Las
F Distribuciones de Muestra de un parámetro
T estadístico como la Media o la Desviación
Estándar, basados en “n” observaciones, es la
Obras distribuciones de distribución de frecuencias relativas de los
probabilidad: valores del parámetro estadístico generados al
Exponential tomar repetidas muetras aleatorias de tamaño
Hiper - geometric “n” y calculando el valor del parámetro
estadístico para cada muestra.
 ¿RECUERDA LA DISTRIBUCIÓN NORMAL?

La distribución de probabilidad continua más importante en

estadiística es la distribución normal (distribución Gausiana).

La distribución normal es la curva en forma de campana

Para una distribución de campana simétrica la regla es:
• Aprocimadamente 68% de las observaciones caerán dentro de +/- 1 ó
de la media
• Aproximadamente 95% de las observaciones estar dentro de +/- 2 ó
de la media
• Aproximadamente 99.7% de las observaciones estarán dentro de + / -
3 ó de la media
 DISTRIBUCIÓN NORMAL

Definición
Esta es la distribución de probabilidad usada para modelar variables continuas. Se
caracteriza por su bien conocida forma de campana. Se aplica en un gran número de
situaciones donde valores aleatorios e independientes tiene la misma probabilidad de
ocurrir en ambos lados de un valor “medio” esperado, y donde los extremos son valores
más moderados en su ocurrencia. La distribución normal se describe perfectamente
definiendo la media y la desviación estándar.
Usos
En la mayoría de los procesos continuos, la primera distribución de probabilidad que
se asume es la normal.

Ejemplos
Alturas o peso de un grupo de personas
Resultados en procesos de manufactura
Indicadores económicos de un país o una compañía
Tiempo de vida de una muestra de baterías
DISTRIBUCIÓN NORMAL
 REGLAS EMPÍRICAS DE PROBABILIDAD

• Las siguientes valores son las reglas teóricas y empíricas de las

probabilidades normales
GRÁFICOS DE PROBABILIDAD NORMAL
• Propiedad 1: Una distribución puede ser descrita completamente
Conociendo solamente la media y la desviación estándar.
• Propiedad 2: El área bajo las secciones de la curva pueden ser usadas para estimar
la probabilidad acumulada de que ocurra cierto evento.
• Propiedad 3: La curva es perfectamente simétrica alrededor de la media
(exactamente
el 50% restante están debajo de la media) por lo tanto la media y la mediana son
idénticas.
 RECORDANDO LA TRANSFORMACIÓN Z

• La probabilidad de un proceso para cumplir con los requerimientos del

cliente, en otras palabras de producir productos y servicios libres de defectos,
está fuertemente ligada con la distribución de los datos obtenidos del proceso.

• Una alta probabilidad de defectos en la producción, significa niveles

relativamente altos de insatisfacción en el cliente.

• Esta transformación produce un valor de una distribución donde la

Media µ = õ = 1. El valor indica que tan lejos está el número de la media en
desviaciones estándar. Por ejemplo si Z = 2 eso representaría que el número en
cuestión está a 2 desviaciones estándar alejado de la media.
 LA TRANSFORMACIÓN Z EJEMPLO

• Predecir la eficiencia de un producto

• 150 Mediciones fueron hechas obteniendo los siguientes resultados:
Media= 1.03
Ō = 0.0573

Las especificaciones son:

LIC = 0.90
LSC = 1.10
 CONTINUACIÓN…

• La tarea es determinar la porción de la curva normal que está fuera de los

límites inferior y superior de la especificación

1.Calcular el valor de Z para cada límite de especificación

2. Obtener el porcentaje de las tablas en Z.

 CONTINUACIÓN…

3. Sumar los dos valores y obtener un valor total.

Este número representa el porcnetaje de datos que están fuera de los

límites.

% Fuera de los límites de especificación = 11.1% + 1.16% = 12.26%

USANDO MINITAB
 EJERCICIO

• El coeficiente intelectual Humano presenta una distribución normal donde

la µ = 100y ō = 16.

Pregunta 1. ¿Cuál es la probabilidad de ncontrar a una persona con un

coeficiente intelectual igual o mayor al de Albert Einstein?

Pregunta 2. ¿Qué porcentaje de la humanidad tiene un IQ menor que el de

Forrest Gump (IQ =75)?
 DISTRIBUCIÓN LOGNORMAL

Definición:
La distribución Lognormal tiene una relación básica
pero crítica con la distribución normal. Simplemente se
considera que una variable sigue esta distribución si
LogA(x) está normalmente distribuido. En otras palabras,
podemos decir que si y = A; donde “x” sigue una
distribución normal, entonces “Y” tiene una distribución
Lognormal.
Usos:
La distribución Lognormal es uasada en situaciones
donde el tiempo es el CT. Físicamente, modela procesos
donde la relación de la variable de proceso y tiempo es
progresiva.
 EJERCICIO

Supóngase que la supervivencia, en años, luego de una intervención

quirúgica (tiempo que pasa la muerte del enfermo) en una cierta
población sigue una distribución lognormal de parámetro de escala 2.32 y
de forma 0.20. Calcúlese la probabilidad de supervivencia a los 12 años.

µ: Escala = 2.32
Ō: Forma = 0.20

P (x>12) = ?
LOGNORMDIST (12,2.32,0.2)

P (x>12) = 1 0.7951 = 20%

 DISTRIBUCIÓN WEIBULL

Definición:
Es realmente una familia de distribuciones la cual puede ser
usada para calcular probabilidades de la población.
Comúnmente se hace referencia a este tippo de distribución
como de ”dos parámetros” o “tres parámetros”, dependiendo del
número de factores usados para definir matemáticamente la
distribución.
Usos:
En la práctica se apliuca extensivamente en Reliability
Engineering (Inegniería de confiabilidad) para modelar patrones
de falla de sistemas complejos.
Ejemplos:
Naturaleza de patrones de falla de un equipo a uso.
Número esperado de fallas en un período de tiempo
determinado, usando datos históricos. Esto sirve para estimar
las refacciones que se debentener disponibles.
DISTRIBUCIÓN WEIBULL
 DISTRIBUCIÓN WEIBULL

La distribución Weibull es usada para modelar la distribución de fallas

de un circuito integrado, utilizando y = 0, Ō = 2,000 y β = 0.5.

Calcular la probilidad de que la vida del IC dure menos de 5,000 hrs.

WEIBULL (5000,0.5,2000,true)

P (x<5000) = 0.794
 IDENTIFICACIÓN DEL TIPO DE DISTRIBUCIÓN

Normality Test: (Preuba de Normalidad en Minitab)

Minitab  Stat  Basic Statistics  Normality test

Si el valor –p > 0.05 asumimos que los datos siguen una Distribución Normal
Si el valor –p < 0.05 entonces los datos no siguen una Distribución Normal

Si los datos resultan ser NO normales, podemos probar los datos

graficándolos contra una gran variedad de distribuciones supuestas usando:

Minitab --> Graph > Probability Plot

(ó Stat > Reliabilty / Survival > Distribution ID)

El resultado es una gráfica similar a la que genera la prueba de normalidad,

sin las estadísticas ni el valor –p. Una prueba visual puede hacerse
observando qué tan bien los datos forman una línea recta. Enter más sigan los
datos una línea recta, más podemos decir que los datos siguen ese tipo de
distribución.
 DISTRIBUCIONES DISCRETAS

Distribución Binominal
Definición:
Distribución de probabilidad para datos discretas. Aplica para aquellas
situaciones en las que se corren muchas pruebas independeintes en las cuales
cada una tiene dos posibles resultados, que generalmente se refieren como:
“falla” o “éxito”. Debido a que sólo hay dos posibles resultados en cada prueba,
la probabilidad de éxito se denomina “p” y la probabilidad de falla es igual a “1 –
p”

Usos:
Se splica en los casos en los que se cuentan las ocurrencias y la población
no es muy grande.

Ejemplos:
Númeri de preguntas que una persona espera sacar lo bien o mal de un examen
de opción multiple.
Número de reclamos de garan´tias que se puede pagar
Número de partes com apariencia inaceptable en un batch o lote.
Número de faros defectuosos en un batch o lote.
 DISTRIBUCIÓN BINOMINAL

Se caracteriza por:
• La salida de un proceso es clasificada en uno o dos
categorías mutuamente excluyentes. (éxito o fracaso)

• La probabilidad de éxito es la misma para cada muestra

• Las muestras tomadas aleatoriamente.

• (Cada parte tiene la misma oportunidad de se incluida en la

muestra)

La formula es:
DISTRIBUCIÓN BINOMINAL
TÍTULO
(2 LÍNEAS)
 DISTRIBUCIÓN BINOMINAL

Aproximación de la Distribución Binominal a

través de la Normal
Usando la Distribución Normal (Distribución Continua) podemos
aproximar la distribución binominal. Esto se cumple, si el valor de n es
muy grande debido a que cuando tenemos un valor grande de n y un
alto número de defectos, el defecto esperado parace ser continuo.
 EJERCICIO

Calcular la probabilidad de encontrar 30 partes defectuosas en una

producción de 500 unidades, si históricamente se tiene un rate
defectuosos del 5%.

BINOMDIST (30,500, 0.05, false)

P(x=30) = 0.046

Calcular la proibabilidad de encontrar máximo 30 partes defectuosas

en una producción de 500 unidades, si históricamente se tiene un rate
defectuoso del 5%.

BINOMDIST (30,500,0.05, true) P(x<-- 30) = 0.869

 DISTRIBUCIÓN POISSON

Definición:
Es la más importante de las distribuciones de probabilidad para
datos discretos. Cubre las características de la distribución binominal,
ppor lo que en muchos casos se convierte en una aproximación
aceptada y cómoda de ésta. Esta aproximación es crítica para la
Determinación del Rendimiento del Proceso, la Capacidad del Proceso y
los Defectos por Unidad.
Usos:
En la práctica se usa cuando el número de oportunidades para no-
conformidades es grande y la probabilidad de que en un evento pocurra
es baja.
Ejemplos:
Número de errores por página en un manual.
Número de llamadas que se reciben en un centro de atención al cliente.
 DISTRIBUCIÓN POISSON

La distribución Binominal requiere que un valor dado

solo puede solo asumir un estado (falla o éxito).

En los casos en los que una unidad puede tener más de

un defecto, el uso de la distribución binominal para
representar esta situcaión representaría una pérdida de
información.

En tales casos, es posible usar la distribución de

Poisson ( Distribución de Defectos por Unidad)
 DISTRIBUCIÓN POISSON

Los requerimientos del experimento Poisson son:

• El intervalo se puede subdivir de tal manera que la

probabilidad de ocurrencia en el subintervalo sea
pequeño.

• La probabilidad de una ocurrencia única en un

subintervalo es una constante dentro de todos los
subintervalos.

• La probabilidad de más de una ocurrencia en un

subintervalo es cero.

• La ocurrencia de un evento en un subintervalo es

independiente de la ocurrencia en otro.
DISTRIBUCIÓN POISSON
 EJERCICIO

Calcular la probabilidad de encontrar exactamente 5 pinholes en un

metro cuadrado de lámina de aluminio, si existe un promedio de 3
defectos por unidad

POISSON (5, 3, false) P (x= 5) = 0.101

 TRANSFORMACIONES DE DATOS NO NORMALES A
NORMALES

Algunas veces los datos no siguen una Disttribución Normal. En muchos de éstos casos,
es posible aplicar una transformación matemática a los datos para producir un nuevo grupo
de datos que sean relativamente “normales”. Las transformaciones deben ser consideradas
como el último recurso.

El primer paso al analizar una distribución extraña, antes de aplicar una transfromación
matemática, es determinar si algún efecto físico ha hecho que los datos no sean normales.

Luego podemos analizae los datos en términos de sus promedios, en lugar de datos
individuales. Gracias al Teorema del Límite Central, los promedios de las muestras se
acercan a una Distribución Normal aún cuando la población de valores de donde se
calcularon los promedios no siga una distribución normal. Este tipo de transformación revela
interpretaciones, sin embargo, éstas son sólo aplicables a los promedios, y no pueden
aplicarse a la distribución original

Si ninguna de las técnicas de transformación no matemáticas da un resultado favorable,

entonces podemos aplicar una transfomación matemática a la distribución para transformarla
en una relativamente normal.
 DISTRIBUCIÓN POISSON

Estas son algunas de las transformaciones matemáticas quue pueden ser

aplicadas a los datos no normales para transformarlos en datos
relativamente normales:

• Sacar la raíz cuadrada de cada observación

• Obetenr el Log (base 10 ó base e) de cada observación
(transformación recomendada para distribución Lognormal)
• Sacar la raíz cúbica a cada observación
• Obetener el seno inverso de la raíz cuadrada de cada observación
• Método de Box-Cox ( Minitab  Stat  Control Charts  Box-Cox
Trans)

Es muy importante recordar, que cuando se transforma la información de

la distribución original en que sea más normal, los límites des
especificación también deben ser matemáticamente transformados de la
misma for y con la misma fórmula que los datos originales del proceso.
ANALIZAR
MULTIVARI
ANTECEDENTES

 Fue desarrollado por Leonard Sedar Gillete Safety

Razor Company, a principios de los 1950´s

 A Dorian Shanin se le atribuye el haber

“Perfeccionado” y promocionado esta herramienta
en aplicaciones de Manufactura.
 ¿QUÉ SON LAS GRÁFICAS MULTIVARI?

• Son un procedimiento gráfico de descomposición de fuentes de

variación.
• Su objetivo es mostrar las fuentes de variación más importantes
de un proceso.
• Es una herramienta gráfica que, en conjunto con un sub-
agrupamiento lógico, analiza los efectos de las entradas,
categorizadas, sobre las salidas.
• Identifica capacidades y limitaciones inherentes en el proceso.
• La meta es reducir las muchas X’s triviales a las pocas vitales.
• Las pocas vitales marcarán el camino en el Diseño
Experimental.
¿PORQUÉ UTILIZAR MULTIVARI?

 Obtenemos información importante acerca del proceso

sin interrumpir el mismo

 Simultáneamente observa la variación que ocurre

dentro de la parte, de parte a parte y respecto al
tiempo.

 Nos permite agrupar la variaciuón por “familias” y

enfoca el trabajo de la lluvia de ideas sobra las
variables que pueden influenciar a la “familia”

 Gráficamente analiza las relaciones entre variables

independientes con una o más variables dependientes
 FUENTES DE VARIACIÓN

 Interna (Posición). Ocurre cuando existe variación

en cierta característica de calidad a lo largo de la
pieza. Por ejemplo excentricidad, planicidad,
espesor, conicidad, porosidad, etc. El valor objetivo
de estas características es cero.

 Ente piezas (cíclica). Es la variación entre piezas o

entre lotes fabricados en cierto periodo corto.
Usando gráficas de control
 FUENTES DE VARIACIÓN

 Variación en el tiempo. Es la variación entre

piezas o entre lotes en cierto periodo largo.
Representa la variación en operadores, materia
prima, medio y otros. Usando la gráfica de control,
la gráfica de medias

 Variación de la fuente. Es la variación provocada

por diferentes fuentes que elaboran el mismo
producto. Por ejemplo diferentes cavidades,
cabezas, estaciones, etc.
 TAMAÑO DE MUESTRA

1. Se recomienda que el tamño de muestra (Kamiersky

1995 sea de por lo menos entre tres y cinco piezas
producidas consecutivamente.

2. El tiwempo entre las muestras debe ser

sufucuentemente largo para poder observar la
variación entre las muestras.

3. Se debe tomar cuando menos 15 mediciones para el

estudio.
 EJEMPLO

 Análisis multivari aplicado para el análisis de

posibles causas de piezas con fugas.

 G1, G2 y G3 representan el número de grupos

formados por 3 piezas cada una. la variable de
respuesta es el número de fugas totales en
cada grupo de 3 piezas.
 EJEMPLO

 Análisis multivari aplicado para el análisis de

posibles causas de piezas con fugas.

 G1, G2 Y G3 representan el número de grupos

formados por 3 piezas cada una.

 La variable de respuesta es el número de fugas

totales en cada grupo de 3 piezas.
 RESULTADO

Se interpreta que de los tres factores analizados: operador, grupo

(diferencua entre piezas a corto plazo) y hora (diferencia entre piezas a
mediano plazo) . El factor más influyente es la hora. Se observa una
tendencia de aumenti del número de fugas a medida que el turno
avanza.
 SOFTWARE

 Minitab  Stahpaghics

 Stat  Quality Tools  Multi- Vari Chart  Special  Quality Control  Multi- Vari Chart
 EJERCICIO

• Se recolectó información sobre planicidad en piezas producidas

simúltaneamente en moldes con 4 cavidades y dos réplicas.
Realizar una gráfica multivari y detectar el tipo de variación en el
proceso (hora,cavidad, réplica) para los datos de planicidad.
Mejorar
10.3.3. Diseños fraccionados
 DISEÑOS FRACCIONADOS

• Son diseños de experimentos en los que se elige

adecuadamente una parte o fracción de los tratamientos
de un factorial completo, con la intención de poder
estudiar el efecto de los factores utilizando menos
corridas experimentales.
Es probable que en las primeras etapas de una investigación nos
interese estudiar varios factores, tal vez 9 por ejemplo.

Para hacerlo requerimos una estrategia que permita reducir de manera

importante el número de pruebas, y que al hacerlo no se pierda
información valiosa.

¡Los diseños fraccionados!

 DISEÑOS FRACCIONADOS

• Diseños en los que se elige adecuadamente una parte o fracción

de los tratamientis de un factorial completo, con la intención de
poder estudias el efecto de los factores utilizandi menos corridas
experimentales

• Los diseños factoriales fraccionados, como su nombre lo indica

son una parte o una fracción de los diseños factoriales completos,
permiten reducir el número de corridas experimentales y al mismo
tiempo obtener la información acerca de los efectos considerados
de antemano relevantes.
 CUANDO UTILIZARLO

Cuando crece el número de factores también crece el número de

tratamientos en los disños completos 2
Por ejemplo, para k = 6 factores una sola réplica del diseño factorial
completo implica correr 64 pruebas, en un factorial con k= 7, son 128.

En la práctica no es posible hacer tantas corridas experimentales, por

que además del costo es innecesario
 TEORÍA DE LO DISEÑOS FRACCIONADOS

La teoría de los diseños fraccionados se basa en una jerarquización de

los efectos: son más importantes los efectos principales, seguidos de las
interacciones docles, luego de las triples, cuádruples, etc.

Se observa que para menos de 5 factores k < 5, los efectos potencialmente

importantes superan en número a los efectos ignorables a priori, lo cual significa que
estos diseños se pueden fraccionar sin perder información valiosa.
 El primer sieño factorial que generar un importante exceso de
información es el factorial completo 2

 Ya que este sieño permite estimar 31 efectos, de lo cuales 15 son

potencialmente importantes (los 5 efectos principales más de las 10
interacciones dobles) y los 16 restantes efectos, conformados pos las
interacciones de tres o más factores, practicamente se pueden ignorar.

 Así con un diseño factorial fraccionado 2 se puede obtener

especialmente la misma información que con el factorial completo 2
pero con la mitad del costo experimental.
 FRACCIONES MITAD (p=1)

El diseño 2. Se realiza de la siguiente manera:

5-1 5-1
2 (25) = 2

Se pueden estimar limpiamente los 15 efectos importantes

sacrificando la infromación relativa a las 12 interacciones de alto
orden que no interesan
 DISEÑOS FRACCIONADOS 2 k-p

Número de factores

2 k-p Número de generadores del diseño (p)

Número de niveles

Cuando el número de factores es mayor a cinco, la cantidad de experimentos

por realizar, aun para diseños de dos niveles, aumenta considerablemente.

Los diseños fraccionados son una alternativa para poder experimentar con más
Variables.
 FRACCIONES MITAD (p=1)

El diseño 2 3-1 se realiza de la siguiente manera:

2 3-1 = 2 =2 cuatro pruebas con tres factores, que corresponden a la

mitad de un disseño con ocho pruebas por que:

(2 3) = = 2 3 2 -1 = 2 3-1
 ¿CUÁLES PRUEBAS ESCOGER?

¿Cómo?
Con el diseño3 se pueden estimar 7 efectos: A, B, C, AB, AC, BC
Y ABC. De acuerdo a su jerarquía, el efecto menos importante a
priori es la intención triple. La generación se hace con base a los
signos “+” del contraste ABC, los + conforman la fracción
principal y los – la fracción complentaria.
contraste

Generador:
Efecto cuyo contraste es
utilizado para generar
La fracción factorial
Observen que toso los factores están 2 veces en el nivel -, Además
Vean por ejemplo los 2 primeros tratamientos de la fracción 1.

Al correr cualquiera de las fracciones no se podrá estimar el efecto de ABC, al tener

Solo signos el contraste ABC (de la tabla anterior) podemos decir que se confunde o
se alía con el total de datos o el efecto ABC se confunde con la media global.
 ¿POR QUÉ HACER EXPERIMENTOS
FACTORIALES FRACCIONADOS?

 Se dice que los factoriales fraccionados son “experimentos

de cribado”. Esto sugiere que se pueden investigar
números relativamente grandes de factores en raltivamente
pequeñas cantidades de corridas.

 Los experimentos de cribado se hacen, genralmente, en las

primeras etapas de la fase de mejoramiento del proceso
 RESOLUCIÓN

La resolución tiene que ver con el nivel confusión de los efectos al

fraccionar un experimento.

La resolución de un experimento es igual al número de letras del

generador, ya que este al mismo tiempo establece la relación
definidora del experimento. Así, las fracciones:

2 3-1 , 2 4-1 , 2 5-1 tiene resolución III, IV Y V

Respectivamente ya que sus generadores se componen de 3, 4 y
5 Letras. Es emjor un diseñño con una resolución mayor.
La resolución de un diseño es la lobngitud de la “palabra” mas corta del
generador completo. La resolución tiene que ver con el tipo de patrón de
confusión de un diseño.

La resolución III confunde efectos principales con interacciones dobles.

La resolución IV confunde efectos principales con interacciones triples e

interacciones dobles con ellas mismas.

La resolución V confunde los efectos principales con interacciones

cuádruples, e interacciones dobles con triples.
 NOTACIÓN FACTORIAL- FRACCIONAL:

2R
k-p
La notación general para
designar un diseño factorial
fraccionado es:

Donde:
k= número de factores a investigar
2 = número de corridas
k-p

R = resolución del diseño (III, IV, V)

Nota:
Si p= 1 , entonces: Factorial fraccionado a la media
Si p= 2 , entonces: Factorial fraccionado a la un cuarto
 CONSTRUCCIÓN DE FRACCIONES

Una manera de construir en dos pasos diseños factoriales con

la más alta de resolución posible:
1. Se lista el diseño factorial completo para k – 1 factores, y de
esta forma se tiene las primeras k -1 columnas de la
fracción deseada.

2. La columna faltante (la k-ésima) se construye multiplicando

entre sí las columnas previas.
 CONSTRUCCIÓN DE FRACCIONES

1. Listamos la tabla del

diseño factorial
completo

2 4-1 = 2 3
Dejando en blanco los espcios para los niveles del factor D
2. La columna faltante de niveles para el factor D
se obtiene al multiplicar las A, B y C de acuerdo
al generador. En este caso el generador indica
que D = -ABC. Haciendo
 FRACCIÓN COMPLEMENTARIA

 La fracción comnplementaria estaría representada con las

interacciones negativas.
 EJERCICIO

En una planta donde se fabrican semiconductores se quiere

mejorar el rendimiento del proceso. Los factors que afectan
al rendimien son:
 EJEMPLO

El objetivo del experimento es mejorar el rendimiento en el área de

fermetación de agave tequilero

Los factores que se controlan y sus niveles en unidades originales

son las siguientes:

 Temperatura de carga
 Inóculo de levadura
 Temperatura medio ambiente
 Temperatura ed fermentación
 Brix de carga
FACTORES
 Standardized Pareto Chart For Rendimiento

Standardized effect
Podemos ver en el diagra de Pareto el orden de los efectos en cuanto a su magnitud, pero todavía no
Se sabe si alguno de ellos es estadísticamente importante, sin embargo los efectos que resulten significativos
Respetarán el orden del Pareto.
ANOVA Tequila
Mejorar
10.4.5. Superficies de respuesta
 SUPERFICIES DE RESPUESTA
Boxy Draper (1987); Montgomery (1997); Myers y Montgomery (1995)

Definición
Es una técnica de modelación del comportamiento de un proceso.

Objetivo
Encontrar una mejor región de operación para el mismo.

Procedimiento
1. Aplicar un modelo de primer orden (diseño factorial con puntos
centrales).
2. Aplicar el método del ascenso/descenso más – pronunciado.
3. Si existe curvaturan en la respuesta, aplicar un model de
segundo orden.
 MÉTODO DEL ASCENSO/DESCENSO
MÁS PRONUNCIADO

Para moverse en dirección del óptimo de la respuesta (maximizar):

1. Definir el incremento del movimiento (⍙X) en base a la

variable que más se conoce o al factor con mayor coeficiente
(en valor absoluto en el modelo

2. El incremento en las otras variables será:

(βi)

Para minimizar cambiar los signos de los 𝝱s.

3. Convertir los incrementos en valores de las variables originales
(Oi).
En el caso de que la respuesta sea un objetivo central o nominal,
ésta se puede transformar. Por ejemplo para el caso de la dureza
de los múltiples de admisión sería

Donde 2 es el objetivo. Para esta situación ahora se buscaría

minimizar la respuesta (y)
 Ejemplo y ejercicio. DOE y superficies de respuesta
para el helicóptero

El tiempo ésta en
segundo y décimas
de segundo.
Por ejemplo 176
significa 1 seg y 76
centésimas.
Este primer diseño
se realizó con 2
réplicas genuinas
en el orde indicado
por RunOrder
Fractional Factorial Fit: Tiempo versus
ALAS, CUERPO, ANCHO
Normal Probability Plot of the
Standardized Effects
 Preto Chart of the Standardized
Effects

Se quitará la interacción triple y se correrá nuevamente

Fractional Factorial Fit: TIEMPO versus
ALAS, CUERPO, ANCHO
Normal Probability Plot of the
Standardized Effects
TÍTULO
(2 LÍNEAS)
TÍTULO
(2 LÍNEAS)
TÍTULO
(2 LÍNEAS)
TÍTULO
(2 LÍNEAS)
TÍTULO
(2 LÍNEAS)
TÍTULO
(2 LÍNEAS)
TÍTULO
(2 LÍNEAS)
TÍTULO
(2 LÍNEAS)
TÍTULO
(2 LÍNEAS)
TÍTULO
(2 LÍNEAS)
TÍTULO
(2 LÍNEAS)
TÍTULO
(2 LÍNEAS)
TÍTULO
(2 LÍNEAS)
TÍTULO
(2 LÍNEAS)
TÍTULO
(2 LÍNEAS)
TÍTULO
(2 LÍNEAS)
TÍTULO
(2 LÍNEAS)
TÍTULO
(2 LÍNEAS)
TÍTULO
(2 LÍNEAS)
TÍTULO
(2 LÍNEAS)
TÍTULO
(2 LÍNEAS)
TÍTULO
(2 LÍNEAS)
TÍTULO
(2 LÍNEAS)
TÍTULO
(2 LÍNEAS)
TÍTULO
(2 LÍNEAS)