Professional Documents
Culture Documents
06 LS Analyze - RegressionAn - DOE
06 LS Analyze - RegressionAn - DOE
Analyze
1
Resolución de Problemas y
Fuentes de Variación
Tipo de CTQ/CTP?
18
16
100%
90% 18
16
18
100%
90%
Tools to Identify 103 103 103
13 80% 80%
and Prioritize:
14 70% 14 70% 102 102 102
Count
Count
12 60% 12 60%
10 7 50% 10 50%
8 8
Dominant
40% 40% 101 101 101
6 2 2 30% 6 3 2 2 30%
Measurement
4 20% 4 1 20%
tu
rn
-c
all
s
ult
-to
-o
rd
er
s -to
o-
lo
ng
ro
ng
-c
olo
r
t- av
a il
a ble
tu
rn
-c
all
s
ult
-to
-o
rd
er
t- av
a il
a ble
ro
ng
-c
olo
r
s-
to
o-
lo
ng
Root Sources 99 99 99
Re
Dif
fic
rd
er
- ta
ke W No Re
Dif
fic No W
rd
er
- ta
ke
Cause Diagram 98 98 98
O O
of 97 97 97
Analysis Variation
18
16 13
100%
90% 18
16
16 100%
90% Matrix 1.40 1.40 1.40
Standard Deviation
14 80% 14 80% 1.20 1.20 1.20
70% 70%
•5 Why’s
Count
Count
ID X’s ID X’s
2 0 10% 2 10% 0.40 0.40 0.40
•FMEA
0 0% 0 0%
0.20 0.20 0.20
all
s er ng r
ble all
s er ng ble
r
-c rd lo olo a -c rd lo a olo
rn -o o- -c a il rn -o o- a il -c 0.00 0.00 0.00
tu -to -to ng av tu -to -to av ng U1 U2 U3 U1 U2 U3 U1 U2 U3
ult s ro t- ult s t- ro
Re fic ke W No Re fic ke No W
Dif - ta Dif - ta tim e: # 1 - unit tim e: # 2 - unit tim e: # 3 - unit
O
rd
er
2
Reduzca las Variables de Entrada
Mapa de Proceso
30 - 50 Variables de Entrada
Matriz C&E y FMEA
Entradas Clave del Proceso
Medir 10 - 15 (KPIV’s)
Gage
GageR&R,
R&R,Capacidad
Capability
Estudios Multi-Vari,
Multi-Vari Studies,
Correlaciones
Correlation's Analizar 8 - 10 KPIVs
T-Test,
T-Test,ANOM,
ANOM,ANOVA
ANOVA
Screening
ScreeningDOE’s
DOE’s
4-8 Críticas KPIVs
DOE’s,
DOE’s,RSM
RSM Mejora
Sistemas
Qualityde Calidad
Systems
Influencia Importante
SPC, Plan de Control 3-6 KPIVs
SPC, Control Plans Control
Proceso Optimizado
3
Introducción al estudio de
fuentes de Variación
4
Partición de la Variación Total
2 Total = 2 Process + 2 MS
A
B
C M1
D M2 M3
E 6
Partición de la Variación Total
Total
2
2Process 2MS
Process
square of the hypotenuse is equal to the sum of the
squares of the sides of the right triangle.
7
Categorías de Fuentes de
Variación
8
Estudio SOV
9
Ejemplo: Factores Cruzados
10
Factores Cruzados- Tree Diagram
Los factores Cruzados pueden ser representados en el
diagrama de árbol siguiente:
Proveedor A B
Maquina 1 2 1 2
Maquina 1 2
Proveedor A B A B
11
Ejemplo: Factores Anidados
Proveedor A B
Lote 1 2 3 4
13
Análisis Multi-vari - Introducción
14
Multi-Vari Analysis
15
Pasos para realizar un análisis Multi-vari
Hora 8 10 12
Unidad 1 2 3 4 5 6 7 8 9
17
Ejemplo minitab: Análisis Multi-Vari
Archivo: Overtime.mtw
18
Ejemplo minitab: Análisis Multi-
Vari
19
Ejemplo minitab: Análisis Multi-Vari
Multi-Vari Chart for Measurement by unit - time
115 unit
U1
U2
110 U3
Measurement
105
100
95
90
8 10 12
time
20
Ejemplo minitab: Análisis Multi-Vari
105
Measurement
100
95
90
8 10 12
time
101
Measurement
100
99
98
97
8 10 12
time
Problema
• La compañía de prestamos “Sigma Ahorros y Prestamos” quiere evaluar
la fuente de la variación en los tiempos de ciclo para procesar
prestamos. Un estudio fue diseñado para colectar datos en 5 días
distintos y en 3 distintas sucursales y considerando casos de dos
distintos jefes de departamento.
Instrucciones
• Use la hoja cycle time sov.mtw
• Dibuje el diagrama de árbol.
• Construya la gráfica Multi-Vari e interprete los resultados.
Tiempo: 10 min
23
Correlación y
Análisis de
Regresión.
Analyze
24
Correlación vs. Causación
25
Relación entre dos o más variables continuas
26
Análisis de Correlación
27
Análisis de Correlación
Rango de correlación: -1 o +1
28
Interpretación de diagramas de Dispersión
y-effect
y-effect
x-cause x-cause
Positive Correlation Negative Correlation
30
En Minitab
Correlación: Adv-Cost($),
Sales($)
P-Value = 0.027
31
Análisis de
Regresión.
Analyze
32
Regresión Lineal Simple
33
Modelo de Regresión Lineal Simple
y = b0 + b1x + Error
Donde:
– y es la variable de respuesta.
– x es el único factor de entrada o variable
predictora en el modelo.
– b0 y b1 son los coeficientes del modelo a
ser estimados por los datos.
– b0 es la ordenada al origen (intercept)
– b1 es la pendiente. (slope)
– Error es incertidumbre o “ruido”.
34
Modelo de Regresión Lineal Simple
Distancia
700
vertical
del punto
650
a la línea
600
Y
550
500
450
400
0 100 200 300 400 500 600 700
X
35
Modelo de Regresión Lineal Simple
y = b0 + b1x + Error
36
Residuales
y
y2
yˆ bˆ0 bˆ1 X
X
X1 X2 X3
38
Ejemplo en minitab – Regresion Lineal
39
Ejemplo en minitab – Regresión Lineal
Adv-Cost Sales
• El dueño de una tienda ($) ($)
quiere determinar la 40 385
relación que existe entre 20 400
25 395
lo que gasta en 20 365
publicidad y las ventas en 30 475
un mismo periodo de 50 440
40 490
tiempo. 20 420
50 560
40 525
• Los datos están en 25 480
“adv_sales.mtw” 50 510
40
Ejemplo en minitab – Regresión Lineal
41
Ejemplo en minitab – Regresión Lineal
42
Ejemplo en minitab – Regresión Lineal
550
500
Sales($)
450
400
350
20 25 30 35 40 45 50
Adv-Cost($)
43
Ejemplo en minitab – Regresión Lineal
Ejemplo de
Regresión
Seleccione
regression
Resultados de la
Regresión y gráfica
de los datos
44
Ejemplo en minitab – Regresión Lineal
45
Ejemplo en minitab – Regresión Lineal
Selecciones
regular
Seleccione Four
in one para ver
los residuales
46
Ejemplo en minitab – Regresión Lineal
Fit intercept
De el valor para la
predicción. Este
puede ser una
constante o una
columna con valores
multiples.
Intervalo de Confianza
para las predicciones
47
Ejemplo en minitab – Regresión Lineal
Residual
Percent
0
50
-50
10
1 -100
-100 -50 0 50 100 400 425 450 475 500
Residual Fitted Value
Residual
0
1 -50
0 -100
-100 -75 -50 -25 0 25 50 1 2 3 4 5 6 7 8 9 10 11 12
Residual Observation Order
48
Ejemplo en minitab – Explicación de Gráficas
Coeficiente de
Regresión estimados
para el modelo
El 40% de la variación
es explicada por el
modelo
50
Ejemplo en minitab – Regresión Lineal
Analysis of Variance
Source DF SS MS F P
Regression 1 17030 17030 6.75 0.027
Residual Error 10 25226 2523
Total 11 42256
51
Ejemplo en minitab – Regresión Lineal
Intervalo de confianza
Predicted Values for New Observations del 90% del estimador
New de Average Sales
Obs Fit SE Fit 90% CI para publicidad de $45
1 488.6 19.8 (452.8, 524.5) .
New
Si gastamos $45 en la próxima publicidad,
Obs 90% PI
hay un 90% de oportunidad que las ventas
1 (390.8, 586.5)
estén / 391 y 581. Esto no es promedio.
Values of Predictors for New Observations
New
Obs Adv-Cost($)
1 45.0
52
Ejercicio: Regresión Lineal Simple
Objetivo
• Obtenga el modelo de regresión lineal.
Instrucciones
• Abra el archivo: Age_Price.mtw
• Seleccione Price como la variable de respuesta (y) y
Edad como un factor de entrada (X)
• Desarrolle un Modelo de Regresión Lineal Simple
• Realice el análisis de Residuales
Tiempo: 15 min.
53
Introducción a
Diseño
Experimental.
54
Tipos de Experimentación
55
Que es DOE ?
58
Ventajas de un DOE
59
Definiciones en DOE
60
Experimentos Factoriales
61
Interacciones
Definición:
62
Ejemplo: Efectos de la Interaction
Factor A: Coneja
Fuera de la Jaula Dentro de la Jaula
Fuera de la Jaula 0 0
Factor B:
Conejo
Dentro de la Jaula 0
63
Gráfica del efecto de las interacciones.
Conejo en la jaula
Número de Conejitos
“SI”
Muchos!!!
Conejo en la Jaula
0 “no”
“NO” “SI”
Coneja en la Jaula
64
Gráfica del efecto de las interacciones.
Fuerte interacción entre los Factores A & B
Factor B
Response
Level 1
Factor B
Level 2
Level 1 Level 2
Factor A
65
Gráfica del efecto de las interacciones.
No hay interacción entre los Factores A & B
Factor B
Level 1
Response
Factor B
Level 2
Level 1 Level 2
Factor A
66
Diseño Experimental, continuación. DOE
67
Ejemplo DOE
• Problema.
– Un fabricante usa pintura base para mejorar la
adhesión de pintura en partes automotrices. El
equipo de mejora continua quiere determinar cual es
el tipo de pintura base y la presión de spray que
maximiza la adhesión de la pintura final.
68
Ejemplo DOE
Variable Descripción
Presión La presión aplicada puede variar de 310 a 380 kPa
70
Factores
71
Ortogonalidad del Diseño
• En minitab, de click en
Stat>DOE>Display Design
• Cambie las opciones
– Order for all points...
– Units for factors...
• Comente
72
Ortogonalidad del Diseño
• Ortogonalidad
– Se pueden estimar los
efectos de cada factor de
forma independiente
– Si un diseño es ortogonal
• La suma de cada
columna es cero
• No hay correlación entre
cada columna de
factores.
Verifique
73
Agregando la Respuesta
•
• Después de la Adhésion
– 4.52
realización del – 4.55
– 5.05
experimento, estos – 4.88
fueron los resultados – 4.48
– 4.37
• Nombre la columna C7 – 4.89
como Adhesión – 4.75
– 4.29
• Entre los datos – 4.43
– 5.14
siguientes en los – 4.91
renglones 1 – 16 – 4.60
– 4.25
– 4.95
– 4.71
74
Ajuste el modelo
• En minitab.
Stat>DOE>Factorial>Analyze
Factorial Design.
• Complete el cuadro de diálogo.
• Seleccione los términos
(factores significantes )
– Click en [Terms.]
– Minitab selecciona el máximo
posible.
75
Ajustando el Modelo
• Ajuste el modelo
– Click en [Graphs]
– Use valores P
– El Pareto para efectos
– Seleccione de Effects
Plots, Pareto
• Residuales
– Seleccione Individual
plots
• Alpha es el riesgo de
cometer un error al
seleccionar un factor
significante, típico 0.05
76
Pareto de los efectos
• B es Significante
Pareto Chart of the Standardized Effects
• La interacción AB No lo es y puede (response is Adhesion, Alpha = .05)
2.179
ser Eliminada del modelo F actor
A
N ame
P resión
B A dhesiv o Tipo
Term
A
dirección
AB
0 1 2 3 4 5 6 7 8 9
Standardized Effect
77
Reducción del modelo
• Stat>DOE>Factorial>Analyze
Factorial
• Click [Terms...]
– Elimina el término de la
Interacción AB
• Click en [Graphs]
– Dado que este es el modelo
final, analice los Residuales
– Seleccione Four in one
78
Análisis de Residuales
• Supuestos estadísticos
– Normalidad en los errores (
Residuales ). Los valores se Residual Plots for Adhesion
“pegan” a la línea de Normal Probability Plot Versus Fits
99 0.2
normalidad 90 0.1
Residual
Percent
50 0.0
-0.1
independientes, no hay 10
-0.2
1
correlación, cada uno es -0.2 -0.1 0.0
Residual
0.1 0.2 4.4 4.6
Fitted Value
4.8 5.0
0.1
3
Frequency
Residual
0.0
2
-0.2
cada valor de la respuesta. 0
-0.2 -0.1 0.0 0.1 0.2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Residual Observation Order
79
R-Sq y R-Sq(Adj)
• Stat>DOE>Factorial>Factorial
Plots.
• Complete el cuadro
– Main Effects
– Interaction Plot
– Cube Plot
– Click [Setup…]
• Seleccione Adhesión como
Respuesta
• Seleccione Presión y
Adhesivo Tipo en Factores
– Para cada gráfica seleccione lo
mismo.
81
Buscando la mejor Combinación de
Factores
4.8 4.8
Mean
4.7
4.7
Mean
4.6
4.6
4.5
4.5 4.4
-1 1
Adhesivo Tipo
4.4
-1 1 -1 1
5.0075 4.8125
1
82
Optimizador de respuesta
• Stat>DOE>Factorial>Response
Optimizer
• Click [Setup…]
– Suponga que se desea mantener el grado
de adhesión en 4.6, teniendo como límite
inferior 4.15
– Seleccione Maximize e introduzca los
valores.
– Click ók
83
Gráfica de Optimización
84
Ejemplo
85