06 LS Analyze - RegressionAn - DOE

Análisis Multi Vari.
Analyze
1
Resolución de Problemas y
Fuentes de Variación
Tipo de CTQ/CTP?
Énfoque en solución Enfoque en Reducción

de problemas Excessive Variation results in Discrete Defects – is our
discrete CTQ/CTP linked to a continuous variable?
de variación
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%
•Cause & Effect

2 0 10% 2 10%
0 0% 0 0% 100 100 100
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
•Cause & Effect

Major-Complaint - Size of Customer: Large - Product Type: Major-Complaint - Size of Customer: Small - Product Type: U1 U2 U3 U1 U2 U3 U1 U2 U3
Consumer Consumer
tim e: # 1 - unit tim e: # 2 - unit tim e: # 3 - unit
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
12 60% 12 60% 1.00 1.00 1.00

10 50% 10 50%
8 4 40% 8 5 5 40% 0.80 0.80 0.80
6 2 2 30% 6 2 30%
4 20% 4 1 20% 0.60 0.60 0.60
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
Major-Complaint - Size of Customer: Large - Product Type:

O
rd
er
Major-Complaint - Size of Customer: Small - Product Type:

Tools to Validate:
Stratification (Pareto Analysis)
Manufacturer Manufacturer
•Comparative Sources of Variation (Multi-Vari)

Methods
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
• Entender las fuentes de variación en los procesos ayudará a

reducir la variación total.
• El comportamiento del proceso es observado en un modo en
el cual NO existen ajustes por parte de Ingeniería
• Se colectan datos en un periodo suficiente de tiempo para
capturar un alto porcentaje de la variación histórica total del
proceso (70-80%).
• Los métodos gráficos son usados para analizar los datos
colectados y para asistir en la identificación de las causas
mayores de variación.
• Esta estrategia es llamada Estudio de Fuentes de Variación.
(SOV) .
4
Partición de la Variación Total
• Variabilidad del Proceso es variabilidad debido solo al

proceso mismo, por ejemplo. Procedimientos de
manufactura, mantenimiento, set up, ajustes, efectos
ambientales, etc.
• Variación del Sistema de Medición incluye todas las

fuentes de variación que pueden ser atribuidas al sistema
de medición, incluidas las herramientas de medición, los
operadores que realizan las mismas, los procesos de set
up y ajustes, etc.
• La Variación total observada es la suma de las variaciones

de los procesos y del sistema de medición.
5
• Hay dos tipos de estudios de fuentes de variación:

• Las fuentes de variación del proceso (Process SOV)
• El análisis del Sistema de Medición :Measurement
System Analysis SOV
• En ambos estudios, se busca dividir las fuentes de

variación en partes mas pequeñas
2 Total = 2 Process + 2 MS
Total Observed Process Variability Measurement System

Variability Variability
A
B
C M1
D M2 M3
E 6
Total
2
 2Process  2MS
Note que nosotros utilizamos la varianza mas que la

desviación estándar para representar la variabilidad de
cada cubeta. Esto es debido a que la varianza es aditiva y
la desviación estándar no. Hay similitud con el teorema
de Pitágoras donde el cuadrado de la hipotenusa es igual
a la suma de los cuadrados de los lados del triangulo
recto. Total
ms
Note that we have used variances rather than
standard deviations to represent the variability of
each bucket. This is because variances are
additive and standard deviations are not. This is
similar to the Pythagorean Theorem where the
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
• Primeramente, identifique las mayores categorías o familias de

variación.
• Después, ponga atención en fuentes de variación individuales dentro
de la familia.
• La mayoría de las fuetes de variación en manufactura
(transaccionales) o en los procesos pueden ser colocadas en
cualquiera de las siguientes tres familias de variación.
– 1. Posicional – Dentro de la parte misma (o dentro del operador)
– 2. Parte a Parte – variación entre partes (o entre operadores)
– 3. Temporal – Variaciones a través del tiempo
• No todas las familias de variación contribuyen igual al total de

variación observada. El objetivo básico del estudio SOV es determinar
cual familia exhibe la variación Mayor.
8
Estudio SOV
• Definiciones de factores Cruzados (Crossed) y

Anidados (Nested).
• Dos factores A y B están cruzados, si el MISMO nivel

de A aparece dentro de cada nivel de B y viceversa.
• Un factor B está anidado dentro de A, si el nivel de B

es diferente en cada nivel de A.
• Para ilustrar la diferencia entre estas relaciones, es usa

lo que se conoce como Diagrama de Árbol. Tree
Diagrams.
9
Ejemplo: Factores Cruzados
Se tienen dos proveedores (A & B) de materiales. En

nuestra fábrica, procesamos estos materiales en una
de dos máquinas en la línea. Vamos a determinar la
diferencia que existe entre los dos proveedores y entre
las dos maquinas.
Proveedor Maquina
A 1
A 2
B 1
B 2
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
Note que si los factores son Cruzados, podemos intercambiar las

posiciones de los dos factores.
El diagrama de árbol quedaría así:
Maquina 1 2
Proveedor A B A B
11
Ejemplo: Factores Anidados
Considere los mismos dos proveedores (A & B). En esta

caso estamos interesados en determinar si existe
diferencia entre los dos proveedores y entre lotes de
material entregado.
Debido a que los lotes (batches) que se reciben del

proveedor B no son iguales a los del A, se puede concluir
que:
Proveedor Lote
A 1
A 2
B 3
B 4
En un escenario como tal, podemos decir que el Lote esta
anidado dentro del proveedor. Es específico de éste
12
Factores Anidados - Tree Diagram
Los factores anidados pueden ser representados en

diagramas de árbol de la siguiente manera.
Proveedor A B
Lote 1 2 3 4
Note que si los factores son anidados NO es posible intercambiar las

posiciones de estos factores. No es posible colocar lote encima de proveedor,
por ejemplo
13
Análisis Multi-vari - Introducción
• El Análisis Multi-vari (MVA) es una técnica gráfica

para examinar una vista rápida del proceso.
• Si la variación del proceso es inaceptable,

entonces es necesario identificar, cuantificar y
priorizar las fuentes de variación.
14
Multi-Vari Analysis
• El Análisis Multi-vari es un método gráfico que

permite ayudar a determinar que variables son las
que más comúnmente pueden causar el problema
• Usados para separar fuentes de variación e
identificar la familia que contribuye mayormente a
la variación total del proceso.
• Un análisis Multi-vari usa respuestas continuas de
datos que son graficados de forma específica en
una gráfica de variabilidad para representar
gráficamente la mayor de las familias de variación.
15
Pasos para realizar un análisis Multi-vari
1. Observe la operación. Determine la salida a medir y la

frecuencia de la medición.
2. Determine las familias de variación.
3. Determine el plan de muestreo: tamaño de la muestra,
numero de réplicas, intervalo de tiempos.
4. Construya la tabla de datos de acuerdo al plan de muestreo.
5. Coleccione los datos.
6. Grafique los datos en la de variabilidad.
7. Analice e interprete los datos gráfica y numéricamente.
8. La fuente mayor de variación se muestra? Si no, regrese al
paso 2, reevalúe el plan de muestreo y tome mas datos. Si,
la fuente mayor de variación esta presente, continúe.
9. Si es necesario, realice un análisis de causas especiales de
variación que contribuyan a la variación mayor.
16
10.Tome acciones para reducir la variación.
Ejemplo: Análisis Multi-Vari
Escenario: Suponga que se va a la línea de producción tres

veces durante un día normal de trabajo, a las 8:00 10:00
12:00. Cada vez, se toman tres unidades consecutivas y se
mide cada unidad nueve veces en lugares distintos.
Hora 8 10 12
Unidad 1 2 3 4 5 6 7 8 9
Localizacion 1……9 ……………………………………………………………….. 73 ….. 81
17
Ejemplo minitab: Análisis Multi-Vari
Archivo: Overtime.mtw
Stat > Quality Tools > Multi-Vari Chart…
18
Ejemplo minitab: Análisis Multi-
Vari
Selecciones Response y factors. Nota Marque las tres

que el orden en el cual los factores son opciones
entrados es importante.
19
Multi-Vari Chart for Measurement by unit - time
115 unit
U1
U2
110 U3
Measurement
105
100
95
90
8 10 12
time
La variación a través del tiempo es la mayor.
20
• Repita el análisis usando el archivo: Between.mtw

115 unit
U1
U2
110 U3
105
Measurement
100
95
90
8 10 12
time
La variación entre Unidades es la mayor fuente de

variación, en este ejemplo
21
• Repita el análisis usando el archivo : Within1.mtw

103 unit
U1
U2
102
U3
101
Measurement
100
99
98
97
8 10 12
time
Ahora la mayor fuente de variación está dentro de la

unidad misma.
22
Ejercicio: Gráficas Multi-Vari
Objetivo
• Construya una Gráfica Multi-Vari e interprete los resultados
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
• Sin importar el método empleado, es importante tener en mente

que una fuerte relación matemática o gráfica entre dos
variables NO confirma que una es la causa de la otra.
Dos variables pueden estar altamente relacionadas, pero ninguna

es la causa de la otra.
• La validación de la causa raíz es hecha solamente cuando

estas dos condiciones se cumplen:
– Hay una relación estadísticamente significante entre la lo que se

sospecha es la causa raíz y el efecto.
– El conocimiento de el proceso corrobora esta relación causal.
• Una de las condiciones anterior sola, NO es una validación de
causación adecuada.
25
Relación entre dos o más variables continuas
• Una fuerte asociación o correlación se puede

observar entre dos variables NO relacionadas
cuando cada una de ellas es causada por una
tercera
• Ejemplo: Una alta correlación observada entre la

venta de sombrillas y los accidentes de tráfico
diarios en una ciudad, puede deberse al efecto
causal de la cantidad de lluvia que cae, en lugar de
estar relacionadas entre si.
26
Análisis de Correlación
• Diagramas de dispersión proveen una representación

gráfica de esta relación.
• Coeficiente de Correlación: Es una métrica que

comúnmente es usada para representar una relación
lineal entre dos variables continuas X y Y.
27
Análisis de Correlación
El análisis de Correlación da magnitud a esa

relación.
Rango de correlación: -1 o +1
Relación lineal positiva perfecta +1

Sin relación lineal 0
Relación lineal negativa perfecta -1
28
Interpretación de diagramas de Dispersión
n=30 r=0.9 n=30 r=-0.9
y-effect
y-effect
x-cause x-cause
Positive Correlation Negative Correlation
n=30 r=0.6 n=30 r=-0.6
Positive Correlation May Be Present Negative Correlation May Be Present
n=30 r=0.0 n=30 r=0.0
No Correlation No Linear Correlation

29
En Minitab
Los datos en el archivo “adv_sales.mtw” muestra los costos de publicidad

y de ventas de una tienda de ropa.
Determine si hay una relación significativa entre los costos de publicidad y
las ventas.
30
En Minitab
Correlación: Adv-Cost($),
Sales($)
P-Value = 0.027
El valor p es menor que 0.05 Esto

indica que hay una correlación
estadísticamente significativa entre
Adv Cost y Sales
31
Análisis de
Regresión.
Analyze
32
Regresión Lineal Simple
• La forma más simple del modelo de regresión:

y = b0 + b1x, la ecuación de la recta. La respuesta
(Y) está en función de una solo factor (X). Por lo
tanto, se le denomina Regresión Lineal Simple.
• Una respuesta que se modela como función de mas

de dos factores X’s es llamada Regresión Lineal
Múltiple.
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
Los datos se pueden graficar en un diagrama de

800
dispersión y ser “ajustados” a la línea recta.
750
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
Método de los mínimos cuadrados.

• Determina la línea que minimizará los cuadrados de
las distancias verticales. ( minimizan la suma de
cuadrados del error ).
• La línea recta será la línea de los mínimos cuadrados.
• Este método estima los coeficientes, b0 y b1, para el
modelo:
y = b0 + b1x + Error
36
Residuales
y
y2
ŷ2 Linea de mejor ajuste
yˆ  bˆ0  bˆ1 X
X
X1 X2 X3
La diferencia entre el valor observado (yi) y el valor

predicho de y ( ŷi ) es conocido como residual.
37
Diagnóstico de Residuales
• Si se tiene un buen modelo, el residual es

pequeño.
• Para juzgar el modelo, se observan los

residuales que el modelo “deja”.
38
Ejemplo en minitab – Regresion Lineal
• Tal como lo hicimos o lo haremos en las pruebas de

hipótesis,
• Hay 3 supuestos importantes, si estos supuestos no
son válido, los resultados o conclusiones podrían no
ser correctas. Estos son los supuestos acerca de los
residuales
– Los Residuales son normalmente distribuidos.
– El error Residual es independiente uno de otro
(aleatoriedad)
– Los residuales presentan variación constante – La magnitud
del residual para niveles altos y bajos es aproximadamente
igual
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
41
42
Scatterplot of Sales($) vs Adv-Cost($)
550
500
Sales($)
450
400
350
20 25 30 35 40 45 50
Adv-Cost($)
43
Ejemplo de
Regresión
Seleccione
regression
Resultados de la
Regresión y gráfica
de los datos
44
Enter “y”, la variable de

respuesta
Enter “x”, La variable

predictora
Analizaremos cada una de estas opciones
45
Selecciones
regular
Seleccione Four
in one para ver
los residuales
46
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
Residual Plots for Sales($)

Normal Probability Plot Versus Fits
99
50
90
Residual
Percent
0
50
-50
10
1 -100
-100 -50 0 50 100 400 425 450 475 500
Residual Fitted Value
Histogram Versus Order

3 50
Frequency
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
• Normality Probability Plot. Gráfica de Normalidad para los

residuales. Los puntos (residuales) sobre la línea indican
que éstos son normalmente distribuidos.
• Versus Fits. Esta gráfica de residuales vs. los valores
“ajustados” no muestra ningún patrón, tales como
ondulaciones, curvaturas, forma de embudo. Lo cual indica
varianza constante. Una curvatura en este modelo no es
buena, podría indicar que es necesario un modelo de orden
mayor para representar los datos. Una forma de embudo,
podría indicar que el modelo necesita ser transformado. (
Raíz cuadrada, log, etc. )
• Histogram Esta gráfica apoya a la gráfica de normalidad. En
este caso la forma es común dado el bajo número de
observaciones.
• Versus Order. Esta gráfica de residuales contra el orden en
el que los datos fueron tomados no muestra patrones, como
ondulaciones, curvaturas, forma de embudo. No existe en
este ejemplo una violación obvia de el supuesto de 49
independencia.
Regression Analysis: Sales($) versus Adv-Cost($)
The regression equation is Relación lineal

Sales($) = 344 + 3.22 Adv-Cost($) estimada entre la Y
y la x
Predictor Coef SE Coef T P
Constant 343.71 44.77 7.68 0.000
Adv-Cost($) 3.221 1.240 2.60 0.027 Valor P value
S = 50.2257 R-Sq = 40.3% R-Sq(adj) = 34.3%
Coeficiente de
Regresión estimados
para el modelo
El 40% de la variación
es explicada por el
modelo
50
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
El Análisis de Varianza muestra la significancia

general del modelo
El Valor P del modelo de regresión ( El modelo como
un todo ), es menor que 0.05 por tanto, el modelo es
significante.
51
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
Valor de la variable independiente para un modelo

de predicción
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
• Un factor a la vez. (OFAT)

• Diseño de Experimentos
– Screening ( Inspección) o Diseño Fraccional
– Diseño Factorial Completo ( Full Factorial )
• Taguchi’s
• Shainin, Red X
• Response Surface
55
Que es DOE ?
Diseño de experimentos es:

• Metodología para planear, conducir y analizar
estudios científicos y de ingeniería.
• Metodología para planear y conducir una prueba o
series de pruebas en las cuales cambios
controlados en las entradas permiten identificar
cambios en las salidas del sistema o de los
procesos.
• Es una estrategia experimental para obtener la
mayor información de la manera más eficiente.
58
Ventajas de un DOE
• Permite la investigación simultánea de múltiples

cambios.
• Con frecuencia con muestras de tamaños similares a
las requeridas para la comparación. “B vs. C”
• Nos permite investigar los factores de “interacción”
• DOE Básico nos permite seleccionar la mejor de dos
alternativas propuestas.
• DOE avanzado, la metodología de Respuesta
Superficial, nos permite optimizar nuestra selección.
59
Definiciones en DOE
• Factor – Variable experimental que será estudiada

• Nivel (Level) – Valores o alternativas a escoger
para cada factor
• Tratamiento o combinación – Una combinación
especifica de niveles para cada factor
• Corrida Experimental – La investigación de cada
tratamiento
• Diseño Experimental – colección de todas las
combinaciones o tratamientos
• Respuesta – medición de la salida de la corrida
experimental (experimental trial)
60
Experimentos Factoriales
• Tienen mas de un factor

• Al menos dos niveles para cada uno
• Investigan TODAS las posibles combinaciones – full
factorial. Factorial Completo
• Balanceados – Todos los niveles de un factor son
estudiados en presencia de todos los niveles de los
demás factores.
• Una familia de experimentos investiga múltiples
factores (k) cada uno de los cuales a 2 niveles.
Frecuentemente llamados 2k
61
Interacciones
Definición:
Cuando el efecto de un factor es influenciado por

el nivel de un segundo factor, se dice que
ambos factores “Interactúan” el uno con el otro.
62
Ejemplo: Efectos de la Interaction
Respuesta = Número de conejitos
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
Fuerte interacción entre los Factores A & B
Factor B
Response
Level 1
Factor B
Level 2
Level 1 Level 2
Factor A
65
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
• Factorial Completo ( Full factorial ).

• Todos los factores serán analizados.
– Presión
– Tipo de pintura base.
• El equipo de mejora tiene la posibilidad de repetir
combinaciones de factores 4 veces.
• 4 replicas.
• Durante el experimento, se aplicó pintura base a una
superficie de Aluminio usando una presión de spray
designada. Después de pintar cada partes, se aplicó la
capa de pintura final y la fuerza de adhesión fue
medida.
69
Ejemplo DOE
• Respuesta: Fuerza de adhesión,

• El experimento será documentado en el archivo. Primer.mpj
Variable Descripción
Presión La presión aplicada puede variar de 310 a 380 kPa
Tipo de Pintura Base Se manejan dos tipos, Tipo 1 y 2

Adhesión Fuerza requerida para jalar la pintura de la base del
metal
• Con 2 factores, el diseño disponible es un Full Factorial.

• Se requieren 4 corridas. 2k, 22= 4
• Debido a que el equipo puede replicar el experimento 4
veces
• Total 16 corridas.
70
Factores
• En minitab, de click en Stat>DOE>Factorial>Create

Factorial Design
• Click en [Designs].
• En [Number of Replicates], seleccione 4
• Click en [Factors]
• Complete el cuadro de diálogo como se muestra
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
• Esta gráfica muestra la magnitud B
del efecto de cada factor, NO la
Term
A
dirección
AB
0 1 2 3 4 5 6 7 8 9
Standardized Effect
Alfa es el limite para la elección, a = 0.05
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
– Los errores son
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
independiente de el otro Histogram Versus Order
– El error es el mismo para 4 0.2
0.1
3
Frequency
cada punto del diseño, la
Residual
0.0
2
varianza NO cambia para 1

-0.1
-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)
• Los valores R-Sq

proporciona el % de
variación explicada por el
modelo ( Por la ecuación ).
• R-Sq(Adj) es usado para
comparar modelos con
diferentes términos.
– En este ejemplo, eliminar la
interacción AB, hizo que R-
Sq(Adj) se moviera de
Estimated Coefficients for Adhesion using data in
82.18% a 82.05%
uncoded units – Un cambio no significativo
Term Coef
Constant 5.33232
Ecuación de Predicción:
Presión -0.00191071
Adhesivo Tipo 0.236875
Adhesion = 5.33 – 0.0019(Presión)+0.23(TipoAd)
80
Combinación de Factores
• 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
Interaction Plot for Adhesion

Main Effects Plot for Adhesion Data Means
Data Means
Presión
Presión Adhesivo Tipo 5.0 -1
1
4.9
4.9
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
Cube Plot (data means) for Adhesion
5.0075 4.8125
1
Mejor Combinación de factores Adhesivo Tipo
Adhesivo tipo 1 y Presión baja

4.4725 4.4000
-1
-1 1
Presión
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
Desplace las líneas

rojas hasta encontrar los
valores que dan
la adhesión óptima
84
Ejemplo
• Un experimento fue realizado para

determinar el tiempo de curado de
dos partes epoxicas que dependen
del la relación de resinas ( R/H) y
de la temperatura. El experimento
fue realizado bajo condiciones
controladas y en orden aleatorio.
• El tiempo de curado fue el tiempo R/H

requerido para que el epóxido
endurezca a dureza rockwell 3:1 5:1
especificada. Analice los datos de
tiempo de curado en minutos y use Temperature oC 20 230, 210, 170, 180
su modelo para predecir el tiempo 240 190
de curado y su intervalo de
25 180, 150, 140, 150,
preedición del 95% con 21C y 4.5: 170 150
1
85

06 LS Analyze - RegressionAn - DOE

Uploaded by

Document Information

Original Description:

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

06 LS Analyze - RegressionAn - DOE

Uploaded by

Copyright:

Available Formats

Análisis Multi Vari.

Énfoque en solución Enfoque en Reducción

•Cause & Effect

•Cause & Effect

12 60% 12 60% 1.00 1.00 1.00

Major-Complaint - Size of Customer: Large - Product Type:

Major-Complaint - Size of Customer: Small - Product Type:

•Comparative Sources of Variation (Multi-Vari)

• Entender las fuentes de variación en los procesos ayudará a

• Variabilidad del Proceso es variabilidad debido solo al

• Variación del Sistema de Medición incluye todas las

• La Variación total observada es la suma de las variaciones

• Hay dos tipos de estudios de fuentes de variación:

• En ambos estudios, se busca dividir las fuentes de

Total Observed Process Variability Measurement System

Note que nosotros utilizamos la varianza mas que la

• Primeramente, identifique las mayores categorías o familias de

• No todas las familias de variación contribuyen igual al total de

• Definiciones de factores Cruzados (Crossed) y

• Dos factores A y B están cruzados, si el MISMO nivel

• Un factor B está anidado dentro de A, si el nivel de B

• Para ilustrar la diferencia entre estas relaciones, es usa

Se tienen dos proveedores (A & B) de materiales. En

Note que si los factores son Cruzados, podemos intercambiar las

Considere los mismos dos proveedores (A & B). En esta

Debido a que los lotes (batches) que se reciben del

Los factores anidados pueden ser representados en

Note que si los factores son anidados NO es posible intercambiar las

• El Análisis Multi-vari (MVA) es una técnica gráfica

• Si la variación del proceso es inaceptable,

• El Análisis Multi-vari es un método gráfico que

1. Observe la operación. Determine la salida a medir y la

Escenario: Suponga que se va a la línea de producción tres

Localizacion 1……9 ……………………………………………………………….. 73 ….. 81

Stat > Quality Tools > Multi-Vari Chart…

Selecciones Response y factors. Nota Marque las tres

La variación a través del tiempo es la mayor.

• Repita el análisis usando el archivo: Between.mtw

La variación entre Unidades es la mayor fuente de

• Repita el análisis usando el archivo : Within1.mtw

Ahora la mayor fuente de variación está dentro de la

• Sin importar el método empleado, es importante tener en mente

Dos variables pueden estar altamente relacionadas, pero ninguna

• La validación de la causa raíz es hecha solamente cuando

– Hay una relación estadísticamente significante entre la lo que se

• Una fuerte asociación o correlación se puede

• Ejemplo: Una alta correlación observada entre la

• Diagramas de dispersión proveen una representación

• Coeficiente de Correlación: Es una métrica que

El análisis de Correlación da magnitud a esa

Relación lineal positiva perfecta +1

n=30 r=0.9 n=30 r=-0.9

n=30 r=0.6 n=30 r=-0.6

Positive Correlation May Be Present Negative Correlation May Be Present

n=30 r=0.0 n=30 r=0.0

No Correlation No Linear Correlation

Los datos en el archivo “adv_sales.mtw” muestra los costos de publicidad

El valor p es menor que 0.05 Esto

• La forma más simple del modelo de regresión:

• Una respuesta que se modela como función de mas

Los datos se pueden graficar en un diagrama de

Método de los mínimos cuadrados.