cursoseissigmamodulo2
TRANSCRIPT
-
8/14/2019 cursoseissigmamodulo2
1/334
1
Curso de Seis SigmaTransaccional para BlackBelts
Mdulo II
Primitivo Reyes Aguilar
-
8/14/2019 cursoseissigmamodulo2
2/334
2
Contenido - Mdulo II Introduccin Despliegue de Seis Sigma en la empresa Gestin de procesos en la empresa Gestin de proyectos y liderazgo Fase de Definicin Fase de Medicin
Fase de Anlisis
Fase de Mejora
Fase de Control
Empresa Lean
-
8/14/2019 cursoseissigmamodulo2
3/334
3
7. Metodologa Seis Sigma
Fase de anlisis
Primitivo Reyes A.
-
8/14/2019 cursoseissigmamodulo2
4/334
4
7. Fase de Anlisis
Propsitos y salidas
Estudios de R&R por atributos
Anlisis del Modo y Efecto de Falla(AMEF)
Herramientas para la fase de anlisis
Verificacin de causas raz
-
8/14/2019 cursoseissigmamodulo2
5/334
5
Fase de Anlisis Propsitos:
Establecer hiptesis sobre las posibles CausasRaz
Refinar, rechazar, o confirmar la Causa Raz Seleccionar las Causas Raz ms importantes:
Las pocas Xs vitales
Salidas: Causas raz validadas Factores de variabilidad identificados
-
8/14/2019 cursoseissigmamodulo2
6/334
6
Estudios de R&R poratributos
-
8/14/2019 cursoseissigmamodulo2
7/3347
p cac n ransacc ona eRepetibilidad yReproducibilidad
Ejemplo de Administracin de Programa:
A lo largo de la duracin de un Programa
Se proyecta el tiempo necesario para alcanzaruna meta en particular.
Se registra el tiempo que tom en realidadalcanzar la meta.
Se calcula la diferencia entre el tiempoproyectado y el real. Los datos a usar sonnmero de semanas de atraso.
-
8/14/2019 cursoseissigmamodulo2
8/3348
Datos de GR&R(Nmero de Semanas de Atraso)Programas Gerente
dePrograma
Comprador
1 0 -37
2 1 913 6 1244 0 685 0 -246 23 45
7 23 198 0 669 69 86
10 14 86
Observe cuandiferente miden elmismo evento el
Comprador y elGerente dePrograma.
Los datos sonnmero desemanas de atraso
para la seleccin deproveedores.
-
8/14/2019 cursoseissigmamodulo2
9/3349
0
150
100
50
0
-50
21
Grfica de barras X por Operadores
SampleMean
10987654321
100
50
0
Programas
OperadoresInteraccin de Programas de Operadores
Promedio
1
2
%Contribucin
%Var. Estudio
Parte a ParteReprodRepetibGR&R
100
50
0
Componenentes de Variacin
Porc
entaje
GR&R (ANOVA) para las Semanas de Atraso
Resultado de Minitab
-
8/14/2019 cursoseissigmamodulo2
10/33410
Resultados de GR&R
El 88.52% de la variacin observada se debe a ladiferencia de la medicin del mismo evento entre elComprador y el Gerente de Programa.
El 11.48% de la variacin observada se debe a ladiferencia entre los programas.
Gage R&R
Source Variance %Contribution
Total Gage R&R 1948.0 88.52
Repeatability 0.0 0.00
Reproducibility 1947.9 88.52
Part-To-Part 252.7 11.48
Total Variation 2200.6 100.00
Es adecuado el sistema actual de medicin?
-
8/14/2019 cursoseissigmamodulo2
11/33411
Medicin?
Para poder mejorar el sistema de medicin, primero
debemos comprender las causas de lainconsistencia, en este caso.
Cuando se les pregunt, En que fecha se seleccionaronlos proveedores finales?, el Gerente del Programa y elComprador percibieron la pregunta de manera distinta.
El Gerente del Programa pens que la pregunta serefera a, Cundo empezamos a trabajar con elproveedor?
El Comprador crey que quera decir, Cundo se emitila Orden de Compra?
Adems, hubo confusin en el significado real de
proveedores finales. Se refiere a 100% de losproveedores? 90%? Slo son proveedores de
-
8/14/2019 cursoseissigmamodulo2
12/33412
Mejora del Sistema de
Medicin Para evitar ambigedades, el equipo desarroll
la siguiente definicin operacional para la Fecha cuando se seleccionaron losproveedores finales:
La fecha en que se envi la notificacion escrita de la
seleccin de proveedores por parte del Departamento de
Compras al ltimo proveedor seleccionado para
suministrar los siguientes componentes:
Estructuras, Mecanismos, Partes, Plsticas
Uretano, Telas
-
8/14/2019 cursoseissigmamodulo2
13/33413
Estudio de Repetibilidad yReproducibilidad de Atributos
Tambin es muy importante tener adecuadarepetibilidad y reproducibilidad al obtener datosde atributos.
Si un ejecutivo, decide que una unidad tiene undefecto o error y otro concluye que la mismaunidad no tiene defectos, entonces hay problemacon el sistema de medicin.
Igualmente, el sistema de medicin esinadecuado cuando la misma persona llega adiferentes conclusiones al repetir las evaluaciones
en la misma unidad o producto.
-
8/14/2019 cursoseissigmamodulo2
14/33414
Sistema de Medicin deAtributos
Un sistema de medicin de atributoscompara cada parte con un estndar y
acepta la parte si el estndar se cumple.
La efectividad de la discriminacin es lahabilidad del sistema de medicin deatributos para discriminar a los buenos delos malos.
-
8/14/2019 cursoseissigmamodulo2
15/33415
Estudio de Repetibilidad yReproducibilidad de Atributos
1. Selecciona un mnimo de 30 unidades del proceso.Estas unidades deben representar el espectrocompleto de la variacin del proceso (buenas,
erroneas y en lmites).
2. Un inspector experto realiza una evaluacin decada parte, clasificndola como Buena o NoBuena.
3. Cada persona evaluar las unidades,independientemente y en orden aleatorio, y lasdefinir como Buenas o No Buenas.
4. Ingresa los datos en el archivo Attribute Gage
-
8/14/2019 cursoseissigmamodulo2
16/33416
GR&R de Atributos - EjemploREPORTELegenda de Atributos
FECHA:1G = Bueno NOMBRE:2NG = No BuenoPRODUCTO:
SBU:COND. DE PRUEBA:
Poblacin Conocida Persona #1 Persona #2
Muestra # Atributo #1 #2 #1 #2
% DE EFECTIVIDAD DE DISCRIMINACION(3)
-> 85.00%(4)
-> 85.00%
1 G G G G G Y Y
2 G G G G G Y Y
3 G G G G G Y Y
4 G G G G G Y Y5 G G G G G Y Y
6 G NG G G G N N
7 G G G G G Y Y
8 G G G G G Y Y
9 NG G G NG NG N N10 NG NG NG G G N N11 G G G G G Y Y
12 G G G G G Y Y
13 NG NG NG NG NG Y Y
14 G G G G G Y Y
15 G G G G G Y Y16 G G G G G Y Y
17 NG NG NG NG NG Y Y
18 G G G G G Y Y
19 G G G G G Y Y
20 G G G G G Y Y
% DEL EVALUADOR(1)
-> 95.00% 100.00%
% VS. EL ATRIBUTO(2)
-> 90.00% 95.00%
Esta es la
medida
general de
consistencia
entre los
operadoresy el experto.
90% es lo
mnimo!
Acuerdo
Y=S N=No
Acuerdo
Y=S N=No
% DE EFECTIVIDAD DE DISCRIMINACION VS. EL ATRIBUTO
-
8/14/2019 cursoseissigmamodulo2
17/33417
Interpretacin de Resultados1.% del Evaluador es la consistencia de una
persona.
2. % Evaluador vs Atributo es la medida de elacuerdo que hay entre la evaluacin deloperador y la del experto.
3. % de Efectividad de Seleccin es la medida de
el acuerdo que existe entre los operadores.4. % de Efectividad de Seleccin vs. el Atributo
es una medida general de la consistenciaentre los operadores y el acuerdo con el
experto.
-
8/14/2019 cursoseissigmamodulo2
18/334
18
Estudio de Repetibilidad yReproducibilidad de Atributos -
Guas de AceptabilidadAunque el 100% es el resultado que deseamosobtener, en un estudio de repetibilidad yreproducibilidad de atributos, la siguiente guase usa frecuentemente:
Porcentaje Gua
De 90% a 100%
De 80% a 90%Menos de 80%
Aceptable
MarginalInaceptable
-
8/14/2019 cursoseissigmamodulo2
19/334
19
Diagrama deIshikawa
Diagrama derelaciones
Diagrama
de rbol
Anlisis del Modo y Efecto deFalla (AMEF)
QFD
DiagramaCausa Efecto
CTQs = YsOperatividad
X's vitales
Diagramade Flujo
delproceso
Pruebas
dehiptesis
Causas razvalidadas
CausaRaz?
DefinicinY=X1 + X2+. .Xn
X's
Causaspotenciales
Medicin Y,X1, X2, Xn
FASE DE ANLISIS
SiNo
-
8/14/2019 cursoseissigmamodulo2
20/334
20
Pruebas de Hiptesis
Variables AtributosTablas deContingencia Chi Cuad.
Correlacin
No Normal
Normal
Varianza Medianas
Variancia Medias
1- Poblacin - Chi2- Pob. F
HomogeneidaddeVarianzasde Levene
Homogeneidadde Varianzasde Bartlett
Correlacin
Prueba de signos
Wilcoxon
Mann-Whitney
Kurskal-Wallis
Prueba de Mood
Friedman
Pruebas Z, t
ANOVA
CorrelacinRegresin
1- Poblacin2- Poblaciones
Una vaDos vas
Residuosdistribuidosnormalmente
Proporciones - Z
-
8/14/2019 cursoseissigmamodulo2
21/334
21
Anlisis del Modo yEfecto de Falla (AMEF)
-
8/14/2019 cursoseissigmamodulo2
22/334
22
Qu es el AMEF? El Anlisis de del Modo y Efectos de Falla es un gruposistematizado de actividades para:
Reconocer y evaluar fallas potenciales y susefectos.
Identificar acciones que reduzcan o eliminen lasprobabilidades de falla.
Documentar los hallazgos del anlisis.
Existe el estndar MIL-STD-1629, Procedure for Performing aFailure Mode, Effects and Criticality Analysis
-
8/14/2019 cursoseissigmamodulo2
23/334
23
Tipos de AMEFs FMEA de Diseo (AMEFD), su propsito es
analizar como afectan al sistema los modos defalla y minimizar los efectos de falla en el
sistema. Se usan antes de la liberacin deproductos o servicios, para corregir lasdeficiencias de diseo.
FMEA de Proceso (AMEFP), su propsito esanalizar como afectan al proceso los modos defalla y minimizar los efectos de falla en elproceso. Se usan durante la planeacin decalidad y como apoyo durante la produccin o
prestacin del servicio.
-
8/14/2019 cursoseissigmamodulo2
24/334
24
AMEFP o AMEF de Proceso
Fecha lmite:
Concepto Prototipo Pre-produccin /Produccin
FMEAD
FMEAP
FMEAD FMEAP
Caracterstica de Diseo Paso de Proceso
Falla Forma en que el Forma en que el proceso falla
producto o servicio falla al producir el requerimiento
que se pretende
Controles Tcnicas de Diseo de Controles de Proceso
Verificacin/Validacin
d d f ll
-
8/14/2019 cursoseissigmamodulo2
25/334
25
Modos de fallas vsMecanismos de falla
El modo de falla es el sntoma real de la falla(altos costos del servicio; tiempo de entregaexcedido).
Mecanismos de falla son las razones simples odiversas que causas el modo de falla (mtodosno claros; cansancio; formatos ilegibles) ocualquier otra razn que cause el modo defalla
-
8/14/2019 cursoseissigmamodulo2
26/334
D fi i i
-
8/14/2019 cursoseissigmamodulo2
27/334
27
Definiciones
Efecto
- El impacto en el Cliente cuando el Modo de Falla no sepreviene ni corrige.
- El cliente o el siguiente proceso puede ser afectado.
Ejemplos: Diseo Proceso
Serv. incompleto Servicio deficienteOperacin errtica Claridad insuficiente
Causa- Una deficiencia que genera el Modo de Falla.
- Las causas son fuentes de Variabilidadasociada con
variables de Entrada Claves
Ejemplos: Diseo ProcesoMaterial incorrecto Error en servicio
Demasiado esfuerzo No cumple
requerimientos
-
8/14/2019 cursoseissigmamodulo2
28/334
-
8/14/2019 cursoseissigmamodulo2
29/334
-
8/14/2019 cursoseissigmamodulo2
30/334
30
Componente ______________________ Responsable del Diseo ___________ AMEF Nmero _________________
Ensamble ________________ Prepar _______________ Pagina _______de _______
Equipo de Trabajo ___________ FECHA (orig.) de FMEA ______(rev.) ______
Funcin
del Producto/
Paso del
proceso
Modos de Falla
Potenciales
Efecto (s)
Potencial (es)
de falla
S
e
v
.
Causa(s)
Potencial(es)
o Mecanismos
de falla
O
c
c
u
r
Controles de
Diseo o
Proceso
Actuales
D
e
t
e
c
R
P
N
Accin
Sugerida
Responsable
y fecha lmite
de Terminacin
Accin
Adoptada
S
e
v
O
c
c
D
e
t
R
P
N
Resultados de Accin
ANALISIS DEL MODO Y EFECTO DE FALLA
AMEF de Diseo / Proceso
-
8/14/2019 cursoseissigmamodulo2
31/334
31
Componente ______________________ Responsable del Diseo ___________ AMEF Nmero _________________
Ensamble ________________ Prepar _______________ Pagina _______de _______
Equipo de Trabajo ___________ FECHA (orig.) de AMEF ______(rev.) ______
Funcin
de
Componente/Paso
de proceso
Modos de Falla
Potenciales
Efecto (s)
Potencial (es)
de falla
S
e
v
.
Causa(s)
Potencial(es)
de los Mecanismos
de falla
O
c
c
u
r
Controles del
Diseo /
Proceso
Actual
D
e
t
e
c
R
P
N
Accin
Sugerida
Responsable
y fecha lmite
de Terminacin
Accin
Adoptada
S
e
v
O
c
c
D
e
t
R
P
N
Factura correcta
Resultados de Accin
ANALISIS DEL MODO Y EFECTO DE FALLA
AMEF de Diseo / Proceso
Relacione las
funciones del
diseo del
componente
Pasos del procesoDel diagrama de flujo
-
8/14/2019 cursoseissigmamodulo2
32/334
32
Componente ______________________ Responsable del Diseo ___________ AMEF Nmero _________________
Ensamble ________________ Prepar _______________ Pagina _______de _______
Equipo de Trabajo ___________ FECHA (orig.) de AMEF ______(rev.) ______
Funcin
del
componente/
Paso del
proceso
Modos de Falla
Potenciales
Efecto (s)
Potencial (es)
de falla
D
i
v
Causa(s)
Potencial(es)
de los Mecanismos
de falla
O
c
c
u
r
Controles de
Diseo /
Proceso
Actuales
D
e
t
e
c
R
P
N
Accin
Sugerida
Responsable
y fecha lmite
de Terminacin
Accin
Adoptada
S
e
v
O
c
c
D
e
t
R
P
N
Factura
correcta
Datos incorrectos
Resultados de Accin
ANALISIS DEL MODO Y EFECTO DE FALLA
AMEF de Diseo / Proceso
Identificar modos
de falla Tipo 1
inherentes al
diseo
-
8/14/2019 cursoseissigmamodulo2
33/334
33
Efecto(s) Potencial(es) de falla
Evaluar 3 (tres) niveles de Efectos del Modo deFalla
Efectos Locales Efectos en el rea Local Impactos Inmediatos
Efectos Mayores Subsecuentes Entre Efectos Locales y Usuario Final
Efectos Finales
Efecto en el Usuario Final del producto o
-
8/14/2019 cursoseissigmamodulo2
34/334
34
Componente ______________________ Responsable del Diseo ___________ AMEF Nmero _________________
Ensamble ________________ Prepar _______________ Pagina _______de _______
Equipo de Trabajo ___________ FECHA (orig.) de AMEF ______(rev.) ______
Funcin
del componente
/ Paso del
proceso
Modos de Falla
Potenciales
Efecto (s)
Potencial (es)
de falla
D
i
v
Causa(s)
Potencial(es)
oMecanismos
de falla
O
c
c
u
r
Controles de
Diseo /
Proceso
Actuales
D
e
t
e
c
R
P
N
Accin
Sugerida
Responsable
y fecha lmite
de Terminacin
Accin
Adoptada
S
e
v
O
c
c
D
e
t
R
P
N
Factura correcta Datos incorrecto LOCAL:
Rehacer
la factura
MAXIMO PROXIMO
Contabilidad
equivocada
CON CLIENTE
Molestia
Insatisfaccin
Resultados de Accin
ANALISIS DEL MODO Y EFECTO DE FALLA
AMEF de Diseo
Describir los efectos de
modo de falla en:
LOCAL
El mayor subsecuente
Y Usuario final
CTQs del QFD o
Matriz de Causa Efecto
-
8/14/2019 cursoseissigmamodulo2
35/334
35
Rangos de Severidad (AMEFD)Efecto Rango Criterio
.
No 1 Sin efecto
Muy poco 2 Cliente no molesto. Poco efecto en el desempeo delcomponente o servicio.
Poco 3 Cliente algo molesto. Poco efecto en el desempeo delcomp. o servicio.Menor 4 El cliente se siente un poco fastidiado. Efecto menor en eldesempeo del componente o servicio.
Moderado 5 El cliente se siente algo insatisfecho. Efecto moderado en eldesempeo del componente o servicio.
Significativo 6 El cliente se siente algo inconforme. El desempeo delcomp. o servicio se ve afectado, pero es operable y est asalvo. Falla parcial, pero operable.
Mayor 7 El cliente est insatisfecho. El desempeo del servicio se veseriamente afectado, pero es funcional y est a salvo. Sistema afectado.
Extremo 8 Cliente muy insatisfecho. Servicio inadecuado, pero a salvo.Sistema inoperable.
Serio 9 Efecto de peligro potencial. Capaz de descontinuar el uso sinperder tiempo, dependiendo de la falla. Se cumple con elreglamento del gobierno en materia de riesgo.
Peligro 10 Efecto peligroso. Seguridad relacionada - falla repentina.
CRITERIO DE EVALUACIN DE SEVERIDAD SUGERIDO PARA AMEFP
-
8/14/2019 cursoseissigmamodulo2
36/334
36
Esta calificacin resulta cuando un modo de falla potencial resulta en un defecto con un cliente final y/o una plantade manufactura / ensamble. El cliente final debe ser siempre considerado primero. Si ocurren ambos, use la mayor
de las dos severidadesEfecto Efecto en el cliente Efecto en Manufactura /Ensamble Cali
f.Peligroso sinaviso
Calificacin de severidad muy alta cuando un modo
potencial de falla afecta la operacin segura delproducto y/o involucra un no cumplimiento con algunaregulacin gubernamental, sin aviso
Puede exponer al peligro al operador (mquina o
ensamble) sin aviso 10Peligroso conaviso
Calificacin de severidad muy alta cuando un modopotencial de falla afecta la operacin segura delproducto y/o involucra un no cumplimiento con algunaregulacin gubernamental, con aviso
Puede exponer al peligro al operador (mquina oensamble) sin aviso 9
Muyalto
El producto / item es inoperable ( prdida de la funcinprimaria)
El 100% del producto puede tener que serdesechado op reparado con un tiempo o costoinfinitamente mayor
8
Alto El producto / item es operable pero con un reducidonivel de desempeo. Cliente muy insatisfecho El producto tiene que ser seleccionado y un partedesechada o reparada en un tiempo y costo muy alto 7Moderado
Producto / item operable, pero un item deconfort/conveniencia es inoperable. Cliente insatisfecho
Una parte del producto puede tener que serdesechado sin seleccin o reparado con un tiempo ycosto alto
6
Bajo Producto / item operable, pero un item deconfort/conveniencia son operables a niveles dedesempeo bajos
El 100% del producto puede tener que serretrabajado o reparado fuera de lnea pero nonecesariamente va al rea de retrabajo .
5
Muy
bajo
No se cumple con el ajuste, acabado o presenta ruidos y
rechinidos. Defecto notado por el 75% de los clientes
El producto puede tener que ser seleccionado, sin
desecho, y una parte retrabajada 4Menor No se cumple con el ajuste, acabado o presenta ruidos y
rechinidos. Defecto notado por el 50% de los clientesEl producto puede tener que ser retrabajada, sindesecho, en lnea, pero fuera de la estacin 3
Muymenor
No se cumple con el ajuste, acabado o presenta ruidos,y rechinidos. Defecto notado por clientes muy crticos(menos del 25%)
El producto puede tener que ser retrabajado, sindesecho en la lnea, en la estacin 2
Ninguno Sin efecto perceptible Ligero inconveniente para la operacin u operador, o
sin efecto
1
-
8/14/2019 cursoseissigmamodulo2
37/334
37
Componente ______________________ Responsable del Diseo ___________ AMEF Nmero _________________
Ensamble ________________ Prepar _______________ Pagina _______de _______ Equipo de Trabajo ___________ FECHA (orig.) de AMEF ______(rev.) ______
Funcin
del componente
/ Paso del
proceso
Modos de Falla
Potenciales
Efecto (s)
Potencial (es)
de falla
S
e
v
.
Causa(s)
Potencial(es)
o Mecanismos
de falla
O
c
c
u
r
Controles de
Diseo /
Proceso
Actuales
D
e
t
e
c
R
P
N
Accin
Sugerida
Responsable
y fecha lmite
de Terminacin
Accin
Adoptada
S
e
v
O
c
c
D
e
t
R
P
N
La abertura delengrane propor La abertura no LOCAL:
ciona una aber- es suficiente Dao a sensor
tura de aire entre de velocidad y
diente y diente engrane
MAXIMO PROXIMO
Falla en eje 7
CON CLIENTEEquipo
parado
Resultados de Accin
ANALISIS DEL MODO Y EFECTO DE FALLA
AMEF de Diseo / Proceso
Usar tabla para
determinar severidad o
gravedad
-
8/14/2019 cursoseissigmamodulo2
38/334
38
Identificar Causa(s) Potencial(es) de la Falla
Causas relacionadas con el diseo - Caractersticasdel servicio o Pasos del proceso Diseo de formatos
Asignacin de recursos Equipos planeados
Causas que no pueden ser Entradas de Diseo,
tales como: Ambiente, Clima, Fenmenos naturales
Mecanismos de Falla Rendimiento, tiempo de entrega, informacin
completa
-
8/14/2019 cursoseissigmamodulo2
39/334
39
Componente ______________________ Responsable del Diseo ___________ AMEF Nmero _________________
Ensamble ________________ Prepar _______________ Pagina _______de _______
Equipo de Trabajo ___________ FECHA (orig.) de AMEF ______(rev.) ______
Funcin
de
Artculo
Modos de Falla
Potenciales
Efecto (s)
Potencial (es)
de falla
S
e
v
.
Causa(s)
Potencial(es)
de los Mecanismos
de falla
O
c
c
u
r
Controles de
Diseo/Proces
o Actuales
D
e
t
e
c
R
P
N
Accin
Sugerida
Responsable
y fecha lmite
de Terminacin
Accin
Adoptada
S
e
v
O
c
c
D
e
t
R
P
N
Factura correcta Datos incorrecto LOCAL:
Rehacer la
factura
MAXIMO PROXIMO
Contabilidad 7
erronea
CON CLIENTEMolestia
Insatisfaccin
Resultados de Accin
ANALISIS DEL MODO Y EFECTO DE FALLA
AMEF de Diseo
Identificar causas
de diseo, y
mecanismos de
falla que pueden
ser sealados para
los modos de falla
Causas potencialesDe Diagrama de IshikawaDiagrama de rbol oDiagrama de relaciones
-
8/14/2019 cursoseissigmamodulo2
40/334
Rangos de Ocurrencia (AMEFD)
Ocurrencia Criterios
Remota Falla improbable. No existenfallas asociadas con este producto ocon un producto / Servicio casiidntico
Muy Poca Slo fallas aisladas asociadascon este producto /Servicio casi idntico
Poca Fallas aisladas asociadas conproductos / Servicios similares
Moderada Este producto / Servicio hatenido fallas ocasionales
Alta Este producto / Servicio hafallado a menudo
Muy alta La falla es casi inevitable
Probabilidad de FallaRango
1 5
2 1 en 150,000 Zlt >4.5
3 1 en 30,000Zlt > 4
4 1 en 4,500Zlt > 3.5 5 1 en
800 Zlt > 3 6
1 en 150 Zlt >2.5
7 1 en 50 Zlt > 28 1 en 15 Zlt >1.5
9 1 en 6 Zlt > 110 >1 en 3 Zlt < 1
Nota:
El criterio se basa en la probabilidad de ocurrencia de la
causa/mecanismo. Se puede basar en el desempeo de un diseosimilar en una aplicacin similar.
-
8/14/2019 cursoseissigmamodulo2
41/334
41
CRITERIO DE EVALUACIN DE OCURRENCIA SUGERIDO PARAAMEFP
100 por mil piezas
Probabilidad Indices Posibles defalla
ppk Calif.
Muy alta: Fallaspersistentes < 0.55 10
50 por milpiezas
> 0.55 9
Alta: Fallas frecuentes 20 por milpiezas
> 0.78 8
10 por mil
piezas
> 0.86 7
Moderada: Fallasocasionales
5 por milpiezas
> 0.94 6
2 por milpiezas
> 1.00 5
1 por mil
piezas
> 1.10 4
Baja : Relativamentepocas fallas
0.5 por milpiezas
> 1.20 3
0.1 por milpiezas
> 1.30 2
Remota: La falla es
improbable
< 0.01 por mil
piezas
> 1.67 1
-
8/14/2019 cursoseissigmamodulo2
42/334
42
Componente ______________________ Responsable del Diseo ___________AMEF Nmero _________________
Ensamble ________________ Prepar _______________ Pagina _______de _______
Equipo de Trabajo ___________ FECHA (orig.) de AMEF ______(rev.) ______
Funcin
del
Componente /
Paso del
proceso
Modos de Falla
Potenciales
Efecto (s)
Potencial (es)
de falla
S
e
v
.
Causa(s)
Potencial(es)
o Mecanismos
de falla
O
c
c
u
r
Controles de
Diseo/
Proceso
Actuales
D
e
t
e
c
R
P
N
Accin
Sugerida
Responsable
y fecha lmite
de Terminacin
Accin
Adoptada
S
e
v
O
c
c
D
e
t
R
P
N
Factura correcta Datos LOCAL:
equivocadso Rehacer la
factura
MAXIMO PROXIMO
Contabilidad 7 3erronea
CON CLIENTEMolestia
Insatisfaccin
Resultados de Accin
ANALISIS DEL MODO Y EFECTO DE FALLA
AMEF de Diseo / Proceso
Rango de
probabilidades en que
la causa identificada
ocurra
-
8/14/2019 cursoseissigmamodulo2
43/334
-
8/14/2019 cursoseissigmamodulo2
44/334
44
Componente ______________________ Responsable del Diseo ___________AMEF Nmero _________________
Ensamble ________________ Prepar _______________ Pagina _______de _______
Equipo de Trabajo ___________ FECHA (orig.) de AMEF ______(rev.) ______
Funcin
del
Componente /
Paso del
proceso
Modos de Falla
Potenciales
Efecto (s)
Potencial (es)
de falla
S
e
v
.
Causa(s)
Potencial(es)
o Mecanismos
de falla
O
c
c
u
r
Controles de
Diseo /
Proceso
Actuales
D
e
t
e
c
R
P
N
Accin
Sugerida
Responsable
y fecha lmite
de Terminacin
Accin
Adoptada
S
e
v
O
c
c
D
e
t
R
P
N
Factura correcta Datos correctos LOCAL:
Rehacer la
factura
MAXIMO PROXIMO
Contabilidad 7 3erronea
CON CLIENTEMolestia
Insatisfaccin
Resultados de Accin
ANALISIS DEL MODO Y EFECTO DE FALLA
AMEF de Diseo
Cul es el mtodo de
control actual que usa
ingeniera para evitar el
modo de falla?
-
8/14/2019 cursoseissigmamodulo2
45/334
Rangos de Deteccin (AMEFD)
Rango de Probabilidad de Deteccin basado en la
efectividad del Sistema de Control Actual; basadoen el cumplimiento oportuno con el Plazo Fijado
1 Detectado antes del prototipo o prueba piloto
2 - 3 Detectado antes de entregar el diseo
4 - 5 Detectado antes del lanzamiento del servicio
6 - 7 Detectado antes de la prestacin del servicio
8 Detectado antes de prestar el servicio
9 Detectado en campo, pero antes de que ocurra la falla o
error
10 No detectable hasta que ocurra la falla o error en campo
CRITERIO DE EVALUACIN DE DETECCION SUGERIDO PARA
-
8/14/2019 cursoseissigmamodulo2
46/334
46
CRITERIO DE EVALUACIN DE DETECCION SUGERIDO PARAAMEFP
Deteccin
Criterio Tipos deInspeccin
Mtodos de seguridad de Rangosde Deteccin
Calif
A B C
Casi
imposible
Certeza absoluta de no
deteccin
X No se puede detectar o no esverificada 10
Muyremota
Los controles probablementeno detectarn
X El control es logrado solamentecon verificaciones indirectas o alazar
9
Remota Los controles tienen pocaoportunidad de deteccin
X El control es logrado solamentecon inspeccin visual
8
Muy baja Los controles tienen pocaoportunidad de deteccin
X El control es logrado solamentecon doble inspeccin visual
7
Baja Los controles pueden detectar X X El control es logrado con mtodosgrficos con el CEP
6Moderada
Los controles pueden detectar X El control se basa en mediciones por variables despus deque las partes dejan la estacin, o en dispositivos Pasa NOpasa realizado en el 100% de las partes despus de que laspartes han dejado la estacin
5
ModeradamenteAlta
Los controles tienen unabuena oportunidad paradetectar
X X Deteccin de error en operaciones subsiguientes, omedicin realizada en el ajuste y verificacin de primerapieza ( solo para causas de ajuste)
4
Alta Los controles tienen unabuena oportunidad paradetectar
X X Deteccin del error en la estacin o deteccin del error enoperaciones subsiguientes por filtros multiples deaceptacin: suministro, instalacin, verificacin. No puedeaceptar parte discrepante
3
Muy Alta Controles casi seguros paradetectar
X X Deteccin del error en la estacin (medicinautomtica con dispositivo de paro automtico).No puede pasar la parte discrepante
2
Muy Alta Controles seguros paradetectar
X No se pueden hacer partes discrepantes porque elitem ha pasado a prueba de errores dado el diseodel proceso/producto
1
Tipos de inspeccin: A) A prueba de error B) Medicin automatizada C) Inspeccin
-
8/14/2019 cursoseissigmamodulo2
47/334
47
Componente ______________________ Responsable del Diseo ___________ AMEF Nmero _________________
Ensamble ________________ Prepar _______________ Pagina _______de _______ Equipo de Trabajo ___________ FECHA (orig.) de AMEF ______(rev.) ______
Funcin
del
Componente /
Paso del
proceso
Modos de Falla
Potenciales
Efecto (s)
Potencial (es)
de falla
S
e
v
.
Causa(s)
Potencial(es)
o Mecanismos
de falla
O
c
c
u
r
Controles de
Diseo /
Proceso
Actuales
D
e
t
e
c
R
P
N
Accin
Sugerida
Responsable
y fecha lmite
de Terminacin
Accin
Adoptada
S
e
v
O
c
c
D
e
t
R
P
N
Factura correcta Datos incorrecto LOCAL:
Rehacer la
factura
MAXIMO PROXIMO
Contabilidad 7 3 5erronea
CON CLIENTEMolestia
Insatisfaccin
Resultados de Accin
ANALISIS DEL MODO Y EFECTO DE FALLA
AMEF de Diseo / Proceso
Cul es la probabilidad
de detectar la causa de
falla?
-
8/14/2019 cursoseissigmamodulo2
48/334
48
Producto de Severidad, Ocurrencia, y Deteccin
RPN / Gravedad usada para identificarprincipales CTQs
Severidad mayor o igual a 8
RPN mayor a 150
Calcular RPN (Nmero de Prioridad deRiesgo)
-
8/14/2019 cursoseissigmamodulo2
49/334
49
Componente ______________________ Responsable del Diseo ____________ AMEF Nmero _________________
Ensamble ________________ Prepar _______________ Pagina _______de _______
Equipo de Trabajo ___________ FECHA (orig.) de AMEF ______(rev.) ______
Funcin
de
Artculo
Modos de Falla
Potenciales
Efecto (s)
Potencial (es)
de falla
S
e
v
.
Causa(s)
Potencial(es)
de los Mecanismos
de falla
O
c
c
u
r
Controles de
Diseo Actual
D
e
t
e
c
R
P
N
Accin
Sugerida
Responsable
y fecha lmite
de Terminacin
Accin
Adoptada
S
e
v
O
c
c
D
e
t
R
P
N
Factura Datos LOCAL:
incorrecta incorrectos Rehacer
la factura
MAXIMO PROXIMO
Contabilidad 7 3 5 105erronea
CON CLIENTEMolestia
Insatisfaccin
Resultados de Accin
ANALISIS DEL MODO Y EFECTO DE FALLA
AMEF de Diseo / Proceso
Riesgo = Severidad x
Ocurrencia x Deteccin
Causas probablesa atacar primero
-
8/14/2019 cursoseissigmamodulo2
50/334
50
Planear Acciones
Requeridas para todos los CTQs
Listar todas las acciones sugeridas, qupersona es la responsable y fecha determinacin.
Describir la accin adoptada y sus
resultados. Recalcular nmero de prioridad de riesgo .
Reducir el riesgo general del diseo
ANALISIS DEL MODO Y EFECTO DE FALLA
-
8/14/2019 cursoseissigmamodulo2
51/334
51
Componente ______________________ Responsable del Diseo ____________ AMEF Nmero _________________
Ensamble ________________ Prepar _______________ Pagina _______de _______
Equipo de Trabajo ___________ FECHA (orig.) de AMEF ______(rev.) ______
Funcin
del componente
/ Paso del
proceso
Modos de Falla
Potenciales
Efecto (s)
Potencial (es)
de falla
S
e
v
.
Causa(s)
Potencial(es)
o Mecanismos
de falla
O
c
c
u
r
Controles de
Diseo /
Prcoeso
Actuales
D
e
t
e
c
R
P
N
Accin
Sugerida
Responsable
y fecha lmite
de Terminacin
Accin
Adoptada
S
e
v
O
c
c
D
e
t
R
P
N
Factura correcta Datos LOCAL:
erroneos Rehacer la
factura
MAXIMO PROXIMO
Contabilidad 7 3 5 105erronea
CON CLIENTEMolestia
Insatisfaccin
Resultados de Accin
ANALISIS DEL MODO Y EFECTO DE FALLA
AMEF de Diseo / Proceso
Usar RPN para identificar
acciones futuras. Una vez que
se lleva a cabo la accin,
recalcular el RPN.
-
8/14/2019 cursoseissigmamodulo2
52/334
52
Ejemplo de AMEFP
-
8/14/2019 cursoseissigmamodulo2
53/334
53
Herramientas de laFase de Anlisis
Identificacin de causas potenciales
Cartas Multivari y Anlisis de Regresin
Intervalos de confianza y Pruebas deHiptesis
-
8/14/2019 cursoseissigmamodulo2
54/334
54
Identificacin de causaspotenciales
Tormenta de ideas
Diagrama de Ishikawa
Diagrama de
RelacionesDiagrama de rbol
Verificacin de causasraz
-
8/14/2019 cursoseissigmamodulo2
55/334
55
Tormenta de ideas Tcnica para generar ideas creativas cuando
la mejor solucin no es obvia.
Reunir a un equipo de trabajo (4 a 10miembros) en un lugar adecuado
El problema a analizar debe estar siemprevisible
Generar y registrar en el diagrama deIshikawa un gran nmero de ideas, sin
juzgarlas, ni criticarlas
-
8/14/2019 cursoseissigmamodulo2
56/334
56
Tormenta de ideas Permite obtener ideas de los participantes
-
8/14/2019 cursoseissigmamodulo2
57/334
57
Diagrama de Ishikawa Anotar el problema en el cuadro de la derecha
Anotar en rotafolio las ideas sobre las posiblescausas asignndolas a las ramascorrespondientes a:
Medio ambiente Mediciones Materia Prima Maquinaria
Personal y Mtodoso Las diferentes etapas del proceso de
manufactura o servicio
-
8/14/2019 cursoseissigmamodulo2
58/334
58
Diagrama de IshikawaMedio
ambiente Mtodos Personal
Quproduce
bajas ventas
de
Tortillinas
Ta Rosa?
Clima
hmedo
Calidad del
producto
Tipo de
exhibidor
Falta de
motivacinAusentismo
Rotacin de
personal
Maquinara Materiales
Clientes con
ventas bajas
Malos
itinerarios
Descompostura
del camin
repartidor
Distancia de
la agencia alchangarro
Medicin
Seguimiento
semanal
Conocimientode los
mnimos por
ruta
Frecuencia
de visitas
Elaboracin
de pedidos
Posicin de
exhibidores
Falta de
supervi
cin
Perdida de mercadod bid liagrama de relaciones
-
8/14/2019 cursoseissigmamodulo2
59/334
59
Programacindeficiente
Capacidad
instaladadesconocida
Marketing notiene en cuenta
cap de p.Mala prog. De
ordenes de compra
Comprasaprovecha
ofertasFalta de com..... Entre
las dif. reas dela empresa
Duplicidadde funciones
Las un. Recibenordenes de dos
deptos diferentes
Altosinventarios
No hay controlde inv..... En proc.
Demasiados deptosde inv..... Y desarrollo
Falta de prog. Dela op. En base a
los pedidos
No hay com..... Entrelas UN y la oper.
Falta decoordinacin al fincar
pedidos entremarketing y la op.
Falta de control deinventarios en
compras
Influencia de lasituacin econ del
pas
No hay com..... Entre comprascon la op. general
No hay coordinacinentre la operacin y las unidades
del negocio
Falta de coordinacinentre el enlace de compras
de cada unidad con comprascorporativo
Influencia directa demarketing sobre
compras
Compra de materialpara el desarrollo denuevos productos por
parte inv..... Y desarrollo
No hay flujoefectivo de mat.
Por falta deprogramacinde acuerdoa pedidos
debido a lacompetencia
Constantescancelaciones
de pedidosde marketing
No hay coordinacinentre marketing
operaciones
Falta de comunicacinentre las unidades
del negocio
iagrama de relaciones
Que nos puede provocar Variacin de Velocidad
-
8/14/2019 cursoseissigmamodulo2
60/334
60
Dancer
Taco generadordel motor
Poleas guas
Presin deldancer
Mal guiado
Sensor de velocidadde lnea
Sensorcircunferencial
Bandas de
transmisin
Empaques de arrastre
Presin de aire de trabajo
Drive principal
Voltaje del motor
Ejes principales
Poleas de transmisin
Que nos puede provocar Variacin de VelocidadDurante el ciclo de cambio en la seccin del
Embobinadores?
Causas a validarCausas a validar
13/0
2/4
0/4
1/2
5/1
1/4
1/4
2/1
1/1
0/3
5/2
4/1
1/5
1/5
Entradas CausaSalidas Efecto
Di d b l
-
8/14/2019 cursoseissigmamodulo2
61/334
61
Diagrama de rbol osistemtico
Meta Medio
Meta
Meta
Medio
Medio
Meta uobjetivo
Medioso planes
Medioso planes
Medios
Medios Medios
Primernivel
Segundonivel
Tercernivel
Cuartonivel
-
8/14/2019 cursoseissigmamodulo2
62/334
-
8/14/2019 cursoseissigmamodulo2
63/334
63
Verificacin de posiblescausas
Para cada causa probable , el equipodeber por medio del diagrama 5Ws
1H: Llevar a cabo una tormenta de ideas
para verificar la causa.
Seleccionar la manera que: represente la causa de forma efectiva, y
sea fcil y rpida de aplicar.
Calendario de las actividadesCalendario de las actividades
-
8/14/2019 cursoseissigmamodulo2
64/334
64
qu?qu? por qu?por qu? cmo?cmo? cundcundo?o?
dnddnde?e?
quinquin??
1Tacogenerador de motorembobinador
1.1 Por variacinde voltaje duranteel ciclo de cambio
1.1.1 Tomar dimensiones de ensambleentre coples.
1.1.2 Verificar estado actual yespecificaciones de escobillas.
1.1.3 tomar valores de voltaje de salidadurante el ciclo de cambio.
Abril04
1804Embob
.
J. R.
2 Sensorcircular y develocidad de
linea.
2.1 Por que nosgenera una varinen la seal de
referencia hacia elcontrol develocidad delmotorembobinador
2.1.1 Tomar dimensiones de ladistancia entre poleas y sensores.
2.1.2 Tomar valores de voltaje de
salida de los sensores.2.1.3 Verificar estado de rodamientosde poleas.
Abril04
1804
Embob.
U. P.
3 Ejesprincipalesdetransmisin.
3.1 Por vibracinexcesiva duranteel ciclo de cambio
3.1.1 Tomar lecturas de vibracin enalojamientos de rodamientos
3.1.2 Comparar valores de vibracionescon lecturas anteriores.
3.1.3 Analizar valor lecturas de
vibracin tomadas.
Abril04 1804Embob
.
F. F.
4 Poleas detransmisinde ejesembobinadores.
4.1 Puede generarvibracin excesivadurante el ciclo decambio.
4.1.1 Verificar alineacin, entre poleasde ejes principales y polea detransmisin del motor.
4.1.2 Tomar dimensiones depoleas(dientes de transmisin).
4.1.3 Tomar dimensiones de bandas
(dientes de transmisin)4.1.4 Verificar valor de tensin de
Abril04 1804Embob
.
J. R.
U. P.
-
8/14/2019 cursoseissigmamodulo2
65/334
-
8/14/2019 cursoseissigmamodulo2
66/334
66
Su propsito fundamental es reducir el grannmero de causas posibles de variacin, a unconjunto pequeo de causas que realmenteinfluyen en la variabilidad.
Sirven para identificar patrones de variacin:
Temporal: Variacin de hora a hora; turno aturno; da a da; semana a semana; etc.
Cclico: Variacin entre unidades de unmismo proceso; variacin entre grupos deunidades; variacin de lote a lote.
Posicional: Dentro de la ieza
Cartas Multivari
Cartas Multivari
-
8/14/2019 cursoseissigmamodulo2
67/334
67
2.0
dias
1.5
das
1.0das
Cartas Multivari
Zona C
Zona D
Zona A
Zona B
8 AM 9 AM 10 AM 11 AM 12 AM
Zona ordeni d d
-
8/14/2019 cursoseissigmamodulo2
68/334
68
Corrida en Minitab Se introducen los datos en
varias columnas C1 a C3incluyendo la respuesta
(tiempo) y los factores (Zonay Tipo de orden)
Tipo de ordenTiempo respuesta3 1 233 1 203 1 21
3 2 223 2 193 2 203 3 193 3 183 3 211 1 221 1 20
1 1 191 2 241 2 251 2 221 3 201 3 191 3 22
2 1 182 1 182 1 162 2 212 2 232 2 202 3 202 3 22
2 3 24
-
8/14/2019 cursoseissigmamodulo2
69/334
69
Corrida en Minitab Utilizar el archivo de ejemplo orden.mtw
Opcin: Stat > Quality Tools > Multivari charts
Indicar la columna de respuesta y lascolumnas de los factores
En opciones se puede poner un ttulo yconectar las lneas
-
8/14/2019 cursoseissigmamodulo2
70/334
70
Resultados
Tipo de orden
Tiemporespuesta
321
24
23
22
21
20
19
18
17
Zona
orden
1
2
3
Multi-Vari Chart for Tiempo respuesta by Zona orden - Tipo de orden
-
8/14/2019 cursoseissigmamodulo2
71/334
71
El anlisis de regresin es un mtodoestandarizado para localizar la correlacinentre dos grupos de datos, y, quiz msimportante, crear un modelo de prediccin.
Puede ser usado para analizar las relacionesentre:
Una sola X predictora y una sola Y
Mltiples predictores X y una sola Y
Varios predictores X entre s
Anlisis de Regresin
Definiciones
-
8/14/2019 cursoseissigmamodulo2
72/334
72
DefinicionesCorrelacin
Establece si existe una relacin entre las variables y
responde a la pregunta, Qu tan evidente es estarelacin?"
Regresin
Describe con ms detalle la relacin entre las variables.
Construye modelos de prediccin a partir de informacin
experimental u otra fuente disponible.
Regresin lineal simple
Regresin lineal mltiple
Regresin no lineal cuadrtica o cbica
C l i d l i f i d l X l Y
-
8/14/2019 cursoseissigmamodulo2
73/334
73
Correlacin de la informacin de las X y las Y
Correlacin Positiva
Evidente
0
5
10
15
20
25
0 5 10 15 20 25
X
Y
Correlacin NegativaEvidente
0
5
10
15
20
25
0 5 10 15 20 25
X
Y
CorrelacinPositiva
0
5
10
15
20
25
0 5 10 15 20 25
X
Y
CorrelacinNegativa
0
5
10
15
20
25
0 5 10 15 20 25
X
Y
Sin Correlacin
10
15
20
25
5 10 15 20 25
X
Y
0
5
0
-
8/14/2019 cursoseissigmamodulo2
74/334
74
Ejemplo
Considere el problema de predecir las ventasmensuales (score2) en funcin del costo de publicidad(Score 1). Calcular el coeficiente de correlacin, el dedeterminacin y la recta.
Score1 Score2
4.1 2.1
2.2 1.5
2.7 1.7
6 2.5
8.5 34.1 2.1
9 3.2
8 2.8
7.5 2.5
-
8/14/2019 cursoseissigmamodulo2
75/334
75
Corrida en Minitab Utilizar el archivo de ejemplo Exh_regr.mtw Opcin: Stat > Regression > Regression Para regresin lineal indicar la columna de
respuesta Y (Score2) y X (Score1)
En Regresin lineal en opciones se puedeponer un valorXopara predecir la respuesta e
intervalos. Las grficas se obtienen Stat >Regression > Regression > Fitted line Plots
Para regresin mltiple Y (heatflux) y lascolumnas de los predictores Xs (north, south,
east)
R lt d d l i li l
-
8/14/2019 cursoseissigmamodulo2
76/334
76
Resultados de la regresin linealRegression Analysis: Score2 versus
Score1The regression equation isScore2 = 1.12 + 0.218 Score1
Predictor Coef SE Coef T PConstant 1.1177 0.1093 10.23 0.000Score1 0.21767 0.01740 12.51 0.000
S = 0.127419 R-Sq = 95.7% R-Sq(adj) =95.1%
Analysis of VarianceSource DF SS MS F PRegression 1 2.5419 2.5419 156.560.000
Residual Error 7 0.1136 0.0162
R l d d l i
-
8/14/2019 cursoseissigmamodulo2
77/334
77
Resultados de la regresinlineal
Score1
Score2
98765432
3.5
3.0
2.5
2.0
1.5
1.0
S 0.127419
R-Sq 95.7%
R-Sq(adj) 95.1%
Regression
95% CI
95% PI
Fitted Line Plot
Score2 = 1.118 + 0.2177 Score1
Interpretacin de los Resultados
-
8/14/2019 cursoseissigmamodulo2
78/334
78
El intervalo de prediccin es el grado de certidumbre de la
difusin de la Y estimada para puntos individuales X. En general,
95% de los puntos individuales (provenientes de la poblacin
sobre la que se basa la lnea de regresin), se encontrarn dentro
de la banda [Lneas azules]
La ecuacin de regresin (Score2 = 1.12 + 0.218 Score1)describe la relacin entre la variable predictora X y la respuesta de
prediccin Y.
R2 (coef. de determinacin) es el porcentaje de variacin
explicado por la ecuacin de regresin respecto a la variacin total
en el modelo
El intervalo de confianza es una banda con un 95% deconfianza de encontrar la Y media estimada para cada valor de
X [Lneas rojas]
-
8/14/2019 cursoseissigmamodulo2
79/334
79
Corrida en Minitab Se introducen los
datos en variascolumnas C1 a C5
incluyendo larespuesta Y(heatflux) y lasvariables predictoras
Xs (North, South,East)
HeatFlux East South
North
271.8 33.53 40.55 16.66
264 36.5 36.19 16.46
238.8 34.66 37.31 17.66
230.7 33.13 32.52 17.5
251.6 35.75 33.71 16.4
257.9 34.46 34.14 16.28
Resultados de la regresi nMlti l
-
8/14/2019 cursoseissigmamodulo2
80/334
80
gMltiple
Regression Analysis: HeatFlux versus East, South,
NorthThe regression equation is
HeatFlux = 489 - 0.28 East + 3.21 South - 20.3North
Predictor Coef SE Coef T PConstant 488.74 88.87 5.50 0.032East -0.278 1.395 -0.20 0.860South 3.2134 0.5338 6.02 0.027North -20.293 2.981 -6.81 0.021
S = 3.47637 R-Sq = 98.0% R-Sq(adj) = 95.0%
Analysis of VarianceSource DF SS MS F PRegression 3 1173.46 391.15 32.37 0.030Residual Error 2 24.17 12.09 Total 5 1197.63
R l i Li l
-
8/14/2019 cursoseissigmamodulo2
81/334
81
Relaciones no Lineales
Qu pasa si existe una relacin causal, no lineal?
El siguiente es un conjunto de datos
experimentales codificados, sobre
resistencia a la compresin de una
aleacin especial:
Resistencia a
Concentracin la Compresin
x y
10.0 25.2 27.3 28.7
15.0 29.8 31.1 27.8
20.0 31.2 32.6 29.725.0 31.7 30.1 32.3
30.0 29.4 30.8 32.8
X
Y
3025201510
35.0
32.5
30.0
27.5
25.0
S 1.35809
R-Sq 66.8%
R-Sq(adj ) 61.2%
Regression
95% CI
95% PI
Fitted Line Plot
Y = 18.13 + 1.089 X
- 0.02210 X**2
-
8/14/2019 cursoseissigmamodulo2
82/334
-
8/14/2019 cursoseissigmamodulo2
83/334
83
La regresin slo puede utilizarse coninformacin de variables continuas.
Los residuos deben distribuirse normalmente conmedia cero.
Importancia prctica: (R2). Importanciaestadstica: (valores p)
La regresin puede usarse con un predictor X oms, para una respuesta dada
Reduzca el modelo de regresin cuando seaposible,
sin erder mucha im ortancia rctica
Resumen de la Regresin
-
8/14/2019 cursoseissigmamodulo2
84/334
84
Pruebas de hiptesispara datos normales
Intervalos de confianza
Pruebas de hiptesis
-
8/14/2019 cursoseissigmamodulo2
85/334
Estimacin puntual
-
8/14/2019 cursoseissigmamodulo2
86/334
86
Estimacin puntualy por intervalo
Cmo obtenemos un intervalo deconfianza?
Punto estimado + error estimado delparmetro
De dnde viene el error estimado?
Desv. estndar X multiplicador de NC (nivelde confianza) deseado
-
8/14/2019 cursoseissigmamodulo2
87/334
-
8/14/2019 cursoseissigmamodulo2
88/334
88
Representacin grfica
IC = 90, 95 o 99%
Alfa/2
n=30
n=15
n=10
Distribucin normal Z Distribucin t (gl. = n-1)
Rango en el que seEncuentra el parmetroCon un nivel de confianza NC
Estimacin puntual
-
8/14/2019 cursoseissigmamodulo2
89/334
89
Estimacin puntualy por intervalo
Por Ejemplo:
Si la media de la muestra es 100 y ladesviacin estndar es 10, el intervalo deconfianza al 95% donde se encuentra lamedia para una distribucin normal es:
100 + (10) X 1.96 => (80.4, 119.6)
Multiplicador de nivel de confianza = Z0.025 =
1.96
Estimacin puntual
-
8/14/2019 cursoseissigmamodulo2
90/334
90
Estimacin puntualy por intervalo
C. I. Multiplicador Zalfa/2 Alfa/299 2.576 0.00595 1.960 0.025
90 1.645 0.0585 1.439 0.07580 1.282 0.10
Para tamaos de muestra n>30, la distribucin dereferencia es la Normal
Para muestras de menor tamao n
-
8/14/2019 cursoseissigmamodulo2
91/334
91
Frmulas de estimacin porintervalo
. 30
2
. 30
2
2 22
2 2
, 1 1 , 12 2
2
( 1) ( 1)
(1 )
para n
para n
n n
X Zn
X tn
n s n s
p p p Z
n
-
8/14/2019 cursoseissigmamodulo2
92/334
92
Pruebas de hiptesis paramedias, varianzas yproporciones
Pruebas de Hiptesis
-
8/14/2019 cursoseissigmamodulo2
93/334
93
Pruebas de Hiptesis
Variables AtributosTablas deContingencia Chi Cuad.
Correlacin
No Normal
Normal
Varianza Medianas
Variancia Medias
1- Poblacin - Chi
2- Pob. F
HomogeneidaddeVarianzasde Levene
Homogeneidadde Varianzasde Bartlett
CorrelacinPrueba de signos
Wilcoxon
Mann-Whitney
Kurskal-
WallisPrueba de Mood
Friedman
Pruebas Z, t
ANOVA
Correlacin
Regresin
1- Poblacin2- Poblaciones
Una vaDos vas
Residuosdistribuidosnormalmente
Proporciones - Z
Resumen de pruebas de Hiptesis Datos normales
-
8/14/2019 cursoseissigmamodulo2
94/334
94
Pruebas de Medias
Prueba t de 1 poblacin: Prueba si el promediode la muestra es igual a un promedio conocidoo meta conocida.
Prueba t de 2 poblaciones: Prueba si los dospromedios de las muestras son iguales.
ANOVA de un factor, direccin o va: Prueba si
ms de dos promedios de las muestras soniguales.
ANOVA de dos vas: Prueba si los promedios delas muestras clasificadas bajo dos categoras,
son iguales.
Resumen de pruebas de Hiptesis Datos normales
-
8/14/2019 cursoseissigmamodulo2
95/334
95
Pruebas de Variancias
Prueba X2
: Compara la variancia de una muestracon una variancia de un universo conocido.
Prueba F: Compara dos varianzas de muestras.Homogeneidad de la variancia de Bartlett:
Compara dos o ms varianzas muestras de lamisma poblacin.
Correlacin : Prueba la relacin lineal entre dos
variables.Regresin : Define la relacin lineal entre una
variable dependiente y una independiente.(Aqu la "normalidad" se aplica al valor residual
de la regresin)
-
8/14/2019 cursoseissigmamodulo2
96/334
96
Pruebas de Hiptesis
En CADA prueba estadstica, se comparanalgunos valores observados a valores esperadosdeparmetros (media, desviacin estndar,
varianza)Los ESTADSTICOS son calculados en base a lamuestra y estiman a los parmetrosVERDADEROS
La capacidad para detectar un diferencia entrelo que es observado y lo que es esperadodepende del tamao de la muestra, al aumentar
mejora la estimacin y la confianza en las
-
8/14/2019 cursoseissigmamodulo2
97/334
97
Pruebas de Hiptesis
Se trata de probar una afirmacin sobreparmetros de la poblacin en base a datosde estadsticos de una muestra:
Por ejemplo, probar las afirmaciones en losparmetros:
La media poblacional = 12;
La proporcin poblacional = 0.3
La Media poblacional1 = Media poblacional2
-
8/14/2019 cursoseissigmamodulo2
98/334
98
Conceptos fundamentales Hiptesis nula Ho
Es la hiptesis o afirmacin a ser probada Puede ser por ejemplo =, , o a 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
-
8/14/2019 cursoseissigmamodulo2
99/334
99
Conceptos fundamentales Estadstico de prueba
Para probar la hiptesis nula se calcula unestadstico de prueba con la informacin de lamuestra el cual se compara a un valor crticoapropiado. De esta forma se toma una decisinsobre rechazar o no rechazar la Ho
Error tipo I (alfa = nivel de significancia,
normal=.05) Se comete al rechazar la Ho cuando en realidades verdadera. Tambin se denomina riesgo delproductor
Error tipo II (beta )
-
8/14/2019 cursoseissigmamodulo2
100/334
100
Conceptos fundamentales Pruebas de una cola
Si la Ho: , que un valor poblacional, entoncesel riesgo alfa se coloca en el extremo derecho
de la distribucin. Por ejemplo si Ho 10 y Ha: >10 se tiene una prueba de cola derecha:
P(Z>= + Zexcel ) = alfa
Regin derechazo
-
8/14/2019 cursoseissigmamodulo2
101/334
101
Conceptos fundamentales Pruebas de una cola
Si la Ho: que un valor poblacional, entoncesel riesgo alfa se coloca en el extremo izquierdo
de la distribucin. Por ejemplo si Ho 10 y Ha: < 10 se tiene una prueba de cola izquierda:
Zexcel ( 0.01 )
P(Z
-
8/14/2019 cursoseissigmamodulo2
102/334
102
Conceptos fundamentales Pruebas de dos colas
Si la Ho: = que un valor poblacional, entoncesel riesgo alfa se reparte en ambos extremos de
la distribucin. Por ejemplo si Ha: 10 setiene:
P(Z>= + Zexcel ) = alfa/2P(Z
-
8/14/2019 cursoseissigmamodulo2
103/334
103
Conceptos fundamentales El Tamao de muestra requerido en funcin
del error mximo E o Delta P intervaloproporcional esperado se determina como
sigue: 2 2/ 2
2
2
/ 2
2
( )(1 )
( )
Zn
E
Z p pn
p
Elementos de una Prueba de Hiptesis
-
8/14/2019 cursoseissigmamodulo2
104/334
p
Pruebas de Hiptesis de dos colas:Ho: a = bHa: a b
Pruebas de Hiptesis de cola derecha:
Ho: a bHa: a > b
Pruebas de Hiptesis cola izquierda:
Ho: a bHa: a < b
Z 0-Z
Regin deRechazo RegindeRechazo
Z 0
Regin deRechazo
Z 0-Z
Regin deRechazo
-
8/14/2019 cursoseissigmamodulo2
105/334
105
Pasos en la Prueba de Hiptesis
1. Definir el Problema - Problema Prctico
2. Sealar los Objetivos - Problema Estadstico
3. Determinar tipo de datos - Atributo o Variable4. Si son datos Variables - Prueba de Normalidad
5. Establecer las Hiptesis
- Hiptesis Nula (Ho) - Siempre tiene el signoigual
- Hiptesis Alterna (Ha) Tiene signos dif., > o
-
8/14/2019 cursoseissigmamodulo2
106/334
106
Pasos en la Prueba de Hiptesis
7. Establecer el tamao de la muestra, >= 10 y colectar
datos.
8. Decidir la prueba estadstica apropiada y calcular el
estadstico de prueba (Z, t, X2 or F) a partir de los datos.
9. Obtener el estadstico que define la zona de rechazo ya
sea de tablas o Excel.
10.Comparar el estadstico calculado con el de tablas y ver si
cae en la regin de rechazo o ver si la probabilidad es menor
a alfa, rechazarHo y acepte Ha. En caso contrario no
rechazarHo.
11.Con los resultados interprete una conclusin estadstica
para la solucin prctica.
Estadsticos para medias,i i
-
8/14/2019 cursoseissigmamodulo2
107/334
107
varianzas y proporciones
2
1
1 222
1 2
1 2
2 2
1 1 2 21
1 2
; . ; 30;/
; . ; 30;/
; 1, 1; . . var
; . ; ' . .1 1
/
( 1) ( 1) ;2
p
p
X Z Una media n conocidan
Xt Una media n desconocida
S n
S
F DF n n prueba dos ianzasS
X Xt dos medias s desconocidas pero
Sn n
n s n sS DF nn n
2
1 2
2 2
1 2
1 2
2
; . ; ' .
.
n
X Xt dos medias s desconocidas diferentes
s s
n n
DF formula especial
Estadsticos para medias
-
8/14/2019 cursoseissigmamodulo2
108/334
108
Estadsticos para mediaspareadas y varianzas
Para el caso de muestras pareadas se calculanlas diferencias d individuales como sigue:
22
2
22
; . . ; . . ./
( 1); ( 1); . . ar
( ) ; ( 1)( 1); .
i
d
dt Pares de medias d para cada par S n
n S X DF n prueba una v ianza
O E X DF r c bondad ajusteE
Ejemplo de prueba de
-
8/14/2019 cursoseissigmamodulo2
109/334
109
Ejemplo de prueba dehiptesisProbar la hiptesis de igualdad de una media u paran > 301) Ho: = Ha:
2) Calcular el estadstico de prueba Zc con frmula
3) Determinar el estadstico de tablas Zt de Excel
4) Establecer la regin de rechazo con Zt y ver si cae ah Zc Las regiones de rechazo prueba de 2 colas: -Z/2 Z/2
5) Determinar el Intervalo de confianza para la media y ver siincluye a la media de la hiptesis, si no rechazar Ho
6) Determinar el valor P correspondiente a Zc y comparar
contra Alfa/2, si es menor rechazar Ho
Ejemplo de prueba de
-
8/14/2019 cursoseissigmamodulo2
110/334
110
s
n
Zcalc=
/20
-Z/2
Regin deRechazo Regin deRechazo
Ejemplo de prueba dehiptesis
Rechazar Ho si: Zc se encuentra en la regin de rechazo La media de la hiptesis no se encuentra en el
intervalo de confianza El valor p de la Zc es menor que alfa/2 o Alfa
para una cola
-Zt Zt
Ejemplo para dos colas
-
8/14/2019 cursoseissigmamodulo2
111/334
Supongamos que tenemos muestras de dos reactoresque producen el mismo artculo. Se desea ver si hay
diferencia significativa en el rendimiento de Reactor aReactor.Reactor A Reactor B
89.7 84.7
81.4 86.1
84.5 83.284.8 91.9
87.3 86.3
79.7 79.3
85.1 82.681.7 89.1
83.7 83.7
84.5 88.5
Estadsticas Descriptivas
Variable Reactor N MediaDesv.Std
Rendimiento A 10 84.242.90
B 10 85.54 3.65
Qu representa esto?
-
8/14/2019 cursoseissigmamodulo2
112/334
112
Reactor A Reactor B
80.0 82.5 85.0 87.5 90.0 92.5A AA AAAA A A
B B B B B BB B B B
Representan los reactores el mismo proceso bsico?
Representan los reactores dos procesos diferentes?
Prueba de Hiptesis
-
8/14/2019 cursoseissigmamodulo2
113/334
113
Prueba de Hiptesis
Pregunta Prctica: Existe diferencia entre losreactores?
Pregunta estadstica:
La media del Reactor B (85.54) es significativamente
diferente de la media del Reactor A (84.24)? o sudiferencia se da por casualidad en una variacin de da a
da.
rue a eHiptesis
-
8/14/2019 cursoseissigmamodulo2
114/334
114
p
Debemos demostrar que los valores que observamos al parecer
no corresponden al mismo proceso, que la Ho debe estar
equivocada
Ho:
Ha:
a
a
=
b
b
Ho: Hiptesis Nula:
No existe diferenciaentre los Reactores
Ha: Hiptesis Alterna:Lasmedias de los Reactoresson diferentes.
-
8/14/2019 cursoseissigmamodulo2
115/334
115
ANOVA de un factoro direccin
Pruebas de hiptesis de
varias medias a la vez
ANOVA Prueba de hiptesis paraprobar la igualdad de medias de
-
8/14/2019 cursoseissigmamodulo2
116/334
116
probar la igualdad de medias devarias poblaciones para un factor
diferentessonsunasAHaHo a
..'.lg:.........: 321
====
Se trata de probar si el efecto de un factor oTratamiento en la respuesta de un proceso o sistema esSignificativo, al realizar experimentos variandoLos niveles de ese factor (Temp. 1, Temp. 2, Temp.3, etc
-
8/14/2019 cursoseissigmamodulo2
117/334
117
ANOVA - Condiciones Todas las poblaciones son normales
Todas las poblaciones tiene la misma varianza
Los errores son independientes condistribucin normal de media cero
La varianza se mantiene constante para todoslos niveles del factor
-
8/14/2019 cursoseissigmamodulo2
118/334
118
ANOVA Ejemplo de datos
Niveles del Factor Peso % de algodn y Resistencia de tela
Cuadrilla Tiempo de respuesta
15 7 7 15 11 9
20 12 17 12 18 18
25 14 18 18 19 19
30 19 25 22 19 23
35 7 10 11 15 11
ANOVA Suma de
-
8/14/2019 cursoseissigmamodulo2
119/334
119
O Su a decuadrados total
Xij
Xij
Gran media
2
11
)(==
=b
j
a
i
XXijSCT
ANOVA Suma de cuadradosde renglones (a)-
-
8/14/2019 cursoseissigmamodulo2
120/334
120
g ( )tratamientos
Gran media
Media Trat. 1 Media Trat. a
Media trat. 2
a renglones
=
=a
i
i XXbSCTr
1
2)(
ANOVA Suma de cuadrados
-
8/14/2019 cursoseissigmamodulo2
121/334
121
del error
Media X1.
X1jX3jX2j
Media X2.MediaX3.
Muestra 1 Muestra 2 Muestr
2
11
)( ib
j
ij
a
i
XXSCE = ==
ANOVA Suma de cuadrados
-
8/14/2019 cursoseissigmamodulo2
122/334
122
del error
Media X1.
X1jX3jX2j
Media X2.MediaX3.
Muestra 1 Muestra 2 Muestr
SCTrSCTSCE =
ANOVA Grados de libertad:
-
8/14/2019 cursoseissigmamodulo2
123/334
123
Totales, Tratamientos, Error
ananSCEgl
aSCTrgl
nSCTgl
==
=
=
)1()1(.
1.
1.
ANOVA Cuadrados medios:
-
8/14/2019 cursoseissigmamodulo2
124/334
124
Total, Tratamiento y Error
)/(
)1/(
)1/(
anSCEMCE
aSCTrMCTr
nSCTMCT
=
=
=
-
8/14/2019 cursoseissigmamodulo2
125/334
-
8/14/2019 cursoseissigmamodulo2
126/334
126
Tabla final de ANOVATABLA DE ANOVA
FUENTE DE VARIACIN SUMA DE GRADOS DE CUADRADO VALOR FCUADRADOS LIBERTAD MEDIO
Entre muestras (tratam.) SCTR a-1 CMTR CMTR/CME
Dentro de muestras (error) SCE n-a CME
Variacin total SCT n-1 CMT
Regla: Rechazar Ho si la Fc de la muestra es mayor que la F de Excel para una cierta alfao si el valor p correspondiente a la Fc es menor al valor de alfa especificado
-
8/14/2019 cursoseissigmamodulo2
127/334
127
ANOVA Toma de decisin
Fexcel
Fc
Alfa
Zona de rechazoDe Ho o aceptar Ha
Zona de no rechazo de HoO de no aceptar Ha
Distribucin F
-
8/14/2019 cursoseissigmamodulo2
128/334
128
ANOVA Toma de decisin
Si Fc es mayor que Fexcel se rechaza HoAceptando Ha donde las medias sondiferentes
O si el valor de p correspondiente a Fc es
menor de Alfa se rechaza Ho
-
8/14/2019 cursoseissigmamodulo2
129/334
129
Corrida en Minitab Se introducen las respuestas en una columna
C1 Se introducen los subndices de los renglones
en una columna C2
Durability Carpet
18.95 1
12.62 1
11.94 1
14.42 1
10.06 2
7.19 2
7.03 2
14.66 2
-
8/14/2019 cursoseissigmamodulo2
130/334
130
Corrida en Minitab Opcin: stat>ANOVA One Way (usar archivo
Exh_aov) En Response indicar la col. De Respuesta
(Durability)
En factors indicar la columna de subndices(carpet)
En comparisons (Tukey)
Pedir grfica de Box Plot of data y residualesNormal Plot y vs fits y orden
-
8/14/2019 cursoseissigmamodulo2
131/334
131
ResultadosOne-way ANOVA: Durability versus CarpetSource DF SS MS F PCarpet 1 45.1 45.1 3.97 0.093 -> No hay diferencia entre las mediasError 6 68.1 11.3 Total 7 113.1S = 3.368 R-Sq = 39.85% R-Sq(adj) = 29.82%
Individual 95% CIs For Mean Based on
Pooled StDevLevel N Mean StDev ----+---------+---------+---------+-----1 4 14.483 3.157 (----------*-----------)2 4 9.735 3.566 (-----------*-----------)
----+---------+---------+---------+-----7.0 10.5 14.0 17.5
Pooled StDev = 3.368
Tukey 95% Simultaneous Confidence IntervalsAll Pairwise Comparisons among Levels of CarpetIndividual confidence level = 95.00%Carpet = 1 subtracted from:Carpet Lower Center Upper -+---------+---------+---------+--------2 -10.574 -4.748 1.079 (-----------*----------)
-+---------+---------+---------+---------10.0 -5.0 0.0 5.0
ANOVA d f t
-
8/14/2019 cursoseissigmamodulo2
132/334
132
ANOVA de un factor
principal y una variable debloqueo
para probar la igualdad demedias de varias poblaciones
-
8/14/2019 cursoseissigmamodulo2
133/334
133
pcon dos vas
Se trata de probar si el efecto de un factor o
Tratamiento en la respuesta de un proceso o sistema es
Significativo, al realizar experimentos variando
Los niveles de ese factor (Temp.1, Temp.2, etc.)
POR RENGLON
Y
Considerando los niveles de otro factor que se piensaQue tiene influencia en la prueba FACTOR DE BLOQUE
POR COLUMNA
para probar la igualdad demedias de varias poblaciones
-
8/14/2019 cursoseissigmamodulo2
134/334
134
pcon dos vas
diferentessonsunasAHa
Ho a
..'.lg:
.........: 321
====
diferentessonsunasAHa
Ho a
..'.lg:
'.........''': 321
====
Para el tratamiento en renglones
Para el factor de bloqueo en columnas
-
8/14/2019 cursoseissigmamodulo2
135/334
135
ANOVA 2 Factores - Ejemplo
Experiencia en aos de los operadores
Maquinas 1 2 3 4 5Maq 1 27 31 42 38 45
Maq 2 21 33 39 41 46Maq 3 25 35 39 37 45
ANOVA Dos factores, vas o
-
8/14/2019 cursoseissigmamodulo2
136/334
136
direcciones La SCT y SCTr (renlgones) se determina de la
misma forma que para la ANOVA de unadireccin o factor
En forma adicional se determina la suma decuadrados del factor de bloqueo (columnas) deforma similar a la de los renglones
La SCE = SCT SCTr - SCBl
-
8/14/2019 cursoseissigmamodulo2
137/334
137
Tabla final ANOVA 2 VasFUENTE DE VARIACI N SUMA DE GRADOS DE CUADRADO VALOR F
CUADRADOS LIBERTAD MEDIO
Entre muestras (tratam.) SCTR a-1 CMTR CMTR/CME
Entre Bloques (Factor Bl) SCBl b-1 CMBL CMBL/CME
Dentro de muestras (error) 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 alf
ANOVA 2 Vas Toma de
-
8/14/2019 cursoseissigmamodulo2
138/334
138
decisin
Fexcel
Fc
Tr o Bl
Alfa
Zona de rechazoDe Ho o aceptar Ha
Zona de no rechazo de HoO de no aceptar Ha
Distribucin F
ANOVA 2 vas toma de
-
8/14/2019 cursoseissigmamodulo2
139/334
139
decisin
Si Fc (Tr o Bl) es mayor que Fexcel serechaza Ho Aceptando Ha donde las
medias son diferentes
O si el valor de p correspondiente a Fc(Tr o Bl) es menor de Alfa se rechaza Ho
-
8/14/2019 cursoseissigmamodulo2
140/334
-
8/14/2019 cursoseissigmamodulo2
141/334
141
Corrida en Minitab Se introducen las
respuestas en unacolumna C1
Se introducen lossubndices de losrenglones en una
columna C2 y de lascolumnas en C3
Zooplank-
ton
Supple-
ment Lake
34 1 Rose
43 1 Rose57 1 Dennison
40 1 Dennison
85 2 Rose
68 2 Rose
67 2 Dennison
53 2 Dennison
-
8/14/2019 cursoseissigmamodulo2
142/334
142
Corrida en Minitab Opcin: stat>ANOVA Two Way (usar archivo
Exh_aov)
En Response indicar la col. De Respuesta(Zooplant)
En Row factor y Column Factorindicar las
columnas de subndices de renglones ycolumnas (supplement y lake) y Display Means
para ambos casos
Pedir rfica residuales Normal Plot vs fits
-
8/14/2019 cursoseissigmamodulo2
143/334
143
ResultadosTwo-way ANOVA: Zooplankton versusSupplement, Lake
Source DF SS MS F P
Supplement 1 1225.13 1225.13 11.460.028Lake 1 21.13 21.13 0.20 0.680Interaction 1 351.13 351.13 3.29 0.144Error 4 427.50 106.88
Total 7 2024.88
S = 10.34 R-Sq = 78.89% R-Sq(adj) =63.05%
-
8/14/2019 cursoseissigmamodulo2
144/334
144
Pruebas de Hiptesis noparamtricas para datos nonormales
Pruebas de Hiptesis
-
8/14/2019 cursoseissigmamodulo2
145/334
145
Variables Atributos
Tablas deContingencia Chi Cuad.
Correlacin
No Normal
Normal
Varianza Medianas
Variancia Medias
1- Poblacin - Chi
2- Pob. F
HomogeneidaddeVarianzasde Levene
Homogeneidadde Varianzasde Bartlett
Correlacin
Prueba de signos
Wilcoxon
Mann-Whitney
Kurskal-Wallis
Prueba de Mood
Friedman
Pruebas Z, t
ANOVA
Correlacin
Regresin
1- Poblacin2- Poblaciones
Una vaDos vas
Residuosdistribuidosnormalmente
Proporciones - Z
-
8/14/2019 cursoseissigmamodulo2
146/334
Pruebas de la Mediana
Resumen de pruebas de Hiptesis Datos no normales
-
8/14/2019 cursoseissigmamodulo2
147/334
147
Pruebas de la Mediana
Prueba Kruskal-Wallis: Prueba si ms de dosmedianas de muestras son iguales. Asume quetodas las distribuciones tienen la misma forma.
Prueba de la mediana de Mood: Otra pruebapara ms de dos medianas. Prueba ms firmepara los valores atpicos contenidos en lainformacin.
Prueba de Friedman: Prueba si las medianas delas muestras, clasificadas bajo dos categoras, soniguales.
Correlacin: Prueba la relacin lineal entre dos
-
8/14/2019 cursoseissigmamodulo2
148/334
148
Tablas de contingencia
Prueba Chi2 (
2)
Ejemplo 2: Chi2 Para comparacin dedos grupos; son las mismas
i
-
8/14/2019 cursoseissigmamodulo2
149/334
149
Los valores observados (fo) son lossiguientes:
Ho: No existen diferencias en los ndices de defectos de las dos mq
Ha: Existen diferencias en los ndices de defectos de las dos mquin
Total 751 28
El ndice de defectos totales es 28 / 779 =3.6%
mquina 1 fo = 517 f = 17 Total =534
Partesbuenas
mquina 2 fo = 234 f = 11 Total = 245
779
Partesdefectuosas
proporciones?)
Ejemplo 2: Chi2 Para comparacin dedos grupos; son las mismas
-
8/14/2019 cursoseissigmamodulo2
150/334
150
Clculo de los valores esperados
ados en este ndice, los valores esperados (fe) seran:
mquina 1 fo = 751*534/779 fo = 28*534/779Total = 534
Partesbuenas
mquina 2 fo = 751*245/779 fo =28*245/779 Total = 245
779
Partesdefectuosas
mquina 1 530.533.47
Partes
buenas
mquina 2 233.471.53
Partes
defectuosas
dos grupos; son las mismas
proporciones?)
-
8/14/2019 cursoseissigmamodulo2
151/334
Ejercicios
-
8/14/2019 cursoseissigmamodulo2
152/334
1. Se quiere evaluar si hay preferencia por manejaren un carril de una autopista dependiendo de la horadel da. Los datos se resumen a continuacin:
Hora del daCarril 1:00 3:00 5:00Izquierdo 44 37 18
Central 28 50 72Derecho 8 13 30
Con un 95% de confianza, existe una diferenciaentre las preferencias de los automovilistas
dependiendo de la hora?
Ho: P1 = P2 = P3; Ha: al menos una es diferenteGrados de libertad = (columnas - 1) ( filas -1)
Ejemplo:
-
8/14/2019 cursoseissigmamodulo2
153/334
153
Ejemplo:Se cuestion a veinte personas sobre cuntotiempo les tomaba estar listas para ir atrabajar, en las maanas. Sus respuestas (en
minutos) se muestran ms adelante. Culesson el promedio y la mediana para estamuestra?
30, 37, 25, 35, 42, 35, 35, 47, 45, 6039, 45, 30, 38, 35, 40, 44, 55, 47, 43
palabras
PromedioMediana
-
8/14/2019 cursoseissigmamodulo2
154/334
154
El promedio puede estar influenciado considerablemente porlos valores atpicos porque, cuando se calcula un promedio, seincluyen los valores reales de estos valores.
La mediana, por otra parte, asigna la misma importancia atodas las observaciones, independientemente de los valoresreales de los valores atpicos, ya que es la que se encuentraen la posicin media de los valores ordenados.
Promedio = 40.35 Mediana = 39.5
-------+---------+---------+---------+---------+---------+------ C1
Mediana
28.0 35.0 42.0 49.0 56.0 63.0
Prueba de Signos de la MedianaPara observaciones pareadas
-
8/14/2019 cursoseissigmamodulo2
155/334
155
Para observaciones pareadas
Calificaciones de amas de casa a dos limpiadores deventanas:
Ho: p = 0.5 no hay preferencia de A sobre BHa: p0.5
Ama Limpiador BCasa A
1 10 7
2 7 53 8 7
4 5 2
5 7 6
6 9 6
Hay evidencia que indiquecierta preferencia de las amade casa por lo limpiadores?
Prueba de Signos de la Mediana
-
8/14/2019 cursoseissigmamodulo2
156/334
156
Prueba de Signos de la Mediana
Producto BFamili
aA
1 - +
2 - +
3 + -4 - +
5 0 0
6 - +
7 - +
8 + -
9 - +
10 - +
11 - +
Hay evidencia que indiquecierta preferencia por unProducto A o B?
Media = 0.5*nDesv. Estand.= 0.5*raiz(n)
Zc = (Y media) / Desv. EstnRechazar Ho si Zc >
-
8/14/2019 cursoseissigmamodulo2
157/334
157
Prueba de Signos de la Mediana
Como Zc < Zexcel no se rechaza Ho oComo p value = 0.067 > 0.025No hay evidencia suficiente de que losConsumidores prefieran al producto B
Media = 0.5*11 = 5.5Desv. Estand.= 0.5*raiz(n) = 1.67
Para Zc = (8 5.5) / 1.67 = 1.497
Zexcel = 1.96 para alfa/2 = 0.025
Prueba de Signos de la Mediana
-
8/14/2019 cursoseissigmamodulo2
158/334
158
ueba de S g os de a ed a a
Ejemplo (usando los datos del ejemplo anterior):
Ho: Valor de la mediana = 115.0Ha: Valor de la mediana diferente de 115.0
N DEBAJO IGUAL ENCIMA VALOR P MEDIANA
29 12 0 17 0.4576144.0
Ya que p >0.05, no se puede rechazar la hiptesis nula.No se puede probar que la mediana real y la medianahipottica son diferentes.
En las pginas siguientes se muestra el detalle del clculo.
Prueba de Signos de la MedianaEjemplo: Con los datos del ejemplo anterior y ordenndo de
ti 29 M di d H 115
-
8/14/2019 cursoseissigmamodulo2
159/334
159
menor a mayor se tiene: n = 29, Mediana de Ho = 115
No. Valor Signo No. Valor Signo No. ValorSigno1 0 - 11 110 - 21 220 +2 50 - 12 110 - 22 240 +3 56 - 13 120 + 23 290 +
4 72 - 14 140 + 24 309 +5 80 - 15 144 + 25 320 +6 80 - 16 145 + 26 325 +7 80 - 17 150 + 27 400 +8 99 - 18 180 + 28 500 +
9 101 - 19 201 + 29 507 +10 110 - 20 210 +
La mediana de los datos es 144. Si el valor contra elcual se desea probar es 115, entonces hay 12 valores
por debajo de el ( ) y 17 valores por arriba (+)
-
8/14/2019 cursoseissigmamodulo2
160/334
Prueba de Signos de la Mediana
-
8/14/2019 cursoseissigmamodulo2
161/334
161
Bueno, veamos una grfica de la informacin
100 200 300 4000 500
Es esto correcto?144 podra ser igual a 115?
115 144
Despus de todo, tal vez
esto SEA lo correcto.
Whitney
Se llev a cabo un estudio que analiza la
-
8/14/2019 cursoseissigmamodulo2
162/334
162
Se llev a cabo un estudio que analiza lafrecuencia del pulso en dos grupos de personasde edades diferentes, despus de diez minutosde ejercicios aerbicos.
Los datos resultantes se muestran a continuacin.Edad 40-44C1
140135150140144
154160144136148
Edad 16-20C2
130166128126140
136132128124
Tuvieron diferencias
significativas lasfrecuencias de pulso deambos grupos?
Prueba de Mann-Whitney
-
8/14/2019 cursoseissigmamodulo2
163/334
163
Ordenando losdatos yasignndoles el(rango) de suposicin relativa setiene
(promediandoposiciones para elcaso de que seaniguales):
Edad 40-44C1
(7) 135(8.5) 136(11) 140(11) 140(13.5) 144(13.5) 144(15) 148
(16) 150(17) 154(18) 160
n1 = 10
Ta 130 5
Edad 16-20C2
(1) 124(2) 126
(3.5) 128(3.5) 128(5) 130(6) 132
(8.5) 136
(11)140(15)166
n2 = 9
Tb 55 5
Ta y Tb suma de rangos
Prueba de Mann-Whitney
-
8/14/2019 cursoseissigmamodulo2
164/334
164
y
Ho: Las distribuciones de frecuencias relativas de las poblaciones A y B soniguales
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 - TaUb = n1*n2 + (n2) * (n2 + 1) /2 - Tb
Ua + Ub = n1 * n2
Ua = 90 + 55 - 130.5 = 14.5 P(Ua) = 0.006 Ub = 90 + 45 - 55.5 =79.5
El menor de los dos es Ua.Para alfa = 0.05 el valor de Uo = 25
Como Ua < 25 se rechaza la Hiptesis Ho de que las medianas son iguales.
Dado que p < 0.05, rechazamos la hiptesis nula.Estadsticamente existe una diferencia significativa entre los
dos grupos de edad
Prueba de Mann-Whitney
Ho: Las distribuciones de frecuencias relativas de las poblaciones A y B son
-
8/14/2019 cursoseissigmamodulo2
165/334
165
Ho: Las distribuciones de frecuencias relativas de las poblaciones A y B soniguales
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 soniguales.
Dado que p < 0.05, rechazamos la hiptesis nula.Estadsticamente existe una diferencia significativa entre losdos grupos de edad.
Whitney16-20 aos de edad
130 166 128 126 140 136 132 128 124
-
8/14/2019 cursoseissigmamodulo2
166/334
166
40-44
aos
de
edad
Diferencias entre los encabezados delos renglones y las columnas
De esta manera, se calcula la mediana de todas estas diferencias,
denominada "punto estimado". Este punto estimado es una aproximacin dela diferencia entre las medianas de los dos grupos (ETA1 y ETA2).
Una vez ajustados los "enlaces" (eventos de un mismo valor en ambos gruposde informacin), Minitab usa este punto estimado para calcular el valor p.
130 166 128 126 140 136 132 128 124
140 10 -26 12 14 0 4 8 12 16
135 5 -31 7 9 -5 -1 3 7 11150 20 -16 22 24 10 14 18 22 26
140 10 -26 12 14 0 4 8 12 16
144 14 -22 16 18 4 8 12 16 20
154 24 -12 26 28 14 18 22 26 30
160 30 -6 32 34 20 24 28 32 36
144 14 -22 16 18 4 8 12 16 20
136 6 -30 8 10 -4 0 4 8 12148 18 -18 20 22 8 12 16 20 24
-
8/14/2019 cursoseissigmamodulo2
167/334
Prueba de Kruskal Wallis
-
8/14/2019 cursoseissigmamodulo2
168/334
168
Ho: Las poblaciones A, B y C son igualesHa: Las poblaciones no son igualesHo: 1 = 2 = 3 Ha: 1 2 3 ; 1, 2, 3 =
Medianas de las poblaciones
Calculando el valor del estadstico H se tiene:H = [ 12 /( N* ( N + 1)) ] * [ Ta2 / n1 + Tb2 / n2 + Tc2 / n3 ] - 3 * ( N
+1 )
H = 0.01846 * (1740.5 + 1243.225 + 1302.893 ) - 78 = 1.138
Se compara con el estadstico 2 para = 0.05 y G.l. = k - 1 =3-1= 2 (k muestras)
2 crtico = 5.991 (vlido siempre que las muestras tengan almenos 5 elementos)
Como H < 2 crtico, no se rechaza la Hiptesis Ho: Afirmando
ue no ha diferencia entre las oblaciones
Coeficiente de correlacinde rangos para monotonade preferencias
-
8/14/2019 cursoseissigmamodulo2
169/334
169
p
Una persona interesada en adquirir un TV asignarangos a modelos de cada uno de 8fabricantes
Preferencia Precio(rango)
Fab.
1 7 449.50 (1)2 4 525.00 (5)
3 2 479.95 (3)
4 6 499.95 (4)
5 1 580.00 (8)
6 3 549.95 (7)
7 8 469.95 (2)
8 5 532.50 (6)
Di
cuadrada
Rango
Di
6 36-1 1
-1 1
2 4
-7 49
-4 16
6 36
-1 1
Coeficiente de correlacinde rangos para monotonade preferencias
-
8/14/2019 cursoseissigmamodulo2
170/334
170
p
Ho: No existe asociacin entre los rangosHa: 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 delcoeficiente de correlacin del coeficiente de correlacinde rangos de Spearman Rt = 0.686
Tabla de constantesn Alfa=0.05 Alfa = 0.025
5 0.900 -
6 0.829 0.886
7 0 714 0 786
-
8/14/2019 cursoseissigmamodulo2
171/334
171
7 0.714 0.786
8 0.643 0.738
9 0.600 0.68310 0.564 0.648
11 0.523 0.623
12 0.497 0.59