ANLISIS DE LA VARIANZA CON UN FACTOR (ANOVA)

El anlisis de la varianza permite contrastar la hiptesis nula de que las medias de K poblaciones (K >2) son iguales, frente a la
hiptesis alternativa de que por lo menos una de las poblaciones difiere de las dems en cuanto a su valor esperado. Este contraste
es fundamental en el anlisis de resultados experimentales, en los que interesa comparar los resultados de K 'tratamientos' o 'factores'
con respecto a la variable dependiente o de inters.

El Anova requiere el cumplimiento los siguientes supuestos:

Las poblaciones (distribuciones de probabilidad de la variable dependiente correspondiente a cada factor) son normales.
Las K muestras sobre las que se aplican los tratamientos son independientes.

Las poblaciones tienen todas igual varianza (homoscedasticidad).

El ANOVA se basa en la descomposicin de la variacin total de los datos con respecto a la media global (SCT), que bajo el supuesto

de que H0 es cierta es una estimacin de obtenida a partir de toda la informacin muestral, en dos partes:

Variacin dentro de las muestras (SCD) o Intra-grupos, cuantifica la dispersin de los valores de cada muestra con respecto
a sus correspondientes medias.
Variacin entre muestras (SCE) o Inter-grupos, cuantifica la dispersin de las medias de las muestras con respecto a la media
global.
Las expresiones para el clculo de los elementos que intervienen en el Anova son las siguientes:

Media Global:

Variacin Total:

Variacin Intra-grupos:

Variacin Inter-grupos:

Siendo xij el i-simo valor de la muestra j-sima; nj el tamao de dicha muestra y su media.

Cuando la hiptesis nula es cierta SCE/K-1 y SCD/n-K son dos estimadores insesgados de la varianza poblacional y el cociente entre
ambos se distribuye segn una F de Snedecor con K-1 grados de libertad en el numerador y N-K grados de libertad en el denominador.
Por lo tanto, si H0 es cierta es de esperar que el cociente entre ambas estimaciones ser aproximadamente igual a 1, de forma que

se rechazar H0 si dicho cociente difiere significativamente de 1.

Contraste de hiptesis
Un contraste de hiptesis (tambin denominado test de hiptesis o prueba de significacin) es un procedimiento
para juzgar si una propiedad que se supone en una poblacin estadstica es compatible con lo observado en
una muestra de dicha poblacin. Fue iniciada por Ronald Fisher y fundamentada posteriormente por Jerzy
Neyman y Karl Pearson.
Se denomina hiptesis nula a la hiptesis que se desea contrastar. El nombre de "nula" significa sin valor,
efecto o consecuencia, lo cual sugiere que debe identificarse con la hiptesis de no cambio (a partir de la
opinin actual); no diferencia, no mejora, etc. representa la hiptesis que mantendremos a no ser que los
datos indiquen su falsedad, y puede entenderse, por tanto, en el sentido de neutra. La hiptesis nunca se
considera probada, aunque puede ser rechazada por los datos. Por ejemplo, la hiptesis de que dos poblaciones
tienen la misma media puede ser rechazada fcilmente cuando ambas difieren mucho, analizando muestras
suficientemente grandes de ambas poblaciones, pero no puede ser "demostrada" mediante muestreo, puesto
que siempre cabe la posibilidad de que las medias difieran en una cantidad lo suficientemente pequea para
que no pueda ser detectada, aunque la muestra sea muy grande.
A partir de una muestra de la poblacin en estudio, se extrae un estadstico (esto es, una valor que es funcin de
la muestra) cuya distribucin de probabilidad est relacionada con la hiptesis en estudio y sea conocida. Se toma
entonces como regin de rechazo al conjunto de valores que es ms improbable bajo la hiptesis, esto es, el
conjunto de valores para el que rechazaremos la hiptesis nula si el valor del estadstico observado entra dentro
de l.
La probabilidad de que se obtenga un valor del estadstico que entre en la regin de rechazo an siendo cierta la
hiptesis puede calcularse. De esta manera, se puede escoger dicha regin de tal forma que la probabilidad de
cometer este error sea suficientemente pequea.

DISEO DE EXPERIMENTOS
La metodologa de diseo de experimentos (DOE) es una herramienta estadstica para la mejora de la calidad usada frecuentemente en
proyectos Seis Sigma. Esta metodologa sirve para disear las condiciones ideales de un producto, proceso o servicio para que cumpla
con nuestras expectativas usando el mnimo nmero de experimentos o pruebas. DOE es muy til cuando tenemos entre manos un
producto complicado cuyo resultado puede depender de una gran cantidad de variables que no controlamos y que debemos ajustar para
optimizarlo.

1. Introduccin al Diseo de experimentos (DOE)

Para explicar el DOE vamos a poner un ejemplo sencillo: A nuestro telfono mvil se le descarga la batera muy rpido, y queremos que la batera
dure lo mximo posible sin perder mucha funcionalidad. Nosotros sabemos que los factores que ms afectan a la duracin de la batera son los
siguientes:

Factor A: Tener el WIFI activado.

Factor B: Tener la pantalla encendida con el brillo alto.

Factor C: Hacer muchas llamadas.

Factor D: Usar el modo powersafe de ahorro de batera.

Factor E: Ponerle al telfono una batera de mayor capacidad.

De forma intuitiva podemos pensar que para maximizar la duracin de la batera debemos hacer lo siguiente: Factor A=0, Factor B=0, Factor C=0,
Factor D=1, Factor E=1. (Siendo 0=No y 1=S). Por lo que estableciendo estas variables as nuestra batera durara lo mximo posible. Pero ahora
llegan las siguientes dudas cunto durara si slo hago muchas llamadas (C=1)? tiene ms efecto tener el WIFI encendido (A=1) o hacer
muchas llamadas (C=1)? Tener las dos cosas a la vez (A=1, C=1) potencia mucho ms el gasto de batera? etc
Para resolver estas dudas la metodologa del diseo de experimentos nos dar una solucin a todo esto haciendo el mnimo nmero de pruebas
posible. Por lo tanto tras aplicar esta metodologa sabremos exactamente cmo influye cada factor (y cada combinacin de factores, ya que a
veces varios factores producen efectos inesperados) para as poder tomar una decisin de qu nos conviene poner o quitar en nuestro producto.

Al final tendremos una funcin de regresin que nos relaciona el resultado (duracin de la batera) con cada una de las variables:

Resultado = constante0 + constante1 * Factor A + constante2 * Factor B + constante3 * Factor C

Cada uno de los sumandos de la funcin nos da la aportacin de cada uno de los factores, pudiendo ser estos valores discretos o niveles (0=No,
1=S), o bien pudiendo ser valores continuos. Adems a veces conviene considerar tambin los posibles efectos potenciadores que tienen los
factores entre s, en este caso la funcin sera as:

Resultado = constante0 + constante1 * Factor A + constante2 * Factor B + constante3 * Factor C + constante4 * Factor AB + constante5 * Factor
AC + constante6 * Factor BC + constante7*Factor ABC

Por lo tanto, continuando con el ejemplo del telfono mvil, el DOE nos permitir calcular cunto va a durar la batera en funcin de si tenemos
activo o no el WIFI, si hacemos muchas llamadas, etc.

QFD

El QFD es un sistema que busca focalizar el diseo de los productos y servicios en dar respuesta a las necesidades de los
clientes. Esto significa alinear lo que el cliente requiere con lo que la organizacin produce.
El QFD permite a una organizacin entender la prioridad de las necesidades de sus clientes y encontrar respuestas
innovadoras a esas necesidades, a travs de la mejora continua de los productos y servicios en bsqueda de maximizar
la oferta de valor.

QFD (Quality Function Deployment) significa Despliegue de la Funcin de Calidad. Esto es, "transmitir" los atributos de
calidad que el cliente demanda a travs de los procesos organizacionales, para que cada proceso pueda contribuir al
aseguramiento de estas caractersticas. A travs del QFD, todo el personal de una organizacin puede entender lo que
es realmente importante para los clientes y trabajar para cumplirlo

El QFD sirve esencialmente para: Identificar las necesidades y expectativas de los clientes, tanto externos como internos. Priorizar
la satisfaccin de estas expectativas en funcin de su importancia. Focalizar todos los recursos, humanos y materiales, en la
satisfaccin de dichas expectativas.

AMFE

El Anlisis Modal de Fallos y Efectos es una metodologa que se aplica a la hora de disear nuevos productos, servicios o procesos. Su
finalidad es estudiar los posibles fallos futuros (modos de fallo) de nuestro producto para posteriormente clasificarlos segn su
importancia. A partir de ah, obtendremos una lista que nos servir para priorizar cules son los modos de fallo ms relevantes que
debemos solventar -bien por ser ms peligrosos, ms molestos para el usuario, ms difciles de detectar o ms frecuentes- y cules
son los menos relevantes de los cules no nos debemos preocupar -bien por ser poco frecuentes, bien por tener muy poco impacto
negativo o bien porque son fciles de detectar por la empresa antes de sacar el producto al mercado.
1) Enumerar modos de fallo

2) Establecer ndice de prioridad

3) Buscar soluciones para los modos de fallo ms importantes

Varianza
En teora de probabilidad, la varianza o variancia (que suele representarse como ) de una variable aleatoria es una medida de
dispersin definida como la esperanza del cuadrado de la desviacin de dicha variable respecto a su media.
Est medida en la unidad de medida de la variable al cuadrado. Por ejemplo, si la variable mide una distancia en metros, la varianza se
expresa en metros al cuadrado. La desviacin estndar es la raz cuadrada de la varianza, es una medida de dispersin alternativa
expresada en las mismas unidades de los datos de la variable objeto de estudio. La varianza tiene como valor mnimo 0.