Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Mail: primitivo_reyes@yahoo,com
CONTENIDO
Pgina
MDULO 1. INTRODUCCIN
4
4
5
6
6
7
10
16
16
16
18
20
24
24
25
25
26
29
32
36
38
44
45
45
53
59
62
63
66
68
72
73
74
74
76
80
83
85
Anexos:
Archivos de datos para los Mdulos 1 al 6
Archivos de ejercicios y ejemplos de aplicacin de Mdulos 2 al 6.
Bibliografa:
Texto: Estadstica Prctica con Minitab
Webster, Estadstica para administracin y economa,McGraw Hill, Mxico, 2002.
Montgomery, D. Control Estadstico de la Calidad, Ed. LIMUSA Wiley, 3th. ed., Mxico. 2005.
Montgomery, Douglas C., Diseo y anlisis de experimentos, Limusa Wiley,2a. edicin Mxico, 2002.
Grant, E. L., Leavenworth, R.S. Control Estadstico de Calidad, 2 ed., CECSA, Mxico.
Duncan, A.J. Quality Control and Industrial Statistics, 4 ed., Irwin, Homewood, ILL. 1974.
Manual de Mediciones (MSA ) y de Control Estadstico del Proceso de la AIAG.
Pgina 3
MDULO 1. INTRODUCCIN
Objetivo: Familiarse y realizar aplicaciones con el paquete estadstico Minitab
Direccin de escritura
Captura de datos
File > New
Pgina 4
Proyecto nuevo,
borra toda la
informacin que
exista en el
proyecto abierto.
Pgina 5
Se puede importar
una hoja de clculo
de Excel en forma
directa con
Columnas
que contienen
los datos
Expresin a
calcular
Clculos
disponibles
1.5Aplicaciones
Ejercicios con renglones y columnas con datos del Archivo Datos Mdulo 1
Obtener un promedio de renglones para Peso_antes y Peso_despues
60
50
Count
40
30
20
10
0
Activity
Type.
Se puede usar la
misma columna
u otra para los
valores una vez
transformados
o Sex
Una vez cambiados los valores la grfica se actualiza en forma automtica colocndose
en la grfica y con botn derecho del ratn seleccionar Update Graph Now
El marco de la grfica se puede quitar seleccionndolo con doble click y modificndolo
Para grficas de Pastel:
Para separar un sector: Click sobre la grfica, click sobre el sector y doble click y
en Explode indicar Explode Slice
Cambiando el nmero de actividad por su nombre con:
Nula
Baja
Media
Alta
Por ejemplo de la primera opcin colocando en Chart defects Data in Defectos se tiene:
Pareto Chart of Defectos
200
100
40
50
20
Rayas
124
63.6
63.6
Sopladura
42
21.5
85.1
Forma
19
9.7
94.9
Terminacin
6
3.1
97.9
Percent
60
Count
80
150
0
Defectos
Count
Percent
Cum %
La segunda opcin
consiste en seleccionar
100
Other
4
2.1
100.0
Miniatab coloca nombre en las barras hasta que se cumple el % acumulado, despus
acumula todos los dems conceptos y los agrupa en la barra de otros.
Usando Operario en By Variable
Operario = A
Operario = B
80
60
Count
40
20
80
Operario = C
Operario = D
Defectos
Rayas
Sopladura
Forma
Terminacin
Other
60
40
20
0
Pgina 9
Defectos
60
Count
40
TALLER DE APLICACIN
DE MINITAB
20
0
PARA LA MEJORA
Y
SOLUCIN
DE PROBLEMAS
Operario = D
Operario = C
80
Sopladura
Forma
Terminacin
Other
60
40
20
0
Defectos
MATLS.
Forma
Dureza
Amacen
PERSONAL
MTODO
Salud
Ajuste
Habilidad
Velocidad
Humor
ALMACEN
Tiempo
Ambiente
HABILIDAD
HUMOR
Seleccin
Horas
Formacin Moral
Experiencia Cansancio
Cause-and-Effect Diagram
Measurements
Material
Personnel
Salud
F orma
Dureza
Habilidad
A macen
V ibraciones
Environment
Herramental
V elocidad
A brasin
Deformacin
A juste
Polvo
Para cambiar el
tamao de letra
hacer doble click en
los ttulos y
seleccionar otro
tamao de letra
Humor
Temperatura
Humedad
MAQUINAS
Mantto.
Deformacin
Abrasin
Herramental
Mantto.
Methods
Machines
Pgina 10
Indicar en Y variable
Weight
180
160
140
120
100
60
62
64
66
68
Height
70
72
74
76
Sex
1
2
200
Weight
180
160
140
120
100
60
62
64
66
68
Height
70
72
74
76
Para cambiar el tipo se smbolo por categora para impresin en blanco y negro:
Click sobre cualquiera de los puntos, para seleccionarlos todos
Click sobre los puntos de una cierta categora
Doble click para que aparezca el cuadro de dilogo que permita cambiar el color,
smbolo y tamao para los puntos de ese grupo.
Pgina 11
40000000
PVP
30000000
20000000
10000000
0
0
100
200
300
400
500
Pot.(CV)
Pgina 12
Editor seleccionar
Set ID Variables indicar Marca y Modelo seleccionar Include (row numbers)
Con Brush activado y con la ventana de grfica activa, en el Menu
Minimum
Minimum
50 Maximum
1500000 Maximum
100
2000000
VOLKSWAGEN
2000000
SEAT
RENAULT
1900000
FIAT
FORD
VOLKSWAGEN
RENAULT
PVP
OPEL
PEUGEOT
SEAT
VOLKSWAGEN
1600000
OPEL
PEUGEOT
FORD
1500000
50
60
HYUNDAI
NI SSAN
PEUGEOT
LANCI A
1800000
FI AT
SEAT
CITROEN
SEAT
1700000
OPEL
SEAT
FORD
PEUGEOT
SEAT FI AT
SEAT
Alfa Romeo
FI AT
CITROEN
MAZDA
FORD
SEAT ROVER
VOLKSWAGEN HYUNDAI
CITROEN
SUZUKI
70
80
90
100
Pot.(CV)
Pgina 13
Temp = 375
Temp = 400
Temp = 425
Temp = 450
Temp = 475
8
6
4
Quality
2
0
8
6
4
2
0
25
30
35
25
30
35
25
30
35
Time
Pgina50000000
14
VP
40000000
30000000
50000000
PVP
40000000
30000000
20000000
10000000
0
0
100
200
300
Pot.(CV)
400
500
50000000
50000000
40000000
30000000
PVP
PVP
40000000
20000000
30000000
20000000
10000000
10000000
0
0
100
200
300
Pot.(CV)
400
500
100
200
300
Pot.(CV)
400
500
Permite seleccionar
toda la matriz o
solo la parte inferior
o superior de la
misma
12
40000000
20000000
PVP
Pgina 15
12
8
Num.Cil.
4
12
40000000
20000000
PVP
12
8
Num.Cil.
4
400
Pot.(CV)
200
0
0
20000000
40000000
200
400
400
40000000
PVP
30000000
20000000
10000000
0
12
10
Consumo
En esta grfica si en el
Editor se selecciona la
opcin Brush y manualmente
seleccionamos una serie de
puntos en una ventana,
en forma automtica se
seleccionan en las otras
ventanas.
200
8
6
4
0
2500
5000
Cil.(cc)
160
Pot.(CV)
240
Velo.max
320
2.3Aplicaciones
Realizar los ejercicios del Mdulo 2 incluidos en el archivo CursoTallerMinitabEjercicios
Pgina 16
NOTA: Para que las columnas no se desplazen al copiar de Minitab a Excel cambiar a letra COURIER
DescriptiveStatistics:Pesoengr
VariableLneaNN*MeanSEMeanStDevMinimumQ1Median
Pesoengr125003999.63.1449.63877.03967.83999.5
225004085.63.3252.53954.04048.84087.0
VariableLneaQ3Maximum
Pesoengr14040.04113.0
24121.54202.0
Las grficas obtenidas de la estadstica descriptiva son las siguientes:
Histogram (with Normal Curve) of Peso en gr by Lnea de llenado
3900 3960 4020 4080 4140 4200
50
uency
40
30
1
Mean
StDev
N
4000
49.60
250
Pgina 17
2
Mean
StDev
N
4086
52.51
250
50
1
Mean
StDev
N
Frequency
40
4000
49.60
250
2
Mean
StDev
N
30
4086
52.51
250
20
10
0
Peso en gr
Panel variable: Lnea de llenado
Peso en gr
4100
4050
4000
3950
3900
1
2
Lnea de llenado
Peso en gr
4100
4050
4000
3950
3900
1
2
Lnea de llenado
20
Frequency
Pgina 18
15
10
Histogram of Pulse1
25
Frequency
20
15
10
50
60
70
80
90
Pulse1
Se pueden hacer cambios en la escala de los ejes horizontal y vertical haciendo click
sobre estos, de la misma forma para el marco del histograma.
La apariencia de las barras se puede cambiar haciendo clcik en estas.
Para cambiar los intervalos del histograma, se da doble click sobre la escala horizontal
del histograma y se selecciona la pestaa Binning
Histogram of Pulse1
30
25
Frequency
20
15
10
5
0
48.00
56.66
65.33
74.00
Pulse1
82.66
91.33
100.00
Pgina 19
100
Una vez creada esta grfica, se puede hacer otra muy similar dejando el histograma
original como ventana activa, por ejemplo para Pulse2:
Histogram of Pulse2
30
Frequency
25
20
15
10
5
0
60
80
100
Pulse2
120
140
Histogram of Pulse1
50
1
16
60
70
80
2
14
Frequency
12
10
8
6
4
2
0
50
60
70
80
90
100
Pulse1
Pgina 20
90
100
2
0
50
60
70
80
90
100
Pulse1
Distribucin Normal.doc
Pgina 21
C2
0.3
0.2
0.1
0.0
-5
-4
-3
-2
-1
C1
Pgina 22
Scatterplot of C2 vs C1
0.4
C2
0.3
0.2
0.1
0.0
-5
-4
-3
-2
-1
C1
Para las distribuciones de densidad de Weibull se tiene (entre 0 y 4 con incrementos de 0.01):
a = 1,
a = 1,
a = 1,
a = 1,
1.4
1.2
Variable
C2
C3
C4
C5
b =1
b =2
b =3
b =4
Y-Data
1.0
0.8
0.6
0.4
0.2
Pgina 23
0.0
0
2
C1
Y-Data
1.0
0.8
0.6
0.4
0.2
0.0
0
2
C1
=Distr.norm.estand( valor de Z)
Minitab
K2
K1
rea entre Z = 1 sigmas
Minitab
K2
0.933193
K1
0.0668072
rea
0.8663858
Excel
rea
0.8663855975
0.97725
0.0227501
0.9544999
0.9544997361
0.99865
0.0013499
0.9973001
0.9973002039
0.0668072
0.0668072
0.0668072013
0.211855
0.211855
0.2118553986
0.0668072
0.6589398
0.658939681
0.725747
3.4Prueba de normalidad
Utilizando el archivo de datos de DETERGENTE.MTW anexo
Copiar los datos del archivo a Minitab
Las hiptesis son las siguientes:
Ho: Los datos SI provienen de una poblacin distribuida normalmente
Ha: Los datos NO provienen de una poblacin distribuida normalmente
AD - El estadstico de Anderson
Normal
99.9
99
rcent
95
90
80
70
60
50
Mean
StDev
N
AD
P-Value
4043
66.76
500
0.426
0.314
Pgina 24
Mean
StDev
N
AD
P-Value
99
Percent
95
90
4043
66.76
500
0.426
0.314
80
70
60
50
40
30
20
10
5
1
0.1
3800
3900
4000
4100
Peso en gr
4200
4300
Mean
StDev
N
AD
P-Value
99
Percent
95
90
4043
66.76
500
0.426
0.314
80
70
60
50
40
30
20
10
5
1
0.1
3800
3900
4000
4100
Peso en gr
4200
4300
3.5Aplicaciones
Realizar los ejercicios del Mdulo 3 incluidos en el archivo CursoTallerMinitabEjercicios
Pgina 25
Minitab
Estadstico t (valor a partir del cual inicia el rea bajo la curva alfa)
Probabilidad alfa (valor del rea bajo la curva corresp. A t)
Media = 0
Datos
10
10
Alfa
0.05
0.1
1- Alfa
Estadstico t
Minitab
en Minitab
0.95
1.83311
0.9
1.38303
Estadstico t
Excel
1.8331129327
1.3830287384
Distribucin F de Fisher (para probar hiptesis de comparacin de varianzas entre dos muestras)
Requiere dos parmetros adicionales de Grados de Libertad (gl) = n1 -1 y n2 = 2
Excel
=Distr.F( valor de F, gl 1, gl 2)
=Distr.F.inv( valor de probabilidad, gl 1, gl 2)
Minitab
0
Slo valores positivos en eje horizontal
curva no simtrica
Datos de la
muestra 1
10
10
Datos de la
muestra 2
10
10
Alfa
0.05
0.1
Fc=
S21
S22
1- Alfa
Minitab
0.95
0.9
Estadstico F
en Minitab
3.17889
2.44034
Minitab
Excel
3.1788931045
2.4403404377
0
Slo valores positivos en eje horizontal
curva no simtrica
Datos de la
muestra
10
10
Alfa
0.05
0.1
1- Alfa
Minitab
0.95
0.9
Ejemplo: Una lnea de llenado de paquetes debe llenar 4 kg en cada uno. Se toman
20 muestras y se pesan en gramos:
Usar el archivo Pesos.mtw de la hoja Archivos Datos Mdulo 4
La desviacin estndar histrica es de 25 g.
Se puede afirmar que el peso promedio es diferente a 4000 g.?
Ho: Media = 4000
Se introducen los valores en una sola columna C1 titulada Pesos del archivo Pesos.mtw anexo:
Nivel de confianza
_
X
Ho
3920
3940
3960
3980
Pesos
4000
4020
4040
OneSampleZ:Pesos
Testofmu=4000vsnot=4000
Theassumedstandarddeviation=25
VariableNMeanStDevSEMean95%CIZP
Pesos203985.7028.185.59(3974.74,3996.66)2.560.011
Este es el intervalo de confianza del 95% donde se encuentra
la media del proceso de llenado (poblacin). El 4000 no se
encuentra en el intervalo por tanto el promedio difiere de lo
Pgina 28
l valor P es menor
a 0.05 por tanto se
rechaza la Ho y se
que se afirma
acepta la alterna en
este caso el
promedio difiere de
los 4000 g.
Caso 2. Prueba de una media poblacional cuando no se conoce la varianza y el nmero de datos es menor a 30
Ho: Media = valor
TestandCIforOneProportion
Testofp=0.1vsp<0.1
UpperExact
SampleXNSamplepBoundPValue
1172000.0850000.1247710.285
No se rechaza Ho ya que la Proporcin del 10% de la
hiptesis se encuentra en el intervalo de confianza y el
Pgina 29
TestforEqualVariances:MtodoA,MtodoB
95%Bonferroniconfidenceintervalsforstandarddeviations
FTest(normaldistribution)
Teststatistic=1.01,pvalue=0.991
Como el P value es mayor a 0.05 no se rechaza la Hiptesis nula de igualdad de
Pgina 30
varianzas, por tanto se asume que son iguales. Esta inf. se usar a continuacin:
Paso 2. Se realiza un anlisis de comparacin de medias poblacionales
H: Media A - Media B = 0 Ha: Media A - Media B 0
Data
25
24
23
22
21
Mtodo A
Mtodo B
Pgina 31
Lente A
6.7
5.0
3.6
6.2
5.9
4.0
5.2
4.5
4.4
4.1
Lente B
6.9
5.8
4.1
7.0
7.0
4.6
5.5
5.0
4.3
4.8
_
X
Ho
-1.2
-1.0
-0.8
-0.6
-0.4
Differences
-0.2
0.0
PairedTTestandCI:LenteA,LenteB
Pgina 32
Como el valor de Ho no se
encuentra en el intervalo de
confianza de la diferencia de las
dos medias, se rechaza Ho
y se acepta Ha indicando que el
deterioro es diferentes en los dos
mtodos.
PairedTforLenteALenteB
NMeanStDevSEMean
LenteA104.960001.029780.32564
LenteB105.500001.130390.35746
Difference100.5400000.3438350.108730
95%CIformeandifference:(0.785964,0.294036)
TTestofmeandifference=0(vsnot=0):TValue=4.97PValue=0.001
Como el cero no se encuentra en el intervalo de confianza de la
diferencia de las dos medias y el valor P value es menor a 0.05
se rechaza la hiptesis nula de igualdad de medias y se acepta
la alterna afirmando que los tratamientos producen deterioros diferentes.
Caso 3. Comparacin de dos proporciones
Ejemplo: En una encuesta a 300 clientes de la zona A, 33 estan descontentos
En otra zona B se encuestaron a 250 clientes y 22 se mostraron descontentos.
A un 95% de nivel de confianza o 5% de nivel de sigfinicancia,
Hay diferencia en las proporciones de clientes descontentos en las dos zonas?
Ho: Proporcin A = Proporcin B
Pgina 33
Es la capacidad de una prueba para detectar una diferencia cuando realmente existe.
Hiptesis Nula
Desicin
Verdadera
Falsa
No rechazar
Desicin correcta
Error tipo II
p=1-
p=
Rechazar
Error tipo I
Desicin correcta
p=
p=1-
Potencia
La potencia de la prueba es la probabilidad de de rechazar correctamente
la hiptesis nula siendo que en realidad es falsa.
El anlisis de potencia puede ayudar a contestar preguntas como:
* Cuntas muestras se deben tomar para el anlisis?
* Es suficiente el tamao de muestra?
* Qu tan grande es la diferencia que la prueba puede detectar?
* Son realmente valiosos los resultados de la prueba?
Para estimar la potencia, Minitab requiere de dos de los siguientes parmetros:
* Tamaos de muestra
* Diferencias - un corrimiento significativo de la media que se desea detectar
* Valores de potencia - La probabilidad deseada de rechazar Ho cuando es falsa
0.16
Ha: Corrida
367.5
Ho:
Meta
365
Variable
Original
Corrida
LIE 370
0.14
Y-Data
0.12
0.10
0.08
0.06
0.04
0.02
0.00
355
360
365
C1
370
375
Pgina 34
Sample
DifferenceSizePower
2.560.537662
H
= = = =. . . .=
AOQ
Binom
ial
Process
Capability
A
nalysis
of
Descontentos
Run
Chart
of>
Medicion
by
Pieza,
Operario
Process
Capability
of
Peso
I-MR
Chart
of
Supp1
Gage
R&R
(AN
OVA)
for
Response
Process
Capability
of
Warping
GGage
age
(Nested)
for
Medicion
Pa
Stat
>
Factorial
>
Create
Process
Factorial
Capability
Design
of Warping
Xbar-R
Chart
of
AtoBDist
Fitted
Line
Plot
Surface
Plot
of
Y
vs Iedad
ntensidad, Caudal
Xbar-S
Chart
of
Supp2
Residuals
Versus
the
Fitted
Values
I -MR
Chart
of
pH
IDesign
-MR
V
Chart
of
Supp1
Scatterplot
of
Medidas
vs
Subgrupo
Pof
Chart
of
Defectuosos
Chart
ofPeso
AtoBDist
Overlaid
Contour
Plot
of
Y
Process
Capability
of
%
Humedad
Xbar
Chart
of
Peso
by
Operario
Fitted
Line
Plot
Contour
Y
vs
II-MR
ntensidad,
Fitted
Line
Caudal
Plot
0R&R
1Scatterplot
2
3
Iof
Chart
of
pH
k
V
Analysis
Plot
for
% Plot
Hum
INP
Chart
of
pH
by
Fecha
Binomial
Process
Capability
Analysis
of
Descontentos
Chart
for
Diam
etro
by
Posicion
--Vmask
Hora
Chart
for
Diam
etro
by
Posicion
Hora
STrend
Chart
0.03
C
Chart
of
Visitas
Gage
Stat
R&R
> DOE
DOE
(AN
OVA)
>Multi-Vari
for
Factorial
Medicion
>
Analyze
Xbar-R
Chart
Factorial
of
Supp2
Normal
Probability
of
the
Residuals
G
age
Linearity
and
PMulti-Vari
Char
Bias
t Peso
Study
for
Response
Binomial
Plot
of
cerebro
(g)
vs
Peso
Chart
total
(kg)
of
Supp1
Process
Sixpack
of
%
Humedad
Residual
Plots
for A,
B, C
Main
Effects
Plot
(data
means)
for
YY Capability
Cube
Plot
Chart
(data
of
Defectuosos
means)
for
Y
Xbar-R
Chart
of
Supp2
UPlot
Chart
Numero
manchas
Pareto
Chart
ofMaster
the
Effects
Normal
Probability
Plot
of
the
Effects
Y
NP
=Probability
15.12
Chart
+
2.829
of
Defectuosos
X
Vmask
Chart
of
AtoBDist
I nteraction
Plot
(data
Fitted
means)
Line
Plot
for
Rendimiento
Reported
by:
AOQL=1.55%
Using
Box-Cox
Transformation
With
Pdefectos
=
Chart
0.5
ofof
Defectuosos
Residuals
Versus
Calculations
the
Fitted
Based
Values
on
Weibull
Distribution
Main
Effects
Plot
(data
means)
for
Rendimiento
Normal
Plot
of
the
Fitted
Line
Plot
Interaction
(response
Plot
is
Y)
(data
means)
for
Pareto
Chart
of
the
Effects
Multi-Vari
Chart
for
Diametro
by
Eje
-Lambda
IModel
nclinacion
Cube
Plot
(data
means)
for
YEffects
Dif = 0.7367
- 0.1317
Main
Residual
Effects
Plots
Plot
for
(data
Reported
Reported
Respuesta
means)
by:
for
Y
EWMA
Chart
of
AtoBDist
UCL=0.3602
LinearTrendModel
CUSUM
Chart
of
AtoBDist
Poisson
Capability
Analysis
of
Num.
5.0
R
Chart
of
Peso
Xbar-S
Chart
of
Supp2
logten(Peso
cerebro
C
(g))
Chart
=
0.9271
of
Visitas
+
0.7517
logten(Peso
total
(kg))
Hold Values
Stat
>
DOE
>
Factorial
>
Factorial
Plots
1
14
(response
isV
Rendimiento)
1
Residuals
Versus
Fitted
Values
20
UCL=4.70
240.0
+
0.2355
X*
*
2
Vmask
Chart
of
AtoBDist
Gage
name:
Tolerance:
Moving
Range
Chart
of2
pH
V
6000
240.0
Moving
Chart
of
AtoBDist
Normal
Probability
(response
Plot
of the
isResiduals
Y,the
Alpha
= .05) Residuals
Versus the Fitted Values
Reported
by:
602
by:
I9.42198
Chart
of
pH
P Chart601
0.3
(response
is
Y,
=
.05)
152
Weight
=
- Alpha
204.7
+
5.092
Height
1
1
isReported
Y)
1 (response
2 Average
3
1I06/11/2002
3 1 1Binomial Plot UCL=600.822
13
Gage
name:
Tolerance:
UCL=600.943
04/11/2002
05/11/2002
Gage
name:
Tolerance:
Scatterplot
of
Weight
vs
Height
1
2
3
1
2
3
Yt
=
+
0.0871151*
t
160
Y
25
Chart
Capability
Histogram
1
0.055
(response
is
Y,
Alpha
=
.05)
Y
=
14.16
+
4.075
X
Velocidad 0.6
Y
1 Corriente
14
40
Caudal
(response
is Misc:
Y,Tolerance:
Alpha
=
.05)
LSL
USL
0.50
UCL=601.735
11
S
0.239540
Date
ofNormal
study:
Misc:
UCL=602.247
90.9
UCL=12.843
UCL=0.04073
99
Gage
name:
UCL=601.176
14
_
Gage
name:
Tolerance:
28
(response
is
Rendimiento)
600.5
Probability
Plot
of
the
Residuals
Residuals
Versus
the
Fitted
Values
3.30
TEMP
0.04
Date
of
study:
Cola
Temp
Cola
0.055
< 12
Date ofType
study:
of
Design:
Full
Misc:USL
602
1 Max
TEMP
PRESION
0.4
Max
MinFactorial
1
UCL=0.05316
99Min
0.2
100000.00
10 Regression
1 UGeneral
12
120
Caudal
08:00
09:00
10:00
11:00
12:00
601
P =0.1929
LSL
15
UCL=11.98
25
Chart
Poisson
Plot
602
14
21
R-Sq
71.4%
Posicion
5
UCL=0.05441
1.0
12
14
08
:00
1
09:00
10:00
11:00
12:00
2.5
99
1.0
UC
L=601.908
Process
Data
2.0
220
5.646
1
Posicion
Date
35
study:
+3SL=12.366
USL
Response
laLBcolumna
Variable
5 238.5 Seleccionar
10.0
220
Date
ofof
study:
Misc: Misc:de Rendimiento
UCL=0.1020
Regression
UCL=14.351
LB*
USL*
12
- 95%
15
CI
0.6
30Within
UCL=602.474
99
UCL=3.2939
99
22
70
90
R-Sq(adj)
70.9%
5000
0.10
20
20.0
90.7
8 150
Max Der
26 Der,
Effect
Type
1
0.1
5 24.0
S
601
Der,
08:00 Data17.5 Der, 09:00 2.823
Der,
10:00
Der,
12:00
Process
Data238.5Main
0.2
0.4
2.510
_
Actual
12
Within
24
2PI UCL=12.370
UCL=1.861
600.0
LSL
3.08750
12
95%
_ Effect
Factor 3.47429
Name
0.050
Max
DerEje
15 Overall
- 11:00
18 UCL=19.44
Type
Process
O verall
UCL=8.474
602
Seleccionar
effects
Interaction
Plots
Process
600
Data
95%
CI Capability
Within
data
2.510
90.8Components
UCL=4.564
601
160
13
140
Max I zq
26
10
20
FitsR-Sq
X=0.44
C L=0.0255
Variation
Medicion
By
Pieza
(Part
Operario
)UCL=12.16
Terms
Pasar
todos
lose12Ltrminos
a transformed
Selected
con
>>
OK
Not
Significant
12
12
13
2.510
UCL=12.843
A
86.6%
Caudal
LSL
Components
6.00000
18Response
- Overall
210.228822
by
_50
_
Target
0.0
* 10000.00
0
LB
0.00000
Pp
*_Max I zq 1
0.0
LB ofofVariation
0.00000
Not
Significant
7.5
110
S
O
verall
Gage
Linearity
Hold
Values
A
95%
PI
90
F
actor
Name
_
0.0
_
20
95
6
0.4
4
UCL=0.3983
20
0.050
30
X=9.128
0
10
20
601
_
100
3
6 Components
9
12
15
18 of
21 24
27
30
_
Min Der
600
170
of Variation
Medicion
Potential
by
CapabilitySignificant
10
15
X=599.536
X=599.531
0.2
21Pieza
- (Within)
24
_
B
Corriente
100
Designs:
95
Number
levels
3,
3
3.28
10
599.5
23
200
24
Setup
para
ambas:
Seleccionar
columna
Respuesta
_
USL
3.41250
+
2SL=11.244
4000
7.5
R-Sq
99.9%
AccuracyMeasures
R-Sq(adj)
86.3%
Target
*
Target
200
*
Target
*
PPL
*
237.0
1
2
3
4
5
1.00
30
Obser
ved
Defectives
_
Min
Der
Sample
Predictor
Coef
SEC
oef
P X=600.042
X=10.859
0.25
95
Velocidad
0.6
Operario
Significant
A 0.5
Cola Potential
20
600
80
18 0.03
12
_
4D
X=8.981
8
MinCapability
I zq 2
600
0.045
24
0.5
1190.7
60_
X=599.938
1.5
Cp(Within)
2.54
C
Velocidad
Potential
Capability
(Within)
Regression
R-Sq(adj)
99.9%
_
-0.2
_
2.505
MAPE
8.53237
90
12 >
S 0.07252
0.301528
_ X=599.548
USL
USL
8.00000
8.00000
10
PPU
0.73
237.0
Sample Mean USL
3.24312
24
12.00000
_
A
_
Constant
0.73667
0.000
0.08
1
Min
I
zq
-2.5
2.505
90
1000.00
16
599
F
actor
Name
18
Se
cambia
este
parmetro
P=0.222
B
Temp
Cola
1
8
95%
CI
15
Number
of
Replicates
AB4Name PpkX=600.23
C umulative
% Defective
Dist
of
% Defective
50
D OK
Cp
*
0.2
10CPL
599.0
y
con
>>
seleccionar
todos
factores
MAD
0.88705
5.0
0.0
92
2.43
90
0.75 22los
120
22
3
3
90.6
Cp
0.86
50
Factor
Sample
Mean
2.92307
0.73
X=600.23
10
Sample
Mean
2.92307
SampleN
200
100
2.505
15
Hold
Values
R-Sq
92.1%
50
UCL=2.900
2
Slope
-0.13167
0.01093
X=3.2671
0.000
1.0
UCL=5.68
Sample
Mean
10.85938
Graphs
Residuals
for
Plots
Estandardized
A Cantidad
Caudal
-0.4
25CPL
Data
1
600
Tar
11
LCL=-3.82
0.045
6600
3000
MSD
1.31670
*
599
C
Summary
Stats
599
_
235.5
12
CPU
2.64
80
24.0
180
1 1.39R-Sq(adj)
A
405.0
SampleN
SampleN
100100
Velocidad
11 CPL
-0.50
-0.25
0.00
0.25
0.50
1.4
1.6
1.8
2.500
+
1SL=10.122
20
3ColaCorriente
StDev(Within)SampleN
0.02136
10.0
15.0
17.5
LC L=5.413
599
8090.6
Avg Bias
23.5
LCL=7.368
0.040
_0.6
25
8
32
6 100.00
BUCL=94.20
20
10
LC
L=0.0457
16
Exp.
O91.9%
verall
PerformanceResidual
3.26
0.50 1
(using
95.0% confidence)
598.5
-5.0
S
0.239542.43
R-Sq
71.4%
22
A180
80
LCL=5.592
U=3.15
D
secado
-0.2
Fitted Value
21
0.0
0.0
B
Temp
Cola 20CPU 0.78
StDev(Within) 1.69368
1.68898
Shape
CTemp
10
Seleccionar
Residual
112
Normal
y180Cpk
vs
fits
OK
50C27
CPU
0.33
235.5
22.5
StDev(O verall)
0.02917
B7.5
0 15
P=0.03812
70
LCL=598.118
12
66
% Defectiv
15 plots:
e:
18
19.29
21
24
27
30
Velocidad
2.5
22.500
3
6
9 18
12
15
21
PPM<LB
*
8.0
9.6 _
11.2
12.8
StDev(Within)
1.16392
1.0
23
4
8 9 Part-to-Part
10
12
14
16 Pieza
20
24
LCL=598.251
3
70
40
2
240
Cpk 0.78
0Mean
1.86889
%
13.2
598
1 10
2 Linearity
310
422
5 pk
6 7 24
8 Linearity
9 Presion
10 30
11
12Y
0.00
0.0
0
Gage
R&R
Reprod
90
StDev(Overall)
1.79048
598
3
61 Non
9Repeat
Scale
12
1510:00
18
21
3.27812
24 127
30
LowObservation
er
C I :6
17.25
0.06
1
2
3 10
4 CC
5 _ 2.54
6 E C15
7
8 Cantidad
9 3010LC L=598.349
1
Options
70
randomize
runs
OK
_
2000
100
Hora
Gage
V
6:15
Repeat
8:00
Reprod
12:00
Part-to-Part
14:00
2.495
Seleccionar
Data
Means
OK
Cpk
0.33
08 R&R
_
Sample
Operario
10
A
B
C
21.0
599
234.0
14
60
PPM>USL
10764.5
Histogram
of
the
Residuals
0.02
_
CCpk
0.78
StDev(Overall)
1.43526
CI :
21.45
6090.5
10
10.040
2
3
4
5
6
7 Part
8
9
10Defectives
1 10 Upper 20
LCL=597.629
20
S=0.01950 X=9.128
14.7920
2.500
U=9.87
0.035
Repeat
Reprod
Part-to-Part
1598
15LCL=597.920
598
6 Sample
Temp
1
30
5.0O verall
50Observed
70secado
80
90
100
After
Transformation
2.5
20
9V R&R19
X=9
1Gage
10R160
20
30
40
50 -0.4 160
7040 Pieza
90D60S
160
90.5
60
10.00
0.00
CCpk
0.86
B 100
Chart
O
bserv
by0.00
Operario
ed21
Performance
PPMTotal
10764.5
Cl
20
18
9 80
50Capability
20
0.5
3 LCL=598.552
Normal_Prob
P=0.03867
Plot
-0.50
-0.25
0.25 4 20 0.50Target:
1.47 Range
1.6
1.8
19.5
598
6B
Gage
Bias
Overall
LCL=597.986
Capability
R Chart
1 Moving
__
P P5
M Def:
1
_0
E9 LCL=3.2402
Presion
150
2BLB*by Operator
3 C 0.00000
6192857
8Chart
10 20
Medicion
Observation
Operario
0.0
240
2
6
8 Observation
10 LCL=0
12
14
16
R-Sq
18_
61.6%
3.24
10
A
234.0
9 Pp
8 byby
2.490
R=0.0483
0
-0.5
2.5
R2ANOVA
Chart
by 4
Operario
40
Response
1.86
Operator
_UCL=87.3
1650
Low er C I :
172495
8PPM<LB
12
230Reference
240
Results
07/11/2002
Covariate,
08/11/2002
Unusual
observations
40
AD: 0.315,
P: 0.527
Residual
Fitted
Value
UCL=15.61
10Pp UCL=4.564
1000
180
3table,
Overall
Capability
Bias
%
Bias
P
40
X
Y
30
40
1
10
20
30
UCL=5.170
40
50
60
70
0
80
90
100
*
18.0
Sample
NP=5.28
UCL=4.290
10
90.4
232.5
__
Medicion
by
Operario
Cumulative
%
Defective
24
Dist
of
%
Defective
Sample
235
*28
1 4 2 8 2Target*
212
4
5 C40
6
7
8
9 R-Sq(adj)
10
2.495
0.5
I10
:
214517
X=0.442
6
4 16 320
6nombre
8 Upper
12factores
14
16
18
20 61.2%
0.0
2.5
5.0
8
114
3el
PPM>USL
20000
4
80
UCL=0.1252
2
4 0.030
40
I ntensidad
PPL
1.78
24
32
36
1
18
Factors
Introducir
real
de
1.00
los
(TEMP.
PRESIN)
-0.5
Av
erage
-0.053333
0.4
X=0.442
0.040
2
BC
8
5
1.00
30
0.04
PPL
* 10
140
Velocidad
8 5 6 10
P rocess
Z
:
0.8674
4 0.0
7
8
Observation
18
90.035
10 0.0
UCL=5.257
Temp
secado
PpTar
0.70
-0.25
USL*
2.82843
NP=5.39
-1SL=7.878
230
Sample
0
5 010
15 20 Izq,
30
35
Izq,1508:00
2.0
I zq,
09:00Low
I zq,0.7908
10:00
Izq,
11:00
12:00
0.1012
PPMTotal
2020000
25 todos
30
Seleccionar
los
trminos
con
>>
OK
E140
82PPU
030
UCL=12.843
_25
5
1.94
erSummary
C Sample
I1
:
Observed
Defects 12
302.495
Sample
0.491667
3.5_ Data
0.000
1
__ of the
1.6
22 Stats
Caudal
515
PPU 0.74
UCL=1.579
Histogram
of Mean*
the
Residuals
Residuals
the
Sample
_
1.62374
0.01
20Order
164
3
4
12
Upper C215
I:
0.9444
0
20
232.5Sample
PPL
1.13
2.510y
7 4Ppk
70
0.75
niveles
reales(200
230 1 Versus
150
160
170)
90.3
90.4
C=69.24
1.78
22
UCL=1.735
R=2.008
0.125000
0.9 0.2931 UCL=2.979
323.22
231.0los
24
MR=1.397
30ABC
Ppk
0.74
0.0
0
UCL=8.465
95.0%
confidence)
-1.0
0 0 Tem
Target=0
20
StDev(Within)*
0.51337 _ 3_ (using
C=63.4
30.0
16
OK
16
12 0.4
0.10
0.05
3 0.025
p
Cola
20 1
PPU
0.26
1
2
4
5
4
24.5
7
8
_
2
60
0.025000
0.2 0.688 UC
710 0Corriente
2.490
R=0.0383
1.5
8 3
Cpm
_* R=7.38
1000
200011.5
3000R=2.042
4000
5000
6000
7000 6Cpm
26.0
120
2-1
2 1.2
0.0
0.53934
-2.5
0
1
2
3 __L=2.952
4
5*
6
7
8
9 Target=0
10
0.50 22.20
10
0.030
LCL=0.02308
10
OK
15120
-2SL=6.756
UCL=8.225
6 8Ppk
BE
2.505 AB StDev(Overall)*
X
08
LCL=0 % Defective: 0.02
__of
Cumulative DPU
Dist
MR=1.313
30.26
6 2.19C 0.000
12
15
18 DPU
21
24
27
30
2.4
-0.291667
20
23
-1.0
X=9.128
Peso total
(kg)
90.2
A
B 90
0
-1
10
Master
A
MR=1.397
12 60
27.5
0.00
LCL=0
Lower
12
8
9
101LCL=0
11 CI
2.490
LCL=5.413
6 :0.2 12 20.12 1
* 1 AC
-0.2 -0.1 0.0 0.1 0.2 0.3 0.4
10Cpm
-0.616667
2
4.3 30.000 -0.3 Index
Operario
-0.50
Mean
14
0.01
5LCL=0.30
5 8 231.0
1 20
0.020
602
4
2
4
6
8
10
12
14
16
18
20
22
24
20
Tar
Xbar
Chart
by
Operario
1.0
1
2
3
UCL=2.000
5Stats Operator
Residual
6 2.500 1
-290.3
Upper CI :
24.39
0
Caudal 0
LCL=-2.017
3.20
LCL=0
5
2
18
22
Summary
0.8
0.00
LCL=0
26
2
3
2
3
2
3
-10
40
1515
20
30
35 1
Xbar
Chart
by
25181
30 27Operario
35
LCL=39.5
1.8
4
-5.0
16
A 90.1
B
C
Sam
ple
_
3100
6byOperator
920
12
15 25
21
24
30
C
0.025
25.0
-0.5
1
-3SL=5.634
100
Hora
V
6:45
7:30
8:15
9:00
9:45
10:30
11:15
12:00
12:45
13:30
Target:
0.00
_
0.0
Xbar
Chart
Operario
8
0
LC
L=0
3 1
6Eje
9 3.40
12
15 1.0
18
21
24
27
1.5 30 __ S=1.736
2.0
8 2.5
10
123.0
14
__
0 63 3.10
Target=0
Tem
pPart
secado
2
-0.5
UCL=24.196
50
2
3 12
118
Operator
* 2.0
ILCL=-5.68
nteraction
3.25
3.30
9 33.20
15Sam
Fitted
Value
213.35
24
27 *12
30
162 83.15
24
Fitted
Value
0.0
0.4
0.8
1.2
1.6
0 8
LCL=0
_
410
12
Percent
of2.4
Process
Variation
(using
95.0%
confidence)
LCL=0
020 MR=0.483
1 19
2R=4.003
6
7 LCL=0
8
9
LCL=5.413
ple
9
10
11
Cl
VI nteraction
21
21 2.8
20 3 18 4
195
18
MR=0.531
20
20
Velocidad
PPM
222000
Operario
Pieza
LCL=0.02292
21
1
112
16
3 1
6
12
15
18 3
21
30
2
30.59
1 Def: 2 0.00
1 2716
2
3
-3 11 22.495
10.4
1 1 16.0
117:00
4
8 2424
20
24Subgrupo
32
36
40
S=1.720
0
1.00
_ 28
1.00
22.5
15.0
Sam
9:00
11:00
12:00
13:00
14:00
15:00
4 4Hora
6
810:00
12
14
16
18
20
2216:00
_
1.2
10LCL=0
Lower
CI
:
201196
LCL=44.28
15.0
-0.2
Effect 0
10 5
10.0
_ple
26.5
resultados
2 8:00
se
6muestran
8 10
10
a
12
continuacin:
14
16
18
20
22
24
Hora
V Exp.
Panel
variable:
Observation
Caudal
4 24
Last
25
Observations
Capability
Plot
4performed
-3
-2
-1
1
2
O bserved Los
Performance
Within
-5.0
Performance
-2.5
Exp.
O0.0
verall
Performance
2.5
5.0
7.5
10.0
LCL=0
2
60
6
62
8
10
64
12
66
14
16
68
18
70
20
72
22
74
76
90.0
1 4
Observed
Performance
Exp.
Within
Performance
Exp.
Overall
Performance
Mean
Def:
3.1500
_
R=3.890
1
-2
_
UCL=0.8796
12
2
4
6
8
10
12
14
16
18
20
22
24
Tests
with
unequal
sample
sizes
Operario
BC
Eje
20
30
10
X=22.142
Sample
6036:45 PPM<LB
66
68
70
7412
76 Sam
8.0
9.6
11.2
12.8
ple 24
6626.4
9 64
12 9:45
15
18
24
30
22
80
Hora
V V-4
7:30
8:15
9:00
10:30
12:00
12:45
13:30
0.020
2
UCL=13.383
X=0.8075
20
Hora
Upper
CI :21
243898
310
0.00
PPM<LB*
*
PPM<LB*
472
8* 5
16
20
28Standardized
32
36 Residual
40
40
-3
-2
-1
0Sam
111:15
2
3CI :27
42.6240
14
2.490
Cl
PPM<LSL
0.00
PPM<LSL
0.00
PPM<LSL
0.05
ple
1
0.75
230
__
Sample
Tests
performed
with
unequal
0.0
sample
sizes
Height
Lower
0.75
12.5
Effect
LCL=0.7354
12.5-490.2
0.6
Peso
total
(kg)
Lenth's
PSE
= 1.5
20.0
__ Sample
O verall 90.8
76PPM>USL
21
28
35
42
49
56
63
70
90.0
90.1
90.2
90.3 Within
90.4 LCL=0
90.5 Within 90.6
90.7
LCL=-0.978
Height
X14
Panel
variable:
Observation
Clvariable:
V 11Pieza
21
21
2020000.00
19 PPM>USL
20
18
19
180.7655
20 Y 53
20
-1.0
-1.0
-0.4
12
18
PPM>USL*
24
30
9472.66
36
PPM>USL*
42
48
12754.26
54
60
Process
Z:
0
0.0
LCL=0
MR=0.612
0.6
0 654
PPM>USL
0.00
1
PPM>USL
0.00
0.00
Panel
Hora
9
12
15
18
21
24
27
30
Sample
0
2
4
6
8
10
12
1
7
14
21
28
35
42
49
56
63
70
200
0.0
X=11.293
Effect
1.5
215
3.0
4.5
6.0
230
7.5
Observed
Performance
Exp.
Within
Performance
Exp.
Overall
Performance
1
6
12
18
24
30
36
42
48
60
230
2
Upper
:40
3.7505
12
8 60.1
10
20
30
70
80
90
100 Value
10.50
2PPMTotal
3 CI
4240
5 12
6
7 850
1160
1240
13 50
14 60
15 70
Cola
StDevFitted
1.16392
StDev 1.43526
-0.2 -0.1
0.0
0.21825
0.3 PPMTotal
0.4
0 9101020
30
LCL=20.087
PPMTotal
20000.00
9472.66
12754.26
20 0-0.32 5
41.5
15
20
30
10
80
90
Lower
CI10.0
:
0.6938
Sam
ple
0.6
1.0
LCL=0
PPMTotal 0.500.00
PPMTotal
0.05
Lenth's
=10
L=0.492
10.0 1
Sam
30 2PPMTotal
40
50
60
70 20
8022
90 Max 8100 Sam
Max
Max354.96
Min18
Min LC
PPM<LSL
210
0.00
4Sample
PPM<LSL
6Min
10
PPM<LSL
12
14
16
24
ple
Observation
Caudal
SampleTarget
0 PSE
1200.00
3ple
5 Order
Residual
Sample
Value 814.90
PRESION
Sample
CpX
0.86
Pp
0.70
LCL=9.204
Mean
DPU:
3.1500
Corriente
Upper
CI
:
0.83744
LCL=0.488
Overall
22 Reference
4
10
12
14
16
180Observation
20
24
Lenth's
=20.75
Bias
3 14
4 Linearity
5 22
7215
8
0.02 1PSE
10
4 3 6 163546.85
6 8160
8 Observation
10
20 LCL=0
150
170
PPM>USL
156250.00
PPM>USL
PPM>USL
213388.49
Redondez
4
5
61 2 1213 427200
88 691610
9 9 1810
10 230
5
6
7
Sam
ple
Cpk
0.33
Ppk
0.26
0
Part
LCL=0
Lower CI :
2.6240
Effect
Sample
5Sample
7 Pieza70
8 80
9 90
DifferenceSizePowerActualPower
PPMTotal 11 156250.00
PPMTotal
213743.45
10 2 PPMTotal
20 3 163561.75
30 4
40 Sample
50 6
60
4 10 100
CCpk
0.86
Cpm
*
8
2
4Inclinacion,
6
8
Panel variables:
Hora
Residual
Percent
Expected Defects
Dif
Frequency
Y
Term
Percent
Standardized
Residual
Residual
Medidas
Expected Defectives
Expected Defectives
Cumulative Sum
Individual Value
Sample StDev
Proportion
Sample Range
n = 89, c = 2
Sample
10
Percent
Operator
Average
Average
% Tolerance
Residual
% Contribution
% Contribution
% StudyVar
% Contribution
%StudyVar
% Tolerance
%StudyVar
% Tolerance
%Humedad
I ndividual Value
Moving Range
I ndividual Value
Moving Range
Intensidad
Intensidad
Weight
Weight
Diametro
Diametro
Sample Range
Percent
Mean
of Peso
Rendimiento
Mean
cerebro (g)
Values
Sample Mean
% Defective
I ndividual Value
Sample
Range
Moving
Range
Percent
IPercent
ndividual
Value
Sample
Mean
Sample Count
Per
Unit
Sample
Mean
Frequency
Sample
Mean
% Defective
Percent
ISample
ndividual
Value
Proportion
Residual
Sample
Count
Per
Unit
Moving
Moving
Range
RangeSample
Sample
Range
Sample
Mean
Proportion
Sample
StDev
Sample
Mean
Proportion
Medicion
Sample
Count
Mean
Sample
Mean
Cumulative
Sum
Sample
Count
Count
Percent
Y
Range
Individual
Mean
of
Value
Sample
Sample
Count
Mean
of
YY
Term
Residual
Bias
Sample
Mean Range
Individual
Value
Cumulative
Sum
Diametro
Peso
cerebro
(g)
Cumulative
Sum
DPU
EWMA
Mean
Sample
Sample
StDev
Range Moving
Moving
Range
Average
Percent
Curva
OC con
H : Al menos dos medias
son
diferentes
.
p
Upper
12 CI :
Operario
2
3
2
3
143.7505 16
Observation
Lenth's PSE = 0.75
2.5100.800.832695
SampleMin DPU:
10
15
20 0.0000
1
Max DPU:
6.0000
Observation
2.5110.850.873928
10
20
30
40
Targ DPU:
0.0000
Sample
2.5120.900.905836
25
Pgina 35
18
20
Specs
30
90.9
2.5150.950.962487
Silapotenciaesdemasiadoaltapordecir99%sepuedendetectardiferencias
querealmentenosonsignificativas.
Caso 2. Prueba t de comparacin de dos medias poblacionales
Ejemplo: La potencia de una prueba depende de la diferencia que se quiera detectar
respecto a la desviacin estndar, para una sigma poner 1 en diferencia y desviacin
estndar, con valores deseados de Potencia de 0.8 y 0.9.
2SampletTest
Testingmean1=mean2(versusnot=)
Calculatingpowerformean1=mean2+difference
Alpha=0.05Assumedstandarddeviation=1
SampleTarget
DifferenceSizePowerActualPower
1170.80.807037
1230.90.912498
Serequierentamaosdemuestradeentre17y23
Caso 3. Prueba de 1 proporcin
Para estimar la potencia, Minitab requiere de dos de los siguientes parmetros:
* Tamaos de muestra
* La proporcin - una proporcin que se desea detectar con alta probabilidad
* Valores de potencia - La probabilidad deseada de rechazar Ho cuando es falsa
Suponiendo que se desea detectar una proporcin de 0.04 con el 0.8 y 0.9 de niveles
de Potencia:
Pgina 36
0.045800.90.900226
Si se desea saber la Potencia si se utiliza un tamao de muestra de 500 se tiene:
B
1.6
1.1
1.3
1.4
1.1
C
1.3
1.6
1.8
1.1
1.5
1.1
A un 95% de nivel de confianza, hay alguna variedad que produzca ms fenoles que otra?
Se colocan los datos en tres columnas distintas C1, C2 y C3:
Pgina 37
S=0.2309RSq=58.44%RSq(adj)=51.52%
Individual95%CIsForMeanBasedon
PooledStDev
A produce ms fenoles que B,C
LevelNMeanStDev++++
A41.90000.1414(*)
B51.30000.2121(*)
La media de A es
C61.40000.2828(*)
diferentes a A y B
++++
1.201.501.802.10
PooledStDev=0.2309
Las medias B y C
Desviacin estndar poblacional
son similares
Tukey95%SimultaneousConfidenceIntervals
AllPairwiseComparisons
Como el cero no est en el
intervalo de la diferencia B-A
Asubtractedfrom:
o C-A, A es diferente de B y C
LowerCenterUpper++++
B1.01300.60000.1870(*)
C0.89740.50000.1026(*)
++++
0.800.400.000.40
Individualconfidencelevel=97.94%
Pgina 38
Bsubtractedfrom:
LowerCenterUpper++++
C0.27280.10000.4728(*)
++++
0.800.400.000.40
El intervalo de la diferencia C-B si incluye
el cero por tanto B no es diferentes de C
ANOVA de una va con datos de tratamientos en una sola columna
Los datos del ejemplo anterior arreglados en una
sola columna se muestran a continuacin:
Respuesta
1.9
1.8
2.1
1.8
1.6
1.1
1.3
1.4
1.1
1.3
1.6
1.8
1.1
1.5
1.1
Los resultados son similares a los anteriores excepto que se obtiene una grafica de
4 en uno en vez de 3 en uno.
Pgina 39
Factor
A
A
A
A
B
B
B
B
B
C
C
C
C
C
C
Ejemplo:
Se utiliza el archivo PULSE.MTW campos Peso (Weight) y Altura (Height)
Y = Weight y X = Height
Pgina 40
Ahora se calcula el coeficiente de Correlacin que mide el grado de relacin que existe
entre dos variables, como sigue:
Pgina 41
R-Sq Coeficiente
de Determinacin
en porcentaje de
variacin explicada
por la ecuacin de
regresin
R-Sq (Adj) - Slo para regresin mltiple
RegressionAnalysis:WeightversusHeight
Theregressionequationis
Weight=204.7+5.092Height
S=14.7920RSq=61.6%RSq(adj)=61.2%
AnalysisofVariance
SourceDFSSMSFP
Regression131591.631591.6144.380.000
Error9019692.2218.8
Total9151283.9
El valor p menor a 0.05 indica que SI
es significativa la Correlacin entre Y y X.
Regresin simple:
Efecta un anlisis de regresin simple:
Ecuacin de regresin
PredictorCoefSECoefTP
Constant204.7429.167.020.000
Height5.09180.423712.020.000
S=14.7920RSq=61.6%RSq(adj)=61.2%
Coef. De determinacin
AnalysisofVariance
SourceDFSSMSFP
Regression13159231592144.380.000Regresin significativa
ResidualError9019692219
Total9151284
UnusualObservations
ObsHeightWeightFitSEFitResidualStResid
972.0195.00161.872.0833.132.26R
2561.0140.00105.863.6234.142.38R
4072.0215.00161.872.0853.133.63R
8468.0110.00141.501.5731.502.14R
Puntos con un
residuo estndar
mayor a 2
Rdenotesanobservationwithalargestandardizedresidual.
En algunos casos hay puntos que estn muy alejados de la mayora de los puntos
Pgina 42
Y=yyX=x
En este caso los pesos de los elefantes pueden sesgar la ecuacin de la recta
Pgina 43
Intervalos de
confianza de Ymedia
en base a una X
Intervalo de
prediccin de Y para
valores individuales
en base a una X
Coeficiente de
determinacin
muy cercano a uno
Pgina 44
Quadratic se tiene:
4.7Aplicaciones
Realizar los ejercicios del Mdulo 4 incluidos en el archivo CursoTallerMinitabEjercicios
Pgina 45
Stat > Control Charts > Variables Charts for Subgroups > Xbar-R.
Seleccionar All observations for a chart are in one column, seleccionar Supp2.
Existe otra alternativa Observations for a subgroup are in a row of columns
En Subgroup sizes, poner 5. Click OK.
Usar (Chart) Options si se desea algo de lo siguiente:
Parameters
Para lmites de la media o rango en base a datos histricos
de la Mean y/o Standar Deviation
Estimate
Pgina 46
S limits
Tests
Stages
Box Cox
Display
Store
En este caso:
TEST1.Onepointmorethan3.00standarddeviationsfromcenterline.
TestFailedatpoints:2,14
Se tiene los subgrupos 2 y 14 fuera de control y el proceso no es estable y normal
Eliminando estos subgrupos DE LOS CLCULOS se tiene:
Stat > Control Charts > Variables Charts for Subgroups > Xbar-R.
Seleccionar All observations for a chart are in one column, seleccionar Supp2.
En Subgroup sizes, poner 5.
Pgina 47
En X bar R Options seleccionar Estimate Omit the following subgroups 2 14 sel. R bar (Recalcula limites)
En Data Options seleccionar Specify which rows to exclude row numbers 6:10 66:70 (quita puntos)
Click OK OK.
El proceso ahora est dentro de control
Se pueden eliminar
fsicamente los datos
de los puntos que
salen de control con
Delete Cells en Minitab
iniciando por los ltimos
y al final los primeros
Carta de Control X-R usando el archivo VITA_C. MTW que contiene pesos de comprimidos
tomando 5 muestras cada 15 minutos durante un periodo de 10 horas (200 datos).
Crearemos dos columnas adicionales: Una para la hora de toma de muestra y otra para el
nmero que identifique al operario de la mquina.
Calc > Make Patterned Data > Simple Set of Date / Time Values
Hora de la primera y
ltima muestra
Incremento de 15 minutos
Repetir cada valor 5 veces para
cada muestra
Respecto al operario se asume que las primeras 25 muestras (125 datos) las toma el operario A y las
otras 15 (75 datos) el operario B
Habilitar comandos en la ventana de Sesin con
MTB > Set c3
DATA> 125 (1)
DATA> 75 (2)
DATA> end
Desabilitar ejecucin de comandos con
En C3 poner
125 unos
75 doces
fin
. E Intro
VITA_C.MTW
Stat > Control Charts > Variables Charts for Subgroups > Xbar
Seleccionar All observations for a chart are in one column, seleccionar Peso
En Subgroup sizes, poner 5.
Seleccionar las opciones siguientes:
Scale > Time: marcar Stamp y poner como variable Hora
Xbar Options > Tests: Marcar Perform all tests for special causes
Xbar Options > Stages: Define stages: Operario
Click OK OK.
La carta obtenida es la siguiente:
VITA_C.MTW
Stat > Control Charts > Variables Charts for Subgroups > R
Seleccionar All observations for a chart are in one column, seleccionar Peso
En Subgroup sizes, poner 5.
OK
Pgina 49
VITA_C.MTW
Stat > Control Charts > Variables Charts for Subgroups > S
Seleccionar All observations for a chart are in one column, seleccionar Peso
En Subgroup sizes, poner 5.
OK
CAMSHAFT.MTW
Stat > Control Charts > Variables Charts for Individuals > I-MR.
En Variables seleccionar SUPP1. Click OK
La grfica obtenida es la siguiente:
Pgina 50
Stat > Control Charts > Variables Charts for Individuals > I-MR.
En Variables seleccionar SUPP1
En Data Options seleccionar Specify which rows to exclude
Seleccionar Row Numbers 34 39 55 56 82
Click OK OK.
CLORO.MTW
Pgina 51
Ejemplo: En una industria qumica se toma una muestra cada 15 minutos y se mide
el pH y la concentracin de cloro de la solucin, los datos se muestran en el archivo
CLORO.MTW anexo de este mdulo.
Separando las muestras del ltimo da viernes se tiene:
Stat > Control Charts > Variable charts for individuals > I-MR
Variable pH V
Scale > Time: Stamp 'Hora V' 'Cl V'
OK
Como hay un punto que se sale de control se puede omitir como sigue:
Stat > Control Charts > Variable charts for individuals > I-MR
Variable pH V
Scale > Time: Stamp 'Hora V' 'Cl V'
Data Options seleccionar Specify wich rows to exclude Row numbers 25
I Chart Options en S limits seleccionar These multiples of the standar deviation poner 1 2 3
OK
Pgina 52
Para mostrar el comportamiento por da, se usa Stages por Fecha en dos cartas para
mejor claridad (quitar todas las selecciones anteriores)
Stat > Control Charts > Variable charts for individual > I-MR
Variable pH
Original
I Chart Options:
Define stages (historical group) within this variable Fecha
When to start a new value seleccionar With each new value
Display seleccionar Each Segment Contains 80 Subgroups
OK
CLORO.MTW
Stat > Control charts > Variable chart for individuals > Moving range
Variable 'pH V'
Pgina 53
CLORO.MTW
Stat > Control charts > Variable chart for individuals > I-MR
Variable 'pH V'
OK
CAMSHAFT.MTW
Stat > Control Charts > Variables Charts for Subgroups > Xbar-S.
Seleccionar All observations for a chart are in one column, seleccionar Supp2.
Existe otra alternativa Observations for a subgroup are in a row of columns
Pgina 54
Pgina 55
Diseos anidados (Nested): Cada pieza es medida por un solo operador para el caso de
pruebas destructivas, debe medir varias piezas muy parecidas entre si
(normalmente piezas producidas en forma consecutiva) casi sin variabilidad.
Para los ejemplos se usa el archivo RR_Cruz.MTW anexo, contiene datos para la realizacin
de un estudio R&R en el que 3 operadores han medido 10 piezas distintas, 3 veces cada
una de manera aleatoria y sin saber cual estaban midiendo en cierto tiempo.
Anlisis grfico (Gage Run Chart):
Stat > Quality Tools > Gage Study > Gage Run Chart
Part Numbers - Pieza; Operators - Operario; Measurement data - Medicin
Trial Numbers - Orden (indica el orden en que se hicieron las mediciones).
Options - Permite poner ttulo al estudio
Gage Info: Para informacin adicional del estudio
Stat > Quality Tools > Gage Study > Gage R&R Study (Crossed)
Part Numbers - Pieza; Operators - Operario; Measurement data - Medicin
Seleccionar Method of Anlisis - ANOVA
Options - Study variation 5.15 (99% nivel de conf.) Tolerance - 15 Tolerancia de las piezas
Gage Info: Para informacin adicional de identificacin del estudio
Tabla de Anlisis de Varianza (ANOVA)
Tambin se hubiera obtenido con:
Stat > ANOVA > Two way Response:Medicin Row Factor:Pieza Column Factor:Operario
TwoWayANOVATableWithInteraction
SourceDFSSMSFP
Pieza9286.03331.781433.1422Pieza significativa
Operario245.63522.817323.7942Operario significativo
Pieza*Operario1817.2610.95890.6449Interaccion no significativa
Repeatability6089.2171.4869
Total89438.145
Pgina 56
TwoWayANOVATableWithoutInteraction
SourceDFSSMSFP
Pieza9286.03331.781423.28140.000
Operario245.63522.817316.71470.000
Repeatability78106.4781.3651
Total89438.145
Tabla de componentes de la Varianza (informativa)
Varianza
SourceVarComp(ofVarComp)
TotalGageR&R2.0801738.10
Repeatability1.3651025.00
Varianza relevante debida al equipo
Reproducibility0.7150713.10
Menor varianza debida al operador
Operario0.7150713.10
PartToPart3.3795961.90
TotalVariation5.45976100.00
Usada cuando el equipo es para control del proceso
Tabla de anlisis de la Variacin
Usada cuando el equipo es para liberar producto
raiz (Varianza)
SourceStdDev(SD)(5.15*SD)(%SV)(SV/Toler)
TotalGageR&R1.442287.427761.7349.52
Repeatability1.168386.017150.0040.11
Reproducibility0.845624.354936.1929.03
Operario0.845624.354936.1929.03
PartToPart1.838379.467678.6863.12
TotalVariation2.3366112.0336100.0080.22
El % de error total debe ser de cuando ms el
NumberofDistinctCategories=1 10% o hasta 30% si la caracterstica no es crtica.
En algunas industrias se toma 25% como aceptable
Este nmero debe ser de al
menos 4 indicando que el equipo discrimina las partes
Se tiene las siguientes variaciones:
Repetibilidad: Variacin debida al aparato o equipo de medicin
Reproducibilidad: Variacin introducida por los operarios
Ventana de grficas
<30% no crtica
Pgina 57
Si no hay interaccin
significativa, estas
lneas son paralelas
Carta de rangos: Muestra al operario 2 con mayor variabilidad que los dems
pero aun as estan dentro de control, de otra forma debera repetir las mediciones
Cartas de Medias: Debe tener al menos el 50% de sus puntos fuera de control para
indicar que el sistema de medicin discrimina las diferentes partes adecuadamente
Ejemplo de estudio R&R (Crossed) usando el archivo de Minitab
Gageaiag.Mtw
Stat > Quality Tools > Gage Study > Gage R&R Study (crossed)
Seleccionar columnas de parts, operators y measurement data
Seleccionar Method of Analysis ANOVA
En gage info introducir la informacin general del equipo y del estudio
En options introducir lo siguiente:
Study variation
5.15 (estndar industrial, corresp. al 99% de NC)
Process Tolerance
2
a) si hay dos especs. inferior y superior, introducir el rango
b) si solo hay una espec. superior introducirla en Upper spec
c) si solo hay una espec. inferior introducirla en Lower spec.
OK
Los resultados son los siguientes:
TwoWayANOVATableWithInteraction
SourceDFSSMSFP
Part92.058710.22874539.71780.000
Operator20.048000.0240004.16720.033
Part*Operator180.103670.0057594.4588La interaccin si es
Repeatability300.038750.001292
significativa, el operador
Total592.24913
tiene interaccin con las
partes
GageR&R
%Contribution
SourceVarComp(ofVarComp)
TotalGageR&R0.004437510.67
Repeatability0.00129173.10
Reproducibility0.00314587.56
Operator0.00091202.19
Operator*Part0.00223385.37
Pgina 58
PartToPart0.037164489.33
TotalVariation0.0416019100.00
La carta de medias tiene ms del 50% de puntos fuera de control, lo que es adecuado
Estudio R&R (Nested) para pruebas destructivas
Se usa el archivo RR_ANID.MTW que contiene datos de medicin de 12 piezas realizadas
por 3 operarios. Las piezas se subdividieron en 3 grupos de 4 unidades y cada operario
midi 3 veces la pieza de un grupo, en orden aleatorio y sin saber que pieza estaba midiendo
Se trata de un diseo anidado ya que cada operador solo mide una parte de las piezas.
Stat > Quality Tools > Gage Study > Gage R&R Study (Nested)
Seleccionar columnas de part or batch numbers, operators y measurement data
En gage info introducir la informacin general del equipo y del estudio
En options introducir lo siguiente:
Study variation 5.15
Process Tolerance 10
Errores mayores a lo permitido
OK
StudyVar%StudyVar%Tolerance
SourceStdDev(SD)(5.15*SD)(%SV)(SV/Toler)
TotalGageR&R1.373177.0718197.9270.72
Pgina 59
Repeatability1.135295.8467680.9558.47
Reproducibility0.772463.9781855.0839.78
PartToPart0.284751.4664420.3014.66
TotalVariation1.402387.22225100.0072.22
Variacin de partes muy
pequea vesus la de
operario y equipo, el
sistema de medicin
no es adecuado
Estudios de linealidad
La linealidad se refiere a los diferentes % de error durante todo el recorrido de la escala
Se usa el archivo GAGELIN.MTW anexo
En este archivo se muestran las mediciones hechas con el patrn (Master) y
con el sistema en estudio (Response), en distintos niveles de la escala
Se puede obtener una ecuacin de
regresin de la dif. De Resp. - Master vs
Master Stat>Regression>Fitted line plot
Amplitud de la
variabilidad del proceso
Ecuacin
Pgina 60
Datos de promedios
Especificaciones
Boundary se usa cuando
es imposible tener piezas
fuera de este lmite
Los resultados se muestran a continuacin:
Sigma = R medio / d2 (constante)
El proceso debe estar en control
Cp y Cpk a partir de
Std. Dev. Within
Pp y Ppk a partir de
Std. Dev. Overall
Tanto el Cpk como Ppk
deben ser mayores a
uno para que el proceso
sea capz, de otra
forma deben investigarse
las causas especiales
Partes por milln fuera observadas, en base a Std. Dev. Within, en base a Std. Dev. Overall
Visualizacin de las variaciones:
Con una grfica Scatterplot se tiene:
Medidas
Subgrupo
2
4
5
6
12
13
14
15
6
7
8
10
C4 = 4(n - 1) / (4n - 3)
1
1
1
1
2
2
2
2
3
3
3
3
Var 1=2.92
Var 2=1.67
Var 3 = 2.92
Pgina 62
El Cpk es menor a 1
el proceso no es
capaz para cumplir
con especificaciones
Se observa que el %
ha ido aumentando con
el tiempo por alguna
razn a lo largo del da
Pgina 63
Pgina 64
Se tienen lmites de
control variables por
ser el tamao de muestra
variable
TestResultsforPChartofDefectuosos
TEST1.Onepointmorethan3.00standarddeviationsfromcenterline.
TestFailedatpoints:3,26
Aproximando el tamao de muestra a su promedio se tiene n = 1350
Pgina 65
TestResultsforNPChartofDefectuosos
TEST1.Onepointmorethan3.00standarddeviationsfromcenterline.
TestFailedatpoints:18
La causa aparente del punto fuera de control en la carta es un lote defectivo de materia prima
por lo que es razonable no considerarlo y recalcular los lmites de control
Pgina 66
TestResultsforCChartofVisitas
TEST1.Onepointmorethan3.00standarddeviationsfromcenterline.
TestFailedatpoints:5,6,10,11,22,26,33,37,40,41,54,55
El punto del da 10 representa un pico debido a un anuncio especial anunciando la pgina
los otros puntos que salen de control se presentan los fines de semana.
Para eliminar los puntos correspondientes a sbados y domingos usar el botn Data Options
para recalcular los lmites de control de nuevo:
Pgina 67
Excludingrowswhere'Diasemana'="S"or'Diasemana'="D"orFecha=DATE("10/10/2002")
18rowsexcluded
Carta de control U para el nemro de defectos por unidad de inspeccin variable
Ejemplo: Se utiliza el archivo TEJIDO.MTW anexo
Contiene el nmero de manchas de cada tela y su superficie corresp. en metros cuadrados
Carta de Control U usando el archivo TEJIDO.MTW
Pgina 68
Meta 0 defectuosos
La grfica acumulativa debe
acabar estabilizandose cerca
es representativo
debe mejorarse
Seleccionando la carta de control P y con Editor > Brush y Editor > Set ID variables a Agencia
se identifican las agencias 112 y 212 como las que ms influyen en las quejas.
Colocando asteriscos en los datos de estas agencias se tiene:
Asi el porcentaje de clientes insatisfechos por agencia se encuentra
entre el 18 al 22% para un nivel de confianza del 95%.
Es importante identificar las causas asignables que distinguen a las agencias.
Pgina 69
TEST1.Onepointmorethan3.00standarddeviationsfromcenterline.
TestFailedatpoints:28
Estudio de capacidad para variables que siguen una distribucin de Poisson (nmero de defectos)
Se usa como ejemplo el archivo
Pgina 70
Ejemplo: Variaciones de una flecha respecto a una lnea de referencia, los datos se
encuentran en el archivo CRANKSH.MTW anexo.
Carta X media - Rango
Stat > Control Charts > Variables Charts for Subgroups > Xbar
En Subgroup sizes, poner 5.
OK
No se observa que el
proceso tenga corrimiento
o est fuera de control
Stat > Control Charts > Time Weighted Charts > Cusum
En Subgroup sizes, poner 5. Target 0.0
OK
Pgina 71
TestResultsforCUSUMChartofAtoBDist
TEST.Onepointbeyondcontrollimits.
TestFailedatpoints:4,5,6,7,8,9,10
Carta de Sumas acumuladas con Mascara en V
La carta de control CuSum se obtiene graficando los valores de Sm o Sm como funcin de m.
Si el proceso permanece centrado, la carta tender hacia el valor de la media 0
Si el proceso se corre gradualmente hacia arriba o hacia abajo, ser indicado en la carta.
Su sensibilidad est determinada por los parmetros k y h.
Una forma de identificar si el proceso sale de control es con una mascara en V cuyo origen
se coloca en el ltimo punto de suma acumulada determinado y observando que ninguno de
los puntos anteriores se salga, de otra forma tomar accin
Stat > Control Charts > Time Weighted Charts > Cusum
En Subgroup sizes, poner 5. Target 0.0
en Cusum Options: Seleccionar two sided V mask Center on subgroup 6 o 8
OK
Pgina 72
Stat
> Control
Charts > Time
Weighted
Charts
> EWMA
Seleccionar
All observations
for a chart
are in one
column,
seleccionar AtoBDist
En Subgroup sizes, poner 5. Weight of EWMA 0.2
OK
Puntos fuera de control
TestResultsforEWMAChartofAtoBDist
TEST.Onepointbeyondcontrollimits.
TestFailedatpoints:5,6
Carta de promedios mviles
Tiene una sensibilidad intermedia entre las cartas X-R y la Cusum y EWMA
Stat
> Control
> Time Weighted
Moving
average
Seleccionar
AllCharts
observations
for a chartCharts
are in >one
column,
seleccionar AtoBDist
En Subgroup sizes, poner 5. Lenght of MA 3
OK
Pgina 73
TEST.Onepointbeyondcontrollimits.
TestFailedatpoints:5,6
Minitab
Pa =
p
0.005
0.010
0.020
0.030
0.040
0.050
0.060
0.070
0.080
0.090
0.98969
0.93969
0.73658
0.49848
0.30416
0.17208
0.09187
0.04682
0.02296
0.01089
Pgina 74
0.100
0.110
0.120
0.00501
0.00225
0.00098
p
0.005
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
Pa
0.98969
0.93969
0.73658
0.49848
0.30416
0.17208
0.09187
0.04682
0.02296
AOQ = Pa . P
0.00495
0.00940
0.01473
0.01495
0.01217
0.00860
0.00551
0.00328
0.00184
5.9 Aplicaciones
Realizar los ejercicios del Mdulo 5 incluidos en el archivo CursoTallerMinitabEjercicios
** Falta de redondez
* Entre partes
El aspecto de la carta Multivari depende del orden en que se ingresen los factores
El tercer factor va en el eje horizontal por tanto aqu es donde conviene introducir el tiempo
El ltimo factor introducido es el que divide a la carta en dos partes.
Carta Multivari con cuatro fuentes de variacin
Se puede descomponer en dos columnas la columna "Posicin", creando las columnas
"Redondez" donde se indica si el dimetro medido es mximo o mnimo, y la columna
Pgina 77
Se disea un experimento factorial completo con dos rplicas y tomando tres niveles
en cada factor como se muestra en la tabla de rendimientos.
Hacer los anlisis de la significancia de cada factor a un 5% de significancia.
TEMP.
150
160
170
200
90.4
90.2
90.1
90.3
90.5
90.7
PRESION (psig)
215
90.7
90.6
90.5
90.6
90.8
90.9
230
90.2
90.4
89.9
90.1
90.4
90.1
CONCLUSIONES EN RESIDUALES
Residuales vs Y estimada
deben ser aleatorios
GeneralLinearModel:RespversusTemp,Presion
FactorTypeLevelsValues
Tempfixed3123
Presionfixed3123
Significativos a nivel de 0.05
AnalysisofVarianceforResp,usingAdjustedSSforTests
SourceDFSeqSSAdjSSAdjMSFP
Pgina 80
Temp20.301110.301110.150568.470.009
Presion20.767780.767780.3838921.590.000
Temp*Presion40.068890.068890.017220.970.470
Error90.160000.160000.01778
Total171.29778
No significativo a nivel 0.05
Y(i,j) estimada= Promedio de valores en cada celda (i,j)
Residuales o error e(i,j) = Y(i,j) real observada - Y (i,j) estimada
PASO 4. OBTENER LAS GRFICAS FACTORIALES PARA IDENTIFICAR LAS MEJORES
CONDICIONES DE OPERACIN
Para maximizar el
rendimiento se selecciona:
Temperatura = 3 o 170
Presin = 2 o 215 psig.
Pgina 81
Nivel bajo
8
230
0.6
Nivel Alto
12
240
1
OK OK
Puede colocar la matriz del diseo en orden aleatorio o estndar con
Stat > DOE > Display Design: Estndar order for design
Para cambiar de unidades sin codificar a unidades codificadas:
Stat > DOE > Display Design: Coded o Uncoded Units
Paso 2. Introducir los datos en el diseo:
StdOrder
1
2
3
4
5
6
7
8
Caudal
8
12
8
12
8
12
8
12
Intensidad
230
230
240
240
230
230
240
240
Velocidad
0.6
0.6
0.6
0.6
1
1
1
1
Y
10
26.5
15
17.5
11.5
26
17.5
20
OK OK
Los resultados se muestran a continuacin.
Lasgrficasdondeseindicacualesfactoressonsignificativosson:
Son significativos A y AB
Los efectos se pueden guardar en una columna y despus graficarlos para que sean claros:
Stat > DOE > Factorial > Analize Factorial Design ..... Storage: Effects
Graph Dot Plot: Simple Effe1
EFFE1
9
Pgina 83
-1
1.5
-6.5
-0.5
1
0.5
Paso 4. Obtener las grficas factoriales para seleccionar los mejores niveles de operacin
El nico factor
significativo es A
La interaccin significativa
es AB
Los mejores resultados
se obtienen con:
Corriente = 230
Caudal = 12
Pgina 84
en las diferentes
combinaciones de los
factores
Es el mejor resultado
Pgina 85
Al principio se realiz un diseo fraccional de dos niveles y cinco factores (25-2), en cada
condicin se midi la fuerza de adhesin en 100 botellas y se tom como respuesta el promedio.
Paso 1. Generar el diseo
OK OK
Paso 2. Introducir los datos en el diseo
Pgina 86
Cola
A
B
A
B
A
B
A
B
Temp Cola
30
30
40
40
30
30
40
40
Cant cola
2
2
2
2
3
3
3
3
Temp Secado
90
80
80
90
90
80
80
90
Presion
1.5
1
1.5
1
1
1.5
1
1.5
Tabla de confusiones (los efectos de los factores principales se confunden con interacciones)
I + ABD + ACE + BCDE
A + BD + CE + ABCDE
B + AD + CDE + ABCE
C + AE + BDE + ABCD
D + AB + BCE + ACDE
E + AC + BCD + ABDE
BC + DE + ABE + ACD
BE + CD + ABC + ADE
Paso 3. Analizar el diseo
OK OK
La ecuacin del modelo se puede obtener de los siguientes coeficientes:
EstimatedCoefficientsforYusingdatainuncodedunits
TermCoef
Constant36.0000
Cola2.00000
TempCola0.600000
Cantidad0.500000
Tempsecado0.450000
Presion5.00000
TempCola*Cantidad1.58579E16
TempCola*Presion0.200000
Ecuacin de regresin
Y = -36 - 2*Cola + 0.6 Temp Cola + 0.45 Temp secado
Pgina 87
Paso 4. Obtener las grficas factoriales para seleccionar los mejores niveles de operacin
Se maximiza la respuesta
en las condiciones
siguientes:
Cola = X
Temp Cola = 40
Temp Sec = 90
Pgina 88
Despus de este
experimento de filtracin
se puede hacer otro ms
completo slo con los
factores A, B, D
6.5 Aplicaciones:
Realizar los ejercicios del Mdulo 6 incluidos en el archivo CursoTallerMinitabEjercicios
Pgina 89