Curso Taller Minitab Basico

TALLER DE APLICACIN DE MINITAB
PARA LA MEJORA Y SOLUCIN DE PROBLEMAS
CURSO TALLER DE APLICACIN

DE MINITAB BSICO
Elabor: Dr. Primitivo Reyes Aguilar

Tel. 58 83 41 67 / Cel. 044 55 52 17 49 12
Pgina 1
P. Reyes /Febrero 2006

Mail: primitivo_reyes@yahoo,com
CONTENIDO
Pgina
MDULO 1. INTRODUCCIN
1.1Caractersticas generales del Minitab

1.2Pantallas y mens
1.3Abrir, guardar e imprimir archivos
1.4Clculos con columnas y renglones
1.5Aplicaciones
4
4
5
6
6
MDULO 2. HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
2.1Grficos de barras y lnea

2.2Grficas de dispersin de dos variables
2.3Aplicaciones
7
10
16
MDULO 3. ESTADSTICA DESCRIPTIVA
16
3.1Estadsticos de una muestra

3.2Histogramas
3.3Distribucin normal estndar y distribucin normal
3.4Prueba de normalidad
3.5Aplicaciones
MDULO 4. HERRAMIENTAS PARA ANLISIS - ESTADSTICA INFERENCIAL
4.1Clculo de probabilidades
4.2Pruebas de hiptesis de una poblacin
4.3Pruebas de hiptesis de dos poblaciones
4.4Tamao de muestra y potencia
4.5Anlisis de varianza (ANOVA)
4.6Correlacin y Regresin lineal y cuadrtica simple
4.7Aplicaciones
MDULO 5. CONTROL ESTADSTICO DEL PROCESO
5.1Cartas de control por variables: I-MR, Xmedia R
5.2Estudios de capacidad de equipos de medicin R&R
5.3Estudios de capacidad de procesos normales
5.4Estudios de capacidad de procesos no normales
5.5Cartas de control por atributos: p, np, c, u
5.6Estudios de capacidad de proceso por atributos
5.7Cartas de control especiales (EWMA, CuSum)
5.8Muestreo por atributos (AQL, AOQL, LTPD, Z1.4)
5.9 Aplicaciones
Pgina 2
16
18
20
24
24
25
25
26
29
32
36
38
44
45
45
53
59
62
63
66
68
72
73

MDULO 6. DISEO DE EXPERIMENTOS
74
6.1 Cartas Multivari

6.2Diseo de experimentos factoriales completos
6.3Diseo de experimentos factoriales completos de dos niveles
6.4Diseo de experimentos fraccionales (1/2) de dos niveles
6.5Aplicaciones
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
1.1Caractersticas generales del Minitab

Minitab es un paquete estadstico que incluye funciones de la estadstica descriptiva,
estadstica inferencial, diseo de experimentos, series de tiempo, estadstica
multivariada, confiabilidad y otras funciones especiales para facilitar los clculos y los
anlisis estadsticos.
Todos las lneas de comando tendrn el formato siguiente (> separa mens):
Data > Change Data Type > Numeric to Text.

1.2Pantallas y mens
Las pantallas y menus principales del Minitab se muestran a continuacin:
Mens de comandos e conos
Direccin de escritura
Zona de ttulos de columnas
Captura de datos
File > New
Pgina 4

Hoja de trabajo nueva

manteniendo lo que ya se ha
procesado como grficas
sesiones, etc.
Proyecto nuevo,
borra toda la
informacin que
exista en el
proyecto abierto.
Para cambiar el tipo de datos de la columna de numrica a texto
Data > Change Data Type > Numeric to Text.

Aparecer una caja de dilogo donde indicaremos si deseamos almacenar
los valores convertidos en la misma columna o en otra nueva.
Para pasar las columnas
a la zona de trabajo, se pueden
seleccionar con doble click en
estas, o por medio del botn de
Select
1.3Abrir, guardar e imprimir archivos
Para proyectos donde

se incluye todo, datos
grficas, sesiones.
Pgina 5

Se puede importar
una hoja de clculo
de Excel en forma
directa con
Para hojas de trabajo

(worksheets) slo la
parte de hoja tipo Excel
File > Open Worksheet

En carpeta DATA se encuentran
1.4Clculos con columnas y renglones

a) Se tiene una calculadora integrada para hacer operaciones con columnas:
Calc > Calculator

Columna donde
aparecer el
resultado
Columnas
que contienen
los datos
Expresin a
calcular
Ejemplo: Velocidad por tiempo

Store result in C3 Usar las columnas de Peso_antes y Peso_despues del archivo de Datos Modulo 1
Expresion:
C2-C1 o Peso_despues - Peso_antes
b) Otra forma de realizar operaciones en columnas o renglones es a travs de
Calc > Column o Row Statistics respectivamente:
Clculos
disponibles
Columna (s) sobre la que se har

el clculo
Peso_despues
Constante opcional (K1, K2, etc.)
en la que se desea almacenar el
resultado
La constante se muestra con

Data > Display Data > selecc. K2
c) Otra forma de realizar operaciones en columnas o renglones es a travs de
Editor > Enable commands
(Disable commands para terminar)
MTB > Let C4 = C1 + C2 + C3
Pgina 6

Edit > Command line editor

Escribir la expresin Let C4 = C1 + C2 + C3
Submit commnads
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
MDULO 2. HERRAMIENTAS PARA SOLUCIN DE PROBLEMAS

La teora se puede consultar en el documento de word anexo: Herramientas Solucin Probs.doc
2.1Grficos de barras y lnea

Se utiliza el archivo de hoja de trabajo PULSE.MTW de la carpeta DATA de Minitab o arhivo anexo.
Se coleccionan datos de 92 estudiantes, su peso, estatura, peso, sexo, si fuma o no, nivel de
actividad fsica y pulso en reposo. Todos tiran una moneda y los que les salo sol corren durante
un minuto, despus se vuelve a tomar su pulso.
Se puede obtener informacin sobre los archivos de Minitab con:
Help > Help > Data Sets Pulse.Mtw (dar doble click)
Para grficas de barras:
File > Open Worksheet > Pulse.Mtw

Graph > Bar chart
Se muestran distintas opciones para representar las barras,
Para el caso de hombres y mujeres segn su actividad se tiene:
Graph > Bar chart: Count of unique values, Stack

Categorical variables: Activity Sex
Chart of Activity, Sex
Sex
1
2
60
50
Count
40
30
20
10
0
Activity
Para cambiar la apariencia de las barras:

Colocarse en las barras y dar doble click, aparece el cuadro de dilogo
Edit Bars Attributes, en Fill Pattern marque Custom y seleccionar blanco en
Background color, tambin se puede seleccionar un tipo de trama por barra dando
Click en la grfica, click en la seccin especfica y doble click, poner trama en
Para poner nombres a los valores codificados de sexo y actividad, se utiliza:
Data > Code > Numeric to text

Pgina 7
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:
Graph > Pie chart

Se muestran distintas opciones para los datos fuente ya sea Chart
caso se establece una variable categrica en este caso Activity
Raw Data en cuyo
La otra opcin es que los valores ya estn tabulados previamente,

Chart values from a table
Pie Chart of Activity
Category
0
1
2
3
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:
Data > Code > Numeric to text

0
1
2
3
Nula
Baja
Media
Alta
Para indicar el nombre de la categora y su frecuencia en cada uno de las partes

de la grfica de pastel, seleccionar la grfica con doble click e ir a Slice Labels y marcar:
Category name, Frequency.

Para agregar texto y figuras a la grfica, seleccionar la grfica con un click:
Editor > Annotation > Graph annotation tools

Pgina 8

Para agregar texto

Seleccionar el botn T
Marcar la zona donde debe aparecer el texto
Escribir el texto
Confirmar
Para agregar figuras
Seleccionar el botn de la figura e insertarla
Diagrama de Pareto y de Causa Efecto

Diagrama de Pareto
Se utiliza el archivo CARCASA anexo con estadsticas de los defectos en un producto
Copiar los datos de este archivo de datos para el mdulo 2 en Minitab
Stat > Quality Tools > Pareto Chart

Para el diagrama de Pareto se tienen dos opciones de entrada de datos:
Chart defects Data in
Se indica la columna donde se encuentran los defectos
se tiene la opcin de una categora By Variable
Chart defects table
Los defectos ya se tienen tabulados en una columna donde

aparecen los nombre y en otra para las frecuencias
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
Charts Defect Table
80
150
0
Defectos
Count
Percent
Cum %
La segunda opcin
consiste en seleccionar
100
Labels in: Tipo de defectos

Frequencies in: No. de defectos
OK
Con el mismo resultado
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
in se obtiene el diagrama estratificado siguiente:
Pareto Chart of Defectos by Operario
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
Para quitar los colores: seleccionar las barras y se cambia con

Attributes: Fill Pattern - Custom - Background color - elegir un color que puede ser blanco
con Type se pueden cambiar las tramas de las barras, con click se selecciona
la grfica, click en la barra especfica, doble click y seleccionar la trama.
Diagrama de Causa efecto
Stat > Quality Tools > Cause and Effect

Para el diagrama de Causa Efecto se tienen dos opciones de entrada de datos:
Unicamente columnas de ramas principales o columnas adicionales para subramas.
Los datos se colocan como sigue:
Causas primarias:
AMBIENTE
Polvo
Vibraciones
Humedad
Temperatura
Causas secundarias:
FORMA
Dimetro
Curvatura
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
2.2Grficas de dispersin de dos variables

Se utiliza de nuevo el archivo PULSE.MTW de Minitab anexo
Grfica de dispersin simple
File > Open Worksheet > Pulse.mtw

Graph > Scatterplot > Simple
o Copiar los datos de Archivos Datos Mdulo 2 a Minitab
Pgina 10

Indicar en Y variable
Weight y en X variable Height
La grfica de dispersin simple se muestra a continuacin:

Scatterplot of Weight vs Height
220
200
Weight
180
160
140
120
100
60
62
64
66
68
Height
70
72
74
76
Grfica de dispersin Simple con una variable categrica:

Se puede agregar otra variable para estratificar haciendo doble click en cualquiera
de los puntos y seleccionando la pestaa Groups e indicando la variable
categrica Sex.
Scatterplot of Weight vs Height
220
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

Grfica de dispersin con estratificacin por grupos:
Graph > Scatterplot > With Groups

Indicar en Y variable Weight y en X variable Height
Indicar en Categorical variables for Grouping Sex
La grfica obtenida es similar a la mostrada arriba.
Identificacin de puntos en una grfica
Se utiliza el archivo de datos COCHES.MTW anexo:
Copiar los datos del Archivo Datos Mdulo 2 COCHES
Graficando Potencia (CV) vs Precio de venta (pesetas) PVP se tiene:
Scatterplot of PVP vs Pot.(CV)

50000000
40000000
PVP
30000000
20000000
10000000
0
0
100
200
300
400
500
Pot.(CV)
Para saber el precio y potencia de un coche caro, posicionar el cursor en el punto

y esperar unos segundos:
Symbol, Row 180: Pot. (CV) = 225, PVP = 44652800
Para marcar ms de un punto a la vez se utiliza Brush
Con el grfico seleccionado con un click, seleccionar Editor > Brush, se pueden
seleccionar los puntos uno a uno o con un cuadro seleccionar varios a la vez,.
manteniendo presionado el botn izquierdo del ratn mientras se seleccionan.
Otra forma de activar Brush es con la barra de herramientas Graph Editing llamada
desde: Tools > Tool Bars > Graph Editing
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
Para poner la marca a cada punto se usa:
Graph > Scatter plot: With Groups

Labels > Data Labels > seleccionar Use Labels from Column Marca
Para hacer un Zoom de una zona del diagrama hay que cambiar los valores mnimo y
mximo de los ejes, seleccionar cada uno y en Scale Range poner los adecuados.
Eje X
Eje Y
Minimum
Minimum
50 Maximum
1500000 Maximum
100
2000000
Scatterplot of PVP vs Pot.(CV)

NISSAN
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)
Para identificar las coordenadas de los puntos de la grfica seleccionar la grfica
Editor > Crosshair

El cursor se convierte en una cruz que se puede colocar en el punto
para ver las coordenadas
Pgina 13

Grficas de dispersin Bivariantes con pneles:

Se utiliza el archivo REHEAT.MTW de Minitab localizado en la carpeta DATA o el archivo anexo.
File > Open Worksheet > Reheat.Mtw

o copiar los datos del archivo anexo
Graph > Scatter plot: With Connect Line
para unir los puntos
Y variable Quality X variables Time
Multiple graphs > By Variables > En By variables in separate panels Temp
Para modificar la apariencia de la grfica, seleccionarla y :
Editor > Panel > Options

Seleccionar Dont alternate panels
Seleccionar Group information: Both variable names and levels
Scatterplot of Quality vs Time
Temp = 350
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
Graficas bivariantes con distribuciones de frecuencia adicionales

Con los datos del Archivo Datos Modulo 2 - COCHES
Graph > Marginal Plot

Se tienen 3 posibilidades despus de indicar la variable Y y X como antes:
Grfica de dispersin Simple con una variable categrica:
Marginal Plot of PVP vs Pot.(CV)
Pgina50000000
14
VP
40000000
30000000

Plot of PVP vs Pot.(CV)
PARA LA MEJORA Y SOLUCIN DEMarginal
PROBLEMAS
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
Matrices de Graficas bivariantes
Graph > Matrix Plot

Se tienen varias posibilidades despus de indicar las variables:
Matriz de "todas" por "todas" las
variables seleccionadas
Permite seleccionar
toda la matriz o
solo la parte inferior
o superior de la
misma
Matrix Plot of PVP, Num.Cil., Pot.(CV)

4
12
40000000
20000000
PVP
Pgina 15
12
8
Num.Cil.
4

Matrix Plot of PVP, Num.Cil., Pot.(CV)

4
12
40000000
20000000
PVP
12
8
Num.Cil.
4
400
Pot.(CV)
200
0
0
20000000
40000000
200
400
Matriz bivariante solo entre las variables seleccionadas:
En este caso se seleccionan:
Matrix Plot of PVP, Consumo vs Cil.(cc), Pot.(CV), Velo.max

0
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
MDULO 3. ESTADSTICA DESCRIPTIVA

3.1Estadsticos de una muestra
Ver archivo Estadistica Descriptiva.doc anexo para una explicacin de los conceptos tericos
Se usa el archivo DETERGENTE.MTW anexo en Archivo Datos Mdulo 3:
Contiene datos de peso en gramos de 500 paquetes de detergente con peso nominal
de 4 grs. indicando en cul de las 2 lneas se ha llenado:
Pgina 16

Estudio estadstico bsico:
Stat > Basic statistics > Display descriptive statistics

Variables y variable categrica
Grficas de los datos
Seleccin de estadsticos especficos
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

Histogram (with Normal Curve) of Peso en gr by Lnea de llenado
3900 3960 4020 4080 4140 4200
50
1
Mean
StDev
N
Frequency
40
4000
49.60
250
2
Mean
StDev
N
30
4086
52.51
250
20
10
0
3900 3960 4020 4080 4140 4200
Peso en gr
Panel variable: Lnea de llenado
Individual Value Plot of Peso en gr vs Lnea de llenado

4200
4150
Peso en gr
4100
4050
4000
3950
3900
1
2
Lnea de llenado
Boxplot of Peso en gr by Lnea de llenado

4200
4150
Peso en gr
4100
4050
4000
3950
3900
1
2
Lnea de llenado
3.2Histogramas o distribuciones de frecuencia

Se usa el archivo PULSE.MTW anexo en Archivo Datos Mdulo 3:
Existen diferentes opciones para esta herramienta:
Indicando como variable Pulse1 se tiene:
Histogram of Pulse1
25
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
Se definen los intervalos a travs de sus

puntos de corte
Se indica el nuevo nmero de intervalos
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
Con doble click en la escala horizontal se puede modificar la escala de valores
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:
Editor > Make Similar Graph
Histogram of Pulse2
30
Frequency
25
20
15
10
5
0
60
80
100
Pulse2
120
140
Para comparar los histogramas segn se haya corrido o no se tiene:
Graph > Histogram: Simple

Multiple Graphs:
Multiple Variable:
In separate panels of the same graph; Same scales for graphs X, Y
By Variable:
Ran
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
Panel variable: Ran
Pgina 20
90
100

2
0
50
60
70
80
90
100
Pulse1
Panel variable: Ran
3.3Distribucin normal estndar y distribucin normal

La teoria se puede consultar en el archivo de Word anexo:
Distribucin Normal.doc
Calc > Probability distributions > Normal

Da la ordenada de probabilidad
en un punto del eje horizontal
Da la probabilidad acumulada
o rea desde menos infinito hasta
los valores indicado en Input
Column o el valor indicado en
Input Constant
Da el valor para el cual se obtiene
la probabilidad acumulada que se
indica
Media cero y desv. Estndar uno
indica una distribucin normal
estndar, con otros valores
se trata de la distribucin normal
El rea total de probabilidad es de 1.0

La media es de cero y la desv. Estandar 1
Ejemplos:
Densidad de probabilidad

Seleccionar Probability Density
En Input Constant poner 1.5
Normal with mean = 0 and standard deviation = 1
x
f( x )
1.5 0.129518
Probabilidad acumulada

Seleccionar Cumulative Probability
x P( X <= x )
1.5
0.933193
Probabilidad acumulada inversa
Pgina 21


Seleccionar Inverse Cumulative Probability
P( X <= x )
x
0.9332 1.50006
Dibujo de la grfica de densidad normal (entre -4 a +4 con incrementos de 0.1)
Calc > Make Patterned data > Simple set of numbers

Store patterned data in C1
Columna para guardar los datos

Primer valor
ltimo valor
Incremento
Listar cada valor
Listar toda la lista
Columna de datos fuente

Columna de datos distribuidos normalmente
Graph > Scatter plot (With connect line)

Indicar en Y C1 y en X C1
En la grfica quitar los puntos dejando solo la lnea con doble click sobre la curva:
Attributes Symbols > seleccionar Custom y en Type None
Scatterplot of C2 vs C1
0.4
C2
0.3
0.2
0.1
0.0
-5
-4
-3
-2
-1
C1
Pgina 22

Para la parte sombreada bajo la campana se dibuja un polgono:
Editor > Annotation > Graph annotation tools

Seleccionar para el interior el color gris
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):
Calc > Make Patterned data > Simple set of numbers

Store patterned data in C1
Calc > Probability distributions > Weibull

se repiten los valores del 1 al 4 en el parmetro de forma
Graph > Scatterplot (With connect Line)

En la grfica seleccionar los puntos con doble click
Attributes, Symbols, Custom, Type None, Color Black

Con Editor > Annotation > Graph annotation tools
Con T escribir el texto de las opciones de las grficas de Weibull
Scatterplot of C2, C3, C4, C5 vs C1

1.6
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
Areas bajo la curva normal

Excel
=Distr.norm.estand( valor de Z)
Minitab
Calc > Probablity distributions > Normal

Cumulative probability, Mean 0, standar deviation 1
Input constant (valor de Z)
Media = 0
Optional storage (K1 o K2)
Data> Display data K1 K2
Calc > Calculator Store result in C1 Expresion K2 - K1
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
rea antes de Z = -1.5

rea despus de Z = 0.8
Restar a 1 o dar - Z
rea entre Z=-1.5 y Z=0.6
0.725747
Para cambiar el nmero de decimales mostrado en las columnas seleccionndolas y
Editor > Format column > Numeric
Fixed decimal with 8 u otro
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
Pvalue de prueba >0.05

Pvalue de prueba <= 0.05
Stat > Basic statistics > Normality Test

en Variable indicar la columna de Pesos
Seleccionar la prueba de Anderson Darling
Probability Plot of Peso en gr
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


Normal
99.9
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
Darling est en funcin de las

distancias entre los puntos y la
recta es mejor un valor menor
P Value indica la probabilidad
de equivocarnos al rechazar el
supuesto de normalidad cierto
10
5
1
0.1
3800
3900
4000
4100
Peso en gr
4200
Un valor P de menos de 0.05

indica que los datos no son
normales, en este caso si lo son.
4300
Otra forma de hacerlo es con:
Graph > Probability Plot: Single

en Graph Variable indicar la columna de Pesos
Normal - 95% CI
99.9
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
En la grfica se deben observar

la gran mayora de puntos dentro
del intervalo de confianza y
obtener un P value mayor a 0.05
para indicar que los datos siguen
una distribucin normal
10
5
1
0.1
3800
3900
4000
4100
Peso en gr
4200
4300
3.5Aplicaciones
MDULO 4. HERRAMIENTAS PARA ANLISIS - ESTADSTICA INFERENCIAL

4.1Clculo de probabilidades
Distribucin t de Student (para nmero de muestras menor a 30 o sigma desconocida)
Se usa para pruebas de hiptesis sobre medias de una y dos poblaciones
Requiere un parmetro adicional de Grados de Libertad (gl) = n -1
Excel
=Distr.t( valor de t, gl, colas)
rea bajo la curva
=Distr.t.inv( valor de probabilidad, gl)
Estadstico t para una cierta rea

El rea siempre se divide entre 2
Pgina 25

Calc > Probablity distributions > t

Inverse Cumulative probability, Degrees of freedom
Input constant (valor de la probabilidad alfa o rea bajo la curva)
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
Calc > Probablity distributions > F

Inverse Cumulative probability
Numerator Degrees of freedom; Denominator Degrees of Freedom

Estadstico F (valor a partir del cual inicia el rea bajo la curva alfa)
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
S1 debe ser mayor a S2
1- Alfa
Minitab
0.95
0.9
Estadstico F
en Minitab
3.17889
2.44034
Distribucin Chi Cuadrada (para probar hiptesis de la varianza de una poblacin)

Requiere un parmetro adicional de Grados de Libertad (gl) = n -1
Excel
=Distr.Chi( valor de Chi, gl)

=Prueba.Chi.inv( valor de probabilidad, gl)
Minitab
Calc > Probablity distributions > Chi Square

Inverse Cumulative probability
Degrees of freedom
Pgina 26
Excel
3.1788931045
2.4403404377


Estadstico Chi (valor a partir del cual inicia el rea bajo la curva alfa)
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
Estadstico Chi Cuadrado

en Minitab
Excel
16.919
16.9189776046
14.6837
14.6836565733
4.2Pruebas de hiptesis de una poblacin

Referirse a los materiales sobre Pruebas de hiptesis para la teora de estas pruebas
MinitabPruebaHiptesisRes.doc InterConfPruHipo1P.xls Pruebas Hipotesis 2 pob1.xls
Las pruebas de hiptesis permiten probar una afirmacin o rechazarla en relacin
a parmetros de la poblacin que pueden ser la media, varianza y proporcin con
nivel de confianza que normalmente es del 95% (con 5% de probabilidad de error).
Para las pruebas se toman muestras de las poblaciones y en base a la informacin
que proporcionen se infiere sobre el comportamiento del parmetro en la poblacin.
Caso 1. Prueba de una media poblacional cuando se conoce la varianza de la poblacin (en base a datos histricos)
Ho: Media = valor
Ha: Media Valor
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
Ha: Media 4000
Se introducen los valores en una sola columna C1 titulada Pesos del archivo Pesos.mtw anexo:
Stat > Basic Statistics > 1 - Sample Z
Indicar columna de datos
Esta seccin se usa cuando hay

Pgina 27

datos de media y muestras
Desviacin estndar histrica

Media a probar
Nivel de confianza
Hiptesis alternativa, tambin se

puede probar "Menor que" o
"Mayor que"
Permite seleccionar varios tipos de grficas
Individual Value Plot of Pesos

(with Ho and 95% Z-confidence interval for the Mean, and StDev = 25)
_
X
Ho
3920
3940
3960
3980
Pesos
4000
4020
4040
Si la Ho queda fuera de la lnea

azul, entonces se rechaza la
hiptesis nula Ho y se acepta la
hiptesis alterna Ha indicando
que los pesos son menores a
los 4 Kgs.
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
Ha: Media Valor
Stat > Basic Statistics > 1 - Sample t

Similar al anterior sin requerir el valor de la desviacin estndar
OneSampleT:Pesos
Testofmu=4000vsnot=4000
VariableNMeanStDevSEMean95%CITP
Pesos203985.7028.186.30(3972.51,3998.89)2.270.035
Las conclusiones son iguales que en el caso 1
Caso 3. Prueba de hiptesis para una proporcin

Ejemplo: Un producto tiene accesorios que se piensa nadie usa, se hace una encuesta
a 200 usuarios y 17 si usan los accesorios.
Para un 95% de confianza se confirma la sospecha de que menos del 10% de
usuarios usan estos accesorios?
Ho: Proporcin >= 0.10
Ha: Proporcin < 0.10
Stat > Basic Statistics > 1 - Proportion

Se usa a mano si np > 5 y n(1-p) > 5
sin embargo Minitab lo calcula
por el mtodo exacto
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

P value es mayor a 0.05, no se acepta la hiptesis alterna.

Es vlido decir que slo el 10% de los usuarios utilizan los accesorios
4.3Pruebas de hiptesis de dos poblaciones

Caso 1. Comparacin de dos medias - Muestras independientes
H: Media A - Media B = 0
Ha: Media A - Media B 0
Ejemplo: 10 pieles son curtidas usando el mtodo A y 10 usando el mtodo B, las

resistencias a la traccin son las siguientes:
Mtodo A
Mtodo B
24.3
24.4
25.6
21.5
26.7
25.1
22.7
22.8
24.8
25.2
23.8
23.5
25.9
22.2
26.4
23.5
25.8
23.3
25.4
24.7
Se puede decir que los dos mtodos producen resistencias a la traccin diferentes?
Usar un nivel de confianza del 95%.
Se colocan los valores en dos columnas diferentes C1 y C2 corresp. A Metodos A y B
Paso 1. Se realiza un anlisis de comparacin de varianzas poblacionales:
Ho: Varianza A = Varianza B
Ha: Varianza A Varianza B
Stat > Basic Statistics > 2 Variances
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
Stat > Basic Statistics > 2 - Sample t
La grfica de puntos individuales indica diferencia entre las muestras

I ndividual Value Plot of Mtodo A, Mtodo B
27
26
Data
25
24
23
22
21
Mtodo A
Mtodo B
Y los resultados de la prueba estadstica lo confirman:

TwosampleTforMtodoAvsMtodoB
NMeanStDevSEMean
MtodoA1025.141.240.39
MtodoB1023.621.240.39
Difference=mu(MtodoA)mu(MtodoB)
Estimatefordifference:1.52000
95%CIfordifference:(0.35037,2.68963)
TTestofdifference=0(vsnot=):TValue=2.74PValue=0.014DF=17
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 son diferentes
Caso 2. Muestras pareadas - Prueba si las diferencias entre sujetos son iguales.
Ho: Media de diferencias = 0
Ha: Media de diferencias
Pgina 31

Se utilizan cuando se trata de comparar el efecto de dos tratamientos a los mismos

sujetos u objetos, por ejemplo el peso de individuos antes y despus de una rutina.
Tambin se aplica cuando cuando antes de comparar se hacen parejas de sujetos
por ejemplo para comparar los promedios de alumos de dos universidades, primero
se forman parejas (dos ingenieros, dos administradores, dos arquitectos, etc.)
Ejemplo: Se hacen dos tratamientos superficiales para lentes A y B, se seleccionan
10 personas a las que se les instala uno de esos lentes en cualquier lado al azar.
Despus de un periodo se mide el deterioro (rayas, desgaste, etc.) de cada lente:
Persona
1
2
3
4
5
6
7
8
9
10
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
A un 95% de nivel de confianza

Se puede afirmar que los 2 tratamientos producen diferente deterioro en los lentes?
Se colocan los datos en las columnas C1 y C2 para los Lentes A y B.
Ho: Diferencia de medias = 0
Ha: Diferencia de medias 0
Stat > Basic Statistics > Paired t
Individual Value Plot of Differences

(with Ho and 95% t-confidence interval for the mean)
_
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
Ha: Proporcin A Proporcin B
Stat > Basic Statistics > 2 - Proportions
Se usa la seccin de datos

resumidos
Como Opciones NC = 95%
Alternate = Not equal, Test Dif = 0
Use Pooled estimate p for test
TestandCIforTwoProportions
SampleXNSamplep
1333000.110000
2222500.088000
Difference=p(1)p(2)
Estimatefordifference:0.022
95%CIfordifference:(0.0278678,0.0718678)
Testfordifference=0(vsnot=0):Z=0.86PValue=0.392
Como el cero si se encuentra en el intervalo de confianza de la
diferencia de las dos proporciones y el valor P value es mayor a 0.05
no se rechaza la hiptesis nula de igualdad de proporciones
o sea que no hay razn para decir que las proporciones sean diferentes.
Pgina 33

4.4Tamao de muestra y potencia

Potencia:
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
Caso 1. Prueba t de una media poblacional

Ejemplo: Se tiene una poblacin normal con media de 365 y lmites de especificacin
de 360 y 370. Si la media se desplaza 2.5 gramos por arriba de la media, el nmero de
defectos sera inaceptable, la desviacin estndar histrica es de 2.403:
CORRIDA DE 2.5 GRS. EN PROMEDI O

0.18
LIE 360
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
Stat > Power and Sample Size > 1 - Sample t

Completar el dilogo como sigue:
Pgina 34

Los resultados se muestran a continuacin:

PowerandSampleSize
1SampletTest
Testingmean=null(versusnot=null)
Calculatingpowerformean=null+difference
Alpha=0.05Assumedstandarddeviation=2.403
Se tiene un 53.76% de Potencia para detectar
una diferencia de 2.5 si se usan 6 muestras
O sea que hay una probabilidad del 46.24%
que no se rechaze Ho y se concluya que no
hay diferencia significativa.
Sample
DifferenceSizePower
2.560.537662
cuntas muestras se requieren para tener un 80% de probabilidad de detectar

el corrimiento, y para 85%, 90% y 95%?
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.

PowerandSampleSize
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:
Proporcin que se desea detectar con alta

probabilidad (0.80, 0.90)
Es la proporcin de la Hiptesis nula

TestforOneProportion
Testingproportion=0.02(versus>0.02)
Alpha=0.05
AlternativeSampleTarget
ProportionSizePowerActualPower
0.043910.80.800388
Pgina 36

0.045800.90.900226
Si se desea saber la Potencia si se utiliza un tamao de muestra de 500 se tiene:
Stat > Power and Sample Size > 2 - Proportions

Proportion 1 value 0.02
Sample sizes = 500 Alternative values of p = 0.04
Options: Greater Than
Significance Level = 0.05
TestforOneProportion
Testingproportion=0.02(versus>0.02)
Alpha=0.05
AlternativeSample
ProportionSizePower
0.045000.5828
Por tanto con un tamao de muestra de 500, la potencia de la prueba para detectar
un corrimiento de 2% a 4% es del 86.6%
4.5Anlisis de varianza (ANOVA)

Para la teora revisar el artculo anexo en el archivo ANOVARes.Doc
El Anlisis de Varianza es una prueba de hiptesis que trata de probar la
igualdad de varias medias al mismo tiempo:
Requiere que las poblaciones sean normales y con varianza similar.

ANOVA de una va con datos de tratamientos en diferentes columnas:
Ejemplo: Los tcnicos de una fbrica de papel hacen un experimento de un factor
para ver que variedad de rbol produce menos fenoles en los desechos de pasta de
papel. Se colectan los siguientes datos en porcentajes:
A
1.9
1.8
2.1
1.8
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:
Stat > ANOVA > One Way (Unstacked)
Pgina 37

Los residuos deben mostrar

un comportamiento normal
y aleatorio alrededor de la media
para que el anlisis sea vlido
OnewayANOVA:A,B,C
SourceDFSSMSFP
Factor20.90000.45008.440.005
Error120.64000.0533
Total141.5400
Como el valor P value es menor

a 0.05 existe una diferencia
significativa entre algunas medias
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
Stat > ANOVA > One Way
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

4.6Correlacin y Regresin lineal y cuadrtica simple

Revisar el archivo anexo sobre Anlisis de RegresinRes.doc para conceptos de teora.
Coeficiente de Correlacin
Establece si existe una relacin entre las variables y responde a la pregunta,
Qu tan evidente es esta relacin?".
La correlacin es una prueba fcil y rpida para eliminar factores que no influyen
en la prediccin, para una respuesta dada.
* Es una medida de la fuerza de la relacin lineal entre dos variables x y y.
* Es un nmero entre -1 y 1
* Un valor positivo indica que cuando una variable aumenta, la otra variable aumenta
* Un valor negativo indica que cuando una variable aumenta, la otra disminuye
* Si las dos variables no estn relacionadas, el coeficiente de correlacin tiende a 0.
Ejemplo:
Se utiliza el archivo PULSE.MTW campos Peso (Weight) y Altura (Height)
File > Open Worksheet > Pulse.Mtw
o copiar los datos del archivo anexo
Antes de calcular el coeficiente de correlacin se sugiere hacer un diagrama

bivariante para identificar posibles valores anmalos, relaciones no lineales, etc.
Graph > Scatterplot: Simple
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:
Stat > Basic Statistics > Correlation

Seleccionar en Variables Weight Height
Seleccionar Display P values
Los resultados son los siguientes:
Correlations:Weight,Height
PearsoncorrelationofWeightandHeight=0.78 Coeficiente de correlacin
PValue=0.000
Como el P value es menor a 0.05, la correlacin si es significativa
Si se agrega la variable "Pulse1":
Correlations:Weight,Height,Pulse1
WeightHeight
Height0.785
Correlaciones
0
P values
Pulse10.2020.212 Correlaciones
0.0530.043 P values
CellContents:Pearsoncorrelation
PValue
Regresin simple por medio de grfica:
Stat > Regression > Fitted line Plot

Seleccionar en Response (Y) Weight y en Predictor (X) Height
Seleccionar modelo Linear aunque puede ser Quadratic o Cubic
Ecuacin de
Regresin
S Desv. Estandar de
los residuos
(valor real-estimado
por la regresin)
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:
Stat > Regression > Regression

Seleccionar en Response Weight y en Predictors Height
RegressionAnalysis:WeightversusHeight
Theregressionequationis
Weight=205+5.09Height
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

se marcan con X y pueden sesgar los resultados, se sugiere investigarlos.

Por ejemplo:
Usando el archivo PUNTOS_RX.MTW anexo:
Y=yyX=x
Stat > Regression > Regression

Seleccionar en Response Y y en Predictors X
UnusualObservations
ObsXYFitSEFitResidualStResid
512.540.00024.3430.48315.6574.55R
5212.060.00063.0562.1783.0561.13X
Rdenotesanobservationwithalargestandardizedresidual.
XdenotesanobservationwhoseXvaluegivesitlargeinfluenc
Regresin simple con datos transformados:
En algunos casos el ajuste se mejora mucho si se transforman los datos:
Por ejemplo usando los datos del archivo CEREBRO.MTW anexo que tiene los pesos
del cerebro y los pesos del cuerpo en 62 especies de mamferos se tiene:
Haciendo una grfica de dispersin bivariada se tiene:
Y = Peso cerebro y X = Peso total
En este caso los pesos de los elefantes pueden sesgar la ecuacin de la recta
Pgina 43

no se pueden eliminar como anmalos y se intentar transformarlos en forma

logartmica:

Seleccionar en Response (Y) Peso Cerebro y en Predictor (X) Peso Cuerpo
Seleccionar modelo Linear aunque puede ser Quadratic o Cubic
En Options seleccionar lo siguiente:
Como resultado se obtiene una grfica mucho ms uniforme:
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
Regresin simple cuadrtica:

Usar el archivo RESIDUOS.MTW anexo o copiar los datos de las columnas X, Y a Minitab

Seleccionar en Response (Y) Y, Predictor (X) X
Seleccionar modelo Linear
En Options seleccionar Display Confidence Interval y Prediction Interval:
En Graphs seleccionar Residuals vs Fits
Aparece la grfica siguiente de residuos que no varian aleatoriamente alrededor
de la media, sino ms bien con un patrn que sugiere un modelo cuadrtico:
Pgina 44

Repitiendo las instrucciones anteriores pero para modelo
Quadratic se tiene:
Los residuos aparecen en forma aleatoria indicando un modelo adecuado.
4.7Aplicaciones
Pgina 45

MDULO 5. CONTROL ESTADSTICO DEL PROCESO

Para la teora sobre el CEP ver archivo Cartas de Control.doc o el Curso de CEP
5.1 Cartas de control por variables: X media - R, I-MR, X media - S

Carta X - R
Carta de Medias Rangos, funciona mejor para subgrupos menores a 10.

Ejemplo: En una planta automotrz una flecha debe tener 600 mm 2 mm de longitud
sin embargo ha habido dificultades con dar esta dimensin con problemas de ensamble
que resultan en un alto porcentaje de retrabajo y desperdicio. Se dese monitorear esta
caracterstica con una carta X media - R durante un mes se colectan 100 mediciones
(20 muestras de 5 flechas cada una) de todas las flechas utilizadas en la planta de los dos
proveedores que las surten SUPP1 y SUPP2, primero se analiza al SUPP2.
Carta de Control X-R usando el archivo CAMSHAFT.MTW.
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
Para omitir subrupos con los que el proceso sale de control

Omit the following subroup when est. parameters (2 14)
Method for estimating standar deviation seleccionar R bar
Pgina 46

S limits
Para mostrar lmites en 2 y 3 (default) sigmas u en otra sigma

Display Control Limts at These multiples of std. Dev. (2 3)
Tests
Definir las pruebas estadsticas fuera de control a ser indicadas

1 point > 3 std. Dev. From center line
7 points in a row all increasing and all decreasing
7 points in a row on same side of center line
Stages
Para mostrar diferentes etapas de desempeo del proceso

Define stages (historical groups) with this variable xxx
Box Cox
Para transformar datos sin un comportamiento normal

Optimal Lamda
Display
Si se quiere condicionar el despliegue de subgrupos

Display all subgroups Display last xx subgroups
Store
Para guardar los datos mostrados en la carta de control

Mean; Std Dev; Point Plotted; Center line; Control limits
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.
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
Editor > Enable Commands
En C3 poner
125 unos
75 doces
fin
. E Intro
Editor > Enable Commands
El nombre de la columna se pone a mano OPERARIO

Pgina 48

Carta de control de medias usando archivo
VITA_C.MTW
Stat > Control Charts > Variables Charts for Subgroups > Xbar
Seleccionar All observations for a chart are in one column, seleccionar Peso
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:
Los patrones anormales detectados son:

TestResultsforXbarChartofPesobyOperario
TEST5.2outof3pointsmorethan2standarddeviationsfromcenterline(on
onesideofCL).
TestFailedatpoints:23
TEST6.4outof5pointsmorethan1standarddeviationfromcenterline(on
onesideofCL).
Carta de control de rangos usando archivo
VITA_C.MTW
Stat > Control Charts > Variables Charts for Subgroups > R
OK
Pgina 49

Carta de control de Desviacin estndar S de archivo
VITA_C.MTW
Stat > Control Charts > Variables Charts for Subgroups > S
OK
Carta de control de lecturas individuales de archivo
CAMSHAFT.MTW
Utilizando los datos del archivo CAMSHAFT

Se copian o se carga el archivo Worksheet de Minitab 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

Varios puntos salen de control por lo que el proceso no es estable:

TestResultsforIChartofSupp1
TestFailedatpoints:39,55,82
TestResultsforMRChartofSupp1
Excluyendo los puntos PARA LOS CLCULOS que salen de control se tiene:
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.
Repitiendo la operacin anterior para los puntos 1, 21, 36 se tiene:

Seleccionar Row Numbers 1 21 36 34 39 55 56 82
Otra alternativa es
eliminar fsicamente los
puntos que salen de
control con la opcin
Delete Cells de Minitab
El proceso es bastante estable

Carta de lecturas individuales usando el archivo
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:
Data > Copy > Columns to Columns

Copy from columns Hora pH Cl
Nota: Nombrar las columnas C5, C6 y C7 con Hora V, pH V y Cl V respectivamente
Store copied Data in Columns In current worsheet in columns 'Hora V' 'pH V' 'Cl V'
Quitar seleccin de Name the columns containing the copied data
Seleccionar Subset the Data
Seleccionar Rows that Match Condition Fecha = DATE("08/11/2002")
funcin seleccionada Date (From text)
OK OK
Obteniendo la carta de control de lecturas individuales se tiene:
Stat > Control Charts > Variable charts for individuals > I-MR
Variable pH V
Scale > Time: Stamp 'Hora V' 'Cl V'
OK
Uso de la funcin Stamp
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
Excluye el punto fuera de

control y muestra los
lmites de control a
una, dos y tres sigmas
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
Carta deRangos Mviles usando el archivo
CLORO.MTW
Stat > Control charts > Variable chart for individuals > Moving range
Variable 'pH V'
Pgina 53

Carta de control de valores individuales y rangos mviles usando archivo
CLORO.MTW
Stat > Control charts > Variable chart for individuals > I-MR
Variable 'pH V'
Carta de control X-S usando el archivo
OK
CAMSHAFT.MTW
Se utilizan los datos del archivo CAMSHAFT.MTW anexo

Se usa para monitorear proveedores o grupos de mquinas
funciona mejor con tamaos de muestra >= 10
Tomando los datos de SUPP2 se tiene:
Stat > Control Charts > Variables Charts for Subgroups > Xbar-S.
Existe otra alternativa Observations for a subgroup are in a row of columns
En Subgroup sizes, poner 10. Click OK.
Pgina 54

Como hay un punto fuera de control, se excluyen los valores 61 a 70:

En Data Options seleccionar Specify which rows to exclude Rows 61:70.
5.2 Estudios del sistema de medicin R&R

Revisar la teora de estudios en sistemas de medicin en articulo en archivo R&R.doc anexo
En las mediciones se presentan dos tipos de errores:
Error por el equipo mismo se denomina error de repetibilidad
Se obtiene al repetir la misma medicin en el mismo ambiente de trabajo
y tambin por la misma persona, usando el mismo equipo.
Error de reproducibilidad
Causado por diferencias entre operadores al revisar las mediciones
Minitab ofrece varias alternativas de estudios a realizar:
1. Gage Run Chart: Anlisis grfico de los resultados como primeras conclusiones
2. Gage Linearity and Bias Study: es igual el error en todo el rango de magnitudes a medir?
3. Gage R&R Study (Crossed): Estudios de repetibilidad y reproducibilidad (R&R)
para estudios cruzados (ms comunes). Todos los operadores miden todas las piezas
varias veces, utilizados principlamente para caractersticas dimensionales.
4. Gage R&R Study (Nested): Estudios de repetibilidad y reproducibilidad (R&R). Para estudios
anidados (pruebas destructivas). Un operario mide varias piezas en lugar de una lo ms
parecidas posible (con variabilidad mnima) de forma que parezca una sola pieza.
En este caso cada operario mide solo una parte de las piezas.
5. Atribute Gage Study (Analytical Method): Estudios R&R para atributos
(caractersticas no medibles)
Diseos Cruzados (Crossed): Los operadores miden todas las piezas dos o tres veces
normalmente caractersticas dimensionales
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
Las piezas son diferentes

ver pieza 2 y 3 versus la
8y9
El operario 2 tiene ms
variabilidad en sus
mediciones y adems
tiende a tener valores por
debajo de los otros 2
Estudio R&R (Crossed)
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
Total89438.145
Tabla de componentes de la Varianza (informativa)
Varianza
SourceVarComp(ofVarComp)
TotalGageR&R2.0801738.10
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
Parte a parte: Variacin entre las partes real

Variacin total: Combinacin de las anteriores
Error R&R
<10% crtica
Ventana de grficas
<30% no crtica
Pgina 57

Operario 2 tiene una

Media ms baja
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
File > Open worksheet > Gageaiag (en carpeta DATA)

Realizar el estudio R&R de acuerdo a lo siguiente:
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
significativa, el operador
Total592.24913
tiene interaccin con las
partes
GageR&R
%Contribution
SourceVarComp(ofVarComp)
TotalGageR&R0.004437510.67
Reproducibility0.00314587.56
Operator0.00091202.19
Operator*Part0.00223385.37
Pgina 58

PartToPart0.037164489.33
TotalVariation0.0416019100.00
Debe ser menor al 10% (AIAG)

o menores al 25% (otras industrias)
StudyVar%StudyVar%Tolerance
TotalGageR&R0.0666150.3430632.6617.15
Repeatability0.0359400.1850917.629.25
Operator0.0302000.1555314.817.78
Operator*Part0.0472630.2434023.1712.17
PartToPart0.1927810.9928294.5249.64
TotalVariation0.2039651.05042100.0052.52
NumberofDistinctCategories=4 Es adecuado mnimo 4
Si hay interaccin entre

operadores y partes,
debe revisarse el mtodo
de medicin
La carta R esta dentro de control
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
TotalGageR&R1.373177.0718197.9270.72
Pgina 59

Repeatability1.135295.8467680.9558.47
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
Number of Distinct Categories = 1
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
La ecuacin de regresin es Diferencia = 0.7367 - 0.1317 Master

Linealidad = Pendiente * Ancho de variacin del proceso = 0.1317*14.1941 = 1.8689
% De linealidad = Pendiente de la recta * 100 = 0.1317*100 = 13.17% del rango de
magnitudes a medir
Sesgo (Bias) = Promedio de diferencias entre el valor real y el valor patrn
% De sesgo = |Sesgo| / Ancho del proceso * 100 = (-0.053/14.1941)*100 = 0.3757
El sesgo introducido por el sistema de medida es aprox. del 0.4% de la
variacin total
5.3 Estudios de capacidad de procesos para variables normales

Capacidad de procesos en base a carta X media - R
Para la teora revisar el artculo Capacidad de proceso.doc anexo
Se usa el archivo de datos VITA_C.MTW de pesos de comprimidos anexo.
La capacidad del proceso es la capacidad que tiene para cumplir especificaciones una
vez que muestra estabilidad o esta dentro de control estadstico.
Stat > Quality Tools > Capability Anlisis > Normal

Seleccionar R bar
Especificaciones
Boundary se usa cuando
es imposible tener piezas
fuera de este lmite
Sigma = R medio / d2 (constante)
El proceso debe estar en control
Variabilidad dentro de subgrupos (Within)

Variabilidad global (Overall)
Sigma = Desv. Estandar / c4 (cte.)

No importa si el proceso est
Pgina 61

fuera de control estadstico
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
Desv. Std. Overall = raiz (17.91) = 4.23

Se aplica una constante de correccin
C4 que en este caso es 0.9776
Var 2=1.67
Var 3 = 2.92
Var Within = Promedio de Var 1, Var 2 y Var 3 = 2.5

Desv. Std. Within = raiz (2.5) = 1.58
Capacidad de procesos en base a carta I-MR

Ejemplo: Se mide el porcentaje de humedad en muestras tomadas cada 15 minutos de
alimentos para perros, su especificacin es del 6 al 15%
Los valores obtenidos son los indicados en el archivo HUMEDAD.MTW anexo:
Stat > Quality Tools > Capability Anlisis > Normal

Seleccionar Single Column %Humedad Subgroup size 1
Lower Spec 6 Upper spec 12
Estimate seleccionar R bar

OK
Pgina 62

El Cpk es menor a 1
el proceso no es
capaz para cumplir
con especificaciones
El proceso no tiene una capacidad suficiente de Cpk >1

Opcin Six Pack para una informacin resumida:
Stat > Quality Tools > Capability Sixpack > Normal

Seleccionar Single Column %Humedad Subgroup size 1
Lower Spec 6 Upper spec 12
Estimate sel. R bar

OK
Identificando posibles causas con una grfica de serie de tiempo se tiene:
Stat > Time series > Trend Analysis

Variables %Humedad
seleccionar Linear
OK
Se observa que el %
ha ido aumentando con
el tiempo por alguna
razn a lo largo del da
Pgina 63

5.4 Estudios de capacidad de procesos para variables no normales

Cuando los datos no son normales, se pueden intentar transformar con:
Transformacin de Box Cox
Identifica la potencia lamda a la que hay que elevar los datos para que sigan una distribucin normal.
Ejemplo: Se mide la torcedura que tienen los ladrillos en un horno, los datos se encuentran
en el archivo TILES.MTW anexo
Haciendo una prueba de normalidad con:
Stat > Basic statistics > Normality test

Variable Warping
Anderson Darling
Se obtiene un valor P de 0.01 indicando que los datos no son normales.
Ahora se transforman los datos por el mtodo de Box Cox:
Stat > Quality tools > Capability analysis > Normal

Single column - Warping Subgroup size - 1 Lower spec 0 Upper Spec 8
Box Cox seleccionar Box Cox Power transformation y Optimal Lamda
Cpk = 0.78 el proceso

no es capaz de cumplir
especificaciones.
Ppk es igual a 0.74
Mtodo de Weibull - Se aplica para distribuciones sesgadas a la derecha
Stat > Quality tools > Capability analysis > Nonnormal

Single column - Warping
OK
Lower spec 0 Upper Spec 8
Ppk es igual a 0.73
Pgina 64

5.5 Cartas de control por atributos

Para la teora ver articulo sobre Cartas de Control.doc y el Curso de CEP
Se usan estas cartas para cuando las caractersticas se juzgan como pasa o no pasa
Carta P de proporcin o fraccin de unidades defectuosas, no conformes o defectivas
Ejemplo: El archivo MOTORES.MTW contiene datos de motores pequeos producidos
y los que al final del proceso han resultado defectuosos, correspondientes a 6 semanas.
Carta de control p usando el archivo MOTORES.MTW
Stat > Control Charts > Attrutes chart > P

Variables Defectuosos
Subgroup sizes Produccin
OK
Se tienen lmites de
control variables por
ser el tamao de muestra
variable
TestResultsforPChartofDefectuosos
Aproximando el tamao de muestra a su promedio se tiene n = 1350
Stat > Control Charts > Attrutes chart > P

Subgroup sizes 1350
OK
Pgina 65

Carta de control NP para el nmero de defectuosos o no conformes

Ejemplo: El archivo CATETER.MTW contiene datos de cateters defectuosos encontrados
al inspeccionar muestras de 100 piezas cada hora observando la calidad de la soldadura.
Carta de Control np usando el archivo CATETER.MTW
Stat > Control Charts > Attributes chart > NP

Subgroup sizes 100
OK
TestResultsforNPChartofDefectuosos
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
Stat > Control Charts > Attributes chart > NP

Subgroup sizes 100
NP Chart Options Estimate Omit the following subgroups when estimating parameters 18
Data Options seleccionar Especify which rows to exclude seleccionar Row numbers 18
OK
Pgina 66

Carta de control C para defectos por unidad de inspeccin constante

Ejemplo: Se usa el archivo VISITAS_WEB.MTW el cual se encuentra anexo y describe
el nmero de visitas recibidas en una pgina Web durante octubre y noviembre 2002
indicando tambin la fecha y da de la semana
Carta de control C usando el archivo VISITAS_WEB.MTW
Stat > Control Charts > Attributes chart > C

Variables Visitas
OK
TestResultsforCChartofVisitas
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:
Stat > Control Charts > Attributes chart > C

Variables Visitas
Data Options
C Chart OptionsData Options
Pgina 67

Omitir los puntos 10 y 11

en el reclculo de lmites
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
Stat > Control Charts > Attributes chart > U

Variables Numero Manchas
Subgroup size Superficie
OK
Los lmites de control

son variables debido a
que el tamao de muestra
es variable
Pgina 68

El proceso est en control estadstico
5.6 Estudios de capacidad por atributos

Estudio de capacidad para variables que siguen una distribucin binomial (fraccin defectiva)
Ejemplo: Se usa el archivo BANCO.MTW anexo que contiene por diferentes agencias
bancarias, el nmero de clientes no satisfechos de entrevistas a 50 en cada una.
Stat > Quality tools > Capability Analysis > Binomial

Defectives Descontentos
Sample size seleccionar Constant size 50
Target 0
OK
TestResultsforPChartofDescontentos
TestFailedatpoints:6,13,28
3 puntos fuera de control
Puntos fuera de control
Meta 0 defectuosos
La grfica acumulativa debe
acabar estabilizandose cerca
Intervalos de confianza y ppm de defectuosos
del valor medio para indicar

que el tamao de muestra
La Z del proceso es 0.75 que es muy baja,
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

Estudio de capacidad para variables que siguen una distribucin de Poisson (nmero de defectos)
Se usa como ejemplo el archivo
PINTADO_HORNO.MTW anexo el cual contiene
detectados en 40 piezas consecutivas.
Stat > Quality tools > Capability Analysis > poisson

Defects Nmero de defectos
Constant size 1
Target 0
OK
El proceso es estable en torno a 3 defectos por unidad.
El nmero de muestras es suficiente
Los valores siguen una distribucin

de Poisson
5.7 Cartas de control especiales (EWMA y CuSum)
Pgina 70

Grfica de Sumas acumuladas ( CuSum )

Se usa para registrar al centro del proceso.Se corre en tndem (una tras otra)
Es ms sensible que la grfica X al movimiento de los pequeos cambios sostenidos
en el centro del proceso.
Es ms sensible que la grfica X al movimiento de separacin gradual del centro del proceso.
Es menos sensible que la grfica X al desplazamiento grande e nico del centro del proceso.
Se puede aplicar a las Xs o a las Xs individuales
Sus parmetros clsicos son h = 4; k = 0.5
Son ms eficientes que las cartas de Shewhart para detectar pequeos corrimientos en la
media del proceso (2 sigmas o menos)
Para crear la carta Cusum se colectan m subgrupos de muestras, cada una de tamao n y
se calcula la media de cada muestra Xi-media. Despus se determina Sm o Sm como sigue:
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
OK
No se observa que el
proceso tenga corrimiento
o est fuera de control
Carta de Sumas acumuladas con Lmites Superior e inferior
Stat > Control Charts > Time Weighted Charts > Cusum
En Subgroup sizes, poner 5. Target 0.0
OK
Pgina 71

Los puntos 4-10 estan

fuera de lmite superior
de control, el proceso
est fuera de control
Se tienen corridas por
arriba del lmite superior
de control, no visibles en
la carta X-R anterior
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
Indica situacin fuera

de control en el punto
de medicin actual
Pgina 72

Carta EWMA de promedios mviles ponderados exponencialmente

Monitorea un proceso promediando los datos de tal forma que les da cada vez menos
peso conforme son removidos en el tiempo. Tiene sensibilidad simlar a la de la Cusum
Es ms sensible que la carta X al movimiento de separacin gradual de la media del proceso.
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
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

Fuera de control el punto 6
5.8 Muestreo por atributos

Para la teora ver el documento Muestreo de Aceptacin.Doc anexo
Clculo de la probabilidad de aceptacin -Curva caracterstica de operacin (OC)
La probabilidad deaceptar lotes con una cierta fraccin defectiva p
en base a un tamao de muestra n utilizando la distribucin Binomial es:
Excel
=distr.binom(x, n, p, 1) con x=Defectuosos aceptados,

n -muestra, p -fraccin defectiva
Minitab
Calc > Probability distributions > Binomial

seleccionar Cumulative Probability
Poner en Trials n Prob. Success p
En Input constant x (para cada una de las p's)
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
Fraccin def. en lote - p
Por ejemplo si el lote tiene un 2% de defectivo y se toman muestras de

n = 89, aceptando hasta con c = x = 2 defectivos, se aceptan 74 lotes
de cada 100 lotes que enve el proveedor con esta fraccin defectiva
Clculo del nivel de calidad promedio de salida (AOQ) en inspeccin rectificadora
La inspeccin rectificadora se refiere a que los lotes que son
rechazados al aplicar el plan de muestreo se reingresan al cliente
una vez que se seleccionan al 100%, reduciendo la fraccin def. total.
La fraccin defectiva que se ingresa al almancn AOQ una vez que
se aplica el plan de muestreo n = 89, c = 2 es:
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
Por ejemplo si el lote tiene un 2% de defectivo y se toman muestras de

Pgina 75

n = 89, aceptando hasta con c = x = 2 defectivos aceptables

Lo anterior est plasmado en tablas de muestreo de aceptacin por
atributos indicadas en el artculo de Muestreo de Aceptacin.Doc
5.9 Aplicaciones
MDULO 6. DISEO DE EXPERIMENTOS

6.1 Cartas Multivari
Las cartas Multivari permiten observar en una sola carta el
comportamiento de varias fuentes de variacin. Para la teora se
anexa un archivo Cartas Multivari.doc.
Carta Multivari con tres fuentes de variacin
Ejemplo: Una empresa produce ejes para rotores elctricos con
dimetros de 0.250 0.001 mm, sin embargo el Cp es de 0.8
lo que significa que el proceso tiene una variabilidad excesiva.
La variabilidad considerada al tomar los datos se estima que proviene
de las siguientes fuentes:
** Diferencia de dimetros en los extremos del eje izquierdo y derecho.
** Diferencia de dimetro mximo y mnimo en una misma posicin
que implica falta de redondez
** Variacin de una pieza a otra producidas en forma consecutiva
** Variacin a lo largo del tiempo (largo plazo)
Las cartas Multivari nos permiten visualizar estas fuentes de variacin:
Los datos del archivo ROTOR.MTW anexos indican lo siguiente:
Pgina 76

Hora: Hora de toma de muestra

Eje : Nmero de eje
Posicin: indica si se trata de dimetro mnimo o mximo medido
Diametro: Valor del dimetro
Stat > Quality tools > Multi Vari Chart

Response Diametro
Factor 1 Posicin Factor 2 Eje Factor 3 Hora
OK
Como se puede observar las variabilidades en orden de importancia son:

*** Por el paso del tiempo
** Falta de redondez
* Entre partes
Se pueden eliminar las lneas de conexin con Options y eliminando la marca

en Connect Means for Factor 1
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

"Inclinacin" donde se indica si corresponde a la izquierda o a la derecha.

Para crear la columna "Inclinacin" se tiene:
Calc > Make Patterned Data > Text Values

Store Patterned Data in Inclinacin
Test Values Izq Der
List each value 2
List the whole sequence 15
Para crear la columna "Redondez" se tiene:
Calc > Make Patterned Data > Text Values

Store Patterned Data in Redondez
Test Values Min Max
List each value 1
List the whole sequence 30
y se corre de nuevo la carta Multivari
Stat > Quality tools > Multi Vari Chart

Response Diametro
Factor 1 Eje Factor 2 Redondez Factor 3 Hora Factor 4 Inclinacin
OK
6.2 Diseo de experimentos factoriales completos de ms de dos niveles

Ver el archivo Diseo de experimentos.doc para la teora.
Se estudia el rendimiento de un proceso qumico (Y), donde se piensa que los factores
que mayor influencia tienen son la temperatura y la presin (X1, X2).
Pgina 78

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
PASO 1. GENERAR EL DISEO FACTORIAL DE ACUERDO AL EXPERIMENTO
NOTA: Si se introducen los nombres y valores reales de los factores

en lugar de 1, 2 y 3 aparecen en la tabla los niveles reales.
PASO 2. CARGA DE DATOS DE LA COLUMNA DE RESPUESTA CORRESPONDIENTE A CADA
COMBINACION DE FACTORES DESPUS QUE MINITAB GENERO EL DISEO O ARREGLO
StdOrder
RunOrder
PtType
Blocks
TEMP
PRESION
1
1
1
1
150
200
2
2
1
1
150
215
3
3
1
1
150
230
4
4
1
1
160
200
5
5
1
1
160
215
6
6
1
1
160
230
7
7
1
1
170
200
8
8
1
1
170
215
9
9
1
1
170
230
10
10
1
1
150
200
11
11
1
1
150
215
12
12
1
1
150
230
13
13
1
1
160
200
14
14
1
1
160
215
15
15
1
1
160
230
16
16
1
1
170
200
17
17
1
1
170
215
18
18
1
1
170
230
Pgina 79

PASO 3. ANALIZAR EL MODELO DEL DISEO DE EXPERIMENTOS FACTORIAL COMPLETO
CONCLUSIONES EN RESIDUALES
Residuales vs Y estimada
deben ser aleatorios
Grfica Normal de residuales

deben aproximarse a la lnea recta
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
De aqu se seleccionan los mejores niveles de acuerdo al resultado deseado. Si la interaccin

es significativa, los mejores niveles se seleccionan de las grficas de interacciones, de otra
forma se seleccionan de las grficas de efectos de los factores principales.
Para maximizar el
rendimiento se selecciona:
Temperatura = 3 o 170
Presin = 2 o 215 psig.
Esta grfica no es utilizada

debido a que la interaccin
no fue significativa
Pgina 81

6.3 Diseo de experimentos factoriales completos de dos niveles (2K)

Ejemplo: En un proceso de fabricacin de Mofles se desea mejorar el proceso
de soldadura en un componente de acero inoxidable. Para lo cual se realiza un
diseo de 2 factores y 3 niveles.
Factor
A. Caudal de gas (l/min.)
B. Intensidad de Corriente (A)
C. Vel. de Cadena (m/min.)
Nivel bajo
8
230
0.6
Nivel Alto
12
240
1
Como respuesta se toma la calidad del componente en una escala de 0 a 30

entre mayor sea mejor calidad
Paso 1. Generar diseo
Stat > DOE > Factorial > Create Factorial Design

Seleccionar 2-Level factorial (default values); Number of factors 3
Designs: Seleccionar Full Factorial
Factors: Caudal 8 12 Intensidad 230 240 Vel. 0.6 1
Options: Quitar bandera de Random
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
Paso 3. Analizar el diseo
Stat > DOE > Factorial > Analyze Factorial Design

Response Y
Graphs: Seleccionar Normal Pareto Alpha = 0.05
Residual for Plots Standardized
Pgina 82
Y
10
26.5
15
17.5
11.5
26
17.5
20

Seleccionar Normal Plot y Residuals vs Fits

Results Seleccionar todos los trminos con >>
OK OK
Los resultados se muestran a continuacin.
Como es una sola rplica no hay residuos
La ecuacin del modelo se puede formar a partir de los siguientes coeficientes:

EstimatedCoefficientsforYusingdatainuncodedunits
TermCoef
Constant893.750
Caudal102.625
Corriente3.75000
Velocidad186.250
Caudal*Corriente0.425000
Caudal*Velocidad30.0000
Corriente*Velocidad0.750000
Caudal*Corriente*Velocidad0.125000
Y = -893.750 + 102.625 Caudal +
- 0.425 Caudal*Corriente
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
Stat > DOE > Factorial Plots

Seleccionar Main Effects Plot: Setup: Response Y; Pasar Intensidad, Caudal y Vel. Con >>
Seleccionar Interaction Plot: Setup: Response Y; Pasar Intensidad, Caudal y Vel. Con >>
Seleccionar Cube Plot: SetUp >> Response Y; Pasar Intensidad, Caudal y Vel. Con >>
OK
El nico factor
significativo es A
La interaccin significativa
es AB
Los mejores resultados
se obtienen con:
Corriente = 230
Caudal = 12
El cubo proporciona los

valores de las respuestas
Pgina 84

en las diferentes
combinaciones de los
factores
Es el mejor resultado
La experimentacin podra continuar en esta direccin

Paso 5. Obtener las grficas de contornos y de superficie de respuesta
Stat > DOE > Contour and Surface Plots

Seleccionar Contour Plot: Setup: Response Y; Pasar Intensidad, Caudal y Vel. Con >>
Seleccionar Surface response Plot: Setup: Response Y; Pasar Intensidad, Caudal y Vel. Con >>
Seleccionar Cube Plot: SetUp >> Response Y; Pasar Intensidad, Caudal y Vel. Con >>
OK
Paso 6. Obtener una ampliacin de la respuesta en la zona de Y = 21 a 24

Stat > DOE > Factorial > Overlaid Contour Plot
Seleccionar en Response Y
Seleccionar en Settings Hold Extra factors in Low setting
Seleccionar en Contours Low 21 High 26
OK
Pgina 85
Probar con High y Middle settings

Paso 7. Obtener una respuesta optimizada

Stat > DOE > Factorial > Response Optimizer
Seleccionar en Response Y
Seleccionar en Options Caudal 10 Intensidad 235 Velocidad 0.8
Seleccionar en Goal Maximize Lower 21 Target 26
OK
Seleccionar y mover las lneas de cada factor hasta obtener el mximo rendimiento:
6.4 Diseo de experimentos fraccionales (1/4) de dos niveles:

Ejemplo: Para mejorar la adherencia en un proceso de etiquetado se realiza el siguiente experimento:
Factor
Nivel Bajo
Nivel Alto
A. Tipo de cola
X
Y
B. Temperatura
30
40
C. Cantidad
2
3
D. Temp.sec.
80
90
E. Presin
1
1.5
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
Stat > DOE > Factorial > Create Factorial Design

Seleccionar 2-Level factorial (default values); Number of factors 5
Designs: Seleccionar 1/4 fraction
Factors: Nombre de cada factor y sus niveles bajo y alto
Options: Quitar bandera de Random
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
Stat > DOE > Factorial > Analyze Factorial Design

Response Y
Graphs: Seleccionar Normal Pareto Alpha = 0.05
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
Los factores significativos se observan de las grficas siguientes
Son significativos los

factores A, B, D
Pgina 87

Son significativos los

factores A, B, D
Paso 4. Obtener las grficas factoriales para seleccionar los mejores niveles de operacin
Stat > DOE > Factorial Plots

Seleccionar Main Effects Plot: Setup: Response Y; A, B, D
Seleccionar Cube Plot: SetUp >>
OK
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:
Pgina 89

Curso Taller Minitab Basico

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Curso Taller Minitab Basico

Cargado por

Copyright:

Formatos disponibles

TALLER DE APLICACIN DE MINITAB

PARA LA MEJORA Y SOLUCIN DE PROBLEMAS

CURSO TALLER DE APLICACIN

Elabor: Dr. Primitivo Reyes Aguilar

P. Reyes /Febrero 2006

TALLER DE APLICACIN DE MINITAB

P. Reyes /Febrero 2006

1.1Caractersticas generales del Minitab

MDULO 2. HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS

2.1Grficos de barras y lnea

MDULO 3. ESTADSTICA DESCRIPTIVA

3.1Estadsticos de una muestra

TALLER DE APLICACIN DE MINITAB

P. Reyes /Febrero 2006

MDULO 6. DISEO DE EXPERIMENTOS

6.1 Cartas Multivari

TALLER DE APLICACIN DE MINITAB

1.1Caractersticas generales del Minitab

Data > Change Data Type > Numeric to Text.

Mens de comandos e conos

Zona de ttulos de columnas

P. Reyes /Febrero 2006

TALLER DE APLICACIN DE MINITAB

Hoja de trabajo nueva

P. Reyes /Febrero 2006

Para cambiar el tipo de datos de la columna de numrica a texto

Data > Change Data Type > Numeric to Text.

1.3Abrir, guardar e imprimir archivos

Para proyectos donde

TALLER DE APLICACIN DE MINITAB

P. Reyes /Febrero 2006

Para hojas de trabajo

File > Open Worksheet

1.4Clculos con columnas y renglones

Calc > Calculator

Ejemplo: Velocidad por tiempo

Columna (s) sobre la que se har

La constante se muestra con

TALLER DE APLICACIN DE MINITAB

P. Reyes /Febrero 2006

Edit > Command line editor

MDULO 2. HERRAMIENTAS PARA SOLUCIN DE PROBLEMAS

2.1Grficos de barras y lnea

File > Open Worksheet > Pulse.Mtw

Graph > Bar chart: Count of unique values, Stack

Para cambiar la apariencia de las barras:

Data > Code > Numeric to text

TALLER DE APLICACIN DE MINITAB

P. Reyes /Febrero 2006

Graph > Pie chart

Raw Data en cuyo

La otra opcin es que los valores ya estn tabulados previamente,

Data > Code > Numeric to text

Para indicar el nombre de la categora y su frecuencia en cada uno de las partes

Category name, Frequency.

Editor > Annotation > Graph annotation tools

TALLER DE APLICACIN DE MINITAB

P. Reyes /Febrero 2006

Para agregar texto

Diagrama de Pareto y de Causa Efecto

Stat > Quality Tools > Pareto Chart

Chart defects table