Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ejemplos Solucion
Ejemplos Solucion
Sample Mean
3.28
UCL=3.2709
3.26
_
_
X=3.2431
3.24
3.22
LCL=3.2153
3.20
12
16
20
Sample
24
28
32
36
40
UCL=0.1020
Sample Range
0.100
0.075
_
R=0.0483
0.050
0.025
0.000
LCL=0
4
12
16
20
Sample
24
28
32
36
40
Con el X-R , por ejemplo, vemos que son bastantes las muestras que salen fuera de los
lmites en media, deberamos investigar las causas que pudieron provocar estos valores
a la vez que rehacemos el grfico sin estas muestras . El resultado del grfico nos dice
que muestras son. Para eliminarlas, deberemos previamente construir una nueva
columna en el que numeremos cada fila a que n de muestra pertenece. Esto podemos
hacerlo fcilmente desde Calc/Make Patterned Data/Simple Set of Data indicndole
que cada 5 filas ponga el nmero de muestra correlativo del 1 al 40. Una vez construida
esta columna, solo faltara indicar cuando vamos a rehacer el grfico, en opciones Data,
que excluya las filas cuyas muestras han salido fuera en el grfico anterior:
Sample Mean
3,28
UCL=3,2709
3,26
_
_
X=3,2431
3,24
3,22
3,20
LCL=3,2153
12
16
20
Sample
24
28
32
36
40
UCL=0,1020
Sample Range
0,100
0,075
_
R=0,0483
0,050
0,025
0,000
LCL=0
4
12
16
20
Sample
24
28
32
36
40
Se ve que nuevamente habra muestras fuera de control, por lo que deberiamso volver
a rehacer el grfico.
Stat/Control Charts/ Variables for Subgroups/Xbar-S
Xbar-S Chart of Peso
1
1
Sample Mean
3.28
UCL=3.2709
3.26
_
_
X=3.2431
3.24
3.22
3.20
LCL=3.2153
12
16
20
Sample
24
28
32
36
40
UCL=0.04073
Sample StDev
0.04
0.03
_
S=0.01950
0.02
0.01
0.00
LCL=0
4
12
16
20
Sample
24
28
32
36
40
Para poder ilustrar mejor las posibilidades de este tipo de grfico, crearemos dos nuevas
columnas: una que contenga la hora en que se ha tomado el dato y otra con un nmero
que identifique al operario que estaba a cargo de la mquina.
Calc/Make Patterned Data/Simple Set of Data/Time Values
Respecto al operario, se supone que las primeras 25 muestras las toma el operario A y
las otras 15 el operario B. Lo que requiere introducir 125 As y 75 Bs
Calc/Make Patterned Data/Test Values: se escriben 125 As y 125 Bs y se borran los
ltimos 50 valores
Se realiza el grfico de medias:
Stat/Control Charts/Variables Charts for Subgroups/Xbar
Se utilizan las siguientes opciones:
Scale/Time: Marcar la opcin Stamp y poner como variable Hora
Xbar Options/Tests: Marcar los 8 (o escoger la opcin Perform all tests for special
causes)
Xbar Options/Stages: Define stages Operario
Xbar Chart of Peso by Operario
3.30
B
UCL=3.2939
Sample Mean
3.28
_
_
X=3.2671
3.26
6
LCL=3.2402
3.24
3.22
3.20
1
8:00
Hora
R Chart of Peso
UCL=0.1020
0.10
Sample Range
0.08
0.06
_
R=0.0483
0.04
0.02
0.00
LCL=0
4
12
16
20
24
Sample
28
32
36
40
0.04
Sample StDev
0.03
_
S=0.01950
0.02
0.01
0.00
LCL=0
4
12
16
20
24
Sample
28
32
36
40
I ndividual Value
14
UCL=12,202
12
10
_
X=9,043
8
6
LCL=5,883
1
16
32
48
64
80
96
Observation
112
128
144
160
Moving Range
UCL=3,882
3
2
__
MR=1,188
1
0
LCL=0
1
16
32
48
64
80
96
Observation
112
128
144
160
El grfico de las medias detecta un valor fuera de lmites. Adems el de los rangos tiene
zonas que presenta ms variabilidad que otras. Antes de hacer ninguna modificacin y
ya que los datos se han registrado con el da, vamos a visualizar en el propio grfico los
das. Para esto hay que elegir la opcin del I-MR de Stages. Diciendo que distinga
distintos escenarios por fecha, queda lo siguiente:
I ndividual Value
14
05/11/2002
06/11/2002
07/11/2002
08/11/2002
1
UCL=12,843
12
10
_
X=9,128
8
6
LCL=5,413
1
16
32
04/11/2002
48
64
05/11/2002
80
96
Observation
06/11/2002
112
07/11/2002
128
144
160
08/11/2002
UCL=4,564
Moving Range
4
3
2
__
MR=1,397
1
0
LCL=0
1
16
32
48
64
80
96
Observation
112
128
144
160
En este grfico queda ms claro que los das de ms variabilidad fue el final del 5 y el 6
(habra que investigar las causas) y el 8 tambin se comport de manera poco natural.
Como en el 8 adems ses sale un valor fuera del grfico vamos a excluirlo y ver que
pasa. Se excluir eligiendo en opciones de datos, excluir los que estn seleccionados
con el brush (previamente lo haremos):
I-MR Chart of pH by Fecha
04/11/2002
I ndividual Value
12,5
05/11/2002
06/11/2002
07/11/2002
08/11/2002
UCL=12,366
10,0
_
X=9
7,5
LCL=5,634
5,0
1
16
32
04/11/2002
48
64
05/11/2002
80
96
Observation
06/11/2002
112
07/11/2002
128
144
160
08/11/2002
UCL=4,135
Moving Range
4
3
2
__
MR=1,266
1
0
LCL=0
1
16
32
48
64
80
96
Observation
112
128
144
160
Problema 3: Grfico P*
Una industria que fabrica motores para pequeos electrodomsticos registra cada da el
nmero de motores producidos y los que en la inspeccin final han resultado
defectuosos de acuerdo a unos criterios previamente establecidos. Los datos
correspondientes a seis semanas de produccin se hallan en el archivo
MOTORES.MTW, con el siguiente contenido:
Columna
C1
C2
C3
Nombre
Fecha
Produccin
Num. defectos
Contenido
Fecha a la que corresponden los datos
Nmero de motores producidos ese da
Nmero de motores defectuosos detectados ese da
UCL=0.05316
0.050
Proportion
0.045
0.040
_
P=0.03812
0.035
0.030
0.025
LCL=0.02308
0.020
3
12
15
18
Sample
21
24
27
30
0,050
Proportion
0,045
0,040
_
P=0,03706
0,035
0,030
0,025
LCL=0,02223
0,020
3
12
15
18
Sample
21
24
27
30
Proportion
0,045
0,040
_
P=0,03733
0,035
0,030
0,025
LCL=0,02197
0,020
3
12
15
18
Sample
21
24
27
30
Nombre
Fecha
Hora
Nm. defectos
Contenido
Fecha a la que corresponden los datos
Hora de inspecccin
Nmero de motores defectuosos en el lote de 100
UCL=12.16
12
Sample Count
10
8
__
NP=5.39
6
4
2
0
LCL=0
1
14
21
28
35
42
Sample
49
56
63
70
12
UCL=11.98
Sample Count
10
8
6
__
NP=5.28
4
2
0
LCL=0
1
14
21
28
35
42
Sample
49
56
63
70
Ahora vuelve a salir otro valor fuera, pero, en cualquier caso, en este grfico se observa
gran variabilidad en los datos del principio. Para ver si se corresponden con das en
concreto y dado que se tiene registrada esta informacin vamos a realizar el grfico con
todos los datos, pero distinguiendo los das (opcin grfico, Stage=fecha)
NP Chart of Num defectos by Fecha
08/03/2004 09/03/2004
14
10/03/2004
11/03/2004
12/03/2004
UCL=12,11
12
Sample Count
10
8
__
NP=5,36
6
4
2
0
LCL=0
1
14
21
28
35
42
Sample
49
56
63
70
140
1
Sample Count
120
100
UCL=87.3
80
_
C=63.4
60
40
11
11
20
LCL=39.5
12
18
24
30
36
Sample
42
48
54
60
C Chart of Visitas
100
UCL=94,20
Sample Count
90
80
_
C=69,24
70
60
50
LCL=44,28
40
1
12
18
24
30
36
Sample
42
48
54
60
20
UCL=19.44
15
_
U=9.87
10
LCL=0.30
0
3
12
15
18
Sample
21
24
27
30
El proceso est en estado de control. Los lmites varan porque tambin lo hace la
muestra.
ESTUDIOS DE CAPACIDAD
PROBLEMA 1: DIAMETRO_CAPACIDAD*
Una empresa fabrica pieza piezas cuya cota crtica es un dimetro que tiene como
especificaciones 7,5 0,1 mm. El cliente principal exige que el ndice de capacidad
para el dimetro crtico sea Cp>1,33. Se fabrica una primera preserie de 1920 piezas
durante 2 das para verificar que se cumple con todos los requisitos del cliente.
Para realizar el estudio de capacidad se toman 5 piezas cada media hora (16 muestras
cada da, 32 muestras en toda la preserie), y los resultados obtenidos se encuentran en el
archivo DIAMETRO_CAPACIDAD_1.MTW, por filas; es decir, en la primera fila estn
los valores de la primera muestra, en la segunda los de la segunda muestra, etc.
Stat/Quality Tools/Capability Sixpacck/Normal
Como los datos estn por filas, usamos la segunda opcin de Data are arranged as, es
decir: Subgrups across rows of: C2-C6
Process Capability Sixpack of Valor 1; ...; Valor 5
Sample Mean
Xbar Chart
Capability Histogram
UCL=7,54417
7,54
__
X=7,51537
7,52
7,50
LCL=7,48657
3
12
15
18
21
24
27
30
7,46
Sample Range
R Chart
0,10
UCL=0,1056
0,05
_
R=0,0499
0,00
7,48
7,50
7,54
7,56
7,58
LCL=0
3
12
15
18
21
24
27
30
7,45
Last 25 Subgroups
7,50
7,55
7,60
Capability Plot
Within
StDev 0,02147
Cp
1,55
Cpk
1,31
CCpk
1,55
7,55
Values
7,52
7,50
7,45
Within
Overall
O verall
StDev 0,02308
Pp
1,44
Ppk
1,22
Cpm
*
Specs
10
15
20
Sample
25
30
Una conclusin evidente del grfico de medias es que el proceso se ha ido descentrando
hacia valores mayores. Habra que investigar la causa.. No hay nada que objetar al
grfico de rangos. El histograma est descentrado respecto al valor objetivo.
El objetivo Cp>1,33 se cumple en esta preserie aunque queda la duda de si se cumplira
si se fabricaran tiradas muy largas sin ajustar la mquina. Si la mquina se ajusta cada
da el Cp podra ser mayor?
USL
Within
Overall
Process Data
LSL
7,40000
Target
*
USL
7,60000
Sample Mean
7,50222
SampleN
50
StDev(Within)
0,02365
StDev(O verall) 0,02165
7,41
O bserved Performance
PPM<LSL 0,00
PPM>USL 0,00
PPMTotal
0,00
7,44
7,47
7,50
7,53
7,56
1,54
1,57
1,51
1,51
*
7,59
UCL=7.5732
7.56
Individual Value
7.54
7.52
_
X=7.5022
7.50
7.48
7.46
7.44
LCL=7.4313
7.42
5
10
15
20
25
30
Observation
35
40
45
50
PROBLEMA 2: VISITAS_WEB*
El archivo VISITAS_WEB.MTW contiene el nmero de visitas a una pgina web que
informa sobre actividades de formacin en el rea de la calidad. El contenido del
archivo es el siguiente:
Columna
Nombre
Contenido
C1
Fecha
Fecha
C2
Da
Da de la semana
C3
Visitas
Nmero de visitas
A partir de estos datos se desea realizar un estudio de capacidad del nmero de visitas
diarias para ms adelante poder valorar el impacto de unas acciones de promocin que
se piensan llevar a cabo.
Estos datos ya se han analizado previamente y una informacin relevante es que el 10
de Octubre sali un anuncio en prensa sobre la institucin que organiza estas
actividades, y se indicaba que se poda obtener ms informacin en esta web, y los
valores ms bajos corresponden a fines de semana.
Eliminando estos datos, se decide realizar el estudio de capacidad de los das laborables.
Como el nmero de visitas a la pgina se puede tratar como una variable que sigue una
distribucin Poisson:
Stat/Quality Tools/Capability Anlisis/Poisoon
Poisson Capability Analysis of Visitas_ 1
Poisson Plot
UCL=94.20
80
Expected Defects
U Chart
100
_
U=69.24
60
LCL=44.28
40
4
90
75
60
60
75
Observed Defects
8 12 16 20 24 28 32 36 40 44
Sample
Cumulative DPU
Dist of DPU
Summary Stats
(using 95.0% confidence)
DPU
72.0
70.5
69.0
67.5
66.0
10
20
Sample
30
90
40
Mean Def:
Lower CI :
Upper CI :
Mean DPU:
Lower CI :
Upper CI :
Min DPU:
Max DPU:
Targ DPU:
69.2381
66.7442
71.8013
69.2381
66.7442
71.8013
50.0000
91.0000
0.0000
Tar
12
9
6
3
0
15
30
45
60
75
90
No hay puntos fuera de control, los valores siguen razonadamente bien una distribucin
Poisson y el nmero de visitas se estabiliza en torno a 69.