Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PREGUNTAS:
1.1 Introduccin
1.
2.
3.
Pgina 1 de 60
4.
5.
Cules son las variables clave de entrada (KPIV) y salida (KPOV) de un
proceso?
Las variables KPIV son las variables clave de entrada al proceso
Las variables KPOV son las variables clave de salida del proceso, se refieren
a los CTQs
Pgina 2 de 60
2.
3.
Pgina 3 de 60
2.
3.
Pgina 4 de 60
Sirve para identificar prioridades, por medio de la ley del 80 20, el 20% de
las causas ocasionan el 80% de los problemas
4.
5.
6.
8.
Pgina 5 de 60
10.
Cmo se puede transformar o estandarizar una distribucin normal de datos
reales a la normal estndar?
Z = (X Media) / Desv. Estndar
10.
11.
Los costos de produccin mensual tienen una media de $410, y s = 87, Cul
es la probabilidad de que los costos se mantengan por debajo de $300?.
= distr.norm(300, 410, 87, 1) = 0.1030
16.
Qu caractersticas tiene y cual es la aplicacin de la distribucin normal de
las medias muestrales?
Las medias muestrales siguen una distribucin normal, con su desviacin estndar
muestral igual a la desviacin estndar poblacional dividido entre la raz del tamao
de muestra n.
Se utilizan para efectos de planeacin de recursos a asignar a un servicio, ya que
permiten obtener la probabilidad de que la media muestral de tamao n se
encuentre entre ciertos lmites.
Qu es capacidad de un proceso?
Es la habilidad que tiene para cumplir especificaciones
2.
Pgina 6 de 60
Pgina 7 de 60
6.
7.
8.
Pgina 9 de 60
OK
1)
P =0.9044
P =0.0477
P = 0.1961
0.097
b) < 8,000
0.05
Pgina 10 de 60
Cant_ingredie
nte
Maquin
a
No
.
24
14
18
27
17
32
31
27
21
27
24
21
24
26
31
34
28
32
24
16
17
22
37
36
21
16
17
22
34
20
2
1
1
2
2
2
2
2
2
1
1
2
1
2
2
2
1
2
2
2
1
1
2
2
1
1
1
1
2
2
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
23
24
25
26
27
28
29
30
31
3
10
11
13
17
21
23
26
27
28
29
33
34
35
36
38
39
40
43
44
45
46
47
48
49
Cant_ingr_
M1
14
18
27
24
24
28
17
22
21
16
17
22
16
16
18
30
16
14
15
17
20
20
25
15
16
15
Pgina 11 de 60
No.
1
4
5
6
7
8
9
12
14
15
16
18
19
20
24
25
30
31
32
37
41
42
50
Cant_ingr_
M2
24
27
17
32
31
27
21
21
26
31
34
32
24
16
37
36
34
20
19
21
14
14
19
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
19
16
16
18
30
21
16
14
15
14
14
17
20
20
25
15
16
15
19
2
1
1
1
1
2
1
1
1
2
2
1
1
1
1
1
1
1
2
En Minitab:
Stat > Basic Statistics > Display Descriptive statistics
Variables Cant_ingrediente
Statistics: seleccionar Mode y Coefficient of variation
Graphs: seleccionar Histogram of data y Box Plot
OK
Resultados =
N
49
N*
0
Mean
22.041
SE Mean
0.939
StDev
6.570
Variable
Cant_ingrediente
Median
21.000
Q3
27.000
Maximum
37.000
Mode
16
Pgina 12 de 60
CoefVar
29.81
N for
Mode
6
Minimum
14.000
Q1
16.000
Frequency
10
8
6
4
2
0
15
20
25
30
Cant_ ingrediente
Cant_ ingrediente
35
30
25
20
15
Pgina 13 de 60
35
En Minitab:
Stat > Basic Statistics > Display Descriptive statistics
Variables Cant_ingrediente
By Variable Maquina
Statistics: seleccionar Mode y Coefficient of variation
Graphs: seleccionar Histogram of data y Box Plot
OK
Descriptive Statistics: Cant_ingrediente
Variable
Cant_ingrediente
Maquina
1
2
N
26
23
N*
0
0
Mean
19.346
25.09
SE Mean
0.903
1.50
StDev
4.604
7.20
CoefVar
23.80
28.69
Variable
Cant_ingrediente
Maquina
1
2
Q1
16.000
19.00
Median
17.500
24.00
Q3
22.500
32.00
Maximum
30.000
37.00
Mode
16
21
20
25
30
10
Frequency
8
6
4
2
0
15
20
25
30
35
Cant_ ingrediente
Cant_ ingrediente
35
30
25
20
15
1
2
Maquina
Pgina 14 de 60
35
Minimum
14.000
14.00
N for
Mode
5
3
c) Hacer una prueba de normalidad para los datos de ambas mquinas y para una
por separado, observar el P value (si es mayor a 0.05 los datos son normales) y
concluir
Mean
StDev
N
AD
P-Value
95
90
22.04
6.570
49
1.301
<0.005
Percent
80
70
60
50
40
30
20
10
5
10
15
20
25
Cant_ ingrediente
30
35
40
P value < 0.05 por tanto los datos no siguen una distribucin normal
Pgina 15 de 60
Mean
StDev
N
AD
P-Value
95
90
19.35
4.604
26
1.036
0.008
Percent
80
70
60
50
40
30
20
10
5
10
15
20
Cant_ ingr_ M1
25
30
P value < 0.05 por tanto los datos no siguen una distribucin normal
Para la mquina 2:
Probability Plot of Cant_ ingr_ M2
Normal
99
Mean
StDev
N
AD
P-Value
95
90
25.09
7.198
23
0.424
0.293
Percent
80
70
60
50
40
30
20
10
5
10
15
20
25
30
Cant_ ingr_ M2
35
40
45
P value > 0.05 por tanto los datos siguen una distribucin normal
Pgina 16 de 60
En Minitab:
Stat > Quality tools > Capability analysis > Normal
Data is arranged as a single column: Cant_ingr_M2
Subgroup size 1
Lower spec 12 Upper spec 38
Estimate: Methods of estimate sigma R-Bar
seleccionar Use unbiased constants to calculate Overall estndar
dev.
OK OK
Process Capability of Cant_ ingr_ M2
LSL
USL
Within
Overall
Process Data
LSL
12
Target
*
USL
38
Sample Mean
25.087
Sample N
23
StDev(Within) 4.95648
StDev(Overall) 7.28017
10
Observed Performance
PPM < LSL 0.00
PPM > USL 0.00
PPM Total
0.00
15
20
25
30
35
0.60
0.60
0.59
0.59
*
40
Pgina 17 de 60
Cp = 0.87
Cpk = 0.87
USL
Within
Overall
Process Data
LSL
12
Target
*
USL
38
Sample Mean
25.087
Sample N
23
StDev(Within) 4.95648
StDev(Overall) 7.28017
10
Observed Performance
% < LSL 0.00
% > USL 0.00
% Total
0.00
15
20
25
30
35
1.45
1.80
1.77
0.59
*
40
Mtodo Manual:
Paso 1. Se obtiene la carta I-MR para determinar la media y el rango medio:
Nota: Quitar los asteriscos en la columna de la mquina 2
I ndividual Value
40
UCL=39.96
30
_
X=25.09
20
LCL=10.22
10
1
11
13
Observation
15
17
19
21
23
Moving Range
20
UCL=18.27
15
10
__
MR=5.59
5
0
LCL=0
1
11
13
Observation
15
Pgina 18 de 60
17
19
21
23
Pgina 19 de 60
Pgina 20 de 60
Ppk = Menor en valor absoluto de las dos Zs, Zs y Zi, dividida entre 3.
En este caso la Zs = 1.7729 es menor, por tanto:
Ppk = 1.7729 / 3 = 0.5909
Por tanto el proceso no tiene el desempeo suficiente para cumplir
especificaciones.
Paso 10. Capacidad del proceso en sigmas:
El rendimiento a largo plazo fue de: Yrt = 0.925751
Se calculan como: Sigmas del proceso = distr.norm.estand.inv(Yrt) + 1.5 =
Sigmas del proceso = distr.norm.estand.inv(0.925751) + 1.5
Sigmas del proceso = 2.4448 sigmas
Capacidad en sigmas
5. Si un proceso genera un 1% de cable defectivo que se convierte en desperdicio,
con una oportunidad para defecto Qu valores tendran los trminos siguientes Yrt,
sigmas del proceso y ppm?
Yrt =100 1 = 99%
Sigmas = 3.82
Sigmas = 4.15
ppm = 4,000
Pgina 21 de 60
10.
De acuerdo a los datos encontrados en un proceso de servicios de
reconexin, se desea determinar el nivel en sigmas del proceso y su capacidad con
los datos siguientes:
Mtodo A:
Producto
Unidades
Defectos
Oportunidades
Mtodo B:
Media
Desv.
Estandar
Lim. Sup.
Espec.
Lim. Inf. Esp.
Juguetes
1,000
60
10
a) Total de oportunidades =
b) DPO's =
c) DPMO's =
d) Rendimiento Yrt =
e) Capacidad en sigmas =
25 a) Zi = -2.7
10,000
0.006
6,000
0.994
4.01
Zs = 2.9
0.944667
0.055333
4.05
11.
En el departamento de compras se realizan 800 pedidos, cada uno tiene 20
CTQ, los pedidos sin errores son 700:
a) Determinar el rendimiento del proceso = Yrt = 700 / 800 = 0.875
b) Determinar la tasa de errores = (800 700) / 800 = 0.125
c) Determinar la tasa de defectos por cada CTQ = DPO = (b) / 20 = 0.006 250
No importa = 15,504
Pgina 22 de 60
En Minitab: Calc > Probability distributions > Binomial > Cumulative prob.
Number of trials 50 Probability of success 0.05 Input constant 1
Probabilidad = 1 Resultado = 1 - 0.279432 = 0.72056
En Minitab: Calc > Probability distributions > Poisson > Cumulative prob.
Mean 50*0.05 = 2.5 Input constant 1
Probabilidad = 1 Resultado = 1 - 0.287297 = 0.71270
c) Se va a seleccionar una muestra aleatoria de 3 artculos de una muestra de 25
artculos, se sabe que hay 5 defectuosos. Cul es la probabilidad Hipergeomtrica
de que la muestra tenga 1 o ms artculos defectuosos?
En Excel
=1- distr.hipergeom(0, 3, 5, 25)
i. P(X >= 1) =0.50434783
En Minitab: Calc > Probability distributions > Hypergeometric > Cumulative prob.
Population Size (N) 25 Success in population (X) 5 Sample size (n) 3
Input constant 0
Probabilidad = 1 Resultado =0.495652
e) Una persona tarda en llegar a su hogar con una distribucin uniforme entre 90 y
140 minutos mximo, cul es la probabilidad de que llegue entre los 100 y 105
minutos.
En Minitab: Calc > Probability distributions > Uniform distribution > Cumulative
prob.
Lower endpoint 90 Upper endpoint 140
Input column (columna de datos con
100 y 105) o dos veces input constant con 100 y 105.
Continuous uniform on 90 to 140
x
100
105
P( X <= x )
0.2
0.3
Pgina 23 de 60
Operador
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
Medicin
157.5
150.0
180.0
172.5
150.0
157.5
202.5
202.5
142.5
135.0
172.5
157.5
165.0
157.5
142.5
Pgina 24 de 60
8
9
9
10
10
1
1
2
2
3
3
4
4
5
5
6
6
7
7
8
8
9
9
10
10
1
1
2
2
3
3
4
4
5
5
6
6
7
7
8
8
9
9
10
10
1
1
1
1
1
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
127.5
180.0
172.5
187.5
172.5
150.0
150.0
180.0
180.0
142.5
157.5
210.0
195.0
142.5
135.0
180.0
157.5
165.0
180.0
135.0
150.0
187.5
172.5
195.0
187.5
142.5
157.5
172.5
180.0
150.0
165.0
202.5
210.0
135.0
157.5
172.5
165.0
165.0
150.0
142.5
135.0
180.0
180.0
180.0
187.5
Pgina 25 de 60
1. Equipo calibrado
2. Operadores entrenados
3. Partes seleccionadas a representar al menos el 80% de la variacin total
b) Obtener una grfica de mediciones individuales por cada operador y parte.
En Minitab:
Stat > Quality tools > Gage study > Gage Run Chart
Seleccionar columnas de Parte Operador Medicin OK
Gage Run Chart of Medicin by Parte, Operador
Reported by:
Tolerance:
Misc:
Gage name:
Date of study:
5
200
180
Medicin
Mean
Operador
1
2
3
160
140
6
10
200
180
Mean
160
140
Operador
Panel variable: Parte
Con Minitab:
Stat > Quality tools > Gage study > Gage R&R Study (Crossed)
Seleccionar columnas de Parte Operador Medicin
Seleccionar Method of Analysis ANOVA
Options: Study variation 5.15 Process tolerance 450 (de LSE =
487.5 LIE = 37.5) OK
Pgina 26 de 60
Gage name:
Date of study:
Components of Variation
Medicin by Parte
100
% Contribution
210
Percent
% Study Var
% Tolerance
180
50
150
0
Gage R&R
Repeat
Reprod
Part-to-Part
R Chart by Operador
Sample Range
30
10
Medicin by Operador
UCL=33.49
210
180
15
_
R=10.25
150
LCL=0
2
Operador
200
Operador
200
UCL=185.40
_
_
X=166.13
175
150
Average
Sample Mean
5
6
Parte
1
2
175
150
LCL=146.85
1
5
6
Parte
10
DF
9
2
18
30
59
SS
22864.7
118.1
538.1
2109.4
25630.3
MS
2540.52
59.06
29.90
70.31
F
84.9791
1.9756
0.4252
P
0.000
0.168
0.970
StdDev (SD)
7.4399
7.4267
0.4419
0.4419
20.3526
21.6698
Pgina 27 de 60
f) % de Repetibilidad vs Tolerancia =
8.51%
Pgina 28 de 60
0.033983
0.030481
0.175577
0.181414
c) % de Repetibilidad vs Tolerancia =
Toler)
0.175015
0.156975
0.904219
0.934282
14.58%
19.59%
18.73
16.80
96.78
100.00
14.58
13.08
75.35
77.86
(Columna de %Tolerance / SV
(Columna de %Tolerance / SV
Si es adecuado
Pgina 29 de 60
Stat > Control Charts > Variable charts for individuals > I MR
Variable %_CO2
OK
Pgina 30 de 60
I ndividual Value
18
UCL=15.15
15
12
_
X=10.57
9
6
LCL=5.99
1
10
13
16
Observation
19
22
25
28
Moving Range
8
6
UCL=5.63
4
__
MR=1.72
2
0
LCL=0
1
10
13
16
Observation
19
22
25
28
X No
I ndividual Value
14
12
_
X=10.350
10
8
LCL=6.622
6
1
10
13
16
Observation
19
22
25
28
UCL=4.580
Moving Range
4
3
2
__
MR=1.402
1
0
LCL=0
1
10
13
16
Observation
19
Pgina 31 de 60
22
25
28
En Minitab:
Stat > Quality tools > Capability analysis > Normal
Data is arranged as a single column: %_CO2
Subgroup size 1
Lower spec 8 Upper spec 16
Estimate: Methods of estimate sigma R-Bar
Seleccionar Use unbiased constants to calculate overall std. deviation
Options: Display Percents o Parts per million
/ Capability Stat Cp,
Cpk
o Benchmark Zs
OK OK
Process Capability of % _ CO2
LSL
USL
Within
Overall
Process Data
LSL
8
Target
*
USL
16
Sample Mean
10.3503
Sample N
29
StDev(Within) 1.24272
StDev(Overall) 1.16768
7.5
Observed Performance
PPM < LSL 34482.76
PPM > USL
0.00
PPM Total
34482.76
9.0
10.5
12.0
13.5
Pgina 32 de 60
15.0
1.14
0.67
1.61
0.67
*
0.63
19. Un proceso con los datos del archivo Tiles.mtw de Minitab, mostrado en forma
parcial abajo, tiene lmites de especificacin LIE = 0 y LSE = 8, determinar lo
siguiente (utilizando Minitab):
Datos
1.60103
0.84326
3.00679
1.29923
2.24237
2.63579
0.34093
6.96534
3.46645
1.41079
Etc.
a) Prueba de normalidad
En Minitab:
File > Open worksheet > Data > Tiles.mtw
Stat > Basic Statistics > Normality Test
Variables Warping
Anderson Darling
OK
Pgina 33 de 60
Mean
StDev
N
AD
P-Value
99
95
90
2.923
1.786
100
1.028
0.010
Percent
80
70
60
50
40
30
20
10
5
1
0.1
-4
-2
2
4
Warping
10
En Minitab:
Stat > Quality tools > Capability analysis > Nonnormal (Weibull)
Single column: Datos
Lower spec 0 Upper spec 8
OK
Pgina 34 de 60
USL
Process Data
LSL
0
Target
*
USL
8
Sample Mean 2.92307
Sample N
100
Shape
1.69368
Scale
3.27812
Overall Capability
Pp
0.81
PPL
1.03
PPU
0.73
Ppk
0.73
Exp. Overall Performance
PPM < LSL
0.00
PPM > USL 10764.54
PPM Total 10764.54
Observed Performance
PPM < LSL
0.00
PPM > USL 20000.00
PPM Total
20000.00
0.0
1.5
3.0
4.5
6.0
7.5
10 764
En Minitab:
Stat > Control Charts > Box Cox transformation
All observations for a chart are in one column Warping
Subgroup sizes 1
Options: Store transformed data in C2
OK
Pgina 35 de 60
Upper CL
Lambda
20
StDev
15
Estimate
0.35
Lower CL
Upper CL
0.05
0.64
Rounded Value
0.50
10
5
Limit
0
-2
-1
1
2
Lambda
NOTA: En la grfica, el exponente al que hay que elevar los datos es Lamda=
rounded value
Los datos transformados que equivale a elevar los datos originales a la Lambda =
0.5 se muestran parcialmente a continuacin:
C2
1.26531814
0.91829189
1.7340098
1.13983771
1.49745451
1.62351163
0.58389211
2.63919306
1.86184049
1.18776681
1.52126921
1.59885897
2.17335455
1.32424318
Etctera.
Pgina 36 de 60
En Minitab:
Stat > Basic Statistics > Normality Test
Variables C2
Anderson Darling
OK
Probability Plot of C2
Normal
99.9
Mean
StDev
N
AD
P-Value
99
Percent
95
90
1.624
0.5380
100
0.301
0.574
80
70
60
50
40
30
20
10
5
1
0.1
0.0
0.5
1.0
1.5
C2
2.0
2.5
3.0
3.5
El P value es ya mayor a 0.05, por lo que los datos transformados son normales
Otra opcin para la prueba de normalidad es:
Mean
StDev
N
AD
P-Value
99
95
Percent
90
1.624
0.5380
100
0.301
0.574
80
70
60
50
40
30
20
10
5
1
0.1
C2
Para que sea normal, no deben salirse los puntos del Intervalo de confianza normal
Pgina 37 de 60
En Minitab:
Stat > Quality tools > Capability analysis > Normal
Data is arranged as a single column: C2
Subgroup size 1
Lower spec 0 Upper spec 2.828 (8 elevado a la 0.5)
OK
Process Capability of C2
LSL
USL
Within
Overall
Process Data
LSL
0
Target
*
USL
2.828
Sample Mean
1.62374
Sample N
100
StDev(Within)
0.513374
StDev(Overall) 0.537984
0.0
Observed Performance
% < LSL 0.00
% > USL 2.00
% Total
2.00
0.4
0.8
1.2
1.6
2.0
2.4
0.88
1.01
0.75
0.75
*
2.8
Pgina 38 de 60
Preguntas ejemplo:
1. Cul de los siguientes argumentos son razones de peso para utilizar mapeo de
procesos?
I. Identificar donde exista complejidad
II. Visualizar el proceso rpidamente
III. Eliminar el proceso completo de planeacin
IV: Apoyar en la simplificacin del trabajo
a. I y II
c. I, II y IV
b. I, II y III
d. I, II, III y IV
c. I y IV
d. I, II, III y IV
Pgina 39 de 60
b. t
c. F
d. X2
III. Continuos
II. Discretos
IV. Variables
a. I y III
c. I, III y IV
b. II y IV
d. I, II, III y IV
c. 0.6%
b. 16.7%
d. 31%
Pgina 40 de 60
11. Cul de las siguientes cuatro tcnicas podran fcilmente mostrar los mismos
datos?
I. Diagrama de tallo y hojas
II. Diagramas de caja
III. Diagramas de dispersin
IV. Histogramas
a. I, II y III
c. I, III y IV
b. I, II y IV
d. II, III y IV
a. Bimodal
b. Polinomial
c. Sesgo negativo
d. Trinca
Resp. 10 a, 11b, 12 a
13. Cul es el uso ms comn de la distribucin F?
a. Modelar datos discretos cuando el tamao de la poblacin es pequeo
comparado al tamao de muestra
b. Probar la igualdad de varianzas de dos poblaciones normales
c. Compensar los errores en la desviacin estndar estimada para pequeos
tamaos de muestra
d. Tomar decisiones y construir intervalos de confianza al sumar el cuadrado de
variables aleatorias normales
14. Hay varias formas de uso de la distribucin exponencial para modelar la
confiabilidad. En la frmula siguiente qu representa theta?
a. La media
c. La varianza
Pgina 41 de 60
4. Lquidos penetrantes
2. Partculas magnticas
7. Corrientes de Hed
3. Espectroscopia
6. Ultrasonido
a. 1, 3 y 5
c. 1, 4, 6 y 8
b. 2, 3 y 8
d. 3, 5 y 6
Resp. 13b, 14 a, 15 a
16. Cuando se hacen mediciones con instrumentos de prueba, la precisin y
exactitud significan:
a. Lo mismo
b. Lo opuesto
c. Consistencia y correcto respectivamente
d. Exactitud y trazabilidad, respectivamente
17. La desviacin estndar de las mediciones de la dimensin A de una muestra
aleatoria de partes es sigma1 y la de una serie de mediciones en una parte es
Sigma2. Cul es la desviacin estndar de los valores reales de la dimensin A en
la poblacin de la cual se tomaron?
Pgina 42 de 60
c. II y III
b. I y IV
d. I, III y IV
23. Cuando se selecciona una muestra para auditoria, Qu regla se debe seguir de
las siguientes?:
a. Como la calidad puede variar con el tiempo, debemos buscar una cantidad fija
cada periodo de tiempo para propsitos de auditora
b. Se requiere solo una muestra pequea para propsitos de auditora, siempre y
cuando sea aleatoria
c. Cualquier tamao de muestra seleccionado aleatoriamente puede ser adecuado
para propsitos de autora, ya que no no se est realizando la aceptacin o rechazo
de lotes
d. La norma ANSI/ASQ Z1.4 es un procedimiento de muestreo cientfico y se
requiere un muestreo cientfico para propsitos de auditora
Pgina 43 de 60
Pgina 44 de 60
Pgina 45 de 60
Pgina 46 de 60
Pgina 47 de 60
Pgina 48 de 60
4. Un panadero cree que existe una gran variabilidad en el peso de sus productos:
Hay dos operadores A y B que usan las mquinas 1 y 2 no en forma simultanea.
Durante 20 das se tomaron muestras de 4 piezas de pan de cada mquina con los
siguientes resultados:
Da
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
A
B
B
B
A
A
A
B
B
A
B
B
B
A
A
B
B
A
A
A
209.2
208.5
204.2
204
209.6
208.1
205.2
199
197.2
199.1
204.6
214.7
204.1
200.2
201.1
201.3
202.2
194.1
204.8
200.6
209.5
208.7
210.2
203.3
203.7
207.9
204.8
197.7
210.6
207.2
207
207.5
196.6
205.5
209.2
203.1
204.4
211
201.3
202.3
210.2
206.2
210.5
198.2
213.2
211
198.7
202
199.5
200.8
200.8
205.8
204.6
208
205.5
196.3
202.1
208.4
208.4
204.3
212
207.8
205.9
199.9
209.6
206.2
205.8
213.1
215.3
201.2
204.6
200.9
199.4
202.7
200
205.5
206.6
202.6
212.3
201.4
214.3
215.3
215.7
212.5
208.4
212.3
208.1
207.5
206.9
209.6
212.2
211.4
209.6
203.5
209.1
208
210
215.6
214.5
209.1
221.8
216.7
213.8
210.2
214.9
216.2
211.9
209.9
207.1
209.5
209.8
211.2
209.2
206.9
206.3
207.9
209.4
211.8
207.5
205.8
214.6
212.3
215.2
211.3
212.8
208.4
212.9
210.6
213.6
206.8
207.6
214.4
206.1
210.6
209.8
205.3
209.1
205.4
212.9
212
214.4
212
202.7
210.4
214.8
210.8
209
212.3
212.2
214.2
212.6
212.6
207.1
212.3
211.4
203.6
207
209
204.3
204.2
Pgina 49 de 60
Variable Total
Sample size 1
LSL 200 USL 220
OK
martes
8.61
9.14
8.52
9.2
9.3
9.58
8.81
8.68
8.59
8.66
8.7
9.08
8.32
8.33
8.41
9.07
9.08
9.13
8.69
8.46
mierc
9.43
8.85
8.66
8.89
9.28
9.14
9.41
9.34
9.59
9.15
9.75
9.18
8.86
9.28
8.5
9.19
9.19
9.12
9.2
8.8
jueves
8.97
9.02
9.61
9.15
9.21
9.53
9.28
9.28
8.86
8.75
9.64
9.05
8.76
9.21
8.76
9.4
9.55
9.5
9.48
9.58
viernes
8.46
8
8.32
8.91
8.17
8.6
8.48
8.65
8.97
8.2
8.33
8.26
8.64
8.81
8.73
8.73
8.4
8.6
8.47
8.1
Pgina 50 de 60
Weight
905
930
865
895
905
885
890
930
915
910
920
915
925
860
905
925
925
905
915
930
890
940
860
875
985
970
940
975
1000
1035
1020
985
960
945
965
940
900
920
980
950
955
970
970
1035
Llenadora
2
1
2
1
1
2
1
2
2
1
1
1
2
2
2
2
2
2
1
1
1
1
2
1
2
1
1
1
2
2
2
2
2
1
1
2
2
2
2
2
2
2
1
1
Qu conclusiones se obtienen?
3. Obtener las estadsticas bsicas de Weight para dos
mquinas de llenado:
a. Estadsticas
bsicas
Mediana
Moda
Media
Desviacin estndar
Varianza
Coeficiente de variacin
Rango
Primer cuartil
Tercer cuartil
Rango intercuartlico
Esquematiza el diagrama de caja
b) Hacer una prueba de normalidad en los datos. Con los
datos completos y considerando cada llenadora:
Pgina 51 de 60
st Within
R
d2
Fraccin defectiva =
Z LSE
LSE X
st
Z LIE
LIE X
st
( Z LIE ) ( Z LSE )
LSE LIE
Cp
6 st
C pk Menor
1
CR
Cp
C pm
Z LIE , Z LSE
3
LSE LIE
ST ( X M ) 2
INDICES DE DESEMPEO
k) Determinar la fraccin defectiva, Pp y Ppk utilizando la frmula de la desviacin
estndar de largo plazo (Overall) siguiente para datos histricos, cuando ya
ocurrieron todos los cambios, no importa que el proceso no est en control:
Pgina 52 de 60
lt Overall
Z LIE
S
C4
LIE X
lt
Fraccin defectiva =
Pp
S
Z LSE
( Xi X ) 2
n 1
C4
4 ( n 1)
4n 3
LSE X
lt
( Z LIE ) ( Z LSE )
LSE LIE
6 LT
Ppk Menor
Z LIE , Z LSE
3
Fraccin defectiva =
Pgina 53 de 60
Pgina 54 de 60
Pgina 55 de 60
Pgina 56 de 60
Pgina 57 de 60
Pgina 58 de 60
Pgina 59 de 60
Pgina 60 de 60