Curso Taller Minitab Basico PDF

Dagoberto Salgado Horta
TALLER DE APLICACIÓN DE MINITAB
CURSO TALLER DE APLICACIÓN

DE MINITAB BÁSICO
Elaboró: Dagoberto Salgado Horta

Tel. 2719872 / Cel. 3006527920
Mail: dasaho2@yahoo.es
Página 1
CONTENIDO
Página
MÓDULO 1. INTRODUCCIÓN 4
1.1 Características generales del Minitab 4

1.2 Pantallas y menús 4
1.3 Abrir, guardar e imprimir archivos 5
1.4 Cálculos con columnas y renglones 6
1.5 Aplicaciones 6
MÓDULO 2. HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS 7
2.1 Gráficos de barras y línea 7

2.2 Gráficas de dispersión de dos variables 10
2.3 Aplicaciones 16
MÓDULO 3. ESTADÍSTICA DESCRIPTIVA 16
3.1 Estadísticos de una muestra 16

3.2 Histogramas 18
3.3 Distribución normal estándar y distribución normal 20
3.4 Prueba de normalidad 24
3.5 Aplicaciones 24
MÓDULO 4. HERRAMIENTAS PARA ANÁLISIS - ESTADÍSTICA INFERENCIAL 25
4.1 Cálculo de probabilidades 25

4.2 Pruebas de hipótesis de una población 26
4.3 Pruebas de hipótesis de dos poblaciones 29
4.4 Tamaño de muestra y potencia 32
4.5 Análisis de varianza (ANOVA) 36
4.6 Correlación y Regresión lineal y cuadrática simple 38
4.7 Aplicaciones 44
MÓDULO 5. CONTROL ESTADÍSTICO DEL PROCESO 45
5.1 Cartas de control por variables: I-MR, Xmedia – R 45

5.2 Estudios de capacidad de equipos de medición R&R 53
5.3 Estudios de capacidad de procesos normales 59
5.4 Estudios de capacidad de procesos no normales 62
5.5 Cartas de control por atributos: p, np, c, u 63
5.6 Estudios de capacidad de proceso por atributos 66
5.7 Cartas de control especiales (EWMA, CuSum) 68
5.8 Muestreo por atributos (AQL, AOQL, LTPD, Z1.4) 72
5.9 Aplicaciones 73
Página 2
MÓDULO 6. DISEÑO DE EXPERIMENTOS 74
6.1 Cartas Multivari 74

6.2 Diseño de experimentos factoriales completos 76
6.3 Diseño de experimentos factoriales completos de dos niveles 80
6.4 Diseño de experimentos fraccionales (1/2) de dos niveles 83
6.5 Aplicaciones 85
Anexos:
Archivos de datos para los Módulos 1 al 6
Archivos de ejercicios y ejemplos de aplicación de Módulos 2 al 6.
Bibliografía:
Texto: Estadística Práctica con Minitab
Webster, Estadística para administración y economía,McGraw Hill, México, 2002.
Montgomery, D. Control Estadístico de la Calidad, Ed. LIMUSA Wiley, 3th. ed., México. 2005.
Montgomery, Douglas C., Diseño y análisis de experimentos, Limusa Wiley,2a. edición México, 2002.
Grant, E. L., Leavenworth, R.S. Control Estadístico de Calidad, 2ª ed., CECSA, México.
Duncan, A.J. Quality Control and Industrial Statistics, 4ª ed., Irwin, Homewood, ILL. 1974.
Manual de Mediciones (MSA ) y de Control Estadístico del Proceso de la AIAG.
Página 3
MÓDULO 1. INTRODUCCIÓN
Objetivo: Familiarse y realizar aplicaciones con el paquete estadístico Minitab
1.1 Características generales del Minitab
Minitab es un paquete estadístico que incluye funciones de la estadística descriptiva,

estadística inferencial, diseño de experimentos, series de tiempo, estadística
multivariada, confiabilidad y otras funciones especiales para facilitar los cálculos y los
análisis estadísticos.
Todos las líneas de comando tendrán el formato siguiente (> separa menús):
Data > Change Data Type > Numeric to Text.
1.2 Pantallas y menús
Las pantallas y menus principales del Minitab se muestran a continuación:
Captura de datos
File > New
Hoja de trabajo nueva Proyecto nuevo,

manteniendo lo que ya se ha borra toda la
procesado como gráficas información que
sesiones, etc. exista en el
proyecto abierto.
Letra “T” indica columna

Número de columna
Nombre de columna de texto
Numéricas Alfanumérica Fecha/hora
Para cambiar el tipo de datos de la columna de numérica a texto
Data > Change Data Type > Numeric to Text.

Aparecerá una caja de diálogo 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 botón de
Select
1.3 Abrir, guardar e imprimir archivos
Para proyectos donde

se incluye todo, datos
gráficas, sesiones.
Se puede importar
Para hojas de trabajo una hoja de cálculo
(worksheets) sólo la de Excel en forma
parte de hoja tipo Excel directa con
File > Open Worksheet
En carpeta DATA se encuentran
Página 5
1.4 Cálculos con columnas y renglones
a) Se tiene una calculadora integrada para hacer operaciones con columnas:
Calc > Calculator
Columna donde
aparecerá el
Columnas resultado
que contienen
los datos Expresión 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 través de

Calc > Column o Row Statistics respectivamente:
Cálculos
disponibles
Columna (s) sobre la que se hará

el cálculo 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 través de

Editor > Enable commands (Disable commands para terminar)
MTB > Let C4 = C1 + C2 + C3
o
Edit > Command line editor
Escribir la expresión Let C4 = C1 + C2 + C3
Submit commnads
1.5 Aplicaciones
Ejercicios con renglones y columnas con datos del Archivo Datos Módulo 1
Obtener un promedio de renglones para Peso_antes y Peso_despues
Página 6
MÓDULO 2. HERRAMIENTAS PARA SOLUCIÓN DE PROBLEMAS

La teoría se puede consultar en el documento de word anexo: Herramientas Solución Probs.doc
2.1 Gráficos de barras y línea
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 física y pulso en reposo. Todos tiran una moneda y los que les salío sol corren durante
un minuto, después se vuelve a tomar su pulso.
Se puede obtener información sobre los archivos de Minitab con:

Help > Help > Data Sets Pulse.Mtw (dar doble click)
Para gráficas 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 según su actividad se tiene:
Graph > Bar chart: Count of unique values, Stack

Categorical variables: Activity Sex
Chart of Activity, Sex

Sex
60 1
2
50
40
Count
30
20
10
0
Activity 0 1 2 3
Para cambiar la apariencia de las barras:
Colocarse en las barras y dar doble click, aparece el cuadro de diálogo

Edit Bars Attributes, en Fill Pattern marque Custom y seleccionar blanco en
Background color, también se puede seleccionar un tipo de trama por barra dando
Click en la gráfica, click en la sección específica y doble click, poner trama en Type.
Para poner nombres a los valores codificados de sexo y actividad, se utiliza:
Data > Code > Numeric to text
o Sex Se puede usar la

misma columna
u otra para los
valores una vez
transformados
Una vez cambiados los valores la gráfica se actualiza en forma automática colocándose
Página 7
en la gráfica y con botón derecho del ratón seleccionar Update Graph Now
El marco de la gráfica se puede quitar seleccionándolo con doble click y modificándolo
Para gráficas de Pastel:
Graph > Pie chart

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

Chart values from a table
Pie Chart of Activity

C ategory
0
1
2
3
Para separar un sector: Click sobre la gráfica, click sobre el sector y doble click y
en Explode indicar Explode Slice
Cambiando el número de actividad por su nombre con:

Data > Code > Numeric to text
0 Nula
1 Baja
2 Media
3 Alta
Para indicar el nombre de la categoría y su frecuencia en cada uno de las partes

de la gráfica de pastel, seleccionar la gráfica con doble click e ir a Slice Labels y marcar:
Category name, Frequency.
Para agregar texto y figuras a la gráfica, seleccionar la gráfica con un click:
Editor > Annotation > Graph annotation tools
Para agregar texto

Seleccionar el botón T
Marcar la zona donde debe aparecer el texto
Escribir el texto
Confirmar
Para agregar figuras
Seleccionar el botón de la figura e insertarla
Diagrama de Pareto y de Causa Efecto
Diagrama de Pareto
Se utiliza el archivo CARCASA anexo con estadísticas de los defectos en un producto
Copiar los datos de este archivo de datos para el módulo 2 en Minitab
Página 8
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 opción de una categoría 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 opción colocando en Chart defects Data in Defectos se tiene:
Pareto Chart of Defectos
200
100 La segunda opción
consiste en seleccionar
80
150
Charts Defect Table
60 Labels in: Tipo de defectos
Percent
Count
100 Frequencies in: No. de defectos

40 OK
50
20 Con el mismo resultado
0 0
Defectos Rayas Sopladura Forma Terminación Other
Count 124 42 19 6 4
Percent 63.6 21.5 9.7 3.1 2.1
Cum % 63.6 85.1 94.9 97.9 100.0
Miniatab coloca nombre en las barras hasta que se cumple el % acumulado, después
acumula todos los demás 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

n
ra ió
du ac
s la a in er
ya op or
m rm th
Ra S F Te O
Operario = A Operario = B Defectos
80
Ray as
60 Sopladura
40 Forma
Terminación
20 Other
Count
0
Operario = C Operario = D
80
60
40
20
y as ra rm
a
ió n e r
Ra du ac th
pla Fo in O
So rm
Te
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 gráfica, click en la barra específica, 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.
Página 9
Los datos se colocan como sigue:
Causas primarias:
AMBIENTE MATLS. PERSONAL MÉTODO MAQUINAS
Polvo Forma Salud Ajuste Mantto.
Vibraciones Dureza Habilidad Velocidad Deformación
Humedad Amacen Humor Abrasión
Temperatura Herramental
Causas secundarias:
FORMA ALMACEN HABILIDAD HUMOR
Diámetro Tiempo Selección Horas
Curvatura Ambiente Formación Moral
Experiencia Cansancio
Cause-and-Effect Diagram Para cambiar el

Measurements Material Personnel tamaño de letra
hacer doble click en
C
D
S alud
ur
iá
los títulos y
v
m
at
et
E
ur
F o ció n
ro
xp ión
F orma
Se
a
rm
er
le
seleccionar otro
ie
c
ac
nc
ia
D ureza H abilidad
tamaño de letra
Ca
A
m
Tie
ns
H
bie
a
m
or
or
nc
nt
po
as
al
io
A macen H umor
e
Temperatura H erramental
V elocidad
H umedad A brasión
V ibraciones D eformación
A juste
P olv o M antto.
Env ironment Methods Machines
2.2 Gráficas de dispersión de dos variables
Se utiliza de nuevo el archivo PULSE.MTW de Minitab anexo
Gráfica de dispersión simple

File > Open Worksheet > Pulse.mtw o Copiar los datos de Archivos Datos Módulo 2 a Minitab
Graph > Scatterplot > Simple
Indicar en Y variable Weight y en X variable Height
La gráfica de dispersión simple se muestra a continuación:
Scatterplot of Weight vs Height

220
200
180
Weight
160
140
120
100
60 62 64 66 68 70 72 74 76
Height
Página 10
Gráfica de dispersión Simple con una variable categórica:
Se puede agregar otra variable para estratificar haciendo doble click en cualquiera
de los puntos y seleccionando la pestaña Groups e indicando la variable
categórica Sex.

220 Sex
1
2
200
180
Weight
160
140
120
100
60 62 64 66 68 70 72 74 76
Height
Para cambiar el tipo se símbolo por categoría para impresión en blanco y negro:
Click sobre cualquiera de los puntos, para seleccionarlos todos

Click sobre los puntos de una cierta categoría
Doble click para que aparezca el cuadro de diálogo que permita cambiar el color,
símbolo y tamaño para los puntos de ese grupo.
Gráfica de dispersión con estratificación por grupos:
Graph > Scatterplot > With Groups

Indicar en Y variable Weight y en X variable Height
Indicar en Categorical variables for Grouping Sex
La gráfica obtenida es similar a la mostrada arriba.
Identificación de puntos en una gráfica
Se utiliza el archivo de datos COCHES.MTW anexo:

Copiar los datos del Archivo Datos Módulo 2 COCHES
Graficando Potencia (CV) vs Precio de venta (pesetas) PVP se tiene:
Página 11
Scatterplot of PVP vs Pot.(CV)

50000000
40000000
30000000
PVP
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 más de un punto a la vez se utiliza Brush
Con el gráfico 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 botón izquierdo del ratón mientras se seleccionan.
Otra forma de activar Brush es con la barra de herramientas Graph Editing llamada
desde: Tools > Tool Bars > Graph Editing
Con Brush activado y con la ventana de gráfica activa, en el Menu Editor seleccionar
Set ID Variables indicar Marca y Modelo seleccionar Include (row numbers)
Para poner la marca a cada punto se usa:
Graph > Scatter plot: With Groups

Labels > Data Labels > seleccionar Use Labels from Column Marca
Página 12
Para hacer un Zoom de una zona del diagrama hay que cambiar los valores mínimo y
máximo de los ejes, seleccionar cada uno y en Scale Range poner los adecuados.
Eje X Minimum 50 Maximum 100

Eje Y Minimum 1500000 Maximum 2000000
Scatterplot of PVP vs Pot.(CV)

VO LKSW A GEN NISSA N FIA T
2000000 OPEL SEA T
C ITROEN
SEA T
SEA T
RENA ULT
1900000 HYUNDA I
FIA T NISSA N
PEUGEOT
LA NC IA
SEA T
FORD
1800000 VO LKSW A GEN FORD
RENA ULT PEUGEOT
SEA T FIA T A lfa Romeo
PVP
OPEL FIA T
SEA T C ITROEN
1700000 MA ZDA
PEUGEOT FORD
SEA T
VO LKSW A GEN SEA T ROVER
VO LKSW A GEN HYUNDA I
1600000 OPEL
PEUGEOT C ITROEN
FORD SUZUKI
1500000
50 60 70 80 90 100
Pot.(CV)
Para identificar las coordenadas de los puntos de la gráfica seleccionar la gráfica

Editor > Crosshair
El cursor se convierte en una cruz que se puede colocar en el punto

para ver las coordenadas
Gráficas de dispersión Bivariantes con páneles:

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
Página 13
Para modificar la apariencia de la gráfica, seleccionarla y :
Editor > Panel > Options

Seleccionar Don´t alternate panels
Seleccionar Group information: Both variable names and levels
Scatterplot of Quality vs Time

Temp = 350 Temp = 375 Temp = 400
2
Quality
0
Temp = 425 Temp = 450 Temp = 475
8
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 después de indicar la variable Y y X como antes:
Gráfica de dispersión Simple con una variable categórica: Marginal Plot of PVP vs Pot.(CV)
50000000
40000000
30000000
PVP
20000000
10000000
0
0 100 200 300 400 500
Pot.(CV)
Marginal Plot of PVP vs Pot.(CV)
Marginal Plot of PVP vs Pot.(CV)
50000000
50000000
40000000
40000000
30000000
PVP
30000000
20000000
PVP
20000000
10000000
10000000
0
0 100 200 300 400 500 0
Pot.(CV) 0 100 200 300 400 500
Pot.(CV)
Página 14
Matrices de Graficas bivariantes
Graph > Matrix Plot
Se tienen varias posibilidades después 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 8 12
40000000
20000000 PVP
0
12
8
Num.C il.
400
200 P ot.( C V )
0
0 20000000 40000000 0 200 400
Matriz bivariante solo entre las variables seleccionadas: En este caso se seleccionan:
Página 15
Matrix Plot of PVP, Consumo vs Cil.(cc), Pot.(CV), Velo.max

0 200 400
40000000
En esta gráfica si en el
30000000
Editor se selecciona la
PVP
20000000
opción Brush y manualmente 10000000
seleccionamos una serie de 0
12
puntos en una ventana,
10
en forma automática se
Consumo
8
seleccionan en las otras
6
ventanas.
4
0 2500 5000 160 240 320

Cil.(cc) Pot.(CV) Velo.max
2.3 Aplicaciones
Realizar los ejercicios del Módulo 2 incluidos en el archivo CursoTallerMinitabEjercicios
MÓDULO 3. ESTADÍSTICA DESCRIPTIVA
3.1 Estadísticos de una muestra

Ver archivo Estadistica Descriptiva.doc anexo para una explicación de los conceptos teóricos
Se usa el archivo DETERGENTE.MTW anexo en Archivo Datos Módulo 3:

Contiene datos de peso en gramos de 500 paquetes de detergente con peso nominal
de 4 grs. indicando en cuál de las 2 líneas se ha llenado:
Estudio estadístico básico:
Stat > Basic statistics > Display descriptive statistics

Variables y variable categórica
Gráficas de los datos
Página 16
Selección de estadísticos específicos
NOTA: Para que las columnas no se desplazen al copiar de Minitab a Excel cambiar a letra COURIER
Descriptive Statistics: Peso en gr
Variable Línea N N* Mean SE Mean StDev Minimum Q1 Median
Peso en gr 1 250 0 3999.6 3.14 49.6 3877.0 3967.8 3999.5
2 250 0 4085.6 3.32 52.5 3954.0 4048.8 4087.0
Variable Línea Q3 Maximum
Peso en gr 1 4040.0 4113.0
2 4121.5 4202.0
Las gráficas obtenidas de la estadística descriptiva son las siguientes:
Histogram (with Normal Curve) of Peso en gr by Línea de llenado

3900 3960 4020 4080 4140 4200
1 2 1
50 Mean 4000
StDev 49.60
N 250
40 2
Mean 4086
StDev 52.51
Frequency
30 N 250
20
10
0
3900 3960 4020 4080 4140 4200
Peso en gr
Panel variable: Línea de llenado
Individual Value Plot of Peso en gr vs Línea de llenado
4200
4150
4100
Peso en gr
4050
4000
3950
3900
1 2
Línea de llenado
Página 17
Boxplot of Peso en gr by Línea de llenado
4200
4150
4100
Peso en gr
4050
4000
3950
3900
1 2
Línea de llenado
3.2 Histogramas o distribuciones de frecuencia
Se usa el archivo PULSE.MTW anexo en Archivo Datos Módulo 3:

Existen diferentes opciones para esta herramienta:
Indicando como variable Pulse1 se tiene:
Histogram of Pulse1
25
20
15
Frequency
10
0
50 60 70 80 90 100
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 pestaña Binning
Se definen los intervalos a través de sus

puntos de corte
Se indica el nuevo número de intervalos
Página 18
Histogram of Pulse1
30
25
20
Frequency
15
10
0
48.00 56.66 65.33 74.00 82.66 91.33 100.00
Pulse1
Con doble click en la escala horizontal se puede modificar la escala de valores
Una vez creada esta gráfica, 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
25
20
Frequency
15
10
0
60 80 100 120 140
Pulse2
Para comparar los histogramas según se haya corrido o no se tiene:
Página 19
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 60 70 80 90 100
1 2
16
14
12
Frequency
10
0
50 60 70 80 90 100
Pulse1
Panel variable: Ran
3.3 Distribución normal estándar y distribución normal
La teoria se puede consultar en el archivo de Word anexo: Distribución Normal.doc
Calc > Probability distributions > Normal
Da la ordenada de probabilidad
en un punto del eje horizontal
Da la probabilidad acumulada
o área 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. Estándar uno

indica una distribución normal
estándar, con otros valores
se trata de la distribución normal
El área total de probabilidad es de 1.0

La media es de cero y la desv. Estandar 1
Ejemplos:
Página 20
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

Seleccionar Inverse Cumulative Probability

P( X <= x ) x
0.9332 1.50006
Dibujo de la gráfica 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
Último valor
Incremento
Listar cada valor

Listar toda la lista
Columna de datos fuente

Columna de datos distribuidos normalmente
Página 21
Graph > Scatter plot (With connect line)

Indicar en Y C1 y en X C1
En la gráfica quitar los puntos dejando solo la línea con doble click sobre la curva:
Attributes Symbols > seleccionar Custom y en Type None
Scatterplot of C2 vs C1
0.4
0.3
0.2
C2
0.1
0.0
-5 -4 -3 -2 -1 0 1 2 3 4
C1
Para la parte sombreada bajo la campana se dibuja un polígono:
Editor > Annotation > Graph annotation tools

Seleccionar para el interior el color gris
Scatterplot of C2 vs C1
0.4
0.3
0.2
C2
0.1
0.0
-5 -4 -3 -2 -1 0 1 2 3 4
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 parámetro de forma
Página 22
Graph > Scatterplot (With connect Line)

En la gráfica 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 gráficas de Weibull
Scatterplot of C2, C3, C4, C5 vs C1

1.6 Variable
a = 1, b =1
C2
a = 1, b =2
1.4 C3
a = 1, b =3 C4
1.2 a = 1, b =4 C5
1.0
Y-Data
0.8
0.6
0.4
0.2
0.0
0 1 2 3 4
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
K2 Calc > Calculator Store result in C1 Expresion K2 - K1
K1 Minitab Excel
K2 K1 Área Área
Área entre ± Z = 1 sigmas 0,933193 0,0668072 0,8663858 0,866385597
Área antes de Z = -1.5 0,0668072 0,0668072 0,066807201
Área después de Z = 0.8 0,211855 0,211855 0,211855399

Restar a 1 o dar - Z
Área entre Z=-1.5 y Z=0.6 0,725747 0,0668072 0,6589398 0,658939681
Para cambiar el número de decimales mostrado en las columnas seleccionándolas y

Editor > Format column > Numeric Fixed decimal with 8 u otro
Página 23
3.4 Prueba de normalidad
Utilizando el archivo de datos de DETERGENTE.MTW anexo

Copiar los datos del archivo a Minitab
Las hipótesis son las siguientes:
Ho: Los datos SI provienen de una población distribuida normalmente Pvalue de prueba >0.05
Ha: Los datos NO provienen de una población distribuida normalmente 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

Normal AD - El estadístico de Anderson
99.9
Mean
StDev
4043
66.76
Darling está en función de las
99 N
AD
500
0.426
distancias entre los puntos y la
95 P-Value 0.314
90 recta es mejor un valor menor
80
70
Percent
60
50
40 P Value indica la probabilidad
30
20 de equivocarnos al rechazar el
10
5 supuesto de normalidad cierto
1
0.1
3800 3900 4000 4100 4200 4300
Un valor P de menos de 0.05
Peso en gr indica que los datos no son
normales, en este caso si lo son.
Otra forma de hacerlo es con:
Graph > Probability Plot: Single

en GraphVariable indicar la columna de Pesos
Probability Plot of Peso en gr

Normal - 95% CI
En la gráfica se deben observar
99.9
Mean
StDev
4043
66.76
la gran mayoría de puntos dentro
99 N 500
95
AD 0.426 del intervalo de confianza y
P-Value 0.314
90 obtener un P value mayor a 0.05
80
70 para indicar que los datos siguen
Percent
60
50
40
30
una distribución normal
20
10
5
0.1
3800 3900 4000 4100 4200 4300
Peso en gr
3.5 Aplicaciones
Página 24
MÓDULO 4. HERRAMIENTAS PARA ANÁLISIS - ESTADÍSTICA INFERENCIAL
4.1 Cálculo de probabilidades
Distribución t de Student (para número de muestras menor a 30 o sigma desconocida)

Se usa para pruebas de hipótesis sobre medias de una y dos poblaciones
Requiere un parámetro adicional de Grados de Libertad (gl) = n -1
Excel =Distr.t( valor de t, gl, colas) Área bajo la curva
=Distr.t.inv( valor de probabilidad, gl) Estadístico t para una cierta área

El área siempre se divide entre 2
Minitab Calc > Probablity distributions > t

Inverse Cumulative probability, Degrees of freedom
Input constant (valor de la probabilidad alfa o área bajo la curva)
Estadístico t (valor a partir del cual inicia el área bajo la curva alfa)
Probabilidad alfa (valor del área bajo la curva corresp. A t)
Media = 0
1- Alfa Estadístico t Estadístico t
Datos Alfa Minitab en Minitab Excel
10 0,05 0,95 1,83311 1,833112933
10 0,1 0,9 1,38303 1,383028738
Distribución F de Fisher (para probar hipótesis de comparación de varianzas entre dos muestras)
Requiere dos parámetros 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
Estadístico F (valor a partir del cual inicia el área bajo la curva alfa)
S12
Fc  S1 debe ser mayor a S2
0
S 22
Sólo valores positivos en eje horizontal
curva no simétrica
Datos de la Datos de la 1- Alfa Estadístico F

muestra 1 muestra 2 Alfa Minitab en Minitab Excel
10 10 0,05 0,95 3,17889 3,178893104
10 10 0,1 0,9 2,44034 2,440340438
Página 25
Distribución Chi Cuadrada (para probar hipótesis de la varianza de una población)
Requiere un parámetro 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
Estadístico Chi (valor a partir del cual inicia el área bajo la curva alfa)
c2
0
Sólo valores positivos en eje horizontal
curva no simétrica
Datos de la 1- Alfa Estadístico Chi Cuadrado

muestra Alfa Minitab en Minitab Excel
10 0,05 0,95 16,919 16,9189776
10 0,1 0,9 14,6837 14,68365657
4.2 Pruebas de hipótesis de una población
Referirse a los materiales sobre Pruebas de hipótesis para la teoría de estas pruebas
MinitabPruebaHipótesisRes.doc InterConfPruHipo1P.xls Pruebas Hipotesis 2 pob1.xls
Las pruebas de hipótesis permiten probar una afirmación o rechazarla en relación

a parámetros de la población que pueden ser la media, varianza y proporción 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 información

que proporcionen se infiere sobre el comportamiento del parámetro en la población.
Caso 1. Prueba de una media poblacional cuando se conoce la varianza de la población (en base a datos históricos)
Ho: Media = valor Ha: Media  Valor
Ejemplo: Una línea 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 Módulo 4
La desviación estándar histórica es de 25 g.
¿Se puede afirmar que el peso promedio es diferente a 4000 g.?
Ho: Media = 4000 Ha: Media  4000
Página 26
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 sección se usa cuando hay

datos de media y muestras
Desviación estándar histórica

Media a probar
Nivel de confianza
Hipótesis alternativa, también se

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

(with Ho and 95% Z-confidence interval for the Mean, and StDev = 25)
_
X Si la Ho queda fuera de la línea
Ho
azul, entonces se rechaza la
hipótesis nula Ho y se acepta la
3920 3940 3960 3980 4000 4020 4040 hipótesis alterna Ha indicando
Pesos
que los pesos son menores a
los 4 Kgs.
Página 27
One-Sample Z: Pesos
Test of mu = 4000 vs not = 4000
The assumed standard deviation = 25
Variable N Mean StDev SE Mean 95% CI Z P

Pesos 20 3985.70 28.18 5.59 (3974.74, 3996.66) -2.56 0.011
Este es el intervalo de confianza del 95% donde se encuentra Él valor P es menor

la media del proceso de llenado (población). El 4000 no se a 0.05 por tanto se
encuentra en el intervalo por tanto el promedio difiere de lo 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 número 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 desviación estándar
One-Sample T: Pesos
Test of mu = 4000 vs not = 4000
Variable N Mean StDev SE Mean 95% CI T P
Pesos 20 3985.70 28.18 6.30 (3972.51, 3998.89) -2.27 0.035
Las conclusiones son iguales que en el caso 1
Caso 3. Prueba de hipótesis para una proporción
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: Proporción >= 0.10 Ha: Proporción < 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 método exacto
Página 28
Test and CI for One Proportion

Test of p = 0.1 vs p < 0.1
Upper Exact
Sample X N Sample p Bound P-Value
1 17 200 0.085000 0.124771 0.285
No se rechaza Ho ya que la Proporción del 10% de la

hipótesis se encuentra en el intervalo de confianza y el
P value es mayor a 0.05, no se acepta la hipótesis alterna.
Es válido decir que sólo el 10% de los usuarios utilizan los accesorios
4.3 Pruebas de hipótesis de dos poblaciones
Caso 1. Comparación de dos medias - Muestras independientes
H: Media A - Media B = 0 Ha: Media A - Media B  0
Ejemplo: 10 pieles son curtidas usando el método A y 10 usando el método B, las

resistencias a la tracción son las siguientes:
Método A Método 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 métodos producen resistencias a la tracción 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 análisis de comparación de varianzas poblacionales:

Ho: Varianza A = Varianza B Ha: Varianza A  Varianza B
Stat > Basic Statistics > 2 Variances
Página 29
Test for Equal Variances: Método A, Método B

95% Bonferroni confidence intervals for standard deviations
F-Test (normal distribution)
Test statistic = 1.01, p-value = 0.991
Como el P value es mayor a 0.05 no se rechaza la Hipótesis nula de igualdad de

varianzas, por tanto se asume que son iguales. Esta inf. se usará a continuación:
Paso 2. Se realiza un análisis de comparación de medias poblacionales

H: Media A - Media B = 0 Ha: Media A - Media B  0
Stat > Basic Statistics > 2 - Sample t
La gráfica de puntos individuales indica diferencia entre las muestras
Individual Value Plot of Método A, Método B

27
26
25
Data
24
23
22
21
Método A Método B
Y los resultados de la prueba estadística lo confirman:
Two-sample T for Método A vs Método B

N Mean StDev SE Mean
Método A 10 25.14 1.24 0.39
Método B 10 23.62 1.24 0.39
Difference = mu (Método A) - mu (Método B)

Estimate for difference: 1.52000
95% CI for difference: (0.35037, 2.68963)
T-Test of difference = 0 (vs not =): T-Value = 2.74 P-Value = 0.014 DF = 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 hipótesis nula de igualdad de medias y se acepta
la alterna afirmando que son diferentes
Página 30
Caso 2. Muestras pareadas - Prueba si las diferencias entre sujetos son iguales.
Ho: Media de diferencias = 0 Ha: Media de diferencias 
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 después de una rutina.
También 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.
Después de un periodo se mide el deterioro (rayas, desgaste, etc.) de cada lente:
Persona Lente A Lente B

1 6,7 6,9
2 5,0 5,8
3 3,6 4,1
4 6,2 7,0
5 5,9 7,0
6 4,0 4,6
7 5,2 5,5
8 4,5 5,0
9 4,4 4,3
10 4,1 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
Como el valor de Ho no se
encuentra en el intervalo de
confianza de la diferencia de las
-1.2 -1.0 -0.8 -0.6 -0.4 -0.2 0.0
Differences dos medias, se rechaza Ho
y se acepta Ha indicando que el
deterioro es diferentes en los dos
métodos.
Página 31
Paired T-Test and CI: Lente A, Lente B
Paired T for Lente A - Lente B

N Mean StDev SE Mean
Lente A 10 4.96000 1.02978 0.32564
Lente B 10 5.50000 1.13039 0.35746
Difference 10 -0.540000 0.343835 0.108730
95% CI for mean difference: (-0.785964, -0.294036)

T-Test of mean difference = 0 (vs not = 0): T-Value = -4.97 P-Value = 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 hipótesis nula de igualdad de medias y se acepta
la alterna afirmando que los tratamientos producen deterioros diferentes.
Caso 3. Comparación 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: Proporción A = Proporción B Ha: Proporción A  Proporción B

Stat > Basic Statistics > 2 - Proportions
Se usa la sección de datos

resumidos
Como Opciones NC = 95%

Alternate = Not equal, Test Dif = 0
Use Pooled estimate p for test
Test and CI for Two Proportions

Sample X N Sample p
1 33 300 0.110000
2 22 250 0.088000
Difference = p (1) - p (2)

Estimate for difference: 0.022
95% CI for difference: (-0.0278678, 0.0718678)
Test for difference = 0 (vs not = 0): Z = 0.86 P-Value = 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 hipótesis nula de igualdad de proporciones
o sea que no hay razón para decir que las proporciones sean diferentes.
Página 32
4.4 Tamaño de muestra y potencia
Potencia: Es la capacidad de una prueba para detectar una diferencia cuando realmente existe.
Hipótesis Nula
Desición Verdadera Falsa
No rechazar Desición correcta Error tipo II
p=1-a p=b
Rechazar Error tipo I Desición correcta
p=a p=1- b
Potencia
La potencia de la prueba es la probabilidad de de rechazar correctamente
la hipótesis nula siendo que en realidad es falsa.
El análisis de potencia puede ayudar a contestar preguntas como:
* ¿Cuántas muestras se deben tomar para el análisis?

* ¿Es suficiente el tamaño de muestra?
* ¿Qué 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 parámetros:
* Tamaños 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 población normal con media de 365 y límites de especificación
de 360 y 370. Si la media se desplaza 2.5 gramos por arriba de la media, el número de
defectos sería inaceptable, la desviación estándar histórica es de 2.403:
CORRIDA DE 2.5 GRS. EN PROMEDIO

Ha: Corrida
0.18 Ho: 367.5 Variable
Meta LIE 370
Original
0.16 LIE 360 C orrida
365
0.14
0.12
0.10
Y-Data
0.08
0.06
0.04
0.02
0.00
355 360 365 370 375

C1
Stat > Power and Sample Size > 1 - Sample t

Completar el diálogo como sigue:
Página 33
Los resultados se muestran a continuación:
Power and Sample Size
1-Sample t Test
Testing mean = null (versus not = null)

Calculating power for mean = null + difference
Alpha = 0.05 Assumed standard deviation = 2.403
Sample Se tiene un 53.76% de Potencia para detectar

Difference Size Power una diferencia de 2.5 si se usan 6 muestras
2.5 6 0.537662 O sea que hay una probabilidad del 46.24%
que no se rechaze Ho y se concluya que no
hay diferencia significativa.
¿cuántas muestras se requieren para tener un 80% de probabilidad de detectar

el corrimiento, y para 85%, 90% y 95%?
Se cambia este parámetro
Sample Target
Difference Size Power Actual Power
2.5 10 0.80 0.832695
2.5 11 0.85 0.873928
2.5 12 0.90 0.905836
2.5 15 0.95 0.962487
Si la potencia es demasiado alta por decir 99% se pueden detectar diferencias

que realmente no son significativas.
Página 34
Caso 2. Prueba t de comparación de dos medias poblacionales
Ejemplo: La potencia de una prueba depende de la diferencia que se quiera detectar

respecto a la desviación estándar, para una sigma poner 1 en diferencia y desviación
estándar, con valores deseados de Potencia de 0.8 y 0.9.
Power and Sample Size 2-Sample t Test
Testing mean 1 = mean 2 (versus not =)

Calculating power for mean 1 = mean 2 + difference
Alpha = 0.05 Assumed standard deviation = 1
Sample Target
Difference Size Power Actual Power
1 17 0.8 0.807037
1 23 0.9 0.912498
Se requieren tamaños de muestra de entre 17 y 23
Caso 3. Prueba de 1 proporción
Para estimar la potencia, Minitab requiere de dos de los siguientes parámetros:
* Tamaños de muestra
* La proporción - una proporción 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 proporción de 0.04 con el 0.8 y 0.9 de niveles
de Potencia:
Proporción que se desea detectar con alta

probabilidad (0.80, 0.90)
Es la proporción de la Hipótesis nula
Test for One Proportion

Testing proportion = 0.02 (versus > 0.02)
Alpha = 0.05
Alternative Sample Target
Proportion Size Power Actual Power
0.04 391 0.8 0.800388
0.04 580 0.9 0.900226
Si se desea saber la Potencia si se utiliza un tamaño de muestra de 500 se tiene:
Página 35
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
Test for One Proportion

Testing proportion = 0.02 (versus > 0.02)
Alpha = 0.05
Alternative Sample
Proportion Size Power
0.04 500 0.5828
Por tanto con un tamaño de muestra de 500, la potencia de la prueba para detectar
un corrimiento de 2% a 4% es del 86.6%
4.5 Análisis de varianza (ANOVA)
Para la teoría revisar el artículo anexo en el archivo ANOVARes.Doc
El Análisis de Varianza es una prueba de hipótesis que trata de probar la

igualdad de varias medias al mismo tiempo:
H 0
  1   2   3  ....   k
H 1 : Al menos dos medias son diferentes .

Requiere que las poblaciones sean normales y con varianza similar.
ANOVA de una vía con datos de tratamientos en diferentes columnas:
Ejemplo: Los técnicos de una fábrica de papel hacen un experimento de un factor

para ver que variedad de árbol produce menos fenoles en los desechos de pasta de
papel. Se colectan los siguientes datos en porcentajes:
A B C
1,9 1,6 1,3
1,8 1,1 1,6
2,1 1,3 1,8
1,8 1,4 1,1
1,1 1,5
1,1
A un 95% de nivel de confianza, ¿hay alguna variedad que produzca más fenoles que otra?
Se colocan los datos en tres columnas distintas C1, C2 y C3:
Stat > ANOVA > One Way (Unstacked)
Residual Plots for A, B, C

Normal Probability Plot of the Residuals Residuals Versus the Fitted Values
Página 36 99
0.4
90
0.2
Residual
Percent
50 0.0
10 -0.2
1 -0.4
Residual Plots for A, B, C

99
0.4
90
0.2
Residual
Percent
50 0.0
10 -0.2
1 -0.4
-0.50 -0.25 0.00 0.25 0.50 1.4 1.6 1.8
Residual Fitted Value
Histogram of the Residuals

3
Frequency
2
0
-0.3 -0.2 -0.1 0.0 0.1 0.2 0.3 0.4
Residual
Los residuos deben mostrar

un comportamiento normal
y aleatorio alrededor de la media
para que el análisis sea válido
One-way ANOVA: A, B, C
Como el valor P value es menor
Source DF SS MS F P a 0.05 existe una diferencia
Factor 2 0.9000 0.4500 8.44 0.005 significativa entre algunas medias
Error 12 0.6400 0.0533
Total 14 1.5400
S = 0.2309 R-Sq = 58.44% R-Sq(adj) = 51.52%
Individual 95% CIs For Mean Based on

Pooled StDev A produce más fenoles que B,C
Level N Mean StDev ----+---------+---------+---------+-----
A 4 1.9000 0.1414 (-------*--------)
B 5 1.3000 0.2121 (------*-------) La media de A es
C 6 1.4000 0.2828 (------*------) diferentes a A y B
----+---------+---------+---------+-----
1.20 1.50 1.80 2.10
Pooled StDev = 0.2309 Las medias B y C
Desviación estándar poblacional son similares
Tukey 95% Simultaneous Confidence Intervals
All Pairwise Comparisons
Individual confidence level = 97.94% Como el cero no está en el

intervalo de la diferencia B-A
A subtracted from: o C-A, A es diferente de B y C
Lower Center Upper -----+---------+---------+---------+----
B -1.0130 -0.6000 -0.1870 (---------*---------)
C -0.8974 -0.5000 -0.1026 (---------*--------)
-----+---------+---------+---------+----
-0.80 -0.40 -0.00 0.40
B subtracted from:
Lower Center Upper -----+---------+---------+---------+----
C -0.2728 0.1000 0.4728 (---------*--------)
-----+---------+---------+---------+----
-0.80 -0.40 -0.00 0.40
El intervalo de la diferencia C-B si incluye

el cero por tanto B no es diferentes de C
Página 37
ANOVA de una vía con datos de tratamientos en una sola columna Respuesta Factor
1,9 A
Los datos del ejemplo anterior arreglados en una 1,8 A
sola columna se muestran a continuación: 2,1 A
1,8 A
1,6 B
1,1 B
1,3 B
1,4 B
1,1 B
1,3 C
1,6 C
1,8 C
1,1 C
1,5 C
1,1 C
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.
Residual Plots for Respuesta

99
0.4
90
0.2
Residual
Percent
50 0.0
10 -0.2
1 -0.4
-0.50 -0.25 0.00 0.25 0.50 1.4 1.6 1.8
Residual Fitted Value
Histogram of the Residuals Residuals Versus the Order of the Data

3 0.4
0.2
Frequency
2
Residual
0.0
1
-0.2
0 -0.4
-0.3 -0.2 -0.1 0.0 0.1 0.2 0.3 0.4 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Residual Observation Order
4.6 Correlación y Regresión lineal y cuadrática simple
Revisar el archivo anexo sobre Análisis de RegresiónRes.doc para conceptos de teoría.
Página 38
Coeficiente de Correlación
Establece si existe una relación entre las variables y responde a la pregunta,

”¿Qué tan evidente es esta relación?".
La correlación es una prueba fácil y rápida para eliminar factores que no influyen
en la predicción, para una respuesta dada.
* Es una medida de la fuerza de la relación lineal entre dos variables x y y.

* Es un número 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 están relacionadas, el coeficiente de correlación tiende a 0.
Correlación Positiva Correlación Negativa

25
Evidente 25
Evidente
20 20
15 15
10
Y
Y
10
5
5
0
0 5 10 15 20 25
Sin Correlación 0
0 5 10 15 20 25
X 25 X
20
15
Correlación
Y
10
5
Correlación
25
Positiva 0 Negativa
0 5 10 15 20 25 25
20
X 20
15
15
Y
10
Y
10
5
5
0
0 5 10 15 20 25 0
0 5 10 15 20 25
X
X
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 correlación se sugiere hacer un diagrama

bivariante para identificar posibles valores anómalos, relaciones no lineales, etc.
Graph > Scatterplot: Simple Y = Weight y X = Height

220
200
180
Weight
160
140
120
100
60 62 64 66 68 70 72 74 76
Height
Página 39
Ahora se calcula el coeficiente de Correlación que mide el grado de relación 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

Pearson correlation of Weight and Height = 0.785Coeficiente de correlación
P-Value = 0.000
Como el P value es menor a 0.05, la correlación si es significativa
Si se agrega la variable "Pulse1":
Correlations: Weight, Height, Pulse1

Weight Height
Height 0.785 Correlaciones
0 P values
Pulse1 -0.202 -0.212 Correlaciones

0.053 0.043 P values
Cell Contents: Pearson correlation
P-Value
Regresión simple por medio de gráfica:
Stat > Regression > Fitted line Plot

Seleccionar en Response (Y) Weight y en Predictor (X) Height
Seleccionar modelo Linear aunque puede ser Quadratic o Cubic
Ecuación de
Fitted Line Plot Regresión
Weight = - 204.7 + 5.092 Height
220
S Desv. Estandar de
200
los residuos
180 (valor real-estimado
por la regresión)
Weight
160 S 14.7920
R-Sq 61.6%
140 R-Sq(adj) 61.2% R-Sq Coeficiente
de Determinación
120
en porcentaje de
100 variación explicada
por la ecuación de
60 62 64 66 68 70 72 74 76
Height regresión
R-Sq (Adj) - Sólo para regresión múltiple

Regression Analysis: Weight versus Height
The regression equation is

Weight = - 204.7 + 5.092 Height
S = 14.7920 R-Sq = 61.6% R-Sq(adj) = 61.2%
Analysis of Variance
Source DF SS MS F P
Página 40
Regression 1 31591.6 31591.6 144.38 0.000

Error 90 19692.2 218.8
Total 91 51283.9 El valor p menor a 0.05 indica que SI
es significativa la Correlación entre Y y X.
Regresión simple:
Efectúa un análisis de regresión simple:
Stat > Regression > Regression

Seleccionar en Response Weight y en Predictors Height
Regression Analysis: Weight versus Height
The regression equation is

Weight = - 205 + 5.09 Height Ecuación de regresión
Predictor Coef SE Coef T P

Constant -204.74 29.16 -7.02 0.000
Height 5.0918 0.4237 12.02 0.000
S = 14.7920 R-Sq = 61.6% R-Sq(adj) = 61.2%

Coef. De determinación
Analysis of Variance
Source DF SS MS F P
Regression 1 31592 31592 144.38 0.000 Regresión significativa
Residual Error 90 19692 219
Total 91 51284
Unusual Observations
Obs Height Weight Fit SE Fit Residual St Resid

9 72.0 195.00 161.87 2.08 33.13 2.26R Puntos con un
25 61.0 140.00 105.86 3.62 34.14 2.38R residuo estándar
40 72.0 215.00 161.87 2.08 53.13 3.63R mayor a 2
84 68.0 110.00 141.50 1.57 -31.50 -2.14R
R denotes an observation with a large standardized residual.
En algunos casos hay puntos que están muy alejados de la mayoría de los puntos
se marcan con X y pueden sesgar los resultados, se sugiere investigarlos.
Por ejemplo: Fitted Line Plot

Y = 14.16 + 4.075 X
70 S 3.47429
Usando el archivo PUNTOS_RX.MTW anexo: R-Sq 86.6%
Copiar los datos del archivo a Minitab R-Sq(adj) 86.3%
60
Graph > Scatterplot: Simple Y=yyX=x
50
40
Y
30
20
10
0 2 4 6 8 10 12
X
Página 41
Stat > Regression > Regression

Seleccionar en Response
Y y en Predictors X
Unusual Observations
Obs X Y Fit SE Fit Residual St Resid

51 2.5 40.000 24.343 0.483 15.657 4.55R
52 12.0 60.000 63.056 2.178 -3.056 -1.13 X
R denotes an observation with a large standardized residual.

X denotes an observation whose X value gives it large influenc
Regresión 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 mamíferos se tiene:
Copiar los datos del archivo a Minitab
Haciendo una gráfica de dispersión bivariada se tiene:
Graph > Scatterplot: Simple Y = Peso cerebro y X = Peso total

Scatterplot of Peso cerebro (g) vs Peso total (kg)
6000
5000
4000
Peso cerebro (g)
3000
2000
1000
0 1000 2000 3000 4000 5000 6000 7000

Peso total (kg)
En este caso los pesos de los elefantes pueden sesgar la ecuación de la recta
no se pueden eliminar como anómalos y se intentará transformarlos en forma
logarítmica:

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:
Página 42
Como resultado se obtiene una gráfica mucho más uniforme:

Fitted Line Plot
logten(Peso cerebro (g)) = 0.9271 + 0.7517 logten(Peso total (kg))
100000.00
Regression
Intervalos de
10000.00
95% C I confianza de Ymedia
95% PI
S 0.301528
en base a una X
1000.00
Peso cerebro (g)
R-Sq 92.1%
R-Sq(adj) 91.9%
100.00
Intervalo de
10.00 predicción de Y para
1.00 valores individuales
0.10
en base a una X
0.01
1 0 0 0 00 0 00 00
Coeficiente de
00 01 10 00 .0 00 .0 .0
0. 0. 0. 1. 10 0. 00 00 determinación
10 10 0
10
Peso total (kg)
muy cercano a uno
Regresión simple cuadrática:
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 gráfica siguiente de residuos que no varian aleatoriamente alrededor

de la media, sino más bien con un patrón que sugiere un modelo cuadrático:
Residuals Versus the Fitted Values

(response is Y)
1.0
0.5
Residual
0.0
-0.5
-1.0
15 20 25 30 35
Fitted Value
Repitiendo las instrucciones anteriores pero para modelo Quadratic se tiene:

Fitted Line Plot
Y = 15.12 + 2.829 X
+ 0.2355 X**2
Regression
35 95% C I
95% PI
S 0.228822
30 R-Sq 99.9%
R-Sq(adj) 99.9%
25
Y
20
15
0 1 2 3 4 5
X
Página 43
Residuals Versus the Fitted Values

(response is Y)
0.50
0.25
Residual
0.00
-0.25
-0.50
15 20 25 30 35
Fitted Value
Los residuos aparecen en forma aleatoria indicando un modelo adecuado.
4.7 Aplicaciones
Página 44
MÓDULO 5. CONTROL ESTADÍSTICO DEL PROCESO

Para la teoría 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 automotríz una flecha debe tener 600 mm ± 2 mm de longitud
sin embargo ha habido dificultades con dar esta dimensión con problemas de ensamble
que resultan en un alto porcentaje de retrabajo y desperdicio. Se dese monitorear esta
característica 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 límites de la media o rango en base a datos históricos
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
S limits Para mostrar límites 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 estadísticas 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 desempeño 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
Página 45
En este caso:
Xbar-R Chart of Supp2

1
1
U C L=602.474
602
Sample Mean
_
_
X=600.23
600
598 LC L=597.986
2 4 6 8 10 12 14 16 18 20
Sample
8 U C L=8.225
Sample Range
_
4 R=3.890
0 LC L=0
2 4 6 8 10 12 14 16 18 20
Sample
TEST 1. One point more than 3.00 standard deviations from center line.
Test Failed at points: 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 CÁLCULOS se tiene:
Stat > Control Charts > Variables Charts for Subgroups > Xbar-R.
En Subgroup sizes, poner 5 .
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 está dentro de control

Xbar-R Chart of Supp2
U C L=602.247
602
601 Se pueden eliminar

Sample Mean
_
_
600 X=599.938 físicamente los datos
599 de los puntos que
598
salen de control con
LC L=597.629
2 4 6 8 10 12 14 16 18 20
Delete Cells en Minitab
Sample iniciando por los últimos
U C L=8.465
y al final los primeros
8
Sample Range
_
4 R=4.003
0 LC L=0
2 4 6 8 10 12 14 16 18 20
Sample
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).
Página 46
Crearemos dos columnas adicionales: Una para la hora de toma de muestra y otra para el
número que identifique al operario de la máquina.
Calc > Make Patterned Data > Simple Set of Date / Time Values
Hora de la primera y
última 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 Sesión con Editor > Enable Commands
MTB > Set c3 En C3 poner

DATA> 125 (1) 125 unos
DATA> 75 (2) 75 doces
DATA> end fin . E Intro
Desabilitar ejecución de comandos con Editor > Enable Commands
El nombre de la columna se pone a mano OPERARIO
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:
Xbar Chart of Peso by Operario

1 2
3.30
UCL=3.2939
3.28
_
_
X=3.2671
Sample Mean
3.26
6
3.24 LCL=3.2402
3.22
3.20
1
1
8:00 9:00 10:00 11:00 12:00 13:00 14:00 15:00 16:00 17:00
Hora
Página 47
3.24
Sa
3.22
3.20
1
1
8:00 9:00 10:00 11:00 12:00 13:00 14:00 15:00 16:00 17:00
Hora
Los patrones anormales detectados son:
Test Results for Xbar Chart of Peso by Operario
TEST 5. 2 out of 3 points more than 2 standard deviations from center line (on
one side of CL).
Test Failed at points: 23
TEST 6. 4 out of 5 points more than 1 standard deviation from center line (on
one side of CL).
Carta de control de rangos usando archivo VITA_C.MTW
Stat > Control Charts > Variables Charts for Subgroups > R
OK R Chart of Peso
0.10 UCL=0.1020
0.08
Sample Range
0.06
_
R=0.0483
0.04
0.02
0.00 LCL=0
4 8 12 16 20 24 28 32 36 40
Sample
Carta de control de Desviación estándar S de archivo VITA_C.MTW
Stat > Control Charts > Variables Charts for Subgroups > S
S Chart of Peso
OK
0.04 UCL=0.04073
0.03
Sample StDev
_
0.02 S=0.01950
0.01
0.00 LCL=0
4 8 12 16 20 24 28 32 36 40
Sample
Carta de control de lecturas individuales de archivo CAMSHAFT.MTW
Página 48
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 gráfica obtenida es la siguiente:
I-MR Chart of Supp1

1 1
U C L=601.176
601
Individual Value
600
_
X=599.548
599
598 LC L=597.920
1
1 10 20 30 40 50 60 70 80 90 100
O bser vation
2.4
1
U C L=2.000
Moving Range
1.8
1.2
__
0.6 M R=0.612
0.0 LC L=0
1 10 20 30 40 50 60 70 80 90 100
O bser vation
Varios puntos salen de control por lo que el proceso no es estable:
Test Results for I Chart of Supp1

Test Failed at points: 39, 55, 82
Test Results for MR Chart of Supp1
Excluyendo los puntos PARA LOS CÁLCULOS 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. I-MR Chart of Supp1
601 U C L=600.943
Individual Value
600
_
X=599.531
599
LC L=598.118
598
1
1 10 20 30 40 50 60 70 80 90 100
O bser v ation
2.0
1 1 1
U C L=1.735
1.5
Moving Range
1.0
__
0.5 M R=0.531
0.0 LC L=0
1 10 20 30 40 50 60 70 80 90 100
O bser v ation
Repitiendo la operación anterior para los puntos 1, 21, 36 se tiene:
Página 49
Seleccionar Row Numbers 1 21 36 34 39 55 56 82
I-MR Chart of Supp1 Otra alternativa es

U C L=600.822
eliminar físicamente los
600.5 puntos que salen de
Individual Value
600.0
_
control con la opción
599.5 X=599.536
Delete Cells de Minitab
599.0
598.5
LC L=598.251
1 1
1 10 20 30 40 50 60 70 80 90 100
O bser vation
1.6 U C L=1.579
1.2
Moving Range
0.8
__
M R=0.483
0.4
0.0 LC L=0
1 10 20 30 40 50 60 70 80 90 100
O bser vation
El proceso es bastante estable
Carta de lecturas individuales usando el archivo CLORO.MTW
Ejemplo: En una industria química se toma una muestra cada 15 minutos y se mide
el pH y la concentración de cloro de la solución, los datos se muestran en el archivo
CLORO.MTW anexo de este módulo.
Separando las muestras del último día 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 selección de Name the columns containing the copied data
Seleccionar Subset the Data
Seleccionar Rows that Match Condition Fecha = DATE("08/11/2002")
función 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 I Chart of pH V
Scale > Time: Stamp 'Hora V' 'Cl V' 14
1
OK 13 UCL=12.843
12
11
Individual Value
10
_
9 X=9.128
7
Uso de la función Stamp
6
LCL=5.413
5
Hora V 6:45 7:30 8:15 9:00 9:45 10:30 11:15 12:00 12:45 13:30
Cl V 21 21 20 19 20 18 19 18 20 20
Como hay un punto que se sale de control se puede omitir como sigue:
Página 50
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
I Chart of pH V
13
+3SL=12.366
12
+2SL=11.244
11
Excluye el punto fuera de
Individual Value
10 +1SL=10.122
_
control y muestra los
9 X=9 límites de control a
8 -1SL=7.878
una, dos y tres sigmas
7
-2SL=6.756
6
-3SL=5.634
5
Hora V 6:45 7:30 8:15 9:00 9:45 10:30 11:15 12:00 12:45 13:30
Cl V 21 21 20 19 20 18 19 18 20 20
Para mostrar el comportamiento por día, 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
I Chart of pH by Fecha
04/11/2002 05/11/2002 06/11/2002
14
12 UCL=12.370
10 _
X=8.981
8
Individual Value
6 LCL=5.592
Hora V 6:15 8:00 10:00 12:00 14:00
Cl V 19 20 21 18 20
07/11/2002 08/11/2002
14 1
UCL=12.843
12
10 _
X=9.128
8
6
LCL=5.413
Hora V
Cl V
Carta deRangos Móviles usando el archivo CLORO.MTW
Stat > Control charts > Variable chart for individuals > Moving range
Variable ' pH V'
Página 51
Moving Range Chart of pH V

5
UCL=4.564
4
Moving Range
2
__
MR=1.397
1
0 LCL=0
3 6 9 12 15 18 21 24 27 30
Observation
Carta de control de valores individuales y rangos móviles usando archivo CLORO.MTW
Stat > Control charts > Variable chart for individuals > I-MR
Variable ' pH V' OK
I-MR Chart of pH V
14
1
U C L=12.843
12
Individual Value
10 _
X=9.128
8
6
LC L=5.413
3 6 9 12 15 18 21 24 27 30
O bse r v ation
U C L=4.564
4
Moving Range
2
__
M R=1.397
1
0 LC L=0
3 6 9 12 15 18 21 24 27 30
O bse r v ation
Carta de control X-S usando el archivo CAMSHAFT.MTW
Se utilizan los datos del archivo CAMSHAFT.MTW anexo
Se usa para monitorear proveedores o grupos de máquinas

funciona mejor con tamaños 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.
Página 52
Xbar-S Chart of Supp2

602 1
U C L=601.908
601
Sample Mean
_
_
X=600.23
600
599
LC L=598.552
1 2 3 4 5 6 7 8 9 10
Sample
3 U C L=2.952
Sample StDev
2 _
S =1.720
LC L=0.488
1 2 3 4 5 6 7 8 9 10
Sample
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.
Xbar-S Chart of Supp2

602
U C L=601.735
601
Sample Mean
_
_
600 X=600.042
599
LC L=598.349
598
1 2 3 4 5 6 7 8 9 10
Sample
3 U C L=2.979
Sample StDev
2 _
S =1.736
LC L=0.492
1 2 3 4 5 6 7 8 9 10
Sample
5.2 Estudios del sistema de medición R&R
Revisar la teoría de estudios en sistemas de medición 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 medición en el mismo ambiente de trabajo
y también 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: Análisis gráfico de los resultados como primeras conclusiones
Página 53
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 (más comunes). Todos los operadores miden todas las piezas
varias veces, utilizados principlamente para características 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 más
parecidas posible (con variabilidad mínima) 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
(características no medibles)
Diseños Cruzados (Crossed): Los operadores miden todas las piezas dos o tres veces
normalmente características dimensionales
Diseños 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 realización
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.
Análisis gráfico (Gage Run Chart):
Stat > Quality Tools > Gage Study > Gage Run Chart
Part Numbers - Pieza; Operators - Operario; Measurement data - Medición
Trial Numbers - Orden (indica el orden en que se hicieron las mediciones).
Options - Permite poner título al estudio
Gage Info: Para información adicional del estudio
Gage Run Chart of Medicion by Pieza, Operario

Reported by :
G age name: Tolerance:
Date of study : M isc:
1 2 3 4 5 O perario
16 1
2
3
Las piezas son diferentes
Mean
12 ver pieza 2 y 3 versus la
8y9
Medicion
6 7 8 9 10
16
El operario 2 tiene más
12
variabilidad en sus
Mean
mediciones y además
8
tiende a tener valores por
Operario
debajo de los otros 2
Panel variable: Pieza
Estudio R&R (Crossed)
Stat > Quality Tools > Gage Study > Gage R&R Study (Crossed)
Part Numbers - Pieza; Operators - Operario; Measurement data - Medición
Seleccionar Method of Análisis - ANOVA
Options - Study variation 5.15 (99% nivel de conf.) Tolerance - 15 Tolerancia de las piezas
Gage Info: Para información adicional de identificación del estudio
Página 54
Tabla de Análisis de Varianza (ANOVA)
También se hubiera obtenido con:

Stat > ANOVA > Two way Response:Medición Row Factor:Pieza Column Factor:Operario
Two-Way ANOVA Table With Interaction

Source DF SS MS F P
Pieza 9 286.033 31.7814 33.1422 Pieza
0.000
significativa
Operario 2 45.635 22.8173 23.7942 Operario
0.000 significativo
Pieza * Operario 18 17.261 0.9589 0.6449 Interaccion
0.849 no significativa
Repeatability 60 89.217 1.4869
Total 89 438.145
Two-Way ANOVA Table Without Interaction

Source DF SS MS F P
Pieza 9 286.033 31.7814 23.2814 0.000
Operario 2 45.635 22.8173 16.7147 0.000
Repeatability 78 106.478 1.3651
Total 89 438.145
Tabla de componentes de la Varianza (informativa)
Varianza %Contribution
Source VarComp (of VarComp)
Total Gage R&R 2.08017 38.10
Repeatability 1.36510 25.00 Varianza relevante debida al equipo
Reproducibility 0.71507 13.10 Menor varianza debida al operador
Operario 0.71507 13.10
Part-To-Part 3.37959 61.90
Total Variation 5.45976 100.00
Usada cuando el equipo es para control del proceso
Tabla de análisis de la Variación
Usada cuando el equipo es para liberar producto
raiz (Varianza) Study Var %Study Var %Tolerance
Source StdDev (SD) (5.15 * SD) (%SV) (SV/Toler)
Total Gage R&R 1.44228 7.4277 61.73 49.52
Repeatability 1.16838 6.0171 50.00 40.11
Reproducibility 0.84562 4.3549 36.19 29.03
Operario 0.84562 4.3549 36.19 29.03
Part-To-Part 1.83837 9.4676 78.68 63.12
Total Variation 2.33661 12.0336 100.00 80.22
El % de error total debe ser de cuando más el

Number of Distinct Categories = 1 10% o hasta 30% si la característica no es crítica.
En algunas industrias se toma 25% como aceptable
Este número debe ser de al
menos 4 indicando que el equipo discrimina las partes
REPETIBILIDAD
Se tiene las siguientes variaciones:
Operador-B
Repetibilidad: Variación debida al aparato o equipo de medición
Operador-C
Reproducibilidad: Variación introducida por los operarios
Operador-A
Reproducibilidad
Página 55
Parte a parte: Variación entre las partes real
Variación total: Combinación de las anteriores

Error R&R Lo que
fue
Ventana de gráficas <10% crítica medido
<30% no crítica
Gage R&R (ANOVA) for Medicion
Reported by :
Gage name: Tolerance:
Date of study : M isc:
Components of Variation Medicion by Pieza

80 % Contribution 18
% Study Var
Percent
% Tolerance
40 12
0 6
Gage R&R Repeat Reprod Part-to-Part 1 2 3 4 5 6 7 8 9 10
Pieza
R Chart by Operario
Medicion by Operario
1 2 3
UCL=5.257 18
Sample Range
4
12
Operario 2 tiene una
_
2 R=2.042
Media más baja
0 LCL=0 6
1 2 3
Operario
Xbar Chart by Operario
1 2 3 Operario * Pieza Interaction
15.0 15.0 Operario
Si no hay interacción
Sample Mean
1
UCL=13.383
Average
2
12.5 _ 12.5
_ 3
10.0
X=11.293
10.0 significativa, estas
LCL=9.204
1 2 3 4 5 6 7 8 9 10 líneas son paralelas
Pieza
Carta de rangos: Muestra al operario 2 con mayor variabilidad que los demás
pero aun así estan dentro de control, de otra forma debería repetir las mediciones
Cartas de Medias: Debe tener al menos el 50% de sus puntos fuera de control para
indicar que el sistema de medición 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 información general del equipo y del estudio
En options introducir lo siguiente:
Study variation 5.15 (estándar 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:
Two-Way ANOVA Table With Interaction
Source DF SS MS F P
Part 9 2.05871 0.228745 39.7178 0.000
Operator 2 0.04800 0.024000 4.1672 0.033
Part * Operator 18 0.10367 0.005759 4.4588 La0.000
interacción si es
Repeatability 30 0.03875 0.001292 significativa, el operador
Página 56
Total 59 2.24913 tiene interacción con las

partes
Gage R&R
%Contribution
Source VarComp (of VarComp)
Total Gage R&R 0.0044375 10.67
Repeatability 0.0012917 3.10
Reproducibility 0.0031458 7.56
Operator 0.0009120 2.19
Operator*Part 0.0022338 5.37
Part-To-Part 0.0371644 89.33
Total Variation 0.0416019 100.00 Debe ser menor al 10% (AIAG)
o menores al 25% (otras industrias)
Study Var %Study Var %Tolerance
Total Gage R&R 0.066615 0.34306 32.66 17.15
Repeatability 0.035940 0.18509 17.62 9.25
Operator 0.030200 0.15553 14.81 7.78
Operator*Part 0.047263 0.24340 23.17 12.17
Part-To-Part 0.192781 0.99282 94.52 49.64
Total Variation 0.203965 1.05042 100.00 52.52
Number of Distinct Categories = 4 Es adecuado mínimo 4
Gage R&R (ANOVA) for Response

Reported by :
D ate of study : M isc:
Components of Variation Response by Part

100 % Contribution 1.00
% Study Var
Percent
% Tolerance
0.75
50
0.50
0
Gage R&R Repeat Reprod Part-to-Part 1 2 3 4 5 6 7 8 9 10
Part
R Chart by Operator
Response by Operator
1 2 3
UCL=0.1252 1.00
Sample Range
0.10
0.75
0.05 _
R=0.0383
0.50
0.00 LCL=0
1 2 3
Operator
Xbar Chart by Operator
1 2 3 Operator * Part Interaction
1.00 1.00 Operator
Sample Mean
_
UCL=0.8796
_
1
Average
2
X=0.8075
0.75 LCL=0.7354 0.75 3
0.50
0.50 Si hay interacción entre
1 2 3 4 5
Part
6 7 8 9 10
operadores y partes,
debe revisarse el método
La carta R esta dentro de control de medición
La carta de medias tiene más 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 medición de 12 piezas realizadas

por 3 operarios. Las piezas se subdividieron en 3 grupos de 4 unidades y cada operario
midió 3 veces la pieza de un grupo, en orden aleatorio y sin saber que pieza estaba midiendo
Se trata de un diseño 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 información general del equipo y del estudio
Página 57
En options introducir lo siguiente:

Study variation 5.15
Process Tolerance 10 Errores mayores a lo permitido
OK
Study Var %Study Var %Tolerance

Total Gage R&R 1.37317 7.07181 97.92 70.72
Repeatability 1.13529 5.84676 80.95 58.47
Part-To-Part 0.28475 1.46644 20.30 14.66
Total Variation 1.40238 7.22225 100.00 72.22
Variación de partes muy

Number of Distinct Categories = 1 pequeña vesus la de
operario y equipo, el
Gage R&R (Nested) for Medicion sistema de medición
Reported by : no es adecuado
Components of Variation Medicion By Pieza ( Operario )

100 % Contribution 24
% Study Var
Percent
% Tolerance
22
50
20
0
Gage R&R Repeat Reprod Part-to-Part Pieza 1 2 3 4 5 6 7 8 9 10 11 12
Operario A B C
R Chart by Operario
Medicion by Operario
A B C
UCL=5.170 24
Sample Range
4
22
_
2 R=2.008
20
0 LCL=0
A B C
Operario
Xbar Chart by Operario
A B C
24 UCL=24.196
Sample Mean
_
_
22 X=22.142
20 LCL=20.087
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 patrón (Master) y

con el sistema en estudio (Response), en distintos niveles de la escala
Se puede obtener una ecuación de

regresión de la dif. De Resp. - Master vs
Master Stat>Regression>Fitted line plot
Fitted Line Plot
Dif = 0.7367 - 0.1317 Master
S 0.239540
1.0 R-Sq 71.4%
R-Sq(adj) 70.9%
0.5
Dif
0.0
Amplitud de la
variabilidad del proceso
-0.5
-1.0
1 2 3 4 5 6 7 8 9 10
Master
Página 58
Gage Linearity and Bias Study for Response

Reported by :
G age Linearity
P redictor C oef S E C oef P
Regression
C onstant 0.73667 0.07252 0.000
95% CI
1.0 Data
Avg Bias
S lope -0.13167 0.01093 0.000 Ecuación
S 0.23954 R-S q 71.4%
Linearity 1.86889 % Linearity 13.2
0.5 G age Bias

Reference Bias % Bias P
A v erage -0.053333 0.4 0.040 Datos de promedios
2 0.491667 3.5 0.000
Bias
0.0 0 4 0.125000 0.9 0.293

6 0.025000 0.2 0.688
8 -0.291667 2.1 0.000
10 -0.616667 4.3 0.000
-0.5
Percent of Process Variation
10
Percent
-1.0 5
2 4 6 8 10
Reference Value 0
Linearity Bias
La ecuación de regresión es Diferencia = 0.7367 - 0.1317 Master
Linealidad = Pendiente * Ancho de variación 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 patrón
% 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

variación total
5.3 Estudios de capacidad de procesos para variables normales
Capacidad de procesos en base a carta X media - R

Para la teoría revisar el artículo 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 estadístico.
Stat > Quality Tools > Capability Análisis > Normal
Seleccionar R bar
Especificaciones
Boundary se usa cuando

es imposible tener piezas
fuera de este límite
Página 59
Sigma = R medio / d2 (constante)

Variabilidad dentro de subgrupos (Within) El proceso debe estar en control
Variabilidad global (Overall) Sigma = Desv. Estandar / c4 (cte.)

No importa si el proceso está
Process Capability of Peso fuera de control estadístico
LSL USL
P rocess D ata W ithin
LS L 3.08750 Ov erall
Target *
USL 3.41250 P otential (Within) C apability
S ample M ean 3.24312 Cp 2.54
C PL 2.43
S ample N
S tD ev (Within)
200
0.02136 C PU 2.64 Cp y Cpk a partir de
C pk 2.43
S tD ev (O v erall) 0.02917
C C pk 2.54
Std. Dev. Within
O v erall C apability
Pp 1.86
PPL 1.78 Pp y Ppk a partir de
PPU 1.94
P pk 1.78 Std. Dev. Overall
C pm *
Tanto el Cpk como Ppk

3.10 3.15 3.20 3.25 3.30 3.35 3.40
deben ser mayores a
O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
P P M < LS L 0.00 P P M < LS L 0.00 P P M < LS L 0.05 uno para que el proceso
P P M > U S L 0.00 P P M > U S L 0.00 P P M > U S L 0.00
P P M Total 0.00 P P M Total 0.00 P P M Total 0.05 sea capáz, de otra
forma deben investigarse
las causas especiales
Partes por millón fuera observadas, en base a Std. Dev. Within, en base a Std. Dev. Overall
Visualización de las variaciones:

Con una gráfica Scatterplot se tiene:
Medidas Subgrupo Scatterplot of Medidas vs Subgrupo
2 1 20
4 1
5 1
15
6 1
12 2
Medidas
13 2 10
14 2
15 2
5
6 3
7 3
8 3 0
1.0 1.5 2.0 2.5 3.0
10 3 Subgrupo
C4 = 4(n - 1) / (4n - 3)
Var 1=2.92 Var 2=1.67 Var 3 = 2.92
Desv. Std. Overall = raiz (17.91) = 4.23
Se aplica una constante de corrección Var Within = Promedio de Var 1, Var 2 y Var 3 = 2.5
C4 que en este caso es 0.9776 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 especificación es del 6 al 15%
Los valores obtenidos son los indicados en el archivo HUMEDAD.MTW anexo:
Stat > Quality Tools > Capability Análisis > Normal

Seleccionar Single Column %Humedad Subgroup size 1
Lower Spec 6 Upper spec 12
Estimate seleccionar R bar
OK
Página 60
Process Capability of %Humedad
LSL USL
P rocess Data Within
LSL 6.00000 Overall
Target *
U SL 12.00000 P otential (Within) C apability
Cp 0.86
Sample M ean 10.85938
C PL 1.39
El Cpk es menor a 1
Sample N 32
StDev (Within) 1.16392 C P U 0.33 el proceso no es
StDev (O v erall) 1.43526 C pk 0.33
C C pk 0.86 capaz para cumplir
O v erall C apability
Pp 0.70
con especificaciones
PPL 1.13
PPU 0.26
P pk 0.26
C pm *
6.4 8.0 9.6 11.2 12.8

O bserv ed P erformance Exp. Within P erformance Exp. O v erall P erformance
P P M < LSL 0.00 P P M < LSL 14.90 P P M < LSL 354.96
P P M > U SL 156250.00 P P M > U SL 163546.85 P P M > U SL 213388.49
P P M Total 156250.00 P P M Total 163561.75 P P M Total 213743.45
El proceso no tiene una capacidad suficiente de Cpk >1
Opción Six Pack para una información resumida:

Stat > Quality Tools > Capability Sixpack > Normal
Seleccionar Single Column %Humedad Subgroup size 1
Lower Spec 6 Upper spec 12
Estimate sel. R bar Process Capability Sixpack of %Humedad
OK I C har t C apability H istogr am
15
UCL=14.351
Individual Value
12 _
X=10.859
9
LCL=7.368
1
3 6 9 12 15 18 21 24 27 30 8.0 9.6 11.2 12.8
M oving Range C har t Nor mal P r ob P lot

UCL=4.290
A D : 0.315, P : 0.527
4
Moving Range
2 __
MR=1.313
0 LCL=0
3 6 9 12 15 18 21 24 27 30 8 10 12 14
Last 2 5 O bser vations C apability P lot

Within
Within O v erall
12 S tD ev 1.16392 S tD ev 1.43526
Values
Cp 0.86 Overall
Pp 0.70
10
C pk 0.33 P pk 0.26
8 C C pk 0.86 C pm *
Specs
10 15 20 25 30
Observation
Identificando posibles causas con una gráfica de serie de tiempo se tiene:

Trend Analysis Plot for %Humedad
Stat > Time series > Trend Analysis Linear Trend Model
Yt = 9.42198 + 0.0871151*t
Variables %Humedad 14 Variable
A ctual
seleccionar Linear 13 Fits
A ccuracy Measures
OK 12 MA PE 8.53237
MA D 0.88705
%Humedad
MSD 1.31670
11
10
9
Se observa que el % 8
ha ido aumentando con 7
el tiempo por alguna 3 6 9 12 15 18
Index
21 24 27 30
razón a lo largo del día
Página 61
5.4 Estudios de capacidad de procesos para variables no normales
Cuando los datos no son normales, se pueden intentar transformar con:
Transformación de Box Cox

Identifica la potencia lamda a la que hay que elevar los datos para que sigan una distribución 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 método 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
Process Capability of Warping
Using Box-Cox Transformation With Lambda = 0.5
LB* U S L*
P rocess D ata transformed data Within
LB 0.00000 O v erall
Target *
USL 8.00000 P otential (Within) C apability
S ample M ean 2.92307 Cp *
S ample N 100 C PL * Cpk = 0.78 el proceso
S tDev (Within) 1.68898 C P U 0.78
S tDev (O v erall) 1.79048 C pk 0.78 no es capaz de cumplir
C C pk 0.78
LB*
A fter Transformation
0.00000
O v erall C apability especificaciones.
Target* * Pp *
U S L* 2.82843 PPL *
PPU 0.74
S ample M ean*
S tDev (Within)*
1.62374
0.51337 P pk 0.74 Ppk es igual a 0.74
S tDev (O v erall)* 0.53934 C pm *
0.0 0.4 0.8 1.2 1.6 2.0 2.4 2.8

O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
P P M < LB 0.00 P P M < LB* * P P M < LB* *
P P M > U S L 20000.00 P P M > U S L* 9472.66 P P M > U S L* 12754.26
P P M Total 20000.00 P P M Total 9472.66 P P M Total 12754.26
Método de Weibull - Se aplica para distribuciones sesgadas a la derecha

Stat > Quality tools > Capability analysis > Nonnormal
Single column - Warping Lower spec 0 Upper Spec 8
OK Process Capability of Warping
Calculations Based on Weibull Distribution Model
LB USL
P rocess Data O v erall C apability
LB 0.00000 Pp *
Target * PPL *
USL 8.00000 PPU 0.73
S ample M ean 2.92307 P pk 0.73
S ample N 100
E xp. O v erall P erformance
S hape 1.69368
S cale 3.27812
P P M < LB * Ppk es igual a 0.73
P P M > U S L 10764.5
O bserv ed P erformance P P M Total 10764.5
P P M < LB 0
P P M > U S L 20000
P P M Total 20000
0.0 1.5 3.0 4.5 6.0 7.5
Página 62
5.5 Cartas de control por atributos
Para la teoría ver articulo sobre Cartas de Control.doc y el Curso de CEP
Se usan estas cartas para cuando las características se juzgan como pasa o no pasa
Carta P de proporción o fracción de unidades defectuosas, no conformes o defectivas
Ejemplo: El archivo MOTORES.MTW contiene datos de motores pequeños 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 Producción
OK
P Chart of Defectuosos
1 1
0.055
UCL=0.05316 Se tienen límites de
0.050 control variables por
0.045 ser el tamaño de muestra
variable
Proportion
0.040 _
P=0.03812
0.035
0.030
0.025
LCL=0.02308
0.020
3 6 9 12 15 18 21 24 27 30
Sample
Tests performed with unequal sample sizes
Test Results for P Chart of Defectuosos
Aproximando el tamaño de muestra a su promedio se tiene n = 1350
Stat > Control Charts > Attrutes chart > P

Subgroup sizes 1350 P Chart of Defectuosos
OK 0.055 UCL=0.05441
0.050
0.045
Proportion
0.040 _
P=0.03867
0.035
0.030
0.025
LCL=0.02292
0.020
3 6 9 12 15 18 21 24 27 30
Sample
Página 63
Carta de control NP para el número 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
NP Chart of Defectuosos
14
1
12 UCL=12.16
10
Sample Count
6 __
NP=5.39
0 LCL=0
1 7 14 21 28 35 42 49 56 63 70
Sample
Test Results for NP Chart of Defectuosos

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 límites 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
NP Chart of Defectuosos
12 UCL=11.98
10
8
Sample Count
6 __
NP=5.28
0 LCL=0
1 7 14 21 28 35 42 49 56 63 70
Sample
Página 64
Carta de control C para defectos por unidad de inspección constante
Ejemplo: Se usa el archivo VISITAS_WEB.MTW el cual se encuentra anexo y describe

el número de visitas recibidas en una página Web durante octubre y noviembre 2002
indicando también la fecha y día de la semana
Carta de control C usando el archivo VISITAS_WEB.MTW
Stat > Control Charts > Attributes chart > C
Variables Visitas
OK
C Chart of Visitas
160
1
140
120 1
Sample Count
100
1 1
UCL=87.3
80
_
C=63.4
60
40 LCL=39.5
1 1
11 11
20 1 1
1 6 12 18 24 30 36 42 48 54 60
Sample
Test Results for C Chart of Visitas
Test Failed at points: 5, 6, 10, 11, 22, 26, 33, 37, 40, 41, 54, 55
El punto del día 10 representa un pico debido a un anuncio especial anunciando la página
los otros puntos que salen de control se presentan los fines de semana.
Para eliminar los puntos correspondientes a sábados y domingos usar el botón Data Options
para recalcular los límites de control de nuevo:
Stat > Control Charts > Attributes chart > C
Variables Visitas
Data Options
C Chart OptionsData Options
Omitir los puntos 10 y 11

en el recálculo de límites
Página 65
C Chart of Visitas
120 1
110
100
UCL=94.20
Sample Count
90
80
_
70 C=69.24
60
50
LCL=44.28
40
1 6 12 18 24 30 36 42 48 54 60
Sample
Excluding rows where 'Dia semana'="S" or 'Dia semana'="D" or Fecha = DATE("10/10/2002")

18 rows excluded
Carta de control U para el núemro de defectos por unidad de inspección variable
Ejemplo: Se utiliza el archivo TEJIDO.MTW anexo

Contiene el número 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
U Chart of Numero manchas
20 UCL=19.44 Los límites de control

son variables debido a
Sample Count Per Unit
15
que el tamaño de muestra
_ es variable
10 U=9.87
0 LCL=0.30
3 6 9 12 15 18 21 24 27 30
Sample
Tests performed with unequal sample sizes
El proceso está en control estadístico
5.6 Estudios de capacidad por atributos
Estudio de capacidad para variables que siguen una distribución binomial (fracción defectiva)
Ejemplo: Se usa el archivo BANCO.MTW anexo que contiene por diferentes agencias
Página 66
bancarias, el número 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
Test Results for P Chart of Descontentos
Test Failed at points: 6, 13, 28
3 puntos fuera de control
Binomial Process Capability Analysis of Descontentos
P C har t Binomial P lot
1
Expected Defectives
0.6 1 30
P r opor tion
0.4 U C L=0.3983 20
_
0.2 P =0.222 10
LC L=0.0457
Puntos fuera de control
0.0 1 0
3 6 9 12 15 18 21 24 27 30 0 15 30
Sample O bser ved Defectives
C umulative % Defective Dist of % Defective
S ummary S tats Tar
30.0 (using 95.0% confidence) 16

% D efectiv e: 22.20
% Defective
27.5 Low er C I: 20.12 12

U pper C I: 24.39
25.0 Target: 0.00 8
P P M D ef: 222000
22.5 Low er C I: 201196 4
U pper C I: 243898
20.0
P rocess Z: 0.7655 0
5 10 15 20 25 30 Low er C I: 0.6938 0 10 20 30 40 50 60 70
Sample U pper C I: 0.8374
Meta 0 defectuosos
La gráfica acumulativa debe
acabar estabilizandose cerca Intervalos de confianza y ppm de defectuosos
del valor medio para indicar
que el tamaño 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 más 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.
Binomial Process Capability Analysis of Descontentos
P C ha r t B inomia l P lot
U C L=0.3602
Expected Defectives
0.3 15
Proportion
_
0.2 P =0.1929 10
0.1 5
LC L=0.0255
0.0 1 0
3 6 9 12 15 18 21 24 27 30 0 10 20
Sa mple O bse r v e d De f e ctiv e s
C umula tiv e % De f e ctiv e Dist of % De f e ctiv e

T ar
24.0 S ummary S tats
10.0
(using 95.0% confidence)
22.5 % D efectiv e: 19.29
7.5
%Defective
Low er C I : 17.25
21.0 U pper C I : 21.45
5.0
T arget: 0.00
19.5
P P M D ef: 192857
Low er C I : 172495 2.5
18.0
U pper C I : 214517
P rocess Z: 0.8674 0.0
5 10 15 20 25 30 0 5 10 15 20 25 30 35
Low er C I : 0.7908
Sa mple
U pper C I : 0.9444
Página 67
Estudio de capacidad para variables que siguen una distribución de Poisson (número 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 Número de defectos
Constant size 1
Target 0
OK
El proceso es estable en torno a 3 defectos por unidad.
Poisson Capability Analysis of Num. defectos

U C har t P oisson P lot
Sample Count P er Unit
U C L=8.474
Expected Defects
7.5 6
5.0 4
_
U =3.15
2.5 2
0.0 LC L=0 0
4 8 12 16 20 24 28 32 36 40 0.0 2.5 5.0
Sample O bser ved Defects
C umulative DP U Dist of DP U
Tar
4 S ummary S tats 16
(using 95.0% confidence)
M ean D ef: 3.1500 12
3 Low er C I: 2.6240
U pper C I: 3.7505
DP U
8
M ean D P U : 3.1500
2
Low er C I: 2.6240
U pper C I: 3.7505 4
M in D P U : 0.0000
1
M ax D P U : 6.0000 0
10 20 30 40 0 1 2 3 4 5 6
Targ D P U : 0.0000
Sample
El número de muestras es suficiente Los valores siguen una distribución

de Poisson
5.7 Cartas de control especiales (EWMA y CuSum)
Gráfica de Sumas acumuladas ( CuSum )

Se usa para registrar al centro del proceso.Se corre en tándem (una tras otra)
Es más sensible que la gráfica X al movimiento de los pequeños cambios sostenidos
en el centro del proceso.
Es más sensible que la gráfica X al movimiento de separación gradual del centro del proceso.
Es menos sensible que la gráfica X al desplazamiento grande e único del centro del proceso.
Se puede aplicar a las Xs o a las Xs individuales
Sus parámetros clásicos son h = 4; k = 0.5
Son más eficientes que las cartas de Shewhart para detectar pequeños corrimientos en la
media del proceso (2 sigmas o menos)
Página 68
Para crear la carta Cusum se colectan m subgrupos de muestras, cada una de tamaño n y
se calcula la media de cada muestra Xi-media. Después se determina Sm o S’m como sigue:
m
Sm   (X i
  0 )...  0  m e d ia .e n .c o n tr o l .e s tim a d a
i 1
m
1
S m     0 )...  d e s v .e s ta n d a r .d e .la s .m e d ia s
'
(X

i X
X i 1
Ejemplo: Variaciones de una flecha respecto a una línea de referencia, los datos se
encuentran en el archivo CRANKSH.MTW anexo.
Carta X media - Rango
Stat > Control Charts > Variables Charts for Subgroups > Xbar
Seleccionar All observations for a chart are in one column, seleccionar AtoBDist
OK
Xbar-R Chart of AtoBDist

5.0 U C L=4.70
No se observa que el
2.5
proceso tenga corrimiento
Sample Mean
_
0.0
_
X=0.44 o esté fuera de control
-2.5
LC L=-3.82
-5.0
2 4 6 8 10 12 14 16 18 20 22 24
Sample
16 U C L=15.61
12
Sample Range
8 _
R=7.38
0 LC L=0
2 4 6 8 10 12 14 16 18 20 22 24
Sample
Carta de Sumas acumuladas con Límites Superior e inferior
Stat > Control Charts > Time Weighted Charts > Cusum
En Subgroup sizes, poner 5 . Target 0.0
OK
CUSUM Chart of AtoBDist
10.0
Los puntos 4-10 estan
fuera de límite superior
7.5 de control, el proceso
5.0
UCL=5.68 está fuera de control
Cumulative Sum
2.5 Se tienen corridas por

0.0 0
arriba del límite superior
de control, no visibles en
-2.5 la carta X-R anterior
-5.0
LCL=-5.68
2 4 6 8 10 12 14 16 18 20 22 24
Sample
Página 69
Test Results for CUSUM Chart of AtoBDist
TEST. One point beyond control limits.

Test Failed at points: 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 S’m como función de m.
Si el proceso se corre gradualmente hacia arriba o hacia abajo, será indicado en la carta.
Su sensibilidad está determinada por los parámetros 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 último punto de suma acumulada determinado y observando que ninguno de
los puntos anteriores se salga, de otra forma tomar acción
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 Vmask Chart of AtoBDist
25
Vmask Chart of AtoBDist
25 20
Cumulative Sum
20 15
Cumulative Sum
10
15
5
10
0 Target=0
5 2 4 6 8 10 12 14 16 18 20 22 24
Sample
0 Target=0
2 4 6 8 10 12 14 16 18 20 22 24
Sample
Indica situación fuera
de control en el punto
Vmask Chart of AtoBDist de medición actual
40
30
Cumulative Sum
20
10
0 Target=0
-10
2 4 6 8 10 12 14 16 18 20 22 24
Sample
Carta EWMA de promedios móviles 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
Página 70
Es más sensible que la carta X al movimiento de separación gradual de la media del proceso.
Stat > Control Charts > Time Weighted Charts > EWMA
En Subgroup sizes, poner 5 . Weight of EWMA 0.2
OK
Puntos fuera de control
EWMA Chart of AtoBDist

2.0
UCL=1.861
1.5
1.0
_
EWMA
_
0.5 X=0.442
0.0
-0.5
-1.0 LCL=-0.978
2 4 6 8 10 12 14 16 18 20 22 24
Sample
Test Results for EWMA Chart of AtoBDist

Carta de promedios móviles

Tiene una sensibilidad intermedia entre las cartas X-R y la Cusum y EWMA
Stat > Control Charts > Time Weighted Charts > Moving average
En Subgroup sizes, poner 5 . Lenght of MA 3
OK
Moving Average Chart of AtoBDist

5
3 UCL=2.900
2
Moving Average
1 _
_
X=0.442
0
-1
-2 LCL=-2.017
-3
-4
2 4 6 8 10 12 14 16 18 20 22 24
Sample
Página 71

Test Failed at points: 5, 6 Fuera de control el punto 6
5.8 Muestreo por atributos
Para la teoría ver el documento Muestreo de Aceptación.Doc anexo
Cálculo de la probabilidad de aceptación -Curva característica de operación (OC)
La probabilidad deaceptar lotes con una cierta fracción defectiva p

en base a un tamaño de muestra n utilizando la distribución Binomial es:
Excel =distr.binom(x, n, p, 1) con x=Defectuosos aceptados,

n -muestra, p -fracción 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)
p Pa = b
Curva OC con
0,005 0,98969 Pa
n = 89, c = 2
0,010 0,93969
0,020 0,73658
0,030 0,49848
0,040 0,30416
0,050 0,17208
0,060 0,09187
0,070 0,04682
0,080 0,02296
0,090 0,01089
0,100 0,00501
0,110 0,00225
0,120 0,00098 Fracción 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 envíe el proveedor con esta fracción defectiva
Cálculo del nivel de calidad promedio de salida (AOQ) en inspección rectificadora
La inspección 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 fracción def. total.
La fracción defectiva que se ingresa al almancén AOQ una vez que

se aplica el plan de muestreo n = 89, c = 2 es:
Página 72
p Pa AOQ = Pa . P
0,005 0,98969 0,00495
0,01 0,93969 0,00940
0,02 0,73658 0,01473
0,03 0,49848 0,01495
0,04 0,30416 0,01217
0,05 0,17208 0,00860
0,06 0,09187 0,00551
0,07 0,04682 0,00328
0,08 0,02296 0,00184
AOQ
AOQL = 1.55%
0.03 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 aceptables
Lo anterior está plasmado en tablas de muestreo de aceptación por

atributos indicadas en el artículo de Muestreo de Aceptación.Doc
5.9 Aplicaciones
Página 73
MÓDULO 6. DISEÑO DE EXPERIMENTOS

6.1 Cartas Multivari
Las cartas Multivari permiten observar en una sola carta el

comportamiento de varias fuentes de variación. Para la teoría se
anexa un archivo Cartas Multivari.doc.
Carta Multivari con tres fuentes de variación
Ejemplo: Una empresa produce ejes para rotores eléctricos con

diámetros 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 diámetros en los extremos del eje izquierdo y derecho.
** Diferencia de diámetro máximo y mínimo en una misma posición

que implica falta de redondez
** Variación de una pieza a otra producidas en forma consecutiva
** Variación a lo largo del tiempo (largo plazo)
Las cartas Multivari nos permiten visualizar estas fuentes de variación:
Los datos del archivo ROTOR.MTW anexos indican lo siguiente:

Hora: Hora de toma de muestra
Eje : Número de eje
Posición: indica si se trata de diámetro mínimo o máximo medido
Diametro: Valor del diámetro
Stat > Quality tools > Multi Vari Chart

Response Diametro
Factor 1 Posición Factor 2 Eje Factor 3 Hora
OK
Multi-Vari Chart for Diametro by Posicion - Hora
1 2 3 1 2 3
08:00 09:00 10:00 11:00 12:00 Posicion
2.510 Max Der
Max Izq
Min Der
Min Izq
2.505
Diametro
2.500
2.495
2.490
1 2 3 1 2 3 1 2 3
Eje
Panel variable: Hora
Página 74
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 líneas de conexión con Options y eliminando la marca

en Connect Means for Factor 1
Multi-Vari Chart for Diametro by Posicion - Hora

1 2 3 1 2 3
08:00 09:00 10:00 11:00 12:00 Posicion
2.510 Max Der
Max Izq
Min Der
Min Izq
2.505
Diametro
2.500
2.495
2.490
1 2 3 1 2 3 1 2 3
Eje
Panel variable: Hora
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 aquí es donde conviene introducir el tiempo
El último factor introducido es el que divide a la carta en dos partes.
Carta Multivari con cuatro fuentes de variación
Se puede descomponer en dos columnas la columna "Posición", creando las columnas

"Redondez" donde se indica si el diámetro medido es máximo o mínimo, y la columna
"Inclinación" donde se indica si corresponde a la izquierda o a la derecha.
Para crear la columna "Inclinación" se tiene:
Calc > Make Patterned Data > Text Values

Store Patterned Data in Inclinación
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 Inclinación
Página 75
OK
Multi-Vari Chart for Diametro by Eje - Inclinacion

Max Min Max Min
Der, 08:00 Der, 09:00 Der, 10:00 Der, 11:00 Der, 12:00 Eje
2.510
1
2.505 2
3
2.500
2.495
Diametro
2.490
Izq, 08:00 Izq, 09:00 Izq, 10:00 Izq, 11:00 Izq, 12:00
2.510
2.505
2.500
2.495
2.490
Max Min Max Min Max Min

Redondez
Panel variables: Inclinacion, Hora
6.2 Diseño de experimentos factoriales completos de más de dos niveles
Ver el archivo Diseño de experimentos.doc para la teoría.
Se estudia el rendimiento de un proceso químico (Y), donde se piensa que los factores
que mayor influencia tienen son la temperatura y la presión (X1, X2).
Se diseña un experimento factorial completo con dos réplicas y tomando tres niveles
en cada factor como se muestra en la tabla de rendimientos.
Hacer los análisis de la significancia de cada factor a un 5% de significancia.
PRESION (psig)
200 215 230
TEMP. 90,4 90,7 90,2
150 90,2 90,6 90,4
90,1 90,5 89,9
160 90,3 90,6 90,1
90,5 90,8 90,4
170 90,7 90,9 90,1
PASO 1. GENERAR EL DISEÑO FACTORIAL DE ACUERDO AL EXPERIMENTO
Stat > DOE > Factorial > Create Factorial Design
Type of Design: General Full Factorial
Designs: Number of levels 3, 3

Number of Replicates 2
Options Non randomize runs OK
Factors Introducir el nombre real de los factores (TEMP. PRESIÓN)

y los niveles reales(200 215 230 150 160 170)
Página 76
Factors Introducir el nombre real de los factores (TEMP. PRESIÓN)

y los niveles reales(200 215 230 150 160 170)
OK
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 DESPUÉS QUE MINITAB GENERO EL DISEÑO 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
PASO 3. ANALIZAR EL MODELO DEL DISEÑO DE EXPERIMENTOS FACTORIAL COMPLETO

Stat > DOE > Factorial > Analyze Factorial Design
Response Seleccionar la columna de Rendimiento

Terms Pasar todos los términos a Selected con >> OK
Graphs Residuals for Plots Estandardized

Seleccionar Residual plots: Normal y vs fits OK
Results ANOVA table, Covariate, Unusual observations

Seleccionar todos los términos con >> OK
OK
CONCLUSIONES EN RESIDUALES Residuals Versus the Fitted Values

(response is Rendimiento)
2
1
Standardized Residual
Residuales vs Y estimada
deben ser aleatorios
0
-1
-2
90.0 90.1 90.2 90.3 90.4 90.5 90.6 90.7 90.8 90.9
Fitted Value
Página 77
Standar
-1
-2
90.0 90.1 90.2 90.3 90.4 90.5 90.6 90.7 90.8 90.9
Fitted Value
Normal Probability Plot of the Residuals

(response is Rendimiento)
99
95
90
Gráfica Normal de residuales 80
deben aproximarse a la línea recta 70
Percent
60
50
40
30
20
10
1
-3 -2 -1 0 1 2 3
Standardized Residual
General Linear Model: Resp versus Temp, Presion
Factor Type Levels Values

Temp fixed 3 1 2 3
Presion fixed 3 1 2 3
Significativos a nivel de 0.05
Analysis of Variance for Resp, using Adjusted SS for Tests
Source DF Seq SS Adj SS Adj MS F P

Temp 2 0.30111 0.30111 0.15056 8.47 0.009
Presion 2 0.76778 0.76778 0.38389 21.59 0.000
Temp*Presion 4 0.06889 0.06889 0.01722 0.97 0.470
Error 9 0.16000 0.16000 ´ 0.01778
Total 17 1.29778
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 GRÁFICAS FACTORIALES PARA IDENTIFICAR LAS MEJORES

CONDICIONES DE OPERACIÓN
Stat > DOE > Factorial > Factorial Plots
Seleccionar Main effects e Interaction Plots

Setup para ambas: Seleccionar columna Respuesta
y con >> seleccionar todos los factores OK
Seleccionar Data Means OK
De aquí se seleccionan los mejores niveles de acuerdo al resultado deseado. Si la interacción

es significativa, los mejores niveles se seleccionan de las gráficas de interacciones, de otra
forma se seleccionan de las gráficas de efectos de los factores principales.
Página 78
Main Effects Plot (data means) for Rendimiento

TEMP PRESION
90.7
Para maximizar el
rendimiento se selecciona:
90.6
Mean of Rendimiento
Temperatura = 3 o 170º
90.5 Presión = 2 o 215 psig.
90.4
90.3
90.2
150 160 170 200 215 230
Interaction Plot (data means) for Rendimiento

90.9 TEMP Esta gráfica no es utilizada
150
90.8 160 debido a que la interacción
170
90.7 no fue significativa
90.6
90.5
Mean
90.4
90.3
90.2
90.1
90.0
200 215 230

PRESION
6.3 Diseño de experimentos factoriales completos de dos niveles (2K)
Ejemplo: En un proceso de fabricación de Mofles se desea mejorar el proceso

de soldadura en un componente de acero inoxidable. Para lo cual se realiza un
diseño de 2 factores y 3 niveles.
Factor Nivel bajo Nivel Alto

A. Caudal de gas (l/min.) 8 12
B. Intensidad de Corriente (A) 230 240
C. Vel. de Cadena (m/min.) 0,6 1
Como respuesta se toma la calidad del componente en una escala de 0 a 30

entre mayor sea mejor calidad
Paso 1. Generar diseño

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
Página 79
Puede colocar la matriz del diseño en orden aleatorio o estándar con

Stat > DOE > Display Design: Estándar 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 diseño:
StdOrder Caudal Intensidad Velocidad Y

1 8 230 0,6 10
2 12 230 0,6 26,5
3 8 240 0,6 15
4 12 240 0,6 17,5
5 8 230 1 11,5
6 12 230 1 26
7 8 240 1 17,5
8 12 240 1 20
Paso 3. Analizar el diseño

Response Y
Graphs: Seleccionar Normal Pareto Alpha = 0.05
Residual for Plots Standardized
Seleccionar Normal Plot y Residuals vs Fits
Results Seleccionar todos los términos con >>
OK OK
Los resultados se muestran a continuación. Como es una sola réplica no hay residuos
La ecuación del modelo se puede formar a partir de los siguientes coeficientes:
Estimated Coefficients for Y using data in uncoded units
Term Coef
Pareto Chart of the Effects
Constant -893.750 (response is Y, Alpha = .05)
Caudal 102.625 5.646
Corriente 3.75000 F actor
A
Name
C audal
A
Velocidad 186.250 B
C
C orriente
V elocidad
AB
Caudal*Corriente -0.425000
Caudal*Velocidad -30.0000 C
Term
Corriente*Velocidad -0.750000 B
Caudal*Corriente*Velocidad 0.125000 BC
ABC
Y = -893.750 + 102.625 Caudal +
AC
- 0.425 Caudal*Corriente
0 1 2 3 4 5 6 7 8 9
Effect
Lenth's PSE = 1.5
Las gráficas donde se indica cuales factores son significativos son:

Son significativos A y AB
Página 80
Normal Probability Plot of the Effects

(response is Y, Alpha = .05)
99
Effect Ty pe
Not Significant
95 Significant
90 A F actor N ame
A C audal
80 B C orriente
70 C V elocidad
Percent
60
50
40
30
20
10 AB
5
1
-5.0 -2.5 0.0 2.5 5.0 7.5 10.0
Effect
Lenth's PSE = 1.5
Los efectos se pueden guardar en una columna y después graficarlos para que sean claros:
Stat > DOE > Factorial > Analize Factorial Design ..... Storage: Effects
Graph Dot Plot: Simple Effe1
EFFE1
9
-1
1,5
-6,5
-0,5
1
0,5
Paso 4. Obtener las gráficas factoriales para seleccionar los mejores niveles de operación
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
Main Effects Plot (data means) for Y

Caudal Corriente
22
El único factor
20
significativo es A
18
16
Mean of Y
14
8 12 230 240
Velocidad
22
20
18
16
14
0.6 1.0
Página 81
Interaction Plot (data means) for Y

28 C audal La interacción significativa
8
26 12 es AB
24
Los mejores resultados
22
se obtienen con:
20 Corriente = 230
Mean
18 Caudal = 12
16
14
12
10
230 240
Corriente
Cube Plot (data means) for Y
El cubo proporciona los

17.5 20.0
valores de las respuestas
en las diferentes
15.0 17.5
combinaciones de los
240 factores
Corriente 11.5 26.0

1
Velocidad Es el mejor resultado

10.0 26.5
230 0.6
8 12
Caudal
La experimentación podría continuar en esta dirección
Paso 5. Obtener las gráficas 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
Contour Plot of Y vs Intensidad, Caudal Surface Plot of Y vs Intensidad, Caudal

240.0 Hold Values
Y Velocidad 0.6
< 12
238.5 12 - 15
15 - 18
18 - 21
21 - 24
237.0
> 24
Intensidad
Hold Values 25
235.5 Velocidad 0.6
20
Y
234.0
15
240
10
232.5 235
8 Intensidad
10 230
C audal 12
231.0
8 9 10 11 12
Caudal
Página 82
Paso 6. Obtener una ampliación 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 Probar con High y Middle settings
Seleccionar en Contours Low 21 High 26
OK
Overlaid Contour Plot of Y

240.0
Y
21
238.5 26
Hold Values
Velocidad 0.6
237.0
Intensidad
235.5
234.0
232.5
231.0
8 9 10 11 12
Caudal
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 líneas de cada factor hasta obtener el máximo rendimiento:
6.4 Diseño 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. Presión 1 1,5
Página 83
5-2
Al principio se realizó un diseño fraccional de dos niveles y cinco factores (2 ), en cada
condición se midió la fuerza de adhesión en 100 botellas y se tomó como respuesta el promedio.
Paso 1. Generar el diseño

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 diseño
Cola Temp Cola Cant cola Temp Secado Presion

A 30 2 90 1,5
B 30 2 80 1
A 40 2 80 1,5
B 40 2 90 1
A 30 3 90 1
B 30 3 80 1,5
A 40 3 80 1
B 40 3 90 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 diseño

Response Y
Graphs: Seleccionar Normal Pareto Alpha = 0.05
OK OK
La ecuación del modelo se puede obtener de los siguientes coeficientes:
Estimated Coefficients for Y using data in uncoded units
Term Coef Ecuación de regresión

Constant -36.0000
Cola -2.00000 Y = -36 - 2*Cola + 0.6 Temp Cola + 0.45 Temp secado
Temp Cola 0.600000
Cantidad 0.500000
Temp secado 0.450000
Presion 5.00000
Temp Cola*Cantidad 1.58579E-16
Temp Cola*Presion -0.200000
Página 84
Los factores significativos se observan de las gráficas siguientes
Pareto Chart of the Effects

2.823
F actor N ame
D A C ola Son significativos los
B Temp C ola
C C antidad factores A, B, D
A D Temp secado
E P resion
B
Term
BE
BC
0 1 2 3 4 5
Effect
Lenth's PSE = 0.75
Normal Probability Plot of the Effects

99
Effect Ty pe
Not Significant
95 Significant
90 D F actor N ame
A C ola
80 B Temp C ola
B
70 C C antidad
Percent
60 D Temp secado
E P resion
50
40
30
20
Son significativos los
10 A
factores A, B, D
5
1
-4 -3 -2 -1 0 1 2 3 4 5
Effect
Lenth's PSE = 0.75
Paso 4. Obtener las gráficas factoriales para seleccionar los mejores niveles de operación
Stat > DOE > Factorial Plots

Seleccionar Main Effects Plot: Setup: Response Y; A, B, D
Seleccionar Cube Plot: SetUp >>
OK
Página 85
Main Effects Plot (data means) for Y Se maximiza la respuesta

Cola Temp Cola en las condiciones
24 siguientes:
23
Cola = X
22
Temp Cola = 40
21
Temp Sec = 90
Mean of Y
20
X Y 30 40
Temp secado
24
23
22
21
20
80 90
Cube Plot (data means) for Y
24.0
23.5
40
Después de este
experimento de filtración
se puede hacer otro más
Temp Cola 24.5 completo sólo con los
90
factores A, B, D
Temp secado
16.0
30 80
X Y
Cola
6.5 Aplicaciones:
Realizar los ejercicios del Módulo 6
Página 86

Curso Taller Minitab Basico PDF

Cargado por

Información del documento

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 PDF

Cargado por

Copyright:

Formatos disponibles

Dagoberto Salgado Horta

TALLER DE APLICACIÓN DE MINITAB

CURSO TALLER DE APLICACIÓN

Elaboró: Dagoberto Salgado Horta

1.1 Características generales del Minitab 4

MÓDULO 2. HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS 7

2.1 Gráficos de barras y línea 7

MÓDULO 3. ESTADÍSTICA DESCRIPTIVA 16

3.1 Estadísticos de una muestra 16

MÓDULO 4. HERRAMIENTAS PARA ANÁLISIS - ESTADÍSTICA INFERENCIAL 25

4.1 Cálculo de probabilidades 25

MÓDULO 5. CONTROL ESTADÍSTICO DEL PROCESO 45

5.1 Cartas de control por variables: I-MR, Xmedia – R 45

MÓDULO 6. DISEÑO DE EXPERIMENTOS 74

6.1 Cartas Multivari 74

Archivos de ejercicios y ejemplos de aplicación de Módulos 2 al 6.

Manual de Mediciones (MSA ) y de Control Estadístico del Proceso de la AIAG.

1.1 Características generales del Minitab

Minitab es un paquete estadístico que incluye funciones de la estadística descriptiva,

1.2 Pantallas y menús

Las pantallas y menus principales del Minitab se muestran a continuación:

Hoja de trabajo nueva Proyecto nuevo,

Letra “T” indica columna

Numéricas Alfanumérica Fecha/hora

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

Data > Change Data Type > Numeric to Text.

Para pasar las columnas

1.3 Abrir, guardar e imprimir archivos

Para proyectos donde

1.4 Cálculos con columnas y renglones

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

Calc > Calculator

Ejemplo: Velocidad por tiempo

b) Otra forma de realizar operaciones en columnas o renglones es a través de

Columna (s) sobre la que se hará

Constante opcional (K1, K2, etc.)

La constante se muestra con

c) Otra forma de realizar operaciones en columnas o renglones es a través de

Obtener un promedio de renglones para Peso_antes y Peso_despues

MÓDULO 2. HERRAMIENTAS PARA SOLUCIÓN DE PROBLEMAS

Se puede obtener información sobre los archivos de Minitab con:

Graph > Bar chart: Count of unique values, Stack

Chart of Activity, Sex

Para cambiar la apariencia de las barras:

Colocarse en las barras y dar doble click, aparece el cuadro de diálogo

o Sex Se puede usar la

El marco de la gráfica se puede quitar seleccionándolo con doble click y modificándolo

Para gráficas de Pastel:

Graph > Pie chart

La otra opción es que los valores ya estén tabulados previamente,

Pie Chart of Activity

Cambiando el número de actividad por su nombre con:

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

Para agregar texto y figuras a la gráfica, seleccionar la gráfica con un click:

Editor > Annotation > Graph annotation tools

Para agregar texto

Diagrama de Pareto y de Causa Efecto

Stat > Quality Tools > Pareto Chart

Para el diagrama de Pareto se tienen dos opciones de entrada de datos:

100 Frequencies in: No. de defectos

Usando Operario en By Variable in se obtiene el diagrama estratificado siguiente:

Pareto Chart of Defectos by Operario

Para quitar los colores: seleccionar las barras y se cambia con