Cur So Taller Mini Tab 3

TALLER DE APLICACIÓN DE MINITAB P.
Reyes /Febrero 2006

PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
CURSO TALLER DE
APLICACIÓN DE MINITAB
Elaboró: Dr. Primitivo Reyes Aguilar

Tel. 58 83 41 67 / Cel. 044 55 52 17 49 12
Página 1
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
Mail: primitivo_reyes@yahoo,com
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:
Menús de comandos e íconos
Dirección de escritura
Zona de títulos de columnas
Captura de datos
File > New
Página 4
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.
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
Página 5
Para hojas de trabajo una hoja de cálculo

(worksheets) sólo la de Excel en forma
parte de hoja tipo Excel directa con
Open Worksheet
1.4 Cálculos con columnas y renglones
a) Se tiene una calculadora integrada para hacer operaciones con columnas:
Calc > Calculator
Columna donde
Columnas aparecerá el
que contienen resultado
los datos
Expresión a
calcular
Ejemplo: Velocidad por tiempo
Store result in C3 Usar las columnas de Peso_antes y Peso_despues del archivo anexo.
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
Página 6
Escribir la expresión Let C4 = C1 + C2 + C3

Submit commnads
1.5 Aplicaciones
Ejercicios con renglones y columnas
Obtener un promedio de renglones para Peso_antes y Peso_despues
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
Página 7
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
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
En Chart Raw Data indicar Activity
La otra opción es que los valores ya estén tabulados previamente,

Chart values from a table
Pie Chart of Activity

Category
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
1 Nula
2 Baja
3 Media
4 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
Página 8
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 PARETO anexo con estadísticas de los defectos en un producto
Copiar los datos de este archivo de datos para el módulo 2 en Minitab
Stat > Quality Tools > Pareto Chart
Para el diagrama de Pareto se t Se indica la columna donde se encuentran los defectos
Chart defects in se tiene la opción de una categoría By Variable
Los defectos ya se tienen tabulados en una columna donde
Chart defects table aparecen los nombre y en otra para las frecuencias
Por ejemplo de la primera opción colocando Defectos en Chart defects in se tiene:
Pareto Chart of Defectos

200
100
80
150
60
Percent
Count
100
40
50
20
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
Operario = A Operario = B Defectos

80
Rayas
60 Sopladura
Forma
40
Terminación
20 Other
Count
0
Operario = C Operario = D
80
60
40
20
0
Defectos Página 9
Operario = C Operario = D
80
C
60
40
20
0
Defectos
Para quitar los colores: seleccionar las barras y se cambia con

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
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.
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
S alud
los títulos y
F orma
seleccionar otro
Dureza H abilidad
tamaño de letra
A macen H umor
Temperatura H erramental
V elocidad
H umedad A brasión
V ibraciones D eformación
A juste
P olv o M antto.
Environment 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 del archivo a Minitab
Graph > Scatterplot > Simple
Indicar en Y variable Weight y en X variable Height
Página 10
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
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.
Página 11
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 de datos para el módulo 2 COCHES
Graficando Potencia (CV) vs Previo de venta (pesetas) PVP se tiene:
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 ve,.
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
Página 12
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:
Stat > Scatter plot: With Groups

Labels > Data Labels > seleccionar Use Labels from Column Marca
Para hacer un Zoom de una zona del diagrama hay que cambiar los valores 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)

VOLKSW A GEN NISSAN FIA T
2000000 OPEL SEA T
CITROEN
SEAT
SEA T
RENAULT
1900000 HYUNDAI
FIAT NISSAN
PEUGEOT
LA NCIA
SEA T
FORD
1800000 VOLKSW AGEN FORD
RENA ULT PEUGEOT
SEA T FIAT Alfa Romeo
PVP
OPEL FIA T
SEAT CITROEN
MAZDA
1700000 PEUGEOT FORD
SEA T
VOLKSW AGEN SEA T ROVER
VOLKSWA GEN HYUNDAI
1600000 OPEL
PEUGEOT CITROEN
FO RD 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
Página 13
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
Stat > Scatter plot: With Connected Line para unir los puntos
Y variable Quality X variables Time
Multiple graphs > By Variables > En By variables in separate panels Temp
Para modificar la apariencia de la gráfica, seleccionarla y:
Editor > Panel > Option

Seleccionar Don´t alternate panels
Seleccionar 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 de datos del módulo 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)
Página 14
50000000
50000000
40000000
30000000
PVP
20000000
10000000
0
Marginal Plot of PVP vs Pot.(CV) 0 100 200 300 400 500
Pot.(CV)
50000000
40000000
50000000
30000000
PVP
40000000
20000000
30000000
10000000
PVP
20000000
0
0 100 200 300 400 500 10000000
Pot.(CV)
0
0 100 200 300 400 500
Pot.(CV)
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
Página 15
20000000 PVP
0
12
Matrix Plot of PVP, Num.Cil., Pot.(CV)
4 8 12
40000000
20000000 PVP
0
12
8
Num.C il.
400
200 P ot.( CV )
0
0 20000000 40000000 0 200 400
Matriz bivariante solo entre las variables seleccionadas: En este caso se seleccionan:
Matrix Plot of PVP, Consumo vs Cil.(cc), Pot.(CV), Velo.max

0 200 400
En esta gráfica si en el 40000000
Editor se selecciona la 30000000

PVP
20000000
opción Brush y manualmente
10000000
seleccionamos una serie de
0
puntos en una ventana, 12
en forma automática se 10
Consumo
seleccionan en las otras 8
ventanas. 6
0 2500 5000 160 240 320

Cil.(cc) Pot.(CV) Velo.max
2.3 Aplicaciones (Ver ejercicios de Aplicaciones del Módulo 2 en este libro)
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 la hoja de datos del módulo 3:

Contiene datos de peso en gramos de 500 paquetes de detergente con peso nominal
Página 16
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
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 Página
2 17 1
50 Mean 4000
StDev 49.60
N 250
40 2
Mean 4086
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
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
Existen diferentes opciones para esta herramienta:
Indicando como variable Pulse1 se tiene:
Histogram of Pulse1
25
Página
20 18
15
quency
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
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
Página 19
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:
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
Página 20
2
0
50 60 70PARA
80 LA90MEJORA
100 Y SOLUCIÓN DE PROBLEMAS
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:
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
Página 21
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
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
Página 22
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
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
Página 23
0.2
0.0
0 1 2 3 4
1.2 a = 1, b = 4 C5
1.0 TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006

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 0.8663855975
Área antes de Z = -1.5 0.0668072 0.0668072 0.0668072013
Área después de Z = 0.8 0.211855 0.211855 0.2118553986

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
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

Ha: Los datos NO provienen de una población distribuida normalmente
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
99.9
Mean 4043
99 PáginaStDev
N
24 66.76
500
AD 0.426
95 P-Value 0.314
90
80
70
nt

Normal AD - El estadístico de Anderson
99.9
Mean 4043 Darling está en función de las
StDev 66.76
99 N 500 distancias entre los puntos y la
AD 0.426
95
90
P-Value 0.314 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 Un valor P de menos de 0.05

3800 3900 4000 4100 4200 4300
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 Graph Variable indicar la columna de Pesos

Normal - 95% CI En la gráfica se deben observar
99.9
Mean 4043 la gran mayoría de puntos dentro
StDev 66.76
99 N
AD
500
0.426
del intervalo de confianza y
95
90
P-Value 0.314
obtener un P value mayor a 0.05
80
70 para indicar que los datos siguen
Percent
60
50
40
una distribución normal
30
20
10
5
0.1
3800 3900 4000 4100 4200 4300
Peso en gr
3.5 Aplicaciones
Ver hoja de aplicaciones de este módulo 3.
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
Página 25
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 1.8331129327
10 0.1 0.9 1.38303 1.3830287384
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)
S21
Fc= S1 debe ser mayor a S2
0 S22
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 3.1788931045
10 10 0.1 0.9 2.44034 2.4403404377
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
Página 26
Estadístico Chi (valor a partir del cual inicia el área bajo la curva alfa)
2
S1
Fc=
0 S22
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 16.9189776046
10 0.1 0.9 14.6837 14.6836565733
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 ¹ Valor
Ejemplo: Una línea de llenado de paquetes debe llenar 4 kg en cada uno. Se toman
20 muestras y se pesan en gramos:
4035 3949 3969 3955 3969
3928 4017 3979 3984 3995
3974 4009 3970 4034 3991
4024 3983 3997 3964 3988
La desviación estándar histórica es de 25 g.

¿Se puede afirmar que el peso promedio es diferente a 25 g.?
Ho: Media = 25 Ha: Media ¹ 25
Se introducen los valores en una sola columna C1 titulada Pesos del archivo anexo:
Stat > Basic Statistics > 1 - Sample Z
Indicar columna de datos
Esta sección se usa cuando hay
Página 27
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.
OneSample 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
Página 28
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 ¹ Valor
Stat > Basic Statistics > 1 - Sample t
Similar al anterior sin requerir el valor de la desviación estándar
OneSample 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
Test and CI for One Proportion
Test of p = 0.1 vs p < 0.1
Upper Exact
Sample X N Sample p Bound PValue
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.
Página 29
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 ¹ 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 ¹ Varianza B
Stat > Basic Statistics > 2 Variances
Test for Equal Variances: Método A, Método B
95% Bonferroni confidence intervals for standard deviations
FTest (normal distribution)
Test statistic = 1.01, pvalue = 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:
Página 30
Paso 2. Se realiza un análisis de comparación de medias poblacionales

H: Media A - Media B = 0 Ha: Media A - Media B ¹ 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:
Twosample 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)
TTest of difference = 0 (vs not =): TValue = 2.74 PValue = 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
Caso 2. Muestras pareadas - Prueba si las diferencias entre sujetos son iguales.
Ho: Media de diferencias = 0 Ha: Media de diferencias ¹ 0
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.
Página 31
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 ¹ 0

Stat > Basic Statistics > Paired t
Individual Value Plot of Differences

(with Ho and 95% t-confidence interval for the mean)
_
X Como el valor de Ho no se
Ho
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 dos medias, se rechaza Ho
Differences
y se acepta Ha indicando que el
deterioro es diferentes en los dos
Paired TTest and CI: Lente A, Lente B métodos.
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
Página 32
95% CI for mean difference: (0.785964, 0.294036)
TTest of mean difference = 0 (vs not = 0): TValue = 4.97 PValue = 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 ¹ 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 PValue = 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.
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
Página 33
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 Corrida
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 34
Los resultados se muestran a continuación:
Power and Sample Size
1Sample 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.
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.
Página 35
Power and Sample Size 2Sample 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:

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)
Página 36
Alpha = 0.05
Alternative Sample
Proportion Size Power
0.04 500 0.865861
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 =μ1 =μ2 =μ3 =. . . .=μ 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 t he Fitt ed Values
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
Hist ogram of the Residuals

3
Frequency
Página 37 1
0
-0.3 -0.2 -0.1 0.0 0.1 0.2 0.3 0.4
Residual
Residua
Percen
50 0.0
TALLER DE APLICACIÓN DE MINITAB 10 P. Reyes /Febrero 2006

-0.2
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS 1

-0.50 -0.25 0.00 0.25 0.50
-0.4
1.4 1.6 1.8
Hist ogram 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
Oneway 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 RSq = 58.44% RSq(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
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
Página 38
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

Normal Probability Plot of t he Residuals Residuals Versus the Fitted Values
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
Histogram of the Residuals Residuals Versus t he 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.
Coeficiente de Correlación
Establece si existe una relación entre las variables y responde a la pregunta,

”¿Qué tan evidente es esta relación?".
Página 39
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.
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
Ahora se calcula el coeficiente de Correlación que mide el grado de relación que existe
entre dos variables, como sigue:
Página 40
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 = 0.78 Coeficiente de correlación
PValue = 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
PValue
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
(valor real-estimado
180
por la regresión)
Weight
160 S 14.7920
R-Sq 61.6%
R-Sq(adj) 61.2%
R-Sq Coeficiente
140
de Determinación
120 en porcentaje de
variación explicada
100
por la ecuación de
60 62 64 66 68 70 72 74 76 regresión
Height
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 RSq = 61.6% RSq(adj) = 61.2%
Analysis of Variance
Source DF SS MS F P
Regression 1 31591.6 31591.6 144.38 0.000
Error 90 19692.2 218.8
Página 41
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 RSq = 61.6% RSq(adj) = 61.2%
Coef. De determinación
Analysis of Variance
Source DF SS MS F P
Regression 1 31592 31592 144.38 0.000Regresión 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:
Usando el archivo PUNTOS_RX.MTW anexo:

Graph > Scatterplot: Simple Y=yyX=x
Fitted Line Plot

Y = 14.16 + 4.075 X
70 S 3.47429
R-Sq 86.6%
R-Sq(adj) 86.3%
60
50
40
Y
30
20
10 Página 42
0 2 4 6 8 10 12
X
50
40 TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
Y
30
20
10
0 2 4 6 8 10 12
X
Stat > Regression > Regression

Seleccionar en Response Y y en Predictors X
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:
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 43
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
Intervalos de
Regression
95% C I confianza de Ymedia
10000.00 95% PI
en base a una X
1000.00 S 0.301528
Peso cerebro (g)
R-Sq 92.1%
R-Sq(adj) 91.9%
100.00 Intervalo de
10.00 predicción de Y para
valores individuales
1.00
en base a una X
0.10
0.01 Coeficiente de
determinación
muy cercano a uno
Peso total (kg)
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
Página 44
-1.0
15 20 25 30 35
Fitted Value
0.5 TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
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
Regressio n
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

(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
Ver aplicaciones del Módulo 4 en este libro.
Página 45
MÓDULO 5. CONTROL ESTADÍSTICO DEL PROCESO

Para la teoría sobre el CEP ver archivo Cartas de Control.doc
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)
Página 46
Tests Definir las pruebas estadísticas fuera de control a ser indicadas

1 point > 3 std. Dev. From center line
6 points in a row all increasing and all decreasing
9 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
En este caso:
Xbar-R Chart of Supp2

1
1
U C L=602.474
602
Sample M ean
_
_
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 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.
Página 47
El proceso ahora está dentro de control
Xbar-R Chart of Supp2

U C L=602.247
602
Sample M ean 601

_
_
600 X=599.938
599
598
LC L=597.629
2 4 6 8 10 12 14 16 18 20
Sample
U C L=8.465
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.
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 Data / Time Values
Hora de la primera y
última muestra
Incremento de 15 minutos
Repetir cada valor 5 veces para

cad muestra
Respecto al operario se asume que las primeras 25 muestras las toma el operario A y las
otras 15 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
Página 48
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
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
0.00Página 49 LCL=0
4 8 12 16 20 24 28 32 36 40
Sample
0.06
Sample Ran
_
R=0.0483
PARA LA MEJORA0.04
Y SOLUCIÓN DE PROBLEMAS
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
OK S Chart of Peso
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
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 V alue
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
M oving 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
Página 50
Test Results for MR Chart of Supp1
Excluyendo los puntos 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 bse r vation
2.0
1 1 1
U C L=1.735
1.5
M oving 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 bse r vation
Repitiendo la operación anterior para los puntos 1, 21, 36 se tiene:
Seleccionar Row Numbers 1 21 36 34 39 55 56 82
I-MR Chart of Supp1

U C L=600.822
600.5
Individual V alue
600.0
_
599.5 X=599.536
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.
Página 51
Separando las muestras del último día viernes se tiene:
Data > Copy > Columns to Columns

Copy from columns Hora pH Cl
Store copied Data in Columns In current worsheet in columns 'Hora V' 'pH V' 'Cl V'
Quitar selección de Name the columns containig 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

Variable pH V
I Chart of pH V
Scale > Time: Stamp 'Hora V' 'Cl V' 14
OK 13
1
UCL=12.843
12
11
Individual Value 10
_
9 X=9.128
Uso de la función Stamp 7
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:
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
una, dos y tres sigmas
8 -1SL=7.878
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 seleccionaes anteriores)
Página 52
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'
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
Página 53 _
X=9.128
8
6
LC L=5.413
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 bser 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 bser 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.
Xbar-S Chart of Supp2

1
602 U C L=601.908
601
Sample M ean
_
_
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.

602
U C L=601.735
Página 54
601
mple Mean
_
_
600 X=600.042

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
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)
4. Gage R&R Study (Nested): Estudios de repetibilidad y reproducibilidad (R&R)

para estudios anidados (pruebas destructivas)
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.
Página 55
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: T olerance:
D ate of study : M isc:
1 2 3 4 5 O perario
16 1
2 Las piezas son diferentes
3
12
ver pieza 2 y 3 versus la
Mean
8y9
Medicion
6 7 8 9 10
16 El operario 2 tiene más
variabilidad en sus
12
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
Tabla de Análisis de Varianza (ANOVA)
También se hubiera obtenido con:

Stat > ANOVA > Two way Response:Medición Row Factor:Pieza Column Factor:Operario
TwoWay ANOVA Table With Interaction
Source DF SS MS F P
Pieza 9 286.033 31.7814 33.1422Pieza significativa
Operario 2 45.635 22.8173 23.7942Operario significativo
Pieza * Operario 18 17.261 0.9589 0.6449Interaccion no significativa
Repeatability 60 89.217 1.4869
Total 89 438.145

TwoWay 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
Página 56
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
PartToPart 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)

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
PartToPart 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
Se tiene las siguientes variaciones:
Parte a parte: Variación entre las partes real
Repetibilidad: Variación debida al aparato o equipo de medición
Reproducibilidad: Variación introducida por los operarios
Variación total: Combinación de las anteriores
Ventana de gráficas
Gage R&R (ANOVA) for Medicion

Reported by :
G age 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
1 2 3 Medicion by Operario
Operario 2 tiene una

UCL=5.257 18
Sample Range
2
_
R=2.042
12
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 Opera rio
Si no hay interacción
Sample Mean
1
UCL=13.383
Average
significativa, estas
2
12.5 __ 12.5
3
X=11.293
10.0
10.0
LCL=9.204
1 2 3 4 5 6 7 8 9 10
líneas son paralelas
Pieza
Página 57
1 2 3
Operario
15.0
1 2 3
TALLER DE APLICACIÓN DE MINITAB
15.0
Operario * Pieza Interaction
Opera rio
P. Reyes /Febrero 2006
Sample Mean
1
UCL=13.383
Average
2
12.5 __ 12.5
3
X=11.293
10.0
10.0
LCL=9.204
1 2 3 4 5 6 7 8 9 10
Pieza
Carta de rangos: Muestra al operario 2 con mayor variabilidad que los demás
pero aun así estan dentro de control, de otra forma 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 partes adecuadamente
Ejemplo de estudio R&R (Crossed) usando el archivo de Minitab Gageaiag
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:
TwoWay 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 4.4588La interacción si es
Repeatability 30 0.03875 0.001292 significativa, el operador
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
PartToPart 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
PartToPart 0.192781 0.99282 94.52 49.64
Página 58
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 :
Gage name: Tolerance:
Components of Variation Response by Part

100 % Contribut ion 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
1 2 3 Response by Operator
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 O pe rat or
Sample Mean
_
UCL=0.8796
_
1
Average
2
X=0.8075
0.75 LCL=0.7354 0.75 3
0.50
Si hay interacción entre
0.50
1 2 3 4 5 6 7 8 9 10 operadores y partes,
Part
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
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
PartToPart 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
sistema de medición
Gage R&R (Nested) for Medicion
Reported by :
no es adecuado
G age name: T olerance:
Components of Variation Medicion By Pieza ( Operario )

% St udy Var
Percent
% Tolerance
22
50
Página 59
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
A B C Medicion by Operario
UCL=5.170 24
e
Gage R&R (Nested) for Medicion TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
G age name:
Reported by :
T olerance:
Components of Variation Medicion By Pieza ( Operario )

% St udy 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
A B C Medicion by Operario
UCL=5.170 24
Sample Range
4
22
_
2 R=2.008
20
0 LCL=0
A B C
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
Amplitud de la
variabilidad del proceso
Gage Linearity and Bias Study for Response

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

Reference Bias % Bias P Datos de promedios
A v erage -0.053333 0.4 0.040
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
Reference Value
8 10
Página
0
60
Linearity Bias
A v erage -0.053333 0.4 0.040
2 0.491667 3.5 0.000
Bias
0.0 TALLER
0 DE APLICACIÓN
4
6
DE MINITAB
0.125000
0.025000
0.9 0.293
0.2 0.688
PARA LA MEJORA Y SOLUCIÓN DE
8 -0.291667
10 -0.616667
PROBLEMAS
2.1 0.000
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

variaciónn 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
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
fuera de control estadístico
Process Capability of Peso
LSL USL
P rocess Data W ithin
LS L 3.08750 Ov erall
Target *
USL 3.41250 P otential (Within) C apability
Cp 2.54
S ample Mean
S ample N
3.24312
200 C PL 2.43 Cp y Cpk a partir de
C PU 2.64
S tDev (Within) 0.02136
S tDev (O v erall) 0.02917 C pk 2.43 Std. Dev. Within
C C pk 2.54
O v erall C apability
Página 61PP pP L 1.86

1.78
PPU 1.94
P pk 1.78
C pm *
LS L 3.08750 Ov erall
Target * TALLER DE APLICACIÓN DE MINITAB
P otential (Within) C apability
USL 3.41250
S ample Mean 3.24312 PARA LA MEJORA Y SOLUCIÓN Cp DE2.54 PROBLEMAS
S ample N 200 C PL 2.43
S tDev (Within) 0.02136 C PU 2.64
S tDev (O v erall) 0.02917 C pk 2.43
C C pk 2.54
Pp
PPL
1.86
1.78
Pp y Ppk a partir de
PPU
P pk
1.94
1.78
Std. Dev. Overall
C pm *
Tanto el Cpk como Ppk

3.10 3.15 3.20 3.25 3.30 3.35deben ser mayores a
3.40
O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance uno para que el proceso
P P M < LS L 0.00 P P M < LSL 0.00 P P M < LS L 0.05
P P M > U S L 0.00 P P M > U S L 0.00 P P M > U S L 0.00 sea capáz, de otra
P P M Total 0.00 P P M T otal 0.00 P P M T otal 0.05
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
6 1 15
12 2
13 2
Medidas
10
14 2
15 2
6 3 5
7 3
8 3 0
10 3 1.0 1.5 2.0 2.5 3.0
Subgrupo
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
Process Capability of %Humedad
LSL USL
LSL 6.00000 O verall
Target *
P otential (Within) C apability
USL
Sample Mean
12.00000
10.85938 Cp 0.86 El Cpk es menor a 1
C PL 1.39
Sample N
StDev (Within)
32
1.16392 C PU 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 con especificaciones
Pp 0.70
P PL 1.13
P PU 0.26
P pk 0.26
C pm *
Página 62
6.4 8.0 9.6 11.2 12.8

Sample Mean 10.85938 Cp 0.86
Sample N 32 C PL 1.39
C PU 0.33
StDev (Within)
StDev (O v erall)
1.16392
1.43526
TALLER DE APLICACIÓN DE MINITAB C pk 0.33 P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS C C pk 0.86
Pp 0.70
P PL 1.13
P PU 0.26
P pk 0.26
C pm *
6.4 8.0 9.6 11.2 12.8

O bserv ed Performance E xp. Within Performance Exp. O v erall Performance
PPM < LS L 0.00 PPM < LSL 14.90 PPM < LSL 354.96
PPM > U SL 156250.00 PPM > USL 163546.85 PPM > USL 213388.49
PPM Total 156250.00 PPM Total 163561.75 PPM 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
OK Process Capability Sixpack of %Humedad
I C hart 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 hart 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
L ast 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:
Stat > Time series > Trend Analysis Trend Analysis Plot for %Humedad
Linear Trend Model
Yt = 9.42198 + 0.0871151*t
Variables %Humedad 14 Variable
seleccionar Linear 13
A ctual
Fits
OK A ccuracy Measures
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 21 24 27 30
razón a lo largo del día Index
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
Página 63
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 Data transformed data Within
LB 0.00000 O v erall
Target *
U SL 8.00000 P otential (Within) C apability
S ample M ean 2.92307 Cp * Cpk = 0.78 el proceso
S ample N 100 C PL *
S tDev (Within) 1.68898 C P U 0.78
C pk 0.78
no es capaz de cumplir
S tDev (O v erall) 1.79048
A fter Transformation
C C pk 0.78 especificaciones.
LB* 0.00000
Target* * Pp *
PPL *
U SL*
S ample M ean*
2.82843
1.62374 PPU 0.74 Ppk es igual a 0.74
S tDev (Within)* 0.51337 P pk 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 Exp. O v erall P erformance
P PM < LB 0.00 P P M < LB* * P P M < LB* *
P PM > U S L 20000.00 P P M > US L* 9472.66 P P M > U S L* 12754.26
P PM 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
Process Data O v erall C apability
LB 0.00000 Pp *
Target * P PL *
USL 8.00000 P PU 0.73
Sample M ean 2.92307 P pk 0.73
Sample N 100
Shape 1.69368 Ppk es igual a 0.73
E xp. O v erall Performance
PP M < LB *
Scale 3.27812
PP M > U SL 10764.5
O bserv ed P erformance PP M T otal 10764.5
PP M < LB 0
PP M > U S L 20000
PP M Total 20000
0.0 1.5 3.0 4.5 6.0 7.5
5.5 Cartas de control por atributos
Para la teoría ver articulo sobre Cartas de Control.doc
Se usan estas cartas para cuando las características se juzgan como pasa o no pasa
Página 64
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
ser el tamaño de muestra
0.045
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
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
Página 65
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
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
Página 66
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 67
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
bancarias, el número de clientes no satisfechos de entrevistas a 50 en cada una.
Página 68
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
1
0.6 30
P r opor tion
0.4 UC L=0.3983 20
_
P =0.222
0.2 10
Puntos fuera de control
LC L=0.0457
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 T ar
30.0 (using 95.0% confidence) 16

% Defectiv 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 Def: 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 fe cti ve s
C umula tiv e % Def e ctiv e Dist of % Def e cti ve

T ar
24.0 S ummary S ta ts
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 69
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 C ount 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 Defe cts
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 DP U : 0.0000
1
M ax D P U : 6.0000 0
10 20 30 40 0 1 2 3 4 5 6
Targ DP 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
Página 70
media del proceso (2 sigmas o menos)
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:
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

OK
Xbar-R Chart of AtoBDist

5.0
No se observa que el
U C L=4.70
proceso tenga corrimiento
2.5
o esté fuera de control
Sample Mean
_
_
X=0.44
0.0
-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

Los puntos 4-10 estan
10.0
fuera de límite superior
7.5 de control, el proceso
UCL=5.68
está fuera de control
5.0
Cumulative Sum
2.5 Se tienen corridas por

arriba del límite superior
0.0 0
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 71
0.0 0
Cu
-2.5
-5.0
LCL=-5.68
2 4 6 8 10 12 14 16 18 20 22 24
Sample
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 permanece centrado, la carta tenderá hacia el valor de la media 0
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
Página 72
Monitorea un proceso promediando los datos de tal forma que les da cada vez menos
peso conforme son removidos en el tiempo. Tiene sensibilidad simlar a la de la Cusum
Es más sensible que la carta X al movimiento de separación gradual de la media del proceso.
Stat > Control

Seleccionar Charts > Time
All observations Weighted
for a chart Charts
are in one > EWMA
column, seleccionar AtoBDist
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

Seleccionar AllCharts > Time Weighted
observations for a chartCharts
are in >one
Moving average
column, seleccionar AtoBDist
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 16Página
18 2073 22 24
Sample
0
Movin
-1 TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
-2 PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
LCL=-2.017
-3
-4
2 4 6 8 10 12 14 16 18 20 22 24
Sample
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
0.005 0.98969 Curva OC con
Pa
0.010 n = 89, c = 2
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
Página 74
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:
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
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
Referirse a la hoja de Aplicaciones Módulo 5 donde se encuentra el material de ejercicios.
Página 75
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 Posicio n
2.510 Max Der
Max Izq
Min Der
Min Izq
2.505
Diametro
2.500
Página 76
2.495
2.490
1 2 3 1 2 3
08:00
TALLER DE APLICACIÓN
09:00
10:00 11:00
DE MINITAB
12:00 Posicio n
Max Der
2.510
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMASMax 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
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
Página 77
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
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
Ver el archivo Diseño de experimentos.doc para la teoría.
5.1 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
Página 78
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 De manera opcional Introducir el nombre real de los factores

y los niveles reales
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 Blocks Temp Presion Resp
1 1 1 1 1 90.4
2 2 1 1 2 90.7
3 3 1 1 3 90.2
4 4 1 2 1 90.1
5 5 1 2 2 90.5
6 6 1 2 3 89.9
7 7 1 3 1 90.5
8 8 1 3 2 90.8
9 9 1 3 3 90.4
10 10 1 1 1 90.2
11 11 1 1 2 90.6
12 12 1 1 3 90.4
13 13 1 2 1 90.3
14 14 1 2 2 90.6
15 15 1 2 3 90.1
16 16 1 3 1 90.7
17 17 1 3 2 90.9
18 18 1 3 3 90.1
PASO 3. ANALIZAR EL MODELO DEL DISEÑO DE EXPERIMENTOS FACTORIAL COMPLETO
Stat > DOE > Factorial > Analyze Factorial Design
Response Seleccionar la columna de las respuestas

Residuals Estandardized
Terms Pasar todos los términos a Selected con >> OK
Graphs Seleccionar Residual plots: Normal y vs fits OK
Results Full table of fits and residuals
Seleccionar todos los términos con >> OK
OK
CONCLUSIONES EN RESIDUALES
(response is Resp)
Página 79
0.1
l
(response is Resp)
0.1
Residuales vs Y estimada
deben ser aleatorios
Residual
0.0
-0.1
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

Gráfica Normal de residuales
(response is Resp)
deben aproximarse a la línea recta
2
1
Normal Score
-1
-2
-0.1 0.0 0.1
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
Página 80
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.
En este caso para maximizar el rendimiento se seleccionan los niveles Temperatura = 3 o 170º
Presión = 2 o 215 psig.
Main Effects Plot - Data Means for Resp
Temp Presion
90.68
90.56
Resp
90.44
90.32
90.20
Página 81
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 gas 8 12
B. Corriente A 230 240
C. Vel. Cadena 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: Nombre de cada factor y sus niveles bajo y alto
Options: Quitar bandera de Random

OK OK
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 Corriente Velocidad Y
Página 82
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
OK OK
Los resultados se muestran a continuación.
La ecuación del modelo se puede formar a partir de los siguientes coeficientes:
Estimated Coefficients for Y using data in uncoded units
Term Coef
Constant 893.750 Pareto Chart of the Effects
(response is Y, Alpha = .05)
Caudal 102.625
5.646
Corriente 3.75000 F actor Name
A C audal
Velocidad 186.250 A
B C orriente
C V elocidad
Caudal*Corriente 0.425000 AB
Caudal*Velocidad 30.0000 C
Corriente*Velocidad 0.750000
Term
B
Caudal*Corriente*Velocidad 0.125000
BC
ABC
AC
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
Normal Probability Plot of the Effects

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
Página 83
Los efectos se pueden guardar en una columna y después graficarlos para que sean claros:
Stat > DOE > Factorial > Analize Facorial 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; Caudal
Seleccionar Interaction Plot: Setup: Response Y; Corriente y Caudal
Seleccionar Cube Plot: SetUp >>
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
Interaction Plot (data means) for Y

28 Caudal
8
La interacción significativa
26 12 es AB
24
22 Los mejores resultados

se obtienen con:
20
Mean
Corriente = 230
18
Caudal = 12
16
14
12
10
230 240
Corriente
Página 84
14
12 TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006

10 PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
230 240
Corriente
Cube Plot (data means) for Y

El cubo proporciona los
17.5 20.0 valores de las respuestas
en las diferentes
combinaciones de los
15.0 17.5
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
6.4 Diseño de experimentos fraccionales (1/2) 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
Al principio se realizó un diseño fraccional de dos niveles y cinco factores, 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
StdOrder Temp Cola Cantidad Temp secado Presion Y

1 30 2 90 1.5 24
2 30 2 80 1 16
3 40 2 80 1.5 22.5
Página 85
4 40 2 90 1 24.5
5 30 3 90 1 25
6 30 3 80 1.5 16
7 40 3 80 1 24.5
8 40 3 90 1.5 23.5
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
Constant 36.0000
Cola 2.00000
Temp Cola 0.600000
Cantidad 0.500000
Temp secado 0.450000
Presion 5.00000
Temp Cola*Cantidad 1.58579E16
Temp Cola*Presion 0.200000
Los factores significativos se observan de las gráficas siguientes
Pareto Chart of the Effects

2.823
F actor
A
Name
C ola
Son significativos los
D
B Temp C ola factores A, B, D
C C antidad
A D Temp secado
E Presion
B
Term
BE
BC
0 1 2 3 4 5
Effect
Lenth's PSE = 0.75
Página 86
BC
0 1
PARA2 LA MEJORA
3
Y SOLUCIÓN
4 5
DE PROBLEMAS
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 T emp C ola
B
70 C C antidad
Percent
60 D T emp secado
E P resion
50
40
30 Son significativos los
20
factores A, B, D
10 A
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
Se maximiza la respuesta
Main Effects Plot (data means) for Y
en las condiciones
Cola Temp Cola
24
siguientes:
Cola = X
23
Temp Cola = 40
22
Temp Sec = 90
21
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
Después de este
23.5 experimento de filtración
40 se puede hacer otro más
completo sólo con los
Temp Cola 24.5 Página 87

90
Temp secado
16.0
23.5
40
factores A, B, D
Temp Cola 24.5
90
Temp secado
16.0
30 80
X Y
Cola
6.5 Aplicaciones:
Ver archivo de aplicaciones del Módulo 6 en este libro
Página 88
ARCHIVOS DE DATOS PARA EL MÓDULO 1
Peso_antes Peso_despues
64 88
58 70
62 76
66 78
64 80
74 84
84 84
68 72
62 75
76 118
90 94
80 96
92 84
68 76
60 76
62 58
66 82
70 72
68 76
72 80
Mapa de Archivos
PARETO PULSE REHEAT
COCHES
ARCHIVO PARETO.MTW
Contiene defectos en partes por turno, operario y máquina
Defectos Dia Turno Operario Maquina

Rayas Lunes Mañana A 1
Rayas Lunes Mañana A 1
Sopladura Lunes Mañana A 1
Forma Lunes Mañana A 1
Rayas Lunes Mañana B 1
Sopladura Lunes Mañana B 1
Sopladura Lunes Mañana B 1
Forma Lunes Mañana B 1
Rayas Lunes Mañana C 2
Rayas Lunes Mañana C 2
Sopladura Lunes Mañana C 2
Rayas Lunes Mañana D 2
Rayas Lunes Mañana D 2
Sopladura Lunes Mañana D 2
Rayas Lunes Tarde A 1
Sopladura Lunes Tarde A 1
Rayas Lunes Tarde B 1
Sopladura Lunes Tarde B 1
Sopladura Lunes Tarde B 1
Rayas Lunes Tarde C 2
Sopladura Lunes Tarde C 2
Rayas Lunes Tarde D 2
Sopladura Lunes Tarde D 2
Rayas Martes Mañana A 1
Rayas Martes Mañana B 1
Sopladura Martes Mañana B 1
Sopladura Martes Mañana B 1
Rayas Martes Mañana C 2
Rayas Martes Mañana C 2
Rayas Martes Mañana D 2
Rayas Martes Mañana D 2
Rayas Martes Tarde A 1
Sopladura Martes Tarde A 1
Sopladura Martes Tarde A 1
Rayas Martes Tarde B 1
Sopladura Martes Tarde B 1
Sopladura Martes Tarde B 1
Forma Martes Tarde C 2
Rayas Martes Tarde D 2
Forma Martes Tarde D 2
Rayas Miércoles Mañana A 1
Sopladura Miércoles Mañana A 1
Forma Miércoles Mañana A 1
Rayas Miércoles Mañana B 1
Sopladura Miércoles Mañana B 1
Sopladura Miércoles Mañana B 1
Forma Miércoles Mañana B 1
Rayas Miércoles Mañana C 2
Rayas Miércoles Mañana D 2
Forma Miércoles Mañana D 2
Terminación Miércoles Mañana D 2
Rayas Miércoles Tarde A 1
Sopladura Miércoles Tarde A 1
Rayas Miércoles Tarde B 1
Sopladura Miércoles Tarde B 1
Forma Miércoles Tarde B 1
Rayas Miércoles Tarde C 2
Sopladura Miércoles Tarde C 2
Rayas Miércoles Tarde D 2
Sopladura Miércoles Tarde D 2
Rayas Jueves Mañana A 1
Sopladura Jueves Mañana A 1
Forma Jueves Mañana A 1
Forma Jueves Mañana A 1
Rayas Jueves Mañana B 1
Sopladura Jueves Mañana B 1
Rayas Jueves Mañana C 2
Rayas Jueves Mañana C 2
Rayas Jueves Mañana D 2
Forma Jueves Mañana D 2
Rayas Jueves Mañana D 2
Rayas Jueves Tarde A 1
Sopladura Jueves Tarde A 1
Sopladura Jueves Tarde A 1
Rayas Jueves Tarde B 1
Sopladura Jueves Tarde B 1
Forma Jueves Tarde B 1
Forma Jueves Tarde B 1
Rayas Jueves Tarde C 2
Forma Jueves Tarde C 2
Rayas Jueves Tarde D 2
Rayas Jueves Tarde D 2
Terminación Jueves Tarde D 2
Rayas Viernes Mañana A 1
Rayas Viernes Mañana B 1
Rayas Viernes Mañana B 1
Sopladura Viernes Mañana B 1
Sopladura Viernes Mañana B 1
Forma Viernes Mañana B 1
Rayas Viernes Mañana C 2
Rayas Viernes Mañana C 2
Terminación Viernes Mañana C 2
Rayas Viernes Mañana D 2
Rayas Viernes Mañana D 2
Terminación Viernes Mañana D 2
Terminación Viernes Mañana D 2
Otros Viernes Mañana D 2
Rayas Viernes Tarde A 1
Rayas Viernes Tarde A 1
Rayas Viernes Tarde B 1
Rayas Viernes Tarde C 2
Rayas Viernes Tarde C 2
Otros Viernes Tarde C 2
Rayas Viernes Tarde D 2
Forma Viernes Tarde D 2
Forma Viernes Tarde D 2
Rayas Sábado Mañana A 1
Rayas Sábado Mañana B 1
Rayas Sábado Mañana B 1
Sopladura Sábado Mañana B 1
Terminación Sábado Mañana C 2
Rayas Sábado Mañana C 2
Otros Sábado Mañana D 2
Rayas Sábado Mañana D 2
Rayas Sábado Mañana D 2
Sopladura Sábado Mañana D 2
Sopladura Sábado Tarde A 1
Sopladura Sábado Tarde A 1
Forma Sábado Tarde A 1
Rayas Sábado Tarde B 1
Forma Sábado Tarde B 1
Sopladura Sábado Tarde B 1
Sopladura Sábado Tarde B 1
Rayas Sábado Tarde C 2
Otros Sábado Tarde C 2
Sopladura Sábado Tarde D 2
Sopladura Sábado Tarde D 2
Rayas Sábado Tarde D 2
ARCHIVO COCHES
Marca Modelo PVP Num.Cil. Cil.(cc) Pot.(CV) Long.

Alfa Romeo 145 1.4 Bas 1780000 4 1351 90 409
Alfa Romeo 145 1.6 Bas 1940000 4 1596 103 409
Alfa Romeo 155 1.7Twi 2399000 4 1749 115 444
Alfa Romeo 155 2.5 V6 4105000 6 2492 166 444
Alfa Romeo 164 3.0 Su 5837000 6 2959 210 466
Audi 80 2.3 E 3931000 5 2309 133 448
Audi 80 2.8 E 4836000 6 2771 174 448
Audi A6 2.6 V6 4867000 6 2598 150 480
Audi Coupé 2.0 E 3695000 4 1984 115 437
Audi Cabrio 2.6 6055000 6 2598 150 436
Audi 80 2.6 Quat 4650000 6 2598 150 448
Audi 80 Avant S2 7197000 5 2226 230 451
Audi A6 2.8 V6 6102000 6 2771 174 480
Audi Coupe 2.6 5110000 6 2598 150 436
BMW 316 I 3295000 4 1596 102 443
BMW 318 I 3615000 4 1796 115 443
BMW 318 IS 3825000 4 1796 140 443
BMW 320 I 4140000 6 1991 150 443
BMW 325 I 5015000 6 2949 192 443
BMW 325 I Cabrio 6090000 6 2494 192 443
BMW M3 7780000 6 2990 286 443
BMW 518 I 4155000 4 1796 113 472
BMW 525 I 5805000 6 2494 192 472
BMW 530 I 7155000 8 2997 218 472
BMW M5 12080000 6 3795 340 472
BMW 730 I 8296000 8 2997 218 498
BMW 740 I 10270000 8 3982 286 498
BMW 850 CSI 18035000 12 5576 380 478
CITROEN AX 10 First 1171110 4 954 50 352
CITROEN AX 11 First 1242168 4 1124 60 352
CITROEN AX First To 1367817 4 1124 60 352
CITROEN AX 11 Pres 1361660 4 1124 60 352
CITROEN AX GT 3p 1558657 4 1360 75 352
CITROEN ZX Reflex 1749000 4 1360 75 407
CITROEN ZX Avanta 1950820 4 1360 75 407
CITROEN ZX Avanta 2026820 4 1360 75 426
CITROEN ZX Aura 1.8 2274970 4 1761 103 407
CITROEN ZX 2.0 I 16 3033889 4 1998 150 408
CITROEN ZX Prestig 2218620 4 1905 71 407
CITROEN Xantia 1.6 I 2303956 4 1580 90 444
CITROEN Xantia1.8 I 2711166 4 1761 103 444
CITROEN Xantia 2.0 3353458 4 1998 123 444
CITROEN Xantia 16V 4101899 4 1998 150 444
CITROEN XM 2.0 I 1 3903782 4 1998 135 471
CITROEN XM V6 I B 5669829 6 2963 170 496
FERRARI F355 Berlin 18626560 8 3496 380 425
FERRARI 456 GT 34089000 12 5474 442 473
FIAT Cinquecen 880000 2 704 31 323
FIAT Uno 60 Sti 1075000 4 1108 51 369
FIAT Punto 55 S 1295000 4 1108 55 376
FIAT Punto 75 S 1385000 4 1242 75 377
FIAT Punto 90 S 1720000 4 1581 88 377
FIAT Punto GT 2155000 4 1372 136 377
FIAT Coupé 16V 3635000 4 1995 142 425
FIAT Tipo 1.4S 3p 1740000 4 1372 71 396
FIAT Tipo 1.6SX 2050000 4 1581 76 396
FIAT Tipo 1.8GTI 2270000 4 1756 105 396
FIAT Tempra 1.4 1860000 4 1372 71 435
FIAT Tempra 1.6 2000000 4 1581 90 435
FIAT Tempra 1.8 2450000 4 1756 105 435
FIAT Croma 2.0IE 3065000 4 1995 117 452
FIAT Ulysse 2.0S 3135000 4 1998 123 445
FORD Fiesta Che 1349000 4 1118 50 374
FORD Fiesta New 1539000 4 1297 60 374
FORD Fiesta SI 1 1669000 4 1393 75 374
FORD Fiesta SI1. 1779000 4 1597 90 374
FORD Fiesta XR2 2259000 4 1796 130 380
FORD Escort Valo 1769000 4 1299 60 423
FORD Escort Atla 2049000 4 1598 90 404
FORD Escort Ghia 2219000 4 1796 105 423
FORD Escort RS 2839000 4 1998 150 404
FORD Probe 2.0I 3709000 4 1991 115 458
FORD Mondeo CL 2469000 4 1597 90 448
FORD Mondeo Ghi 3239000 4 1988 136 448
FORD Scorpio Ser 3459000 4 1998 120 474
FORD Escort Cos 5429000 4 1993 227 421
HONDA Civic DX 1 2100000 4 1343 75 408
HONDA Civic Dre 2850000 4 1590 125 408
HONDA CRX ESI 1 3200000 4 1595 125 400
HONDA Concerto 2150000 4 1493 90 426
HONDA Accord 2.0I 2550000 4 1997 115 468
HONDA Accord Co 3380000 4 1977 136 467
HONDA Legend 3.2 7550000 6 3206 204 494
HYUNDAI Accent 1.3 1595000 4 1341 82 412
HYUNDAI Accent 1.5 1880000 4 1495 90 412
HYUNDAI Lantra 1.8 2190000 4 1836 126 439
HYUNDAI Sonata 2. 2890000 4 1997 139 470
JAGUAR XJ6 3.2 5950000 6 3239 200 499
JAGUAR XJ6 4.0 S 7500000 6 3980 223 499
LADA Samara 1.3 796160 4 1288 61 401
LADA Samara 1.54 899000 4 1499 68 420
LANCIA Y-10 Mia 1227000 4 1108 51 342
LANCIA Delta 1.4IE 1820000 4 1372 71 401
LANCIA Delta 1.8IE 2174000 4 1750 101 401
LANCIA Delta 2.0 2673000 4 1995 139 401
LANCIA Dedra 1.6LE 2231000 4 1581 90 434
LANCIA Dedra 2.0 3760000 4 1995 139 434
LANCIA Thema 2.0I 3905000 4 1995 117 460
LANCIA Thema 3.0V 5612000 6 2959 175 460
MASERATI Spyder E 6995200 6 2790 225 406
MASERATI Ghibli 8499200 6 2790 279 422
MASERATI Shamal 11975500 8 3217 326 410
MAZDA 121 1.3 16V 1688960 4 1324 73 380
MAZDA MX-5 1.8 16 3687000 4 1839 133 395
MAZDA 626 2.0 1 2852600 4 1991 117 469
MAZDA Xedos 6 4212600 6 1995 146 456
MERCEDES C180 4307000 4 1799 122 449
MERCEDES C200 5252000 4 1998 136 449
MERCEDES C220 5667000 4 2199 150 449
MERCEDES E200 5297000 4 1998 136 474
MERCEDES E220 5792000 4 2199 150 474
MERCEDES E280 6512000 6 2799 193 474
MERCEDES S280 8832000 6 2799 193 511
MERCEDES E320 7401000 6 3199 220 474
MERCEDES S320 10497000 6 3199 231 511
MERCEDES E420 9334000 8 4196 279 474
MERCEDES S500 13337000 8 4973 320 511
MERCEDES S600 19632000 12 5987 394 511
MITSUBISHI Colt 1600GL 2325000 4 1597 113 399
MITSUBISHI Galant 200 3044220 4 1997 137 462
NISSAN Micra 1.0L 1245000 4 998 55 369
NISSAN Micra 1.3B 1455000 4 1275 75 369
NISSAN Sunny LX1.4 1860000 4 1392 87 423
NISSAN Sunny SLX 2170000 4 1597 102 414
NISSAN Sunny LX 2D 2000000 4 1974 75 414
NISSAN Primera 1. 2115000 4 1597 102 440
NISSAN Primera 2. 2635000 4 1998 125 440
NISSAN 100NX 2.16V 3395000 4 1998 143 413
NISSAN Serena LX 2207000 4 1597 98 431
NISSAN Serena SLX 3010000 4 1998 126 431
NISSAN Serena LX 2 2308000 4 2283 75 431
OPEL Corsa City1 1317000 4 1195 45 373
OPEL Corsa Swi 1498000 4 1195 45 373
OPEL Corsa Swi 1560000 4 1389 60 373
OPEL Corsa GSI 2057000 4 1598 106 373
OPEL Astra Base 1718000 4 1389 60 405
OPEL Astra GL 1. 1985000 4 1389 82 405
OPEL Astra GLS 2356000 4 1598 100 424
OPEL Astra Spor 2514000 4 1799 115 405
OPEL Astra Cabri 3268000 4 1799 115 424
OPEL Astra GL 1 2108000 4 1700 68 405
OPEL Vectra Meri 2515000 4 1998 115 443
OPEL Vectra Spor 3265000 4 1998 136 443
OPEL Vectra CDX 3819000 6 2498 170 443
OPEL Vectra GL 2749000 4 1686 82 443
OPEL Calibra 2.0 3527000 4 1998 115 449
OPEL Omega 2.0 3879000 4 1998 136 479
OPEL Omega 3.0 5633000 6 2962 211 479
PEUGEOT 106 Kid 3p 1205000 4 954 50 356
PEUGEOT 106 1.4 XT 1850000 4 1360 75 356
PEUGEOT 106 Midnigh 1663000 4 1527 58 356
PEUGEOT 205 Mito 1. 1343000 4 1124 60 370
PEUGEOT 205 Mito D 1549000 4 1769 60 370
PEUGEOT 306 XN 1.4 1756000 4 1360 75 400
PEUGEOT 306 Style 1 2009000 4 1360 75 400
PEUGEOT 306 XS 1.6 2160000 4 1587 90 400
PEUGEOT 306 XT 1.6 2292000 4 1587 90 400
PEUGEOT 306 XND 5p 2063000 4 1905 71 400
PEUGEOT 405 Embass 2368000 4 1761 103 441
PEUGEOT 405 Embass 2645000 4 1905 70 441
PEUGEOT 605 SLI 3825000 4 1998 123 472
PEUGEOT 605 SLDT 4268000 4 2088 110 472
PEUGEOT 806 SR 2.0 3235000 4 1998 123 445
PORSCHE 968 CS 7651840 4 2990 240 432
PORSCHE 911 Turbo 19645440 6 3600 360 425
RENAULT Twingo 1210000 4 1239 55 343
RENAULT R-19 RL 1.2 1765000 4 1171 60 425
RENAULT R-19 Drive 1890000 4 1390 80 416
RENAULT R-19 S 1.8 2085000 4 1794 95 416
RENAULT R-19 Drive 2015000 4 1870 65 425
RENAULT R-19 S 1.9 2435000 4 1870 93 425
RENAULT R-21 Nev 2625000 4 1721 95 469
RENAULT R-21 GTD 2580000 4 2068 74 446
RENAULT Laguna RN 2350000 4 1794 95 451
RENAULT Laguna RXE 3075000 4 1998 115 451
RENAULT Safrane RN 3465000 4 2165 110 474
RENAULT Safrane RT 5540000 6 2963 170 474
RENAULT Safrane R 4655000 4 2499 115 474
ROLLS ROYC Corniche C 37760000 8 6750 225 520
ROLLS ROYC Touring Li 44652800 8 6750 225 598
ROVER 114 SLI 3p 1395000 4 1396 75 352
ROVER 214 I 3p 1631000 4 1396 75 442
ROVER 220 GSI 3p 2468000 4 1994 136 442
ROVER 218 SLD 5p 2442000 4 1769 88 422
ROVER 414 SLI 2195000 4 1396 103 437
ROVER 420 GSI 2591000 4 1994 136 437
ROVER Montego 2. 1685000 4 1994 104 447
ROVER 620 I 2900000 4 1997 115 465
ROVER 623 SI 3830000 4 2259 158 465
ROVER 827 SI 4910000 6 2677 169 488
ROVER 825 SD 4367000 4 2499 118 488
SAAB 900 S 2.0 I 3368320 4 1985 130 464
SAAB 900 S 2.3 I 3905920 4 2290 150 464
SAAB 900 SE 2.5 4597120 6 2498 170 464
SAAB 9000 CS 2.3 4520320 4 2290 146 476
SAAB CD 2.3 I 4520320 4 2290 146 478
SEAT Marbella 775000 4 903 42 347
SEAT Ibiza 1.05 1289000 4 1043 45 381
SEAT Ibiza 1.4 I 1407700 4 1391 60 381
SEAT Ibiza 1.4 I 1474300 4 1391 60 381
SEAT Ibiza 1.6 I 1628000 4 1598 75 381
SEAT Ibiza 1.6 I 1743600 4 1598 75 381
SEAT Ibiza 1.8 1907000 4 1781 90 381
SEAT Ibiza 2.0 G 2293000 4 1984 115 381
SEAT Ibiza 1.9 D 1702300 4 1896 68 381
SEAT Ibiza 1.9 2038600 4 1896 75 381
SEAT Cordoba 1. 1650000 4 1397 60 411
SEAT Cordoba 1. 1807000 4 1598 75 411
SEAT Cordoba 1. 2066000 4 1781 90 411
SEAT Cordoba 1 1932000 4 1896 68 411
SEAT Toledo 1.8 1980000 4 1781 90 432
SEAT Toledo 2.0 2678000 4 1984 115 432
SEAT Toledo 1.9 2182000 4 1896 68 432
SUZUKI Swift 1.0 GL 1244000 4 993 56 374
SUZUKI Swift 1.3 GS 1545000 4 1299 71 374
TOYOTA Celica 2.0 4339800 4 1998 175 442
TOYOTA Carina E 1 2491300 4 1587 116 453
TOYOTA Carina E 2 2999800 4 1998 133 453
TOYOTA Camry 2.2 4178800 4 2164 136 472
TOYOTA Lexus GS 3 7769000 6 2997 212 495
VOLKSWAGEN Polo 1.0 Fo 1289000 4 1043 45 471
VOLKSWAGEN Polo 1.3 Fo 1397000 4 1296 55 471
VOLKSWAGEN Polo 1.3 C 1626000 4 1296 55 471
VOLKSWAGEN Polo 1.6 C 1595000 4 1598 75 471
VOLKSWAGEN Golf 1.4 CL 1770000 4 1391 60 402
VOLKSWAGEN Golf 1.6 CL 2005000 4 1598 75 402
VOLKSWAGEN Golf 1.8 GL 2195000 4 1781 90 402
VOLKSWAGEN Golf 2.0 GT 2793000 4 1984 115 402
VOLKSWAGEN Golf 2.0 G 3248000 4 1984 150 402
VOLKSWAGEN Golf 1.9 C 1995000 4 1896 64 402
VOLKSWAGEN Vento 1.6 C 2010000 4 1598 75 438
VOLKSWAGEN Vento 1.8 G 2395000 4 1781 90 438
VOLKSWAGEN Vento 2.0 G 3000000 4 1984 115 438
VOLKSWAGEN Passat 1.8 2600000 4 1781 90 460
VOLKSWAGEN Passat 2.0 3185000 4 1984 115 460
VOLKSWAGEN Passat VR6 3910000 6 2792 174 460
VOLKSWAGEN Corrado 16V 4065000 4 1984 135 405
VOLVO 440 GLE 1.8 2695000 4 1794 90 431
VOLVO 440 GLT 3190000 4 1998 110 431
VOLVO 460 GLE 1.8 2695000 4 1794 90 440
VOLVO 460 Turbo 3370000 4 1721 120 440
VOLVO 480 S 3395000 4 1998 110 426
VOLVO 850 GLE 4195000 4 2435 144 466
VOLVO 850 GLT 4730000 5 2435 170 466
VOLVO 940 GLE 2.3 3620000 4 2316 116 479
VOLVO 940 GLT 3950000 4 1986 155 479
VOLVO 960 2.5 24V 4890000 6 2473 170 487
ARCHIVO REHEAT.MTW de Minitab
Son datos de productos congelados, se quiere determinar cuanto tiempo toma y la temperatura
de cocción de un plato congelado, de forma que el sabor obtenido sea el mejor.
Se hacen experimentos con los resultados evaluados en base a la calidad del plato de 0 a 10.
Operator Temp Time Quality

A 350 24 0.1
B 350 26 0.2
A 350 28 1.1
B 350 30 1.5
A 350 32 3.8
A 350 34 5.4
B 350 36 6.9
A 350 38 6.6
B 375 24 0.2
A 375 26 0.2
A 375 28 0.7
B 375 30 2.9
B 375 32 5.2
B 375 34 6.9
B 375 36 7
B 375 38 6.9
A 400 24 0
A 400 26 0.7
A 400 28 1.4
A 400 30 3.8
B 400 32 6.8
A 400 34 8
B 400 36 7.4
B 400 38 7.2
B 425 24 0.2
B 425 26 0.2
B 425 28 1.8
B 425 30 4.8
B 425 32 6.5
A 425 34 8.5
B 425 36 8.4
A 425 38 7.3
A 450 24 0.4
A 450 26 1.9
B 450 28 5
A 450 30 7.2
A 450 32 7.8
B 450 34 7.2
A 450 36 5.7
B 450 38 3.9
A 475 24 0.3
B 475 26 4.4
A 475 28 6.7
B 475 30 6.9
A 475 32 5.8
B 475 34 4.1
A 475 36 0.4
A 475 38 0.2
ARCHIVO PULSE.MTW
Contiene el pulso de personas por sexo, si corren o no etc.
Pulse1 Pulse2 Ran Smokes Sex Height Weight

64 88 1 2 1 66 140
58 70 1 2 1 72 145
62 76 1 1 1 73.5 160
66 78 1 1 1 73 190
64 80 1 2 1 69 155
74 84 1 2 1 73 165
84 84 1 2 1 72 150
68 72 1 2 1 74 190
62 75 1 2 1 72 195
76 118 1 2 1 71 138
90 94 1 1 1 74 160
80 96 1 2 1 72 155
92 84 1 1 1 70 153
68 76 1 2 1 67 145
60 76 1 2 1 71 170
62 58 1 2 1 72 175
66 82 1 1 1 69 175
70 72 1 1 1 73 170
68 76 1 1 1 74 180
72 80 1 2 1 66 135
70 106 1 2 1 71 170
74 76 1 2 1 70 157
66 102 1 2 1 70 130
70 94 1 1 1 75 185
96 140 1 2 2 61 140
62 100 1 2 2 66 120
78 104 1 1 2 68 130
82 100 1 2 2 68 138
100 115 1 1 2 63 121
68 112 1 2 2 70 125
96 116 1 2 2 68 116
78 118 1 2 2 69 145
88 110 1 1 2 69 150
62 98 1 1 2 62.75 112
80 128 1 2 2 68 125
62 62 2 2 1 74 190
60 62 2 2 1 71 155
72 74 2 1 1 69 170
62 66 2 2 1 70 155
76 76 2 2 1 72 215
68 66 2 1 1 67 150
54 56 2 1 1 69 145
74 70 2 2 1 73 155
74 74 2 2 1 73 155
68 68 2 2 1 71 150
72 74 2 1 1 68 155
68 64 2 2 1 69.5 150
82 84 2 1 1 73 180
64 62 2 2 1 75 160
58 58 2 2 1 66 135
54 50 2 2 1 69 160
70 62 2 1 1 66 130
62 68 2 1 1 73 155
48 54 2 1 1 68 150
76 76 2 2 1 74 148
88 84 2 2 1 73.5 155
70 70 2 2 1 70 150
90 88 2 1 1 67 140
78 76 2 2 1 72 180
70 66 2 1 1 75 190
90 90 2 2 1 68 145
92 94 2 1 1 69 150
60 70 2 1 1 71.5 164
72 70 2 2 1 71 140
68 68 2 2 1 72 142
84 84 2 2 1 69 136
74 76 2 2 1 67 123
68 66 2 2 1 68 155
84 84 2 2 2 66 130
61 70 2 2 2 65.5 120
64 60 2 2 2 66 130
94 92 2 1 2 62 131
60 66 2 2 2 62 120
72 70 2 2 2 63 118
58 56 2 2 2 67 125
88 74 2 1 2 65 135
66 72 2 2 2 66 125
84 80 2 2 2 65 118
62 66 2 2 2 65 122
66 76 2 2 2 65 115
80 74 2 2 2 64 102
78 78 2 2 2 67 115
68 68 2 2 2 69 150
72 68 2 2 2 68 110
82 80 2 2 2 63 116
76 76 2 1 2 62 108
87 84 2 2 2 63 95
90 92 2 1 2 64 125
78 80 2 2 2 68 133
68 68 2 2 2 62 110
86 84 2 2 2 67 150
76 76 2 2 2 61.75 108
Anch. Altu. Malete. Peso Consumo Velo.max Acele.
171 143 320 1140 6.3 178 12.5
171 143 320 1160 6.1 185 11
170 144 525 1205 6.4 191 11.8
170 144 525 1290 7.3 215 8.4
176 139 504 1500 7.5 240 8
169 141 430 1270 6.4 200 9.8
169 141 430 1330 6.7 220 8
178 143 510 1440 7 209 9.9
172 137 295 1190 6 196 10.9
172 138 250 1370 6.7 222 8
169 141 430 1430 7.9 210 9.5
169 139 370 1560 7.7 242 6.1
178 143 510 1540 8 218 9.1
172 137 230 1400 7.9 212 9.5
170 139 435 1190 5.6 195 12.7
170 139 435 1205 5.7 201 11.3
170 139 435 1240 6.4 213 10.2
171 139 435 1315 6.8 214 10
170 139 435 1330 6.6 233 8
171 135 230 1450 6.8 229 8.6
171 133 405 1460 6.5 250 6
175 141 460 1360 6.6 211 10.6
175 141 460 1480 6.8 230 8.6
175 141 460 1565 8 235 7.7
175 139 460 1650 9 250 5.9
186 142 500 1725 8 235 8.3
186 142 500 1790 8.5 250 6.9
185 133 320 1865 8.5 250 6
155 135 265 690 4.6 151 17.4
155 135 265 690 4.5 167 11.9
155 135 265 690 4.5 167 11.9
155 135 265 705 4.6 151 17.4
160 135 265 772 5.1 176 10
170 140 343 935 5.4 172 11.9
170 140 343 960 5.4 172 11.9
170 146 488 1015 5.5 165 13.6
170 140 343 1030 5.6 188 10.2
172 137 343 1150 5.9 220 8.5
170 140 343 1035 4.4 167 13.7
175 139 480 1170 5.8 175 13.4
175 138 480 1176 6.1 187 11
175 138 480 1238 6.2 198 10.1
175 139 480 1325 6.4 213 9.6
179 138 455 1310 6.5 205 9.8
179 146 720 1505 8 217 10.1
194 117 220 1350 * 295 4.7
192 130 * 1690 11.6 302 5.2
149 143 170 675 4.3 127 28
156 141 271 760 4.8 152 16
162 145 275 840 4.7 150 16.5
162 145 275 880 5.3 170 12
162 145 275 965 6 178 11.5
162 144 275 1000 5.5 200 8
177 134 295 1250 7 208 9.2
170 144 350 1030 5.4 161 15.5
170 145 350 1050 6.1 170 12.4
170 143 350 1150 6.9 183 12
169 144 500 1030 5.4 163 14.4
169 144 500 1035 * * *
169 144 500 1140 6.7 188 12
176 143 500 1220 6.4 190 10.5
182 171 340 1510 7.2 177 13.1
160 132 250 785 5.1 143 18.1
160 132 250 825 4.4 153 14.8
160 132 250 830 5.6 167 12.8
160 132 250 925 6.2 177 11.2
163 133 250 955 6.3 200 8.5
168 135 490 1065 5.4 153 17.7
168 135 380 1085 5.5 177 12.3
168 135 490 1120 6.3 187 10.6
168 135 380 1165 6.1 208 8.7
177 131 360 1215 6.1 204 10.6
175 137 480 1215 5.5 180 13.5
175 137 480 1287 6.3 204 9.6
176 139 490 1245 6.2 192 11.2
173 142 267 1275 7.9 232 6.1
170 135 190 925 5.4 170 11.3
170 135 190 985 5.9 195 8.7
169 125 300 1050 6.4 190 9.3
169 139 370 * 6.3 172 *
171 138 405 1240 6.5 197 10.8
178 139 436 1295 7.1 200 10.2
181 140 430 1550 8.3 223 8.1
162 139 303 905 * 174 12.8
162 139 303 905 * 176 11.7
168 138 352 1130 7 189 10
177 141 373 1280 6.5 192 10.2
179 138 430 1800 7.8 211 9
179 138 430 1825 8 219 9
162 133 330 920 5.9 145 16
162 140 440 920 5.8 150 14
151 143 195 800 4.7 150 15.8
170 140 320 1100 * * *
170 140 320 1200 7.3 185 11.8
176 140 320 1250 7.2 206 9.6
170 143 480 1140 5.2 180 13.4
170 143 480 1260 6.8 210 9.4
175 143 550 1250 6.7 190 12.6
175 143 550 1330 7.7 220 8.1
171 131 400 1335 10.5 230 6.2
177 130 420 1400 * 258 5.7
185 130 420 1415 9.1 270 5.3
165 147 290 835 5.3 164 11.4
167 123 135 990 6 197 8.7
175 140 452 4455 6.1 200 10.4
170 136 450 1230 6.3 216 9.3
172 142 430 1350 6.4 193 12.2
172 142 430 1365 6.5 198 10.8
172 142 430 1410 6.5 210 10.4
174 143 520 1360 6.6 200 11.5
174 143 520 1370 6.6 210 10.6
174 143 520 1490 7.9 230 9.1
189 149 525 1890 8.6 215 10.8
174 143 520 1490 8.2 235 8.3
189 150 525 1890 10.3 225 8.9
174 143 520 1620 9.4 250 7.2
189 150 525 2000 10 250 8.3
189 150 525 2180 11.8 250 6.5
169 136 240 945 5.6 190 9.8
173 140 450 1270 6.3 205 9.8
158 143 206 795 4.8 150 16.4
158 143 206 810 4.9 170 12
167 139 440 1075 5.1 177 12.6
167 139 431 1075 5.3 184 11.2
167 139 431 1105 4.5 168 17
170 139 480 1075 5.4 190 10.6
170 139 480 1160 6.3 205 10
168 131 328 1150 6.5 210 8.2
169 183 750 1405 7.8 150 18
171 182 750 1485 8.3 170 13
169 183 750 1480 * * *
161 142 260 835 5.2 145 19.5
161 142 280 870 5.2 145 19.5
161 142 280 885 6 145 18
161 142 260 905 5.3 192 9.8
169 141 360 930 5.1 160 16
169 141 360 1005 5.7 175 13
169 141 500 1090 5.3 190 11.5
169 141 360 1095 6.1 200 9.5
169 141 360 1150 6.1 200 9.5
169 141 360 1070 4.5 164 16
170 140 530 1150 5.8 198 10.5
170 140 530 1240 6 210 9.5
170 140 530 1290 6.7 233 7.8
170 140 530 1180 4.8 176 14.5
169 132 300 1220 6.1 205 10
179 145 530 1455 6.6 210 11
179 145 530 1605 7.2 240 8.8
157 137 215 760 5.1 150 19.2
157 137 215 820 5.3 172 13.1
158 140 215 860 3.7 155 16.9
157 137 290 765 5.2 164 13.9
157 137 290 880 3.9 156 15.1
169 138 340 1020 5 165 14.9
169 138 340 1020 5 165 14.9
169 138 340 1060 5.4 180 12.9
169 138 340 1060 5.4 180 12.9
169 138 340 1080 4.6 162 16.9
169 141 470 1100 5.5 185 11.9
169 141 470 1125 4.9 165 16.4
180 142 497 1325 6.8 199 12.1
180 142 497 1430 4.9 192 11.6
182 171 340 1510 7.2 177 13.1
173 125 250 1320 7.2 252 6.5
177 131 123 1470 8.3 280 4.8
163 142 168 790 5.1 150 14
170 141 463 965 5.3 155 *
170 141 386 945 5.1 173 12.2
170 141 386 1025 6 181 10.7
170 141 463 1030 4.6 161 15.7
170 141 463 1080 4.4 183 11.3
173 143 674 1065 5.9 185 10.7
173 139 420 1125 4.5 170 12.5
175 143 452 1240 6.3 180 13.9
175 143 452 1280 6.1 200 10.6
181 141 480 1380 7 189 11.9
181 141 480 1465 8.2 220 9.6
181 141 480 1565 5.5 195 12.9
183 152 380 2430 11.5 210 *
183 153 380 2640 12 200 *
156 138 230 835 5 166 10.7
168 140 357 1030 * 163 13.6
168 140 357 1170 6 202 8.8
168 140 357 1170 4.3 175 13.6
168 140 410 1020 5.5 180 11.4
168 140 410 1170 5.8 202 8.8
171 142 520 1075 6.8 180 10.5
172 138 430 1255 6.5 196 10.8
172 138 430 1320 6.9 217 8.8
173 139 530 1460 7.5 214 8.9
173 139 530 1460 4.9 190 11.3
171 144 451 1285 7 200 11
171 144 451 1285 6.6 210 10
171 144 451 1285 7 225 9.2
176 142 485 1355 6.9 210 10
176 142 560 1355 6.9 210 10
150 144 262 680 5.1 135 19.2
164 142 270 895 5.4 138 22.3
164 142 270 905 5.3 157 15.8
164 142 270 930 5.3 157 15.8
164 142 270 905 5.6 170 12.1
164 142 270 930 5.6 170 12.1
164 142 270 985 5.5 182 11.4
164 142 270 1030 5.7 195 10.3
164 142 270 1000 4.4 161 15.2
164 142 270 1030 4.4 165 14.4
164 141 455 1020 5.3 157 16.1
164 141 455 1030 5.6 170 12.5
164 141 455 1080 5.6 182 11.7
164 141 455 1100 4.5 161 16.5
166 142 550 1090 5.5 182 12
166 142 550 1105 6.3 196 10.5
166 142 550 1105 4.2 165 16.5
157 135 363 730 4.1 145 *
157 135 365 780 4.7 165 *
175 130 283 1250 6.5 225 8.1
169 141 470 1085 5.5 195 11.3
169 141 470 1150 5.9 205 9
177 140 515 1180 6.5 205 9.7
179 142 404 1680 7.8 230 8.8
165 142 245 955 5.3 145 21.4
165 142 245 955 4.9 156 16.3
165 142 245 970 4.9 156 16.3
165 142 245 990 5.3 172 12.5
169 140 400 1000 5.2 157 16.7
169 140 400 1045 5.3 168 14
169 140 400 1035 5.6 180 12.1
169 140 400 1140 5.8 198 10.9
170 140 400 1195 6.3 215 8.7
169 140 400 1085 4.3 156 17.6
169 142 550 1060 5.8 168 14.4
169 142 550 1075 6 180 12.5
169 142 550 1105 6 198 10.4
172 143 495 1220 5.8 178 14.4
172 143 495 1240 6 195 11.8
172 143 495 1365 7.4 224 8.7
169 131 370 1175 6 208 9.3
169 139 330 1020 5.1 175 11.5
169 139 330 1035 5.8 185 10.5
169 139 400 1035 5.1 175 11.5
169 139 400 1060 6.4 200 9
171 133 160 1030 5.9 185 10.5
176 140 514 1300 6.4 203 10.3
176 140 514 1330 6.6 215 8.9
175 141 500 1370 7.1 190 11.2
175 141 500 1400 7.1 200 9.6
175 141 491 1600 * 210 9.7
ARCHIVO REHEAT.MTW de Minitab
Son datos de productos congelados, se quiere determinar cuanto tiempo toma y la temperatura
Activity de cocción de un plato congelado, de forma que el sabor obtenido sea el mejor.
2 Se hacen experimentos con los resultados evaluados en base a la calidad del plato de 0 a 10.
2
3 Operator Temp Time Quality
1 A 350 24 0.1
2 B 350 26 0.2
1 A 350 28 1.1
3 B 350 30 1.5
2 A 350 32 3.8
2 A 350 34 5.4
2 B 350 36 6.9
1 A 350 38 6.6
2 B 375 24 0.2
3 A 375 26 0.2
2 A 375 28 0.7
3 B 375 30 2.9
3 B 375 32 5.2
2 B 375 34 6.9
3 B 375 36 7
2 B 375 38 6.9
3 A 400 24 0
2 A 400 26 0.7
2 A 400 28 1.4
2 A 400 30 3.8
2 B 400 32 6.8
2 A 400 34 8
2 B 400 36 7.4
2 B 400 38 7.2
2 B 425 24 0.2
2 B 425 26 0.2
2 B 425 28 1.8
2 B 425 30 4.8
2 B 425 32 6.5
2 A 425 34 8.5
2 B 425 36 8.4
2 A 425 38 7.3
1 A 450 24 0.4
2 A 450 26 1.9
2 B 450 28 5
2 A 450 30 7.2
2 A 450 32 7.8
2 B 450 34 7.2
2 A 450 36 5.7
3 B 450 38 3.9
2 A 475 24 0.3
3 B 475 26 4.4
3 A 475 28 6.7
3 B 475 30 6.9
2 A 475 32 5.8
3 B 475 34 4.1
3 A 475 36 0.4
2 A 475 38 0.2
2
2
0
3
2
2
2
3
2
1
2
2
2
3
2
2
2
2
2
3
2
2
2
2
2
2
1
3
2
2
2
2
2
1
3
3
1
1
2
3
2
Raiz cuadrada de Pot.(CV)
Pot2
9.4868
10.1489
10.7238
12.8841
14.4914
11.5326
13.1909
12.2474
10.7238
12.2474
12.2474
15.1658
13.1909
12.2474
10.0995
10.7238
11.8322
12.2474
13.8564
13.8564
16.9115
10.6301
13.8564
14.7648
18.4391
14.7648
16.9115
19.4936
7.0711
7.746
7.746
7.746
8.6603
8.6603
8.6603
8.6603
10.1489
12.2474
8.4261
9.4868
10.1489
11.0905
12.2474
11.619
13.0384
19.4936
21.0238
5.5678
7.1414
7.4162
8.6603
9.3808
11.6619
11.9164
8.4261
8.7178
10.247
8.4261
9.4868
10.247
10.8167
11.0905
7.0711
7.746
8.6603
9.4868
11.4018
7.746
9.4868
10.247
12.2474
10.7238
9.4868
11.6619
10.9545
15.0665
8.6603
11.1803
11.1803
9.4868
10.7238
11.6619
14.2829
9.0554
9.4868
11.225
11.7898
14.1421
14.9332
7.8102
8.2462
7.1414
8.4261
10.0499
11.7898
9.4868
11.7898
10.8167
13.2288
15
16.7033
18.0555
8.544
11.5326
10.8167
12.083
11.0454
11.6619
12.2474
11.6619
12.2474
13.8924
13.8924
14.8324
15.1987
16.7033
17.8885
19.8494
10.6301
11.7047
7.4162
8.6603
9.3274
10.0995
8.6603
10.0995
11.1803
11.9583
9.8995
11.225
8.6603
6.7082
6.7082
7.746
10.2956
7.746
9.0554
10
10.7238
10.7238
8.2462
10.7238
11.6619
13.0384
9.0554
10.7238
11.6619
14.5258
7.0711
8.6603
7.6158
7.746
7.746
8.6603
8.6603
9.4868
9.4868
8.4261
10.1489
8.3666
11.0905
10.4881
11.0905
15.4919
18.9737
7.4162
7.746
8.9443
9.7468
8.0623
9.6437
9.7468
8.6023
9.7468
10.7238
10.4881
13.0384
10.7238
15
15
8.6603
8.6603
11.6619
9.3808
10.1489
11.6619
10.198
10.7238
12.5698
13
10.8628
11.4018
12.2474
13.0384
12.083
12.083
6.4807
6.7082
7.746
7.746
8.6603
8.6603
9.4868
10.7238
8.2462
8.6603
7.746
8.6603
9.4868
8.2462
9.4868
10.7238
8.2462
7.4833
8.4261
13.2288
10.7703
11.5326
11.6619
14.5602
6.7082
7.4162
7.4162
8.6603
7.746
8.6603
9.4868
10.7238
12.2474
8
8.6603
9.4868
10.7238
9.4868
10.7238
13.1909
11.619
9.4868
10.4881
9.4868
10.9545
10.4881
12
13.0384
10.7703
12.4499
13.0384
po toma y la temperatura
idad del plato de 0 a 10.

Mapa de archivos
DETERGENTE PULSE
ARCHIVO DETERGENTE.MTW
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:
Peso en gr Línea de llenado

3996 2
3935 1
4093 2
3993 1
4041 1
4034 2
4047 1
4085 2
4096 2
3971 1
4036 1
3951 1
4068 2
4051 2
4079 2
4042 2
4082 2
4128 2
4082 1
3895 1
3954 1
4022 1
4091 2
4113 1
4082 2
3995 1
3986 1
4065 1
4057 2
4179 2
4022 2
4057 2
4099 2
3980 1
4054 1
4162 2
4113 2
4048 2
4061 2
4142 2
4008 2
4100 2
3892 1
3965 1
4105 2
4034 1
4173 2
4109 2
4104 2
4143 2
3959 1
3975 1
4009 1
3968 1
4008 1
4014 1
4121 2
3903 1
4096 2
4160 2
3954 1
4176 2
4039 2
3952 1
4170 2
3988 1
4064 2
3948 1
3992 1
4106 2
3956 1
4146 2
3971 1
4040 1
3980 1
4060 2
4090 2
4003 1
4038 1
3925 1
4048 1
4145 2
3982 1
3899 1
4128 2
3927 1
4174 2
4023 1
3938 1
3986 1
4046 2
4115 2
4096 2
3965 1
3926 1
3988 1
3946 1
4154 2
3976 1
4009 2
3943 1
4107 2
4070 1
4119 2
4016 2
3995 1
4021 2
4027 2
3957 1
4094 2
4031 2
4008 2
4062 1
3978 1
3928 1
4057 1
4052 1
3969 1
4065 2
4062 1
4090 2
4063 2
4131 2
3973 2
4059 2
3980 1
4090 2
4015 1
4005 2
4017 1
4028 2
4043 1
4078 2
4069 2
4058 1
4032 2
4005 2
4098 2
4047 1
4097 2
4021 1
3925 1
3960 1
4157 2
4026 1
3930 1
3969 1
4070 1
3935 1
4022 2
4040 1
4126 2
4120 2
4065 2
4034 2
4076 1
4025 2
4090 2
4052 1
4117 2
4086 2
4142 2
4118 2
4183 2
4112 2
4055 1
4012 2
3976 1
3973 1
4148 2
4121 2
3958 1
4020 1
4036 1
4000 1
4067 1
4075 2
3981 1
3997 1
4008 1
4036 1
4079 2
3986 1
4123 2
3994 2
4158 2
4002 1
4042 2
4023 2
4111 2
4187 2
3970 1
4046 1
4086 2
4040 2
4039 1
3934 1
3984 2
3993 1
4042 1
3927 1
3928 1
4041 1
3987 1
3982 1
4095 2
4073 2
4196 2
4078 2
4068 1
4078 1
4143 2
3977 1
4069 2
4088 1
3956 2
4033 1
4088 2
4046 1
4044 2
4085 2
4029 1
4011 2
4173 2
4052 1
4105 1
4132 2
4094 2
4036 2
4009 2
4008 1
4063 1
4092 2
4030 1
4042 1
4008 1
4087 2
4002 1
4074 2
4050 2
4106 1
4092 2
4056 2
4064 1
4068 2
3969 1
4061 1
4138 2
4125 2
3997 2
3944 1
4047 2
4020 1
3896 1
4119 2
4005 1
3903 1
4143 2
4085 1
4041 1
3971 1
4087 2
4097 1
3945 1
4077 2
4044 2
4098 2
4069 2
4056 2
4015 1
3982 2
4181 2
4046 1
4061 2
3958 1
4018 1
4173 2
4020 1
4097 2
4029 1
4107 2
3957 1
4158 2
4098 2
3975 2
4042 1
4024 1
4111 2
4048 2
4015 1
4050 1
4076 2
4134 2
4047 2
4041 2
4055 2
4080 2
4008 1
4082 2
3958 1
3965 2
4038 1
4070 1
3967 1
4094 2
4006 2
4130 2
4047 1
4069 1
4172 2
3979 1
3997 1
4123 2
4188 2
4118 2
4033 2
4043 1
3966 1
4162 2
4035 2
4057 2
3889 1
3987 1
4050 1
3973 1
4067 2
4159 2
4022 1
4134 2
3978 1
4002 1
3991 1
4069 1
4059 2
3953 1
4156 2
4077 2
4030 2
3975 1
4133 2
4030 2
4070 2
3983 1
4025 1
4115 2
4135 2
4085 2
3980 1
4015 1
4091 2
4110 2
3957 1
3962 1
3983 1
4069 1
4073 2
4054 2
4016 1
4143 2
4032 2
3998 1
3968 1
4004 2
4083 2
4019 1
4185 2
3988 2
3952 1
4120 2
4025 2
4053 2
3998 1
3982 1
4160 2
4153 2
4120 2
3962 1
4093 2
4155 2
4086 2
4006 1
4035 2
4056 2
4088 2
4060 2
3877 1
4060 1
4027 1
3954 2
3968 1
4083 2
3999 1
4125 2
4036 1
3914 1
3964 2
3976 1
4031 1
4015 1
4141 2
4101 2
4043 1
3946 1
3989 1
3956 1
3977 1
4053 1
3977 1
4082 2
4119 2
3971 1
4009 1
4098 2
3948 1
3983 1
4064 1
4022 2
4102 1
3894 1
3985 1
3961 1
4195 2
4066 1
4018 1
4126 2
3988 1
4103 2
4070 1
4158 2
4083 2
4049 2
3999 2
4094 2
4070 2
4000 2
4151 2
4013 1
4013 1
4067 1
3978 1
3982 1
4080 2
4096 2
4202 2
3975 1
4021 1
4004 1
4080 2
4136 2
4063 2
4139 2
4016 1
4047 1
4068 1
4067 2
4114 2
3993 1
4018 1
3890 1
3927 1
4059 1
4004 2
4048 1
3989 1
4027 1
4024 1
3923 1
4081 2
4103 2
4013 2
4094 1
3933 1
4101 2
4134 2
3892 1
4175 2
3927 1
3984 1
3898 1
4109 2
4100 2
4073 1
4101 2
4005 1
4125 2
4036 1
4146 2
4029 1
4102 2
4019 2
4074 2
3962 1
3925 1
4039 2
3929 1
4008 1
4064 2
4001 1
3992 1
4029 2
ARCHIVO PULSE.MTW
Pulse1 Pulse2 Ran Smokes Sex Height Weight Activity

64 88 1 2 1 66 140 2
58 70 1 2 1 72 145 2
62 76 1 1 1 73.5 160 3
66 78 1 1 1 73 190 1
64 80 1 2 1 69 155 2
74 84 1 2 1 73 165 1
84 84 1 2 1 72 150 3
68 72 1 2 1 74 190 2
62 75 1 2 1 72 195 2
76 118 1 2 1 71 138 2
90 94 1 1 1 74 160 1
80 96 1 2 1 72 155 2
92 84 1 1 1 70 153 3
68 76 1 2 1 67 145 2
60 76 1 2 1 71 170 3
62 58 1 2 1 72 175 3
66 82 1 1 1 69 175 2
70 72 1 1 1 73 170 3
68 76 1 1 1 74 180 2
72 80 1 2 1 66 135 3
70 106 1 2 1 71 170 2
74 76 1 2 1 70 157 2
66 102 1 2 1 70 130 2
70 94 1 1 1 75 185 2
96 140 1 2 2 61 140 2
62 100 1 2 2 66 120 2
78 104 1 1 2 68 130 2
82 100 1 2 2 68 138 2
100 115 1 1 2 63 121 2
68 112 1 2 2 70 125 2
96 116 1 2 2 68 116 2
78 118 1 2 2 69 145 2
88 110 1 1 2 69 150 2
62 98 1 1 2 62.75 112 2
80 128 1 2 2 68 125 2
62 62 2 2 1 74 190 1
60 62 2 2 1 71 155 2
72 74 2 1 1 69 170 2
62 66 2 2 1 70 155 2
76 76 2 2 1 72 215 2
68 66 2 1 1 67 150 2
54 56 2 1 1 69 145 2
74 70 2 2 1 73 155 3
74 74 2 2 1 73 155 2
68 68 2 2 1 71 150 3
72 74 2 1 1 68 155 3
68 64 2 2 1 69.5 150 3
82 84 2 1 1 73 180 2
64 62 2 2 1 75 160 3
58 58 2 2 1 66 135 3
54 50 2 2 1 69 160 2
70 62 2 1 1 66 130 2
62 68 2 1 1 73 155 2
48 54 2 1 1 68 150 0
76 76 2 2 1 74 148 3
88 84 2 2 1 73.5 155 2
70 70 2 2 1 70 150 2
90 88 2 1 1 67 140 2
78 76 2 2 1 72 180 3
70 66 2 1 1 75 190 2
90 90 2 2 1 68 145 1
92 94 2 1 1 69 150 2
60 70 2 1 1 71.5 164 2
72 70 2 2 1 71 140 2
68 68 2 2 1 72 142 3
84 84 2 2 1 69 136 2
74 76 2 2 1 67 123 2
68 66 2 2 1 68 155 2
84 84 2 2 2 66 130 2
61 70 2 2 2 65.5 120 2
64 60 2 2 2 66 130 3
94 92 2 1 2 62 131 2
60 66 2 2 2 62 120 2
72 70 2 2 2 63 118 2
58 56 2 2 2 67 125 2
88 74 2 1 2 65 135 2
66 72 2 2 2 66 125 2
84 80 2 2 2 65 118 1
62 66 2 2 2 65 122 3
66 76 2 2 2 65 115 2
80 74 2 2 2 64 102 2
78 78 2 2 2 67 115 2
68 68 2 2 2 69 150 2
72 68 2 2 2 68 110 2
82 80 2 2 2 63 116 1
76 76 2 1 2 62 108 3
87 84 2 2 2 63 95 3
90 92 2 1 2 64 125 1
78 80 2 2 2 68 133 1
68 68 2 2 2 62 110 2
86 84 2 2 2 67 150 3
76 76 2 2 2 61.75 108 2
Mapa de archivos
PESOS PULSE
PUNTOS_RX CEREBRO
RESIDUOS
Ejemplo: Una línea de llenado de paquetes debe llenar 4 kg en cada uno. Se toman
20 muestras y se pesan en gramos:
Pesos
4035
3928
3974
4024
3949
4017
4009
3983
3969
3979
3970
3997
3955
3984
4034
3964
3969
3995
3991
3988
ARCHIVO PUNTOS_RX.MTW ARCHIVO CEREBRO.MTW
X Y Nombre Peso total (kgPeso cerebro (g)

1.0419 13.023 Zorro blanco 3.38 44.5
0.2313 16.4953 Búho 0.48 15.5
3.9113 28.8893 Castor 1.35 8.1
3.913 32.8623 Vaca 465 423
4.1251 35.7745 Lobo gris 36.33 119.5
0.6399 17.0317 Cabra 27.66 115
4.9837 34.0061 Corzo 14.83 98.2
2.9609 27.0021 Cobaya 1.04 5.5
0.1064 10.2112 Vervet 4.19 58
3.2944 21.7729 Chinchilla 0.43 6.4
1.7959 22.7822 Ardilla 0.1 4
4.4906 29.0109 Ardilla ártica 0.92 5.7
1.3232 18.524 Rata africana 1 6.6
0.406 17.7324 Musaraña 0 0.14
0.7498 14.1805 Topo 0.06 1
3.7309 31.8958 Armadillo 3.5 10.8
1.3626 21.8475 Tree Hyrax 2 12.3
0.3194 19.0498 Zarigüeya 1.7 6.3
4.9198 34.9526 Elefante asiáti 2547 4603
4.9699 38.4555 Gran murciélag 0.02 0.3
1.2351 16.9255 Burro 187.1 419
4.3841 30.4883 Caballo 521 655
3.0166 25.0134 Erizo 0.79 3.5
2.0734 22.4536 Patas monkey 10 115
4.174 29.1249 Gato 3.3 25.6
1.7504 21.9985 Galago 0.2 5
3.7985 26.2615 Jineta 1.41 17.5
4.8115 35.2962 Jirafa 529 680
1.439 20.4422 Gorila 207 406
4.879 38.1152 Foca gris 85 325
4.8717 34.8812 Rock hyrax 0.75 12.3
3.9591 30.6333 Persona humana 62 1320
4.8814 32.5794 Elefante africa 6654 5712
0.1703 8.9585 Zarigüella de 3.5 3.9
1.2865 19.5526 Rhesus monkey 6.8 179
0.8069 18.3349 Canguro 35 56
0.8631 17.1237 Marmota 4.05 17
2.8896 27.2717 Hamster 0.12 1
1.2012 22.8602 Ratón 0.02 0.4
0.1498 15.2259 Pequeño murci 0.01 0.25
3.7274 29.776 Slow loris 1.4 12.5
0.9256 13.7623 Okapi 250 490
0.6973 12.6159 Conejo 2.5 12.1
2.1619 23.1912 Oveja 55.5 175
0.2435 18.0998 Jaguar 100 157
0.4348 15.423 Chimpance 52.16 440
4.3498 27.8229 Mandril 10.55 179.5
3.7273 28.1968 Erizo del desie 0.55 2.4
0.911 18.2094 Armadillo gigan 60 81
3.8812 30.1827 Rock hyrax 3.6 21
2.5 40 Mapache 4.29 39.2
12 60 Rata americana 0.28 1.9
Topo del este 0.08 1.2
Topo rata 0.12 3
Almizcle 0.05 0.33
Cerdo 192 180
Echidna 3 25
Tapir 160 169
Tenrec 0.9 2.6
Phalanger 1.62 11.4
Tree shrew 0.1 2.5
Zorro rojo 4.24 50.4
ARCHIVO RESIDUOS.MTW
X Y
1.04185 18.0899
0.23129 16.0308
3.9113 29.6501
3.913 29.7359
4.12512 30.7384
0.63987 17.3818
4.98369 35.21
2.96085 25.6314
0.10635 15.4889
3.29437 27.1189
1.79592 21.2583
4.49059 32.6554
1.32325 19.1882
0.406 16.2046
0.74985 17.4462
3.7309 29.2728
1.36255 19.2741
0.31936 15.793
4.91976 34.8713
4.96988 34.7539
1.23507 19.2883
4.38413 32.2554
3.01659 25.5766
2.07339 21.586
4.174 31.4337
1.75039 20.5674
3.79849 29.2888
4.81151 33.8393
1.43903 19.3294
4.87897 34.5135
4.87167 34.0387
3.95905 30.0292
4.88136 34.7271
0.17029 15.4243
1.28646 18.8098
0.8069 17.4371
0.86312 17.7384
2.88961 25.1772
1.2012 18.8126
0.14982 15.3833
3.7274 29.1058
0.92558 17.8978
0.6973 17.6353
2.16195 22.4571
0.24348 15.8191
0.4348 16.8297
4.34982 31.6999
3.72729 29.137
0.91105 17.9504
3.88122 29.7899
ARCHIVO PULSE.MTW
Pulse1 Pulse2 Ran Smokes Sex Height

64 88 1 2 1 66
58 70 1 2 1 72
62 76 1 1 1 73.5
66 78 1 1 1 73
64 80 1 2 1 69
74 84 1 2 1 73
84 84 1 2 1 72
68 72 1 2 1 74
62 75 1 2 1 72
76 118 1 2 1 71
90 94 1 1 1 74
80 96 1 2 1 72
92 84 1 1 1 70
68 76 1 2 1 67
60 76 1 2 1 71
62 58 1 2 1 72
66 82 1 1 1 69
70 72 1 1 1 73
68 76 1 1 1 74
72 80 1 2 1 66
70 106 1 2 1 71
Peso cerebro (g) 74 76 1 2 1 70
66 102 1 2 1 70
70 94 1 1 1 75
96 140 1 2 2 61
62 100 1 2 2 66
78 104 1 1 2 68
82 100 1 2 2 68
100 115 1 1 2 63
68 112 1 2 2 70
96 116 1 2 2 68
78 118 1 2 2 69
88 110 1 1 2 69
62 98 1 1 2 62.75
80 128 1 2 2 68
62 62 2 2 1 74
60 62 2 2 1 71
72 74 2 1 1 69
62 66 2 2 1 70
76 76 2 2 1 72
68 66 2 1 1 67
54 56 2 1 1 69
74 70 2 2 1 73
74 74 2 2 1 73
68 68 2 2 1 71
72 74 2 1 1 68
68 64 2 2 1 69.5
82 84 2 1 1 73
64 62 2 2 1 75
58 58 2 2 1 66
54 50 2 2 1 69
70 62 2 1 1 66
62 68 2 1 1 73
48 54 2 1 1 68
76 76 2 2 1 74
88 84 2 2 1 73.5
70 70 2 2 1 70
90 88 2 1 1 67
78 76 2 2 1 72
70 66 2 1 1 75
90 90 2 2 1 68
92 94 2 1 1 69
60 70 2 1 1 71.5
72 70 2 2 1 71
68 68 2 2 1 72
84 84 2 2 1 69
74 76 2 2 1 67
68 66 2 2 1 68
84 84 2 2 2 66
61 70 2 2 2 65.5
64 60 2 2 2 66
94 92 2 1 2 62
60 66 2 2 2 62
72 70 2 2 2 63
58 56 2 2 2 67
88 74 2 1 2 65
66 72 2 2 2 66
84 80 2 2 2 65
62 66 2 2 2 65
66 76 2 2 2 65
80 74 2 2 2 64
78 78 2 2 2 67
68 68 2 2 2 69
72 68 2 2 2 68
82 80 2 2 2 63
76 76 2 1 2 62
87 84 2 2 2 63
90 92 2 1 2 64
78 80 2 2 2 68
68 68 2 2 2 62
86 84 2 2 2 67
76 76 2 2 2 61.75
Weight Activity
140 2
145 2
160 3
190 1
155 2
165 1
150 3
190 2
195 2
138 2
160 1
155 2
153 3
145 2
170 3
175 3
175 2
170 3
180 2
135 3
170 2
157 2
130 2
185 2
140 2
120 2
130 2
138 2
121 2
125 2
116 2
145 2
150 2
112 2
125 2
190 1
155 2
170 2
155 2
215 2
150 2
145 2
155 3
155 2
150 3
155 3
150 3
180 2
160 3
135 3
160 2
130 2
155 2
150 0
148 3
155 2
150 2
140 2
180 3
190 2
145 1
150 2
164 2
140 2
142 3
136 2
123 2
155 2
130 2
120 2
130 3
131 2
120 2
118 2
125 2
135 2
125 2
118 1
122 3
115 2
102 2
115 2
150 2
110 2
116 1
108 3
95 3
125 1
133 1
110 2
150 3
108 2
ARCHIVOS DE DATOS DEL MÓDULO 5
MAPA DE ARCHIVOS
CAMSHAFT RR_CRUZ GAGEAIAG RR_ANID GAGELIN
VITA_C HUMEDAD TILES MOTORES CATETERS
CLORO VISITAS_WEB TEJIDO BANCO PINTADO_HORNO
ARCHIVOS DE DATOS DEL MÓDULO 6. CEP

ARCHIVO CAMSHAFT ARCHIVO RR_CRUZ.MTW
Length Supp1 Supp2 Pieza Operario

601.4 598 601.6 1 1
601.6 599.8 600.4 1 1
598 600 598.4 1 1
601.4 599.8 600 1 2
599.4 600 596.8 1 2
600 600 602.8 1 2
600.2 598.8 600.8 1 3
601.2 598.2 603.6 1 3
598.4 599.4 604.2 1 3
599 599.6 602.4 2 1
601.2 599.4 598.4 2 1
601 599.4 599.6 2 1
600.8 600 603.4 2 2
597.6 598.8 600.6 2 2
601.6 599.2 598.4 2 2
599.4 599.4 598.2 2 3
601.2 599.6 602 2 3
598.4 599 599.4 2 3
599.2 599.2 599.4 3 1
598.8 600.6 600.8 3 1
601.4 598.8 600.8 3 1
599 598.8 598.6 3 2
601 599.8 600 3 2
601.6 599.2 600.4 3 2
601.4 599.4 600.8 3 3
601.4 600 600.8 3 3
598.8 600.2 597.2 3 3
601.4 600.2 600.4 4 1
598.4 599.6 599.8 4 1
601.6 599 596.4 4 1
598.8 599 600.4 4 2
601.2 599.8 598.2 4 2
599.6 600.8 598.6 4 2
601.2 598.8 599.6 4 3
598.2 598.2 599 4 3
598.8 600 598.2 4 3
597.8 599.2 599.4 5 1
598.2 599.8 599.4 5 1
598.2 601.2 600.2 5 1
598.2 600.4 599 5 2
601.2 600.2 599.4 5 2
600 599.6 598 5 2
598.8 599.6 597.6 5 3
599.4 599.6 598 5 3
597.2 600.2 597.6 5 3
600.8 599.2 601.2 6 1
600.6 599 599 6 1
599.6 599.6 600.4 6 1
599.4 600.4 600.6 6 2
598 600 599 6 2
600.8 599 602.2 6 2
597.8 599.6 599.8 6 3
599.2 599.4 599.8 6 3
599.2 599.2 601 6 3
600.6 597.8 601.6 7 1
598 600.4 601.6 7 1
598 599.6 600.2 7 1
598.8 600 601.8 7 2
601 600.8 601.2 7 2
600.8 600.4 597.6 7 2
598.8 599.4 599.8 7 3
599.4 599 602.8 7 3
601 598.4 600 7 3
598.8 599 599.6 8 1
599.6 599.6 602.2 8 1
599 598.8 603.8 8 1
600.4 599.2 603.6 8 2
598.4 599.6 601.8 8 2
602.2 598.6 602 8 2
601 599.8 603.6 8 3
601.4 599.6 600.8 8 3
601 599.2 600.2 8 3
601.2 599.6 600.4 9 1
601.4 600.2 600.2 9 1
601.8 599.8 602.2 9 1
601.6 599.6 598 9 2
601 600 598.4 9 2
600.2 599.6 600.8 9 2
599 599.2 602.8 9 3
601.2 598.6 597.6 9 3
601.2 599.6 601.6 9 3
601.2 601.2 603.4 10 1
601.2 599.6 597 10 1
601 600.2 599.8 10 1
601 600 597.8 10 2
601.4 600 602.4 10 2
601.4 599.4 602.2 10 2
598.8 599.8 600.6 10 3
598.8 599.2 596.2 10 3
598.8 599.6 602.4 10 3
598.2 599.4 601.4
601.8 600 599.2
601 600 601.6
601.4 599.2 600.4
601.4 599.4 598
599 599.6 601.2
601.4 599.8 604.2
601.8 599 600.2
601.6 599.6 600
601.2 599.4 596.8
ARCHIVO VITA_C.MTW
Contiene datos de muestras de 5 comprimidos tomados cada 15 minutos durante un periodo de 10 horas
estos datos se muestran en la columna de Pesos
Peso
3.254
3.224
3.272 ARCHIVO CRANKSH.MTW
3.227
3.249 Representa los movimientos hacia arriba y hacia abajo
3.226 de una línea de referencia por una flecha
3.208
3.201
3.254 AtoBDist Month Day
3.231 -0.44025 9 28
3.25 5.90038 9 28
3.236 2.08965 9 28
3.244 0.09998 9 28
3.275 2.01594 9 28
3.194 4.83012 9 29
3.225 3.78732 9 29
3.253 4.99821 9 29
3.203 6.91169 9 29
3.261 1.93847 9 29
3.261 -3.09907 9 30
3.252 -3.18827 9 30
3.245 5.28978 9 30
3.23 0.56182 9 30
3.263 -3.1896 9 30
3.221 7.93177 10 4
3.228 3.72692 10 4
3.206 3.83152 10 4
3.236 -2.17454 10 4
3.241 2.81598 10 4
3.257 4.52023 10 5
3.221 3.95372 10 5
3.223 7.99326 10 5
3.199 4.98677 10 5
3.253 -2.03427 10 5
3.226 3.89134 10 6
3.186 1.99825 10 6
3.213 0.01028 10 6
3.246 -0.24542 10 6
3.216 2.08175 10 6
3.221 -4.86937 10 7
3.243 -2.69206 10 7
3.218 -3.02947 10 7
3.235 2.99932 10 7
3.234 3.50123 10 7
3.236 -1.99506 10 8
3.187 -1.62939 10 8
3.198 2.14395 10 8
3.209 -1.90688 10 8
3.232 8.02322 10 8
3.213 4.75466 10 11
3.253 1.1424 10 11
3.282 0.9379 10 11
3.228 -7.30286 10 11
3.211 -5.22516 10 11
3.234 -4.06527 10 12
3.238 -1.91314 10 12
3.237 2.0459 10 12
3.258 4.93029 10 12
3.223 0.03095 10 12
3.22 -2.80363 10 13
3.196 -3.12681 10 13
3.207 -4.57793 10 13
3.235 -3.17924 10 13
3.233 -2.44537 10 13
3.254 1.36225 10 14
3.23 0.92825 10 14
3.262 -0.24151 10 14
3.194 -0.83762 10 14
3.193 -1.99674 10 14
3.186 4.90024 10 15
3.217 1.28079 10 15
3.263 2.87917 10 15
3.217 1.83867 10 15
3.228 -0.75614 10 15
3.214 3.72977 10 18
3.236 3.77141 10 18
3.218 -4.04994 10 18
3.22 3.89824 10 18
3.229 1.76868 10 18
3.23 2.2731 10 18
3.208 -3.82297 10 18
3.232 -2.26821 10 18
3.253 -2.07973 10 18
3.243 0.01739 10 18
3.271 3.71309 10 19
3.216 1.72573 10 19
3.214 3.07264 10 19
3.237 0.15676 10 19
3.215 -0.05666 10 19
3.229 3.81341 10 19
3.238 -3.78952 10 19
3.234 -3.81635 10 19
3.246 -4.8882 10 19
3.251 -3.24534 10 19
3.262 -0.27272 10 20
3.225 -4.33095 10 20
3.236 -1.83547 10 20
3.207 -3.98876 10 20
3.231 -4.97431 10 20
3.249 -5.1405 10 20
3.223 -0.10379 10 20
3.229 2.21033 10 20
3.22 5.13041 10 20
3.224 -1.89455 10 20
3.218 0.95119 10 21
3.188 -5.15414 10 21
3.232 4.82794 10 21
3.23 0.13001 10 21
3.194 -0.09911 10 21
3.135 -1.15453 10 21
3.224 2.29868 10 21
3.205 5.15847 10 21
3.154 0.08558 10 21
3.224 -3.09574 10 21
3.19 5.16744 10 22
3.242 0.29748 10 22
3.245 -4.66858 10 22
3.209 -2.13787 10 22
3.25 -0.0045 10 22
3.232 0.18096 10 22
3.244 4.30247 10 22
3.25 -2.21708 10 22
3.224 7.17603 10 22
3.268 5.86525 10 22
3.26 0.95699 10 25
3.268 -4.03441 10 25
3.242 -2.05086 10 25
3.269 -3.10319 10 25
3.251 -1.83001 10 25
3.291 5.03945 10 25
3.282 1.96583 10 25
3.263 -0.21026 10 25
3.243 0.27517 10 25
3.258 -5.32797 10 25
3.233
3.28
3.272
3.214
3.275
3.264
3.271
3.277
3.284
3.273
3.298
3.273
3.272
3.3
3.242
3.268
3.283
3.268
3.255
3.274
3.293
3.257
3.254
3.249
3.248
3.223
3.276
3.277
3.249
3.268
3.276
3.25
3.26
3.281
3.301
3.262
3.239
3.256
3.275
3.249
3.302
3.283
3.296
3.253
3.251
3.26
3.295
3.261
3.258
3.252
3.262
3.288
3.311
3.293
3.297
3.254
3.286
3.267
3.262
3.216
3.255
3.241
3.279
3.304
3.268
3.2501
ARCHIVO CLORO.MTW
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 a continuación:
Fecha Hora pH Cl
11/4/2002 6:15 9.4 22
11/4/2002 6:30 9.5 21
11/4/2002 6:45 10.7 21
11/4/2002 7:00 8 20
11/4/2002 7:15 9.5 18
11/4/2002 7:30 8.5 20
11/4/2002 7:45 9.2 21
11/4/2002 8:00 7.2 22
11/4/2002 8:15 8.4 21
11/4/2002 8:30 8.2 19
11/4/2002 8:45 8.3 20
11/4/2002 9:00 9.1 20
11/4/2002 9:15 10.8 19
11/4/2002 9:30 8.9 21
11/4/2002 9:45 8.4 20
11/4/2002 10:00 10 20
11/4/2002 10:15 8.2 19
11/4/2002 10:30 9 19
11/4/2002 10:45 8.3 20
11/4/2002 11:00 8.6 21
11/4/2002 11:15 9.1 21
11/4/2002 11:30 8.7 21
11/4/2002 11:45 7.7 19
11/4/2002 12:00 8.5 19
11/4/2002 12:15 10.4 19
11/4/2002 12:30 8.9 20
11/4/2002 12:45 8.8 21
11/4/2002 13:00 8.4 18
11/4/2002 13:15 7.1 20
11/4/2002 13:30 8.3 20
11/4/2002 13:45 9.3 20
11/4/2002 14:00 7.7 19
11/5/2002 6:15 10.2 21
11/5/2002 6:30 8.9 20
11/5/2002 6:45 8.6 19
11/5/2002 7:00 9.9 21
11/5/2002 7:15 9.8 19
11/5/2002 7:30 8.1 20
11/5/2002 7:45 9.4 19
11/5/2002 8:00 8.9 21
11/5/2002 8:15 8.4 19
11/5/2002 8:30 8.6 18
11/5/2002 8:45 8.8 20
11/5/2002 9:00 7.7 20
11/5/2002 9:15 8.6 20
11/5/2002 9:30 9.9 20
11/5/2002 9:45 9.2 21
11/5/2002 10:00 8.2 19
11/5/2002 10:15 9.6 18
11/5/2002 10:30 10.4 20
11/5/2002 10:45 8.6 20
11/5/2002 11:00 11 20
11/5/2002 11:15 8.8 18
11/5/2002 11:30 9.7 21
11/5/2002 11:45 7.1 20
11/5/2002 12:00 9 19
11/5/2002 12:15 9.5 18
11/5/2002 12:30 10 19
11/5/2002 12:45 10 19
11/5/2002 13:00 9.5 21
11/5/2002 13:15 10 21
11/5/2002 13:30 7.4 19
11/5/2002 13:45 10.3 19
11/5/2002 14:00 8.8 19
11/6/2002 6:15 9.8 21
11/6/2002 6:30 8 19
11/6/2002 6:45 10.9 20
11/6/2002 7:00 8.3 21
11/6/2002 7:15 9.4 19
11/6/2002 7:30 9.4 20
11/6/2002 7:45 9.2 22
11/6/2002 8:00 9.9 20
11/6/2002 8:15 8.6 19
11/6/2002 8:30 6.8 19
11/6/2002 8:45 10 20
11/6/2002 9:00 8.4 20
11/6/2002 9:15 9.5 19
11/6/2002 9:30 9.3 21
11/6/2002 9:45 8 20
11/6/2002 10:00 8.5 18
11/6/2002 10:15 9.4 21
11/6/2002 10:30 9.3 20
11/6/2002 10:45 7.7 19
11/6/2002 11:00 10.7 19
11/6/2002 11:15 8.9 21
11/6/2002 11:30 9.2 21
11/6/2002 11:45 9.3 21
11/6/2002 12:00 9 20
11/6/2002 12:15 9.3 20
11/6/2002 12:30 9.6 20
11/6/2002 12:45 7.4 18
11/6/2002 13:00 9.5 18
11/6/2002 13:15 8.6 20
11/6/2002 13:30 10 20
11/6/2002 13:45 7.2 20
11/6/2002 14:00 8.3 20
11/7/2002 6:15 8.2 20
11/7/2002 6:30 9 21
11/7/2002 6:45 9.6 21
11/7/2002 7:00 7.9 21
11/7/2002 7:15 8.9 20
11/7/2002 7:30 10.8 20
11/7/2002 7:45 9 21
11/7/2002 8:00 8.5 20
11/7/2002 8:15 8.8 20
11/7/2002 8:30 9.3 22
11/7/2002 8:45 9.7 21
11/7/2002 9:00 7.4 19
11/7/2002 9:15 7.6 19
11/7/2002 9:30 8.2 20
11/7/2002 9:45 9.4 21
11/7/2002 10:00 9.7 20
11/7/2002 10:15 8.1 19
11/7/2002 10:30 9.6 20
11/7/2002 10:45 11.5 20
11/7/2002 11:00 9.8 20
11/7/2002 11:15 9 19
11/7/2002 11:30 10.6 20
11/7/2002 11:45 9.1 20
11/7/2002 12:00 9.6 21
11/7/2002 12:15 10 21
11/7/2002 12:30 8.1 20
11/7/2002 12:45 9.4 20
11/7/2002 13:00 8.7 20
11/7/2002 13:15 9.1 20
11/7/2002 13:30 8.8 21
11/7/2002 13:45 10.7 22
11/7/2002 14:00 9.2 19
11/8/2002 6:15 10.2 19
11/8/2002 6:30 8.9 21
11/8/2002 6:45 9.7 21
11/8/2002 7:00 10.3 22
11/8/2002 7:15 6.6 19
11/8/2002 7:30 9.9 21
11/8/2002 7:45 6.1 21
11/8/2002 8:00 8.7 20
11/8/2002 8:15 8.9 20
11/8/2002 8:30 8.2 20
11/8/2002 8:45 8.9 20
11/8/2002 9:00 9.4 19
11/8/2002 9:15 8.1 21
11/8/2002 9:30 9.1 19
11/8/2002 9:45 8.4 20
11/8/2002 10:00 10 21
11/8/2002 10:15 9.5 20
11/8/2002 10:30 9.7 18
11/8/2002 10:45 9.4 22
11/8/2002 11:00 8.8 20
11/8/2002 11:15 9.6 19
11/8/2002 11:30 9.8 20
11/8/2002 11:45 7.7 21
11/8/2002 12:00 9.8 18
11/8/2002 12:15 13.1 25
11/8/2002 12:30 9.8 19
11/8/2002 12:45 9.9 20
11/8/2002 13:00 8.4 22
11/8/2002 13:15 9.2 22
11/8/2002 13:30 9.8 20
11/8/2002 13:45 7.3 19
11/8/2002 14:00 8.9 20
RR_CRUZ.MTW ARCHIVO GAGEAIAG.MTW
Medicion Orden Part Operator Response

11.27 1 1 1 0.65
10.48 2 1 1 0.6
11.12 3 2 1 1
8.68 1 2 1 1
12.12 2 3 1 0.85
8.47 3 3 1 0.8
10.34 1 4 1 0.85
9.93 2 4 1 0.95
11.76 3 5 1 0.55
14.87 1 5 1 0.45
14.31 2 6 1 1
14.5 3 6 1 1
13.27 1 7 1 0.95
13.5 2 7 1 0.95
10 3 8 1 0.85
16.65 1 8 1 0.8
13.96 2 9 1 1
14.67 3 9 1 1
13.2 1 10 1 0.6
15.12 2 10 1 0.7
14.86 3 1 2 0.55
15.26 1 1 2 0.55
13.88 2 2 2 1.05
11.44 3 2 2 0.95
15.45 1 3 2 0.8
14.94 2 3 2 0.75
15.22 3 4 2 0.8
11.05 1 4 2 0.75
12.46 2 5 2 0.4
13.29 3 5 2 0.4
7.51 1 6 2 1
10.93 2 6 2 1.05
10.65 3 7 2 0.95
11.65 1 7 2 0.9
12.69 2 8 2 0.75
12.63 3 8 2 0.7
10.02 1 9 2 1
11.09 2 9 2 0.95
12.03 3 10 2 0.55
9.75 1 10 2 0.5
7.93 2 1 3 0.5
11.06 3 1 3 0.55
10.51 1 2 3 1.05
11.46 2 2 3 1
9.66 3 3 3 0.8
11.33 1 3 3 0.8
11.02 2 4 3 0.8
12.04 3 4 3 0.8
10.4 1 5 3 0.45
8.94 2 5 3 0.5
7.51 3 6 3 1
11.92 1 6 3 1.05
10.18 2 7 3 0.95
11.88 3 7 3 0.95
12.2 1 8 3 0.8
12.39 2 8 3 0.8
11.3 3 9 3 1.05
11.8 1 9 3 1.05
9.32 2 10 3 0.85
11.51 3 10 3 0.8
11.46 1
12.73 2
11.41 3
7.75 1
8.14 2
8.53 3
6.77 1
8.09 2
10.44 3
7.77 1
9.61 2
7.61 3
12.18 1
12.52 2
12.38 3
10.38 1
10.32 2
13.22 3
11.72 1
13.91 2
14.13 3
11.22 1
10.8 2
9.31 3
8.96 1
6.77 2
9.74 3
9.64 1
9.34 2
10.18 3
2.21877897
13.3126738
ARCHIVO HUMEDAD.MTW ARCHIVO TILES.MTW
n periodo de 10 horas %Humedad Warping

10.7 1.60103
9.4 0.84326
9.4 3.00679
10.1 1.29923
10.3 2.24237
9.8 2.63579
11 0.34093
10.3 6.96534
8.5 3.46645
7.3 1.41079
10.5 2.31426
9.2 2.55635
11.9 4.72347
11.7 1.75362
10.9 1.62502
10.3 5.63857
11 4.64351
10.6 3.95409
10.4 4.38904
11.5 3.24065
13.5 0.52829
12.5 1.01497
12.2 1.12573
11.8 2.56891
9.4 4.23217
12 1.34943
10.4 2.84684
12 0.76492
13.5 2.78092
10.4 0.63771
13.6 2.8953
11.4 2.86853
2.18607
1.05339
1.2556
1.97268
0.84401
3.32894
4.15431
2.57873
0.44426
2.48648
3.91413
2.28159
0.96705
4.98517
5.79428
2.52868
3.08283
3.82585
5.3123
1.92282
1.22586
0.76149
2.3993
4.96089
1.96775
1.35006
4.79076
2.20538
1.22095
6.32858
3.80076
4.22622
4.33233
0.42845
1.2041
3.44007
2.51274
8.09064
4.24464
3.21267
3.48115
6.66919
2.44223
3.51246
8.03245
1.13819
4.27913
2.05914
1.12465
0.78193
4.14333
5.30071
3.79701
3.2477
5.04867
3.068
2.45252
4.69474
0.28186
0.57069
0.70532
2.84843
6.25825
3.37523
3.23538
6.08121
1.66735
2.12262
ARCHIVO VISITAS_WEB.MTW ARCHIVO TEJIDO
Describe el número de visitas recibidas en una Contiene el número de manchas de cada tela
página Web durante octubre y noviembre de 2002 y su superficie correspondiente en metros cuadrados
indicando también la fecha y día de la semana
Fecha Dia semana Visitas Numero manchas Superficie
10/1/2002 M 73 11 1.1
10/2/2002 Mi 69 9 0.99
10/3/2002 J 60 8 0.93
10/4/2002 V 68 8 1.26
10/5/2002 S 27 15 1.34
10/6/2002 D 38 6 0.69
10/7/2002 L 69 7 1
10/8/2002 M 75 6 0.68
10/9/2002 Mi 66 9 0.67
10/10/2002 J 146 4 0.83
10/11/2002 V 117 12 1.33
10/12/2002 S 79 14 0.84
10/13/2002 D 64 14 1.11
10/14/2002 L 70 14 1.12
10/15/2002 M 66 9 1.2
10/16/2002 Mi 67 9 0.89
10/17/2002 J 63 12 1.14
10/18/2002 V 68 13 0.9
10/19/2002 S 44 14 1.08
10/20/2002 D 41 13 0.92
10/21/2002 L 78 13 1.2
10/22/2002 M 91 8 1.01
10/23/2002 Mi 59 8 1.01
10/24/2002 J 66 9 1
10/25/2002 V 73 7 0.64
10/26/2002 S 39 12 1.36
10/27/2002 D 40 6 0.89
10/28/2002 L 64 9 1.19
10/29/2002 M 78 8 1.02
10/30/2002 Mi 75 11 1.23
10/31/2002 J 69 10 1.19
11/1/2002 V 75 15 0.97
11/2/2002 S 26
11/3/2002 D 43
11/4/2002 L 59
11/5/2002 M 67
11/6/2002 Mi 89
11/7/2002 J 50
11/8/2002 V 63
11/9/2002 S 32
11/10/2002 D 32
11/11/2002 L 70
11/12/2002 M 78
11/13/2002 Mi 66
11/14/2002 J 78
11/15/2002 V 64
11/16/2002 S 40
11/17/2002 D 42
11/18/2002 L 70
11/19/2002 M 81
11/20/2002 Mi 65
11/21/2002 J 66
11/22/2002 V 76
11/23/2002 S 34
11/24/2002 D 32
11/25/2002 L 60
11/26/2002 M 63
11/27/2002 Mi 68
11/28/2002 J 74
11/29/2002 V 59
11/30/2002 S 44
ARCHIVO RR_ANID.MTW ARCHIVO GAGELIN.MTW
Pieza Operario Medicion Part Master Response

1 A 20.5 1 2 2.7
1 A 19.2 1 2 2.5
1 A 19.5 1 2 2.4
2 A 20.6 1 2 2.5
2 A 22.8 1 2 2.7
2 A 21.3 1 2 2.3
3 A 22.6 1 2 2.5
3 A 21.1 1 2 2.5
3 A 22 1 2 2.4
4 A 21.6 1 2 2.4
4 A 22.5 1 2 2.6
4 A 21.5 1 2 2.4
5 B 23 2 4 5.1
5 B 22.1 2 4 3.9
5 B 23.7 2 4 4.2
6 B 22.6 2 4 5
6 B 23 2 4 3.8
6 B 24.4 2 4 3.9
7 B 23.8 2 4 3.9
7 B 22.3 2 4 3.9
7 B 23.3 2 4 3.9
8 B 22 2 4 4
8 B 23.5 2 4 4.1
8 B 21.9 2 4 3.8
9 C 20.9 3 6 5.8
9 C 23.4 3 6 5.7
9 C 23.2 3 6 5.9
10 C 21.2 3 6 5.9
10 C 23.7 3 6 6
10 C 19.3 3 6 6.1
11 C 23.8 3 6 6
11 C 22.4 3 6 6.1
11 C 21.9 3 6 6.4
12 C 22.7 3 6 6.3
12 C 20.5 3 6 6
12 C 23.3 3 6 6.1
4 8 7.6
4 8 7.7
4 8 7.8
4 8 7.7
4 8 7.8
4 8 7.8
4 8 7.8
4 8 7.7
4 8 7.8
4 8 7.5
4 8 7.6
4 8 7.7
5 10 9.1
5 10 9.3
5 10 9.5
5 10 9.3
5 10 9.4
5 10 9.5
5 10 9.5
5 10 9.5
5 10 9.6
5 10 9.2
5 10 9.3
5 10 9.4
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.
ILES.MTW ARCHIVO MOTORES.MTW ARCHIVO CATETERS.MTW
Fecha Produccion Defectuosos Fecha Hora Defectuosos

5/6/2002 1431 45 3/8/2004 9:00 4
5/7/2002 1451 58 3/8/2004 10:00 7
5/8/2002 1203 66 3/8/2004 11:00 7
5/9/2002 1285 49 3/8/2004 12:00 7
5/10/2002 1474 55 3/8/2004 13:00 9
5/13/2003 1490 56 3/8/2004 14:00 2
5/14/2003 1354 55 3/8/2004 15:00 6
5/15/2003 1394 41 3/8/2004 16:00 4
5/16/2003 1406 51 3/8/2004 17:00 7
5/17/2003 1477 53 3/8/2004 18:00 1
5/20/2002 1487 55 3/8/2004 19:00 5
5/21/2002 1358 59 3/8/2004 20:00 6
5/22/2002 1376 51 3/8/2004 21:00 5
5/23/2002 1348 58 3/8/2004 22:00 11
5/24/2002 1338 52 3/9/2004 9:00 4
5/27/2002 1406 48 3/9/2004 10:00 3
5/28/2002 1296 51 3/9/2004 11:00 7
5/29/2002 1321 56 3/9/2004 12:00 13
5/30/2002 1320 48 3/9/2004 13:00 3
5/31/2002 1264 44 3/9/2004 14:00 5
6/3/2002 1355 59 3/9/2004 15:00 7
6/4/2002 1400 37 3/9/2004 16:00 11
6/5/2002 1285 44 3/9/2004 17:00 2
6/6/2002 1354 62 3/9/2004 18:00 5
6/7/2002 1482 43 3/9/2004 19:00 6
6/10/2002 1243 68 3/9/2004 20:00 7
6/11/2002 1320 53 3/9/2004 21:00 7
6/12/2002 1444 53 3/9/2004 22:00 7
6/13/2002 1260 44 3/10/2004 9:00 6
6/14/2002 1459 52 3/10/2004 10:00 4
3/10/2004 11:00 3
1369.36667 3/10/2004 12:00 2
3/10/2004 13:00 5
3/10/2004 14:00 8
3/10/2004 15:00 6
3/10/2004 16:00 2
3/10/2004 17:00 5
3/10/2004 18:00 3
3/10/2004 19:00 6
3/10/2004 20:00 3
3/10/2004 21:00 3
3/10/2004 22:00 4
3/11/2004 9:00 5
3/11/2004 10:00 6
3/11/2004 11:00 5
3/11/2004 12:00 5
3/11/2004 13:00 7
3/11/2004 14:00 5
3/11/2004 15:00 7
3/11/2004 16:00 5
3/11/2004 17:00 4
3/11/2004 18:00 5
3/11/2004 19:00 6
3/11/2004 20:00 4
3/11/2004 21:00 5
3/11/2004 22:00 5
3/12/2004 9:00 5
3/12/2004 10:00 7
3/12/2004 11:00 6
3/12/2004 12:00 4
3/12/2004 13:00 3
3/12/2004 14:00 4
3/12/2004 15:00 5
3/12/2004 16:00 8
3/12/2004 17:00 5
3/12/2004 18:00 7
3/12/2004 19:00 5
3/12/2004 20:00 8
3/12/2004 21:00 5
3/12/2004 22:00 3
ARCHIVO BANCO ARCHIVO PINTADO_HORNO.MTW
metros cuadrados En cada agencia se hizo una entrevista a Defectos encontrados en 40 piezas
50 clientes, registrando los descontentos. consecutivas procesadas en un horno
Agencia Descontentos Pieza Num. defectos
12 10 1 1
25 12 2 3
58 9 3 3
64 14 4 1
80 13 5 5
112 34 6 2
119 9 7 3
127 7 8 1
134 12 9 2
151 11 10 3
192 6 11 4
209 16 12 5
212 29 13 2
216 9 14 2
247 8 15 4
263 8 16 6
281 18 17 2
342 10 18 3
383 13 19 3
408 8 20 5
426 8 21 6
451 7 22 3
506 6 23 3
584 11 24 3
592 6 25 4
616 10 26 5
623 10 27 4
635 1 28 4
644 10 29 3
671 8 30 3
31 2
32 3
33 4
34 3
35 0
36 3
37 4
38 3
39 4
40 2
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.
ARCHIVOS DE DATOS DEL MÓDULO 6
ARCHIVO ROTOR
Contiene datos de diámetros de ejes tomados durante

un peridio de tiempo.
Hora Eje Posicion Diametro

8:00 1 Max Izq 2.509
8:00 1 Min Izq 2.502
8:00 1 Max Der 2.506
8:00 1 Min Der 2.5
8:00 2 Max Izq 2.51
8:00 2 Min Izq 2.504
8:00 2 Max Der 2.506
8:00 2 Min Der 2.5
8:00 3 Max Izq 2.508
8:00 3 Min Izq 2.502
8:00 3 Max Der 2.506
8:00 3 Min Der 2.498
9:00 1 Max Izq 2.506
9:00 1 Min Izq 2.5
9:00 1 Max Der 2.5
9:00 1 Min Der 2.497
9:00 2 Max Izq 2.504
9:00 2 Min Izq 2.5
9:00 2 Max Der 2.5
9:00 2 Min Der 2.498
9:00 3 Max Izq 2.506
9:00 3 Min Izq 2.5
9:00 3 Max Der 2.5
9:00 3 Min Der 2.499
10:00 1 Max Izq 2.498
10:00 1 Min Izq 2.496
10:00 1 Max Der 2.491
10:00 1 Min Der 2.488
10:00 2 Max Izq 2.496
10:00 2 Min Izq 2.493
10:00 2 Max Der 2.492
10:00 2 Min Der 2.49
10:00 3 Max Izq 2.498
10:00 3 Min Izq 2.496
10:00 3 Max Der 2.496
10:00 3 Min Der 2.49
11:00 1 Max Izq 2.51
11:00 1 Min Izq 2.505
11:00 1 Max Der 2.504
11:00 1 Min Der 2.5
11:00 2 Max Izq 2.509
11:00 2 Min Izq 2.505
11:00 2 Max Der 2.503
11:00 2 Min Der 2.5
11:00 3 Max Izq 2.51
11:00 3 Min Izq 2.506
11:00 3 Max Der 2.506
11:00 3 Min Der 2.502
12:00 1 Max Izq 2.508
12:00 1 Min Izq 2.504
12:00 1 Max Der 2.502
12:00 1 Min Der 2.5
12:00 2 Max Izq 2.506
12:00 2 Min Izq 2.5
12:00 2 Max Der 2.5
12:00 2 Min Der 2.496
12:00 3 Max Izq 2.506
12:00 3 Min Izq 2.502
12:00 3 Max Der 2.5
12:00 3 Min Der 2.497
APLICACIONES DEL MÓDULO 2
ARCHIVO CORXET.MTW Diagrama de Pareto
Codificado de Codificado de LINEAS INSPECCIONADAS

localización defectos 100 botellas de cada línea
Descripción Locali Defecto ALBA TRADI BLAU 1492 FIESTA
Collarín - des 1 1 761 193 14 66 0
Óvalo - des/b 2 1 18 0 0 19 0
Etiqueta - de 3 1 69 92 14 53 48
Contra.- des/ 4 1 19 25 3 19 26
Collarín - arr 1 2 240 42 5 44 0
Óvalo - arrug 2 2 34 2 0 24 0
Etiqueta arru 3 2 66 8 1 9 13
Contra.- arru 4 2 23 9 1 7 15
Cierre Collarí 1 3 76 34 9 22 0
Óvalo - torcid 2 3 115 12 0 79 0
Etiqueta - tor 3 3 299 67 27 116 12
Contra.- torci 4 3 30 3 11 54 49
Cápsula - ali 5 4 242 32 0 85 65
Etiqueta 2-4 ( 3 4 589 231 54 82 0
Etiqueta > 4 ( 3 4 665 0 18 283 0
Óvalo - alinea 2 4 631 135 0 237 0
Contra 2-5 (al 4 4 401 21 5 158 18
Contra > 5 (al 4 4 72 0 1 69 4
Etiqueta - alt 3 5 113 80 45 177 4
Óvalo - altura 2 5 332 58 0 209 0
Collarín - altu 1 5 1 0 0 2 0
Tapón 6 6 0 0 0 0 0
Morrión 7 7 1 0 0 0 0
Collarín abier 1 8 92 101 21 147 0
Preguntas:
a) ¿En que línea se producen más defectos? Calc > Column statistics > Sum
b) Una vez identificada la suma de defectos por línea Stat > Quality tools > Pareto Chart
identificar donde se producen más defectos
c) Ahora identificar los defectos más relevantes de Stat > Quality tools > Pareto Chart
la línea que más problemas tiene
d) Cambiar la clave defectos a su nombre Data > Code > Numeric to text
correspondiente
ARCHIVO COBRE.MTW Diagrama de Causa Efecto y posibles causas

Se analiza el problema de que el 70% de los defectos se presentan al estirar el tubo de cobre
se trata de identificar las posibles causas.
Personal Maquina Material Metodo
Turno Velocidad Aleación Presión
Entrenamient Pinzas Lubricante Suciedad
Operario Rodillo Impurezas
Bulón
Ejercicios:
a) Realizar un diagrama de causa efecto agregando Stat > Quality Tools > Cause and effect
una subrama en personal y Máquina
b) Obtener gráficas bivariantes para ver si el P, Pb Graph > Scatterplot: Simple > Y:C7, X:C8
o turno tienen influencia sobre las roturas. Graph > Scatterplot: Simple > Y:C7, X:C9
Graph > Scatterplot: Simple > Y:C7, X:C10
c) Como las dos variables son discretas aparecen como
puntos, para ver la densidad alrededor de cada punto
seleccionar los puntos con doble click y Seleccionar Jitter y la opción Add Jitter to direction
d) Observar si el comportamiento ha sido estable Graph > Time Series Plot: Simple
Series C7
e) Ver el comportamiento por turno

Seleccionar los puntos de la gráfica con doble click seleccionar Groups, Categorical variables for groupin
Turno
ARCHIVO PAN.MTW Histogramas

Un panadero cree que existe una gran variabilidad en el peso de sus productos:
Hay dos operadores A y B que usan las máquinas 1 y 2 no en forma simultanea.
Durante 20 días se tomaron muestras de 4 piezas de pan de cada máquina con los siguientes resultados:
¿qué se puede concluir si se acepta como normal un peso de 210 +- 10 gramos?
Día Operario Máquina 1_piMáquina 1_piMáquina 1_piMáquina 1_piMáquina 2_piMáquina 2_pi

1 A 209.2 209.5 210.2 212 214.3 221.8
2 B 208.5 208.7 206.2 207.8 215.3 216.7
3 B 204.2 210.2 210.5 205.9 215.7 213.8
4 B 204 203.3 198.2 199.9 212.5 210.2
5 A 209.6 203.7 213.2 209.6 208.4 214.9
6 A 208.1 207.9 211 206.2 212.3 216.2
7 A 205.2 204.8 198.7 205.8 208.1 211.9
8 B 199 197.7 202 213.1 207.5 209.9
9 B 197.2 210.6 199.5 215.3 206.9 207.1
10 A 199.1 207.2 200.8 201.2 209.6 209.5
11 B 204.6 207 200.8 204.6 212.2 209.8
12 B 214.7 207.5 205.8 200.9 211.4 211.2
13 B 204.1 196.6 204.6 199.4 209.6 209.2
14 A 200.2 205.5 208 202.7 203.5 206.9
15 A 201.1 209.2 205.5 200 209.1 206.3
16 B 201.3 203.1 196.3 205.5 208 207.9
17 B 202.2 204.4 202.1 206.6 210 209.4
18 A 194.1 211 208.4 202.6 215.6 211.8
19 A 204.8 201.3 208.4 212.3 214.5 207.5
20 A 200.6 202.3 204.3 201.4 209.1 205.8
Ejercicios:
a) Apilar todas las columnas Data > Stack > Columns

Stack the following columns todas
Column of current worksheet seleccionar una vacía
nombrarla como
b) Hacer un histograma con la columna total Graph > Histogram: Simple
c) Agregar las tolerancias en 200 y 220, Editor > Annotation > Graph annotation tools
seleccionando la gráfica y con: Seleccionar el botón de línea y colocarlas en la gráfica
Con Attributes custom se puede cambiar a línea punte
d) Agrupar las columnas de la máquina 1 Data > Stack > Columns C3-C6 Máquina1
e) Agrupar las columnas de la máquina 2 Data > Stack > Columns C7-C10 Máquina2
f) Hacer histogramas similares al realizado con Seleccionar con un click el histograma de la variable
la columna de total Editor > Make Similar Graph
Indicar la columna Máquina1 y en otro Máquina2
ARCHIVO HUMEDAD.MTW Series de tiempo

Se representa la humedad de 20 paquetes de un producto tomado durante varios días a la semana:
¿Qué conclusiones se obtienen?
lunes martes mierc jueves viernes
8.2 8.61 9.43 8.97 8.46
8.36 9.14 8.85 9.02 8
8.37 8.52 8.66 9.61 8.32
8.52 9.2 8.89 9.15 8.91
8.05 9.3 9.28 9.21 8.17
8.76 9.58 9.14 9.53 8.6
8.51 8.81 9.41 9.28 8.48
8.18 8.68 9.34 9.28 8.65
8.52 8.59 9.59 8.86 8.97
8.64 8.66 9.15 8.75 8.2
8.83 8.7 9.75 9.64 8.33
8.35 9.08 9.18 9.05 8.26
8.48 8.32 8.86 8.76 8.64
8.34 8.33 9.28 9.21 8.81
8.51 8.41 8.5 8.76 8.73
8.08 9.07 9.19 9.4 8.73
8.15 9.08 9.19 9.55 8.4
8.15 9.13 9.12 9.5 8.6
8.68 8.69 9.2 9.48 8.47
8.79 8.46 8.8 9.58 8.1
Ejercicios:
a) Apilar todas las columnas agregando una columna Data > Stack > Columns
de índices Stack the following columns lunes-viernes
Column of current worksheet semana
Store subscripts in Dia
seleccionar Use variable names in subscript column
b) Hacer un diagrama de datos de la semana Graph > Time Series Plot: Simple
ver si el proceso es estable Series semana
c) Distinguir el día de la semana en que ocurrieron Edit connected line

los resultados con un color diferente Categorical variables for grouping
seleccionar los puntos de la gráfica
d) Otra opción Graph > Time Series plot: With Groups

Series Semana
Categorical variables for grouping Dia
ROSADO
22
10
16
4
4
11
5
3
7
19
72
3
15
79
102
45
85
28
57
42
0
0
0
26
Mantenim Medio am Num. Rot Pb (ppm) P (ppm) Turno
Desgaste Temperatura 1 19 22 1
3 18 21 2
2 27 22 3
2 24 19 1
8 15 17 2
4 19 17 3
2 23 23 1
se and effect 4 26 19 2
3 20 23 3
2 20 22 1
e > Y:C7, X:C8 5 15 19 2
e > Y:C7, X:C9 5 19 25 3
e > Y:C7, X:C10 1 22 22 1
2 23 19 2
2 21 22 3
n Add Jitter to direction 2 21 21 1
4 21 15 2
2 24 22 3
0 22 21 1
2 22 23 2
0 20 24 3
orical variables for grouping 3 22 20 1
1 21 22 2
3 26 20 3
1 21 22 1
4 27 19 2
4 22 20 3
1 22 18 1
siguientes resultados: 3 28 22 2
6 15 19 3
6 19 17 1
Máquina 2_piMáquina 2_pi 2 28 22 2
214.6 214.4 3 20 22 3
212.3 212 3 21 20 1
215.2 202.7 2 18 21 2
211.3 210.4 1 20 22 3
212.8 214.8 3 23 21 1
208.4 210.8 4 26 20 2
212.9 209 3 26 15 3
210.6 212.3 2 21 21 1
213.6 212.2 1 24 21 2
206.8 214.2 2 18 20 3
207.6 212.6 3 25 19 1
214.4 212.6 5 16 17 2
206.1 207.1 1 24 23 3
210.6 212.3 1 21 24 1
209.8 211.4 3 25 19 2
205.3 203.6 2 23 21 3
209.1 207 4 19 20 1
205.4 209 3 20 21 2
212.9 204.3 5 25 18 3
212 204.2 1 24 23 1
4 18 19 2
3 17 22 3
0 30 25 1
6 18 17 2
4 20 17 3
eet seleccionar una vacía 4 29 22 1
ombrarla como Total 4 32 19 2
1 21 22 3
Total
h annotation tools
a y colocarlas en la gráfica
puede cambiar a línea punteada
3-C6 Máquina1
7-C10 Máquina2
istograma de la variable Total
1 y en otro Máquina2
as a la semana:
ns lunes-viernes
mes in subscript column
Dia
With Groups
rouping Dia
APLICACIONES MÓDULO 6. ESTADÍSTICA DESCRIPTIVA
HERRAMIENTAS PARA LA MEJORA DE CALIDAD (Minitab)

NOTA: Se asume que los datos se encuentran en una o más columnas
1. CARTA DE TENDENCIAS Opcional

En Minitab
> Stat > Quality Tools > Run chart
Seleccionar Single column = indicar la Columna de datos
Subgroup size = Indicar el tamaño del subgrupo (1 comun)
Seleccionar Subgroup across rows of = Columnas de datos
Seleccionar Plot of Means o Plots of Medians
OK
2. DIAGRAMA DE PARETO Defectos

En Minitab A
> stat > Quality Tools > Pareto chart B
Seleccionar Chart Defect Table C
Labels in = Columna de etiquetas de defectos D
Frequencies in = Columna de frecuencia de defectos E
Combine (en una columna de otros) after the first = 80% u otro F
OK
3. DIAGRAMA DE CAUSA EFECTO

En Minitab
> stat > Quality Tools > Cause and Effect
Branch 1-6 Seleccionar Causes = Columna de causas y Label = Etiqueta
correspondiente a cada concepto de causa
Seleccionar Effect = Problema o efecto buscado
Seleccionar Title = Título del problema
OK
Personal Maquinas Material Método Medición Medio Amb.
Turnos Enchufes Aleaciones Angulo Micrometro % Humedad
Supervisión Fracturas Lubricantes Enganche Microscopio Condensación
Capacitación Tornos Proveedores Frenado Inspectores
Operadores Velocidad
4. HISTOGRAMAS
En Minitab
> Graph > Histogram
Seleccionar en Graph 1 = Columna de datos (n = número de datos)
Seleccionar en Options = Number of intervals = 5 a 7 o aprox. Raiz (n)
OK OK
5. DIAGRAMA DE TALLO Y HOJAS
En Minitab
> Stat > EDA > Stem and Leaf
Seleccionar en Graph 1 = Columna de datos
Seleccionar en Increment = Valor del paso de cambio
OK en este caso 20
6. DIAGRAMA DE CAJA
En Minitab
> Stat > EDA > Box Plot
Seleccionar en Graph 1 = Columna de datos
OK
RIPTIVA
2.16 Run Chart for 2.16 Weight

5.9 18
905
8.8 930
17.5 13 865
2.16
10.3 895
12.7 905
8
8.4 885
9.1 890
17.3 4 9 14
930
Observation
11.5 915
8.7 Number of runs about median:
Expected number of runs:
8.00000
8.00000
Number of runs up or down:
Expected number of runs:
7.00000
9.00000 910
Longest run about median: 3.00000 Longest run up or down: 4.00000
9.8 Approx P-Value for Clustering:
Approx P-Value for Mixtures:
0.50000
0.50000
Approx P-Value for Trends:
Approx P-Value for Oscillation:
0.08712
0.91288
920
Frec. 915
14 Ejemplo de Diagrama de Pareto 925
15 300
100 860
34 80 905
12 200
Percent
60
925
Count
40
76 100
20
925
54 0 0 905
Def ect
915
Count 98 76 54 45 46
Percent 30.7 23.8 16.9 14.1 14.4
C um % 30.7 54.5 71.5 85.6 100.0 930
890
940
Ejemplo de Diagrama de Ishikawa
860
Mediciones Materiales Personal 875
Micrometro Aleaciones Turnos
985
Microscopio Lubricantes Supervisión
970
Inspectores Proveedores Capacitación 940
Operadores
975
Rec hazos de c al idad
1000
Velocidad
1035
Frenado Tornos
1020
Condensación Enganche Fracturas
Condensación 985
% Humedad Angulo Enchufes
Medio ambiente Métodos Maquinas

960
945
965
940
900
920
980
40
950
955
30
970
970
Percent
20
1035
10
850 900 950 1000 1050

Weight
30
Percent
20
10
850 900 950 1000 1050

Weight
Stem-and-leaf of Weight N = 45
Leaf Unit = 10
4 8 6667
8 8 8999
17 9 000001111
(8) 9 22222333
20 9 444455
14 9 667777
8 9 888
5 10 0
4 10 233
1 10 4
1050
Valor mínimo
Weight
3er. Cuartil 950
Mediana
1er. Cuartil
Valor máximo 850

ARCHIVO SOLDADURA.MTW
Para Conocer a fondo el proceso de soldadura se ralizaron 100 soldaduras

anotando las condiciones en que se habíann hecho y se midió la resistencia al corte.
Orden Fuerza (kp)Int_Bosch (kA)Int_Miy. (kA))Carga rot. (kg)

1 611 14.9 15 3127
2 613.657 14.8 15 3045
3 609.928 14.5 14.4 3088
4 608 15.2 15.4 3071
5 586.944 15.2 15.3 2999
6 612.798 15.1 15 2995
7 637.583 15.1 15.1 3220
8 615.314 14.9 14.9 2994
9 620 14.7 14.8 2989
10 618.649 15 15 3097
11 622.266 15.1 15.2 3029
12 617.856 15.1 15.2 3086
13 621.422 14.9 15 3168
14 633.967 15.2 15.4 3134
15 607.492 14.7 14.8 2983
16 604 15.3 15.1 2942
17 625.492 14.9 14.8 3108
18 629.971 15.1 15.2 3177
19 616.436 14.9 15 3034
20 629.889 15.3 15.5 3149
21 613.33 14.7 14.8 3147
22 630.762 14.7 14.8 3058
23 631.183 14.8 15 3164
24 620.596 15.1 15.3 3058
25 643 14.9 15.1 3243
26 625.396 15.2 15.2 3119
27 625.785 15.1 15.4 3147
28 622.166 14.8 14.9 3135
29 623.541 14.8 14.9 3066
30 632.909 15.1 15.3 3040
31 623.271 14.8 14.8 3108
32 630.627 14.9 15 3086
33 658.978 14.8 14.9 3297
34 631.324 14.8 14.9 3199
35 629.664 15.3 15.2 2982
36 633 14.7 14.9 3209
37 635.331 14.7 14.8 3154
38 634.658 15.2 15.4 3148
39 640.98 14.9 15 3198
40 612.298 15.3 15.4 3007
41 631.612 15.4 15.5 3160
42 619.923 14.8 15 3087
43 628.23 15 15.2 3155
44 632.533 15.4 15.5 3198
45 631.833 15.1 15.3 3275
46 621.129 15.2 15.3 3146
47 620.423 15.1 15 3187
48 622.713 15.2 15.2 3144
49 639 15.2 15.1 3200
50 625.284 15.1 15.3 3152
51 642.566 15.4 15.6 3242
52 645.844 15.3 15.5 3144
53 604.12 15 14.9 3043
54 625.394 15.4 15.3 3074
55 637.665 15.3 15.3 3259
56 625.933 14.7 14.9 3212
57 645.199 14.9 15.1 3272
58 642.463 14.9 15 3151
59 640.725 15.1 15.3 3302
60 647.984 15 15 3271
61 635.241 14.8 14.9 3174
62 637.496 15.1 15.4 3135
63 642.749 14.9 14.9 3325
64 642 14.6 14.6 3155
65 650.249 15.3 15.3 3364
66 630.496 14.7 14.8 3187
67 647.741 14.9 15 3158
68 629.985 14.9 15 3186
69 638.226 14.7 15 3283
70 628.466 14.9 15 3139
71 640.705 15.1 15.3 3226
72 631.941 15.3 15.5 3210
73 639.176 15.2 15.3 3149
74 646.409 15 15.2 3271
75 650.641 15 15.2 3241
76 632.871 15.1 15.1 3232
77 634.1 14.8 14.9 3215
78 646.327 15.1 15.1 3045
79 655.553 15.1 15.2 3316
80 634.777 15.2 15.3 3187
81 641 14.8 15 3352
82 656.222 15.1 15.4 3283
83 622.442 14.9 15 3065
84 632.661 14.7 14.6 3076
85 650.878 15.1 15.1 3131
86 629.094 15 15.1 3167
87 654.31 15.3 15.3 3428
88 645.523 15.1 15.3 3258
89 644.736 15.3 15.5 3158
90 639.947 15.1 15.5 3071
91 643.158 15 15 3150
92 655.367 14.9 15 3277
93 648.575 15 15.1 3258
94 652.781 14.9 15 3212
95 627.987 14.6 14.6 3124
96 666.192 15 15 3256
97 657.395 15.1 15.4 3268
98 631.598 14.7 14.6 3057
99 638.799 15 15.1 3155
100 649 15.2 15.3 3287
Ejercicios:
a) Verificar si la fuerza ejercida por los electrodos Stat > Time Series Plot: Simple
se ha mantenido estable
b) Verificar si existe correlaciónn entre fuerza y Graph > Scatterplot: Simple

resistencia Y = C5 X = C2
c) Crear una columna adicional de 50 unos y 50 dos Calc > Make Patterned Data > Simple Se
1 2 1 50 1
d) Probar si hay diferencia en las medias entre los Stat > Basic Statistics > 2 -Sample t
primeros 50 datos y los últimos 50 de carga (kg) Samples in a column
Samples 'Carga rot. (kg)' Subscripts
Graphs seleccionar Individual value Plot
e) ¿Puede decirse que los amperímetros Bosch y Stat > Basic Statistics > Paired t
Miyashi miden de manera diferente la corriente? Samples in different columns
First Sample Int._Bosch
Second Sample Int._Miy
ARCHIVO PIEZA_U.MTW
Una pieza en U tiene una dimensión crítica X. Las piezas se someten Ejercicios
a un tratamiento térmico y se desea saber si se afectan sus dimensiones
antes y después. El valor nominal de X es de 12 + - 0.1 mm. a) Hacer una columna de dife
Colocación en horno
Pieza Antes Despues Bandeja
1 12.01 12.02 1
2 12.02 12.06 1 b) Hacer una comparación d
3 12.01 12.02 1
4 11.99 11.98 1
5 11.99 12.02 1
6 12 12.05 1 c) Con un análisis ANOVA pr
7 11.99 12.01 1
8 12.01 12.01 1
9 11.99 12 1
10 11.99 12.05 1
11 12.01 12 1
12 12.02 12.05 1
13 12.03 12.02 1
14 12 12.05 1
15 11.97 11.96 1
16 12 12.01 1
17 11.96 11.98 1
18 12 12 1
19 11.99 12.03 1
20 12.05 12.11 1
21 12.03 12.04 2
22 11.98 12.04 2
23 11.96 11.97 2
24 11.98 11.98 2
25 12.05 12.12 2
26 12.02 12.01 2
27 11.99 12.04 2
28 12.03 12.01 2
29 12.01 12 2
30 12 12.04 2
31 12.06 12.09 2
32 12.01 12.01 2
33 12.01 12.03 2
34 12 12.02 2
35 11.97 11.96 2
36 12.01 12.05 2
37 12.03 12.06 2
38 11.96 12.05 2
39 11.97 11.96 2
40 11.96 11.98 2
41 11.96 11.96 3
42 11.98 12.03 3
43 12.03 12.1 3
44 12 12.06 3
45 11.94 11.97 3
46 11.96 11.97 3
47 11.99 12.05 3
48 12.03 12.04 3
49 11.98 11.97 3
50 12.04 12.07 3
51 12.01 12.07 3
52 11.99 12.03 3
53 11.97 11.97 3
54 12 12.03 3
55 12.02 12.05 3
56 12.01 11.98 3
57 12 12.07 3
58 12 11.98 3
59 12 12.09 3
60 11.99 12.07 3
61 11.97 11.97 4
62 11.98 12 4
63 12 12.07 4
64 11.95 12.02 4
65 12 11.98 4
66 12 11.98 4
67 11.99 11.99 4
68 12.03 12.08 4
69 11.99 12.01 4
70 12.03 12.06 4
71 12.03 12.1 4
72 12.01 12.06 4
73 12.03 12.01 4
74 11.99 12.04 4
75 11.98 12.04 4
76 11.95 12.02 4
77 12.05 12.09 4
78 11.99 12 4
79 12.01 12.05 4
80 12 12.04 4
81 12.03 12.1 5
82 11.97 12.05 5
83 11.98 12.04 5
84 11.97 12.02 5
85 11.99 12.04 5
86 12.02 12.03 5
87 11.98 12.06 5
88 12 12.06 5
89 12.02 12.08 5
90 12 12.08 5
91 11.94 12.02 5
92 11.97 12 5
93 12 12.08 5
94 12 12.08 5
95 11.95 12.04 5
96 11.98 12.03 5
97 11.99 12.07 5
98 12 12.07 5
99 11.99 12.02 5
100 11.97 12.05 5
DATOS REMACHES.MTW
Los remaches para construcción deben soportar esfuerzos cortantes.

Se pide una resitencia mínima de 2,500 psi con una desv. Estándar de 20 psi
Ejercicios
a) ¿Cuál debe ser la media si se tolera un 2.5% de defectivo? Calc > Probability distributions > Norma
Cummulative probability
b) Cierto montaje con 20 remaches exige que al menos 15 tengan Mean 2540 Std. Dev. 20 input constant 25
su resistencia por arriba del mínimo establecido. Si se fabrican con
una resistencia media de 2525 psi. ¿Cuál es la probabilidad de que el Calc > Probability Distributions > Binomial
montaje se comporte correctamente? Cummulative probability
Number of trials 20 Input constant 5
DATOS ALMENDRAS.MTW
Se decide lanzar al mercado una línea de productos Light Stat > Basic statistics > 2-Sample t
A un 95% de nivel de confianza se puede decir que la nueva Smaples in different columns
Variedad tiene menos grasa: First Actual
Actual Nueva Second Nueva
27 26.8 Options: Alternate Greater than
26.9 27
27.3 26.9
27.2 27.1
27.1 26.8 ARCHIVO FLECHA.MTW
Se fabrican piezas de plástico en forma de

inyectoras A y B con 4 cavidades cada una
Ejercicios
Def Maq A Def Maq B
a) Distribución de defectos en las máquinas Deformacion Decoloracion
Deformacion Deformacion
Stat > Quality Tools > Pareto chart Deformacion Mancha
Seleccionar Chart defects data in Def Maq A o B Deformacion Raya
Fractura Mancha
Decoloracion Raya
b) Comparar las máquinas y cavidades y sacar conclusiones Deformacion Raya
Una columna para las resitencias de ambas máquinas Deformacion Fractura
Data > Stack > Columns Mancha Decoloracion
Stack the following columns 'Res Maq A' 'Res Maq B' Deformacion Raya
Sel. Column of current worksheet 'Res Maq A&B' Fractura Mancha
Store subscripts in Maquina Mancha Raya
Mancha Raya
Una columna para las cavidades de ambas máquinas Deformacion Raya
Data > Stack > Columns Deformacion Raya
Stack the following columns 'Cavidad' 'Cavidad' Deformacion Deformacion
Sel. Column of current worksheet 'Cavidad A&B' Mancha Raya
Store subscripts in Maquina Deformacion Mancha
Deformacion Mancha
Comparar cavidades Fractura Rebaba
Graph > Scatterplot: With groups Fractura Fractura
Y = 'Res A&B' X='Cavidad A&B' Decoloracion Raya
Categorical variables Maquina Mancha Raya
Deformacion Raya
c) Hacer un Análisis de varianza de dos vías Mancha Raya
Fractura Raya
Stat > ANOVA > Two way Fractura Mancha
Response 'Res A&B' Mancha Raya
Row factor Maquina Display Means Decoloracion Mancha
Column Factor 'Cavidad A&B' Display Means Decoloracion Raya
Deformacion Otros
Deformacion Raya
Decoloracion Raya
Deformacion Mancha
Deformacion Raya
Decoloracion Raya
Decoloracion Raya
Deformacion Decoloracion
Mancha Raya
Deformacion Deformacion
Mancha Otros
Mancha Raya
Rebaba Rebaba
Deformacion Raya
Fractura Raya
Mancha Deformacion
Deformacion Raya
Mancha Raya
Deformacion Rebaba
Otros Raya
Mancha Mancha
Fractura Fractura
Deformacion Raya
Raya Rebaba
Decoloracion Raya
Deformacion Raya
Deformacion Mancha
Deformacion Otros
Decoloracion Decoloracion
Mancha Fractura
Mancha Decoloracion
Deformacion Mancha
Deformacion Raya
Otros Mancha
Decoloracion Mancha
Decoloracion Raya
Mancha Raya
Raya Raya
Fractura Raya
Decoloracion Raya
Mancha Rebaba
Deformacion Raya
Mancha Mancha
Deformacion Raya
Deformacion Raya
Deformacion Raya
Deformacion Raya
eries Plot: Simple Mancha Decoloracion
Deformacion Raya
erplot: Simple Fractura Raya
Raya Raya
Patterned Data > Simple Set of Numbers Deformacion Raya
Mancha Mancha
Mancha Raya
tatistics > 2 -Sample t Mancha Raya
Deformacion Fractura
a rot. (kg)' Subscripts C6 Decoloracion Rebaba
onar Individual value Plot Deformacion Fractura
Fractura Decoloracion
tatistics > Paired t Mancha Raya
erent columns Decoloracion Raya
Raya Raya
Deformacion Raya
Deformacion Raya
Deformacion Raya
Mancha Raya
Deformacion Raya
Mancha Raya
) Hacer una columna de difeencias después - antes y un diagrama de puntos Mancha Raya
Deformacion Raya
Graph > Dotplot: Simple Deformacion Raya
) Hacer una comparación de medias pareadas y concluir Deformacion Mancha
Deformacion Raya
Stat > Basic Statistics > Paired t Decoloracion Raya
Deformacion Raya
) Con un análisis ANOVA probar si la bandeja tiene alguna influencia Mancha Raya
Raya Raya
Stat > ANOVA > One Way Mancha Decoloracion
Mancha Decoloracion
Mancha Fractura
Fractura Raya
Deformacion Raya
Mancha Raya
Decoloracion Raya
Decoloracion Raya
Deformacion Raya
Raya Raya
Decoloracion Raya
Raya Raya
Raya Raya
Mancha Raya
Deformacion Mancha
Mancha Mancha
Deformacion Raya
Deformacion Raya
Deformacion Raya
Raya Otros
Deformacion Raya
Deformacion Raya
Deformacion Raya
Mancha Fractura
Raya Decoloracion
Deformacion Rebaba
Mancha Mancha
Deformacion Raya
Otros Decoloracion
Raya Decoloracion
Mancha Raya
Fractura Raya
Deformacion Raya
Mancha Rebaba
Raya Raya
Fractura Raya
Deformacion Raya
Fractura Mancha
Raya Deformacion
Deformacion Raya
Mancha Raya
Rebaba Fractura
Deformacion Mancha
Fractura Mancha
Deformacion Mancha
Deformacion Raya
Mancha Raya
Deformacion Raya
Fractura Raya
Rebaba Mancha
Raya Raya
Raya Raya
Deformacion Mancha
Decoloracion Mancha
Fractura Raya
Deformacion Raya
Mancha Raya
Raya Raya
Fractura Mancha
Deformacion Raya
Mancha Mancha
Mancha Raya
Raya Raya
Deformacion Raya
Otros Raya
Deformacion Mancha
Deformacion Raya
Fractura Otros
Decoloracion Mancha
Mancha Raya
Mancha
Rebaba
Deformacion
Deformacion
Fractura
Raya
Deformacion
Mancha
Deformacion
Deformacion
Mancha
Fractura
Decoloracion
Deformacion
Deformacion
Deformacion
Deformacion
Deformacion
Mancha
Raya
REGRESIÓN LINEAL
PARA OBTENER LA ECUACIÓN Y ANÁLISIS
En Minitab
> Stat > Regression > Regression
Seleccionar Response = Columna de las Y's
Seleccionar Predictors = Columnas de las Xs
bility distributions > Normal OK
d. Dev. 20 input constant 2500 GRAFICO DE REGRESION EN EXCEL

Seleccionar el rango X y Y
lity Distributions > Binomial Seleccionar el asistente de Gráficos
Seleccionar gráfica X Y de dispersión
s 20 Input constant 5 Al finalizar seleccionar con el ratón puntos de la gráfica
Con botón derecho del ratón Indicar Agregar Línea de Tendencia
Seleccionar Lineal o Polinomial
En Opciones Seleccionar Mostrar Ecuación en carta
tatistics > 2-Sample t y Mostrar valor de R2
erent columns
Título: Ejemplo
3.5
ate Greater than
3
f(x) = 0.2176704498x + 1.1177077293
2.5 R² = 0.9572035263
2
1.5
LECHA.MTW
1
zas de plástico en forma de flecha en dos máquinas 0.5
B con 4 cavidades cada una (C5) 0
Resistencia a la tracción 1 2 3 4 5 6 7 8
Res Maq A Res Maq B Cavidad
39 39 1 PARA OBTENER EL MODELO GRÁFICO DE REGRESIÓN
40 40 2 En Minitab
41 41 3 > Stat > Regression > Fitted Line Plot
38 38 4 Seleccionar Response (Y) = Columna de las Y's
37 37 1 Seleccionar Predictor (X) = Columna de la X
38 38 2 Seleccionar Type of Regression model:
42 42 3 Linear; Quadratic; Cubic
40 40 4
42 42 1
37 37 2 >Stat >Regression > Regression
40 40 3 Response - Y Predictors - X
42 42 4 Options - Pred. Interval New Obs. 4.5 Conf. Level 95
35 39 1 / Conf. Limits /Prediction Limits
40 40 2 Results - In addition, full table of fits and residuals
43 41 3
41 38 4 Ver valores p para el coeficiente de X si es menor de 0.05 si existe
40 37 1 la pendiente y la regresión
38 38 2
42 42 3 Ver cuanto vale R (coeficiente de regresión) y R2 (coeficiente de deter
38 40 4 variación explicada de la regresión.
42 42 1
36 37 2 Ver el intervalo de confianza e intervalo de predicción para el valor X =
44 40 3
37 42 4
36 35 1
40 40 2
43 43 3 >Stat >Regression > Fitted line plot
39 41 4 Response (Y) - Consumo E. Predictor (X) - Ajustes
40 40 1 Model - Cuadratic Options - Display Conf., Pred. Band
39 38 2
39 42 3
38 38 4 REGRESIÓN CUADRÁTICA
42 42 1
41 36 2 X Y
44 44 3 Ajustes de Consumo
39 37 4 máquinas de Energía
38 36 1 11.15 21.6
35 40 2 15.7 4
43 43 3 18.9 1.8
39 39 4 19.4 1
40 40 1 21.4 1
40 39 2 21.7 0.8
41 39 3 25.3 3.8
40 38 4 26.4 7.4
40 42 1 26.7 4.3
42 41 2 29.1 36.2
43 44 3
36 39 4 Resultados:
41 38 1
37 35 2 Ver las bandas de confianza y de predicción
44 43 3 para un cierto valor de Xo y un nivel de confianza.
35 39 4
38 40 1
36 40 2
40 41 3
38 40 4
44 40 1
40 42 2
45 43 3
40 36 4
Decoloracion
Decoloracion
Decoloracion
Decoloracion
Decoloracion
Decoloracion
Decoloracion
Decoloracion
Decoloracion
Decoloracion
Decoloracion
Decoloracion
Decoloracion
Decoloracion
Decoloracion
Decoloracion
Regression Analysis: Y versus X
X Y The regression equation is
4.1 2.1 Y = 1.12 + 0.218 X
2.2 1.5
2.7 1.7 Predictor Coef SE Coef T P
6 2.5 Constant 1.1177 0.1093 10.23 0.000
8.5 3 X 0.21767 0.01740 12.51 0.000
4.1 2.1
9 3.2 S = 0.1274 R-Sq = 95.7% R-Sq(adj) = 95.1%
8 2.8
7.5 2.5 Analysis of Variance
Source DF SS MS F P
Regression 1 2.5419 2.5419 156.56 0.000
de la gráfica Residual Error 7 0.1136 0.0162
ar Línea de Tendencia Total 8 2.6556
ostrar Ecuación en carta Obs X Y Fit SE Fit Residual St Resid
9 7.50 2.5000 2.7502 0.0519 -0.2502 -2.15R
R denotes an observation with a large standardized residual
plo
Regression Plot
Y = 1.11771 + 0.217670 X
S = 0.127419 R-Sq = 95.7 % R-Sq(adj) = 95.1 %

93
3.0
2.5
Y
6 7 8 9 10 2.0
DE REGRESIÓN
1.5
2 3 4 5 6 7 8 9
Resultados:
Y = 1.12+0.18 X
onf. Level 95
REGRESIÓN MÚLTIPLE
menor de 0.05 si existe
X1 X2 X3 Y
Este Sur Norte Temp. De Flux
n) y R2 (coeficiente de determinación) 33.53 40.55 16.66 271.8
36.5 36.19 16.46 264
34.66 37.31 17.66 238.8
predicción para el valor X = 8.2 33.13 32.52 17.5 230.7
35.75 33.71 16.4 251.6
34.46 34.14 16.28 257.9
34.6 34.85 16.06 263.9
35.38 35.89 15.93 266.5
35.85 33.53 16.6 229.1
tor (X) - Ajustes 35.68 33.79 16.41 239.3
splay Conf., Pred. Bands 35.35 34.72 16.17 258
al 95% 35.04 35.22 15.92 257.6
34.07 36.5 16.04 267.3
32.2 37.6 16.19 267
34.32 37.89 16.62 259.6
31.08 37.71 17.37 240.4
35.73 37 18.12 227.2
34.11 36.76 18.53 196
34.79 34.62 15.54 278.7
35.77 35.4 15.7 272.3
36.44 35.96 16.45 267.4
37.82 36.26 17.62 254.5
35.07 36.34 18.12 224.7
35.26 35.9 19.05 181.5
35.56 31.84 16.51 227.5
35.73 33.16 16.02 253.6
36.46 33.83 15.89 263
36.26 34.89 15.83 265.8
37.2 36.27 16.71 263.8
Y = 389 -24.1 Norte + 5.32 Sur +2.12 Este

Ver la p para cada Predictor (debe ser menor a 0.05)
y el valor de R2 coeficiente de determinación - variación explicada
156.56 0.000
esidual St Resid
ndardized residual
mp. De Flux
Un proceso produce 3000 muelles ininterrumpidamente por hora y trabaja de

7:00 a 22:00 h. Se decide implantar el Control estadístico de proceso y para ello
se toman cuatro muelles cada tres horas y se les mide su longitud al aplicar una
fuerza de 1 Kg, la longitud debería estar entre 13.5 y 14.5 cm.
ARCHIVO COLCHONES.MTW
DATOS DE LA PRIMERA SEMANA DATOS DE LA SEGUNDA SEMANA
LONG1 HORA1 DIA1 LONG2 HORA2 DIA2
14.74 7 1 14.21 7 6
14.32 7 1 14.12 7 6
14.58 7 1 13.91 7 6
14.96 7 1 14.17 7 6
13.76 10 1 13.94 10 6
14.18 10 1 14.04 10 6
14.08 10 1 13.74 10 6
13.85 10 1 14.33 10 6
13.77 13 1 13.97 13 6
13.79 13 1 14.17 13 6
13.78 13 1 13.83 13 6
14.32 13 1 14.34 13 6
13.77 16 1 13.67 16 6
13.64 16 1 13.92 16 6
14.22 16 1 14.15 16 6
13.81 16 1 13.94 16 6
14.11 19 1 13.77 19 6
14.06 19 1 14.15 19 6
13.87 19 1 14.25 19 6
13.8 19 1 14.03 19 6
14.01 22 1 14.19 22 6
14.42 22 1 13.71 22 6
14.16 22 1 13.99 22 6
13.84 22 1 14.23 22 6
14.99 7 2 14.17 7 7
14.45 7 2 14 7 7
14.55 7 2 14.17 7 7
14.65 7 2 13.83 7 7
14.45 10 2 13.71 10 7
13.84 10 2 13.97 10 7
13.12 10 2 14.03 10 7
13.98 10 2 14.14 10 7
13.95 13 2 14.17 13 7
14.56 13 2 13.86 13 7
13.93 13 2 14.06 13 7
13 13 2 14.33 13 7
13.95 16 2 14.24 16 7
14.11 16 2 13.87 16 7
14.08 16 2 13.97 16 7
14 16 2 14.27 16 7
13.93 19 2 14.25 19 7
13.93 19 2 13.98 19 7
14.22 19 2 13.84 19 7
13.96 19 2 14.12 19 7
13.75 22 2 13.78 22 7
14.19 22 2 14.07 22 7
14 22 2 14.2 22 7
14.06 22 2 14.17 22 7
13.98 7 3 13.94 7 8
14.76 7 3 13.65 7 8
14.87 7 3 14.22 7 8
14.58 7 3 13.81 7 8
14.3 10 3 14.2 10 8
13.92 10 3 14.7 10 8
13.86 10 3 14.29 10 8
14.05 10 3 14.5 10 8
13.86 13 3 13.99 13 8
13.92 13 3 14.14 13 8
14.26 13 3 13.65 13 8
14.01 13 3 13.73 13 8
14.06 16 3 13.97 16 8
13.94 16 3 14.09 16 8
14.01 16 3 13.68 16 8
13.92 16 3 14.12 16 8
14.05 19 3 13.81 19 8
13.73 19 3 13.96 19 8
13.91 19 3 14.09 19 8
13.97 19 3 14 19 8
14.01 22 3 14.05 22 8
13.71 22 3 13.49 22 8
13.89 22 3 13.92 22 8
13.52 22 3 13.92 22 8
14.89 7 4 13.93 7 9
14.57 7 4 14.13 7 9
14.61 7 4 14.08 7 9
14.57 7 4 13.87 7 9
14.08 10 4 13.93 10 9
14.12 10 4 13.74 10 9
14.13 10 4 13.98 10 9
14.38 10 4 13.87 10 9
13.95 13 4 14.58 13 9
13.28 13 4 13.69 13 9
13.49 13 4 14.14 13 9
14.1 13 4 14.2 13 9
14.16 16 4 13.97 16 9
13.99 16 4 14.3 16 9
14.15 16 4 14.53 16 9
13.99 16 4 13.95 16 9
14.05 19 4 13.75 19 9
14.05 19 4 14.37 19 9
13.82 19 4 13.74 19 9
13.93 19 4 13.57 19 9
14.06 22 4 14.21 22 9
14.01 22 4 14.13 22 9
14.04 22 4 14.13 22 9
14.52 22 4 14.28 22 9
14.9 7 5 13.74 7 10
14.96 7 5 14.12 7 10
15.65 7 5 13.98 7 10
13.81 7 5 14.04 7 10
14.76 10 5 14.2 10 10
14.88 10 5 13.88 10 10
14.34 10 5 14.37 10 10
14.76 10 5 14.02 10 10
13.24 13 5 13.84 13 10
14.2 13 5 13.97 13 10
14.81 13 5 14.02 13 10
14.67 13 5 14.29 13 10
13.62 16 5 13.81 16 10
14.39 16 5 13.77 16 10
14.37 16 5 13.95 16 10
14.81 16 5 14.03 16 10
14.36 19 5 14.21 19 10
13.99 19 5 13.88 19 10
14.51 19 5 14.29 19 10
14.27 19 5 14.05 19 10
14.92 22 5 13.89 22 10
14.87 22 5 14.21 22 10
15.34 22 5 14.01 22 10
13.53 22 5 14.25 22 10
CON DATOS DE LA PRIMERA SEMANA

a) Construir una carta X Media - R Stat > Control Charts > Variable Charts for subgroup
b) Dividir la carta en días para una mejor apreciación Stat > Control Charts > Variable Charts for subgroup
X bar - R Options: Stages: Define stages
c) Recalcular límites de control eliminando los Stat > Control Charts > Variable Charts for subgroup
puntos de las 7:00 AM que son los arranques X bar - R Options: Estimate: Omit the following subg
de la producción donde hay problemas
d) A pesar de que el proceso no está en control Stat > Quality Tools > Capability Analysis > Normal
hacer una determinación de la capacidad del proceso
preliminar y sacar conclusiones
UNA VEZ CORREGIDOS LOS PROBLEMAS PRESENTADOS SE TOMAN NUEVOS DATOS EN LA SEGUNDA
a) Construir una carta X Media - R Stat > Control Charts > Variable Charts for subgroup
b) Recalcular límites de control eliminando el Stat > Control Charts > Variable Charts for subgroup
punto fuera de control 14 X bar - R Options: Estimate: Omit the following subg
c) Hacer una determinación de la capacidad Stat > Quality Tools > Capability Sixpack > Normal
del proceso y concluir X bar - R Options: Display: Display last
d) Hace un análisis más detallado de capacidad Stat > Quality Tools > Capability Analysis > Normal
ARCHIVO PLASTICO_1.MTW
Se producen piezas de plástico con especificaciones de 462 ± 0.5 mm. Se decide controlar esta característica
con una carta de control X-R. Cada hora se toma una muestra de 4 piezas consecutivas, se trabaja de
7:00 a 15:00 Hrs, la primera muestra se toma a las 8AM.
Hora Longitud
8:00 452.04 a) Realizar una carta X - R y sacar conclusiones
8:00 451.97
8:00 451.94 Stat > Control Charts > Variable Charts for subgroups > X bar - R
8:00 452.02 All observations are in one column: Lomgitud, Subgroup sizes 4
9:00 451.91
9:00 451.98
9:00 452.22
9:00 451.9 a) Agregar la media y el rango de cada subgrupo
10:00 452.22
10:00 452.04 Calc > Make Patterned data > Simple Set of Numbers
10:00 451.97 Store patterned data in Dia
10:00 452 First value 1 To last value 5 In steps of 1 List each value 32 List whole
11:00 451.94
11:00 452.01 Stat > Basic statistics > Store descriptive statistics
11:00 451.99 Variables Longitud By Variables Dia Hora
11:00 452.08 Statistics Mean Range
12:00 452.16
12:00 452.12 Copiar las columnas C6 y C7 de PLASTICO_1 a PLASTICO_2
12:00 451.99 de Mean1 y Rango1
12:00 451.77
13:00 452 c) Analizar si existe relación entre las variables del proceso y entre
13:00 452.04 la media y el rango
13:00 452.06
13:00 452 Graph > Matrix Plot: Each Y versus each X: Simple
14:00 452.12 Y variables Mean1 Range1
14:00 452.18 X variables Presión Viscocidad Temperatura
14:00 452.02
14:00 452.03 d) Analizar con más detalle Mean1 vs temperatura
15:00 451.97 Range1 vs Presión
15:00 451.94
15:00 451.93 Graph > Scatterplot: Simple
15:00 451.88
8:00 452.15 e) Hacer una columna con datos que hacen el proceso estable
8:00 452.26 Temperatura entre 119 y 121
8:00 452.36 Presión mayor a los 818 Kg/cm2
8:00 452.29
9:00 452.13 Calc > Calculator
9:00 452.37 Store result in C8
9:00 452.19 Expression:
9:00 452.24 ('Temperatura' < 121) and (´Temperatura' > 119) and
10:00 452.28 ('Presión' > 810)
10:00 452.15
10:00 452.38 Print C8
10:00 452.24 Copiar los valores mostrados en la pantalla de sesión
11:00 452.22
11:00 452.19 En la hoja PLASTICO_1.MTW usamos:
11:00 452.31
11:00 452.09 Calc > Make Patterned Data > Arbitrary Set of Numbers
12:00 452.32 Store patterned data in C8
12:00 452.22 Pegar los valores copiados anteriomente
12:00 452.29
12:00 452.34 Copiar los valores de la longitud que en esta nueva columna tienen 1
13:00 451.93
13:00 451.95 Copy > Columns to columns, Condición C8 = 1
13:00 452.14
13:00 452.03 f) Hacer un estudio de capacidad en PLASTICO_1
14:00 451.95
14:00 452.02 Stat > Quality Tools > Capability Sixpack > Normal
14:00 451.89
14:00 451.85
15:00 452.08
15:00 451.96
15:00 452
15:00 451.96
8:00 452.02
8:00 451.82
8:00 452.23
8:00 451.96
9:00 451.94
9:00 451.81
9:00 451.89
9:00 452.08
10:00 452.07
10:00 451.94
10:00 451.96
10:00 452.12
11:00 452.21
11:00 452.15
11:00 451.96
11:00 451.84
12:00 452.01
12:00 452.04
12:00 451.99
12:00 452.1
13:00 451.98
13:00 452.18
13:00 451.94
13:00 451.97
14:00 452.18
14:00 452.02
14:00 451.86
14:00 451.9
15:00 451.87
15:00 452.05
15:00 451.87
15:00 451.97
8:00 451.88
8:00 451.95
8:00 451.9
8:00 451.84
9:00 451.86
9:00 451.84
9:00 451.82
9:00 451.91
10:00 451.87
10:00 451.78
10:00 451.85
10:00 451.98
11:00 451.9
11:00 451.87
11:00 451.71
11:00 451.7
12:00 452.15
12:00 452.14
12:00 451.9
12:00 451.96
13:00 451.92
13:00 451.92
13:00 451.99
13:00 451.91
14:00 451.98
14:00 451.85
14:00 452.03
14:00 452.19
15:00 451.91
15:00 451.79
15:00 452.01
15:00 451.9
8:00 451.97
8:00 452.07
8:00 452.24
8:00 452.44
9:00 452.29
9:00 452.36
9:00 451.95
9:00 451.82
10:00 452.01
10:00 452.07
10:00 452.14
10:00 452.02
11:00 452.08
11:00 451.91
11:00 451.96
11:00 452.01
12:00 451.85
12:00 451.85
12:00 451.99
12:00 451.79
13:00 451.98
13:00 451.71
13:00 451.82
13:00 451.84
14:00 451.91
14:00 451.99
14:00 452.05
14:00 451.88
15:00 451.85
15:00 451.83
15:00 451.84
15:00 451.85
Se hacen piezas con una dimensión crítica de 7.5 ± 0.1 mm, para med
de milésimas de milimetro. Se deben cumplir la norma de la variabilida
20% del intervalo de tolerancias.
Se toma una muestra de 10 piezas y 3 operarios miden 3 veces cada
ARCHIVO DIAMETRO_MEDIDA.MTW
Pieza Carlos1 Carlos2 Carlos3

1 7.464 7.449 7.454
2 7.443 7.436 7.469
3 7.468 7.453 7.476
4 7.468 7.469 7.464
5 7.451 7.457 7.453
6 7.474 7.455 7.463
7 7.443 7.467 7.454
8 7.436 7.436 7.454
9 7.455 7.463 7.467
10 7.435 7.446 7.461
a) Formar los datos para R&R, una sola columna para cada concepto:
Columna Mediciones
Columna Piezas
Columna Operario
b) Hacer un análisis gráfico preliminar

Sacar conclusiones
c) Hacer un estudio R&R cruzado

Sacar conclusiones
ARCHIVO DIAMETRO_CAPACIDAD_1.MTW
La pieza anterior se debe fabricar para un cliente que exige que el Cp

de donde se toman 5 piezas cada media hora (32 muestras en total).
Muestra Valor 1 Valor 2 Valor 3

1 7.484 7.501 7.489
2 7.495 7.47 7.472
3 7.505 7.505 7.498
4 7.524 7.544 7.49
5 7.484 7.51 7.501
6 7.506 7.505 7.506
7 7.474 7.487 7.506
8 7.49 7.54 7.515
9 7.459 7.521 7.494
10 7.507 7.493 7.534
11 7.504 7.479 7.517
12 7.511 7.52 7.501
13 7.524 7.525 7.475
14 7.488 7.548 7.509
15 7.527 7.486 7.483
16 7.499 7.484 7.509
17 7.51 7.501 7.499
18 7.532 7.533 7.546
19 7.538 7.543 7.463
20 7.552 7.484 7.526
21 7.532 7.522 7.512
22 7.494 7.529 7.543
23 7.54 7.517 7.517
24 7.498 7.517 7.531
25 7.509 7.518 7.534
26 7.51 7.534 7.548
27 7.546 7.52 7.535
28 7.542 7.495 7.517
29 7.575 7.483 7.533
30 7.512 7.53 7.546
31 7.515 7.518 7.549
32 7.535 7.538 7.544
a) ¿Se cumple el Cp > 1.33? Stat > Quality Tools > Capa
Opción: Data are arranged a
Especificaciones 7.4 a 7.6
ARCHIVO DIAMETRO_CAPACIDAD_2.MTW
Cada dia se producen 50 piezas y se verifica la capacidad del proceso

se encuentran en este archivo.
50 valores
7.482 a) Está todo correcto?
7.491
7.536 Stat > Quality Tools > Capability Analysi
7.469 Opción: Data are arranged as - Single colu
7.52 Especificaciones 7.4 a 7.6
7.493
7.533 b) Analizar el comportamiento en carta de
7.514
7.483 Stat > Charts > Variable Charts for Indiv
7.485
7.522
7.53
7.49
7.521
7.535
7.499
7.484
7.503
7.498
7.49
7.464
7.54
7.494
7.558
7.516
7.512
7.469
7.505
7.487
7.496
7.458
7.506
7.478
7.479
7.486
7.503
7.516
7.493
7.509
7.53
7.484
7.513
7.533
7.494
7.508
7.503
7.476
7.506
iable Charts for subgroups > X bar - R 7.502
7.515
iable Charts for subgroups > X bar - R
Define stages DIA1

e: Omit the following subgroups 1 7 13 19 25 30
ability Analysis > Normal
S DATOS EN LA SEGUNDA SEMANA


e: Omit the following subgroups 14
ability Sixpack > Normal

Display last 25 subgroups
ability Analysis > Normal
ARCHIVO PLASTICO_1.MTW
ontrolar esta característica Contiene valores adicionales presión, visocidad y temperatura

ivas, se trabaja de
Fecha Hora Presion Viscosidad Temperatura
11/4/2002 8:00 830.8 41.8 118.4
11/4/2002 9:00 814.1 41.8 120.7
11/4/2002 10:00 818.3 43 120.2
11/4/2002 11:00 820.4 42.1 120.3
for subgroups > X bar - R 11/4/2002 12:00 808.3 42.7 120.6
ud, Subgroup sizes 4 11/4/2002 13:00 827 42.8 121.9
11/4/2002 14:00 821.9 41.3 123.1
11/4/2002 15:00 823 42.2 119.8
11/5/2002 8:00 819.9 42.1 123
11/5/2002 9:00 827.6 43.8 120.6
11/5/2002 10:00 823 43.3 123.5
t of Numbers 11/5/2002 11:00 823.5 41.5 122.5
11/5/2002 12:00 822.1 41.7 121.8
List each value 32 List whole seq. 1 11/5/2002 13:00 822.7 41.4 120.7
11/5/2002 14:00 818.1 41.5 120.7
ve statistics 11/5/2002 15:00 820.4 43.2 121.4
11/6/2002 8:00 805.8 42.4 119.6
11/6/2002 9:00 818.2 42.8 118.9
11/6/2002 10:00 824.8 42.5 120
O_1 a PLASTICO_2 11/6/2002 11:00 807.6 41.5 120.3
11/6/2002 12:00 823.9 40.8 119.8
11/6/2002 13:00 821.1 41.2 120.5
bles del proceso y entre 11/6/2002 14:00 814.8 42 119.6
11/6/2002 15:00 828.7 41.8 119.2
11/7/2002 8:00 825.9 42.4 117.9
11/7/2002 9:00 820.5 40.6 118.6
11/7/2002 10:00 821.6 40.8 118.8
11/7/2002 11:00 825.3 42.8 119
11/7/2002 12:00 824.5 40.8 120.4
11/7/2002 13:00 824.1 41.5 120.9
11/7/2002 14:00 812.1 41.4 120.7
11/7/2002 15:00 819.8 42.5 117.5
11/8/2002 8:00 804.6 42.4 123.9
11/8/2002 9:00 800 43 120.5
n el proceso estable 11/8/2002 10:00 823 42.4 121.7
11/8/2002 11:00 823.2 40.9 121
11/8/2002 12:00 826.2 42.2 119.2
11/8/2002 13:00 820.9 42.8 118.1
11/8/2002 14:00 823.2 42.6 119
11/8/2002 15:00 821.9 42.6 117.3
Temperatura' > 119) and
s en la pantalla de sesión
Set of Numbers
ta nueva columna tienen 1

a de 7.5 ± 0.1 mm, para medir esta cota se usa un micrómetro de resolución
plir la norma de la variabilidad del sistema de medida a 6 sigma inferior al
erarios miden 3 veces cada una en orden aleatorio sin ver sus datos anteriores.
ARCHIVO VISITAS_WEB.M
Describe el número de visitas
Mikel1 Mikel2 Mikel3 Pablo1 Pablo2 Pablo3 página Web durante octubre
7.473 7.472 7.463 7.471 7.468 7.464 indicando también la fecha y
7.487 7.477 7.476 7.479 7.473 7.473 Fecha
7.474 7.472 7.462 7.463 7.468 7.48 10/1/2002
7.484 7.467 7.471 7.471 7.475 7.483 10/2/2002
7.473 7.474 7.469 7.479 7.466 7.468 10/3/2002
7.487 7.454 7.462 7.479 7.472 7.473 10/4/2002
7.487 7.458 7.472 7.471 7.472 7.475 10/5/2002
7.463 7.456 7.468 7.455 7.453 7.462 10/6/2002
7.472 7.464 7.47 7.472 7.463 7.475 10/7/2002
7.471 7.472 7.447 7.456 7.462 7.467 10/8/2002
10/9/2002
olumna para cada concepto: 10/10/2002
10/11/2002
Data > Stack > Columns 10/12/2002
10/13/2002
Calc > Make Patterned Data > Text Values 10/14/2002
Carlos Mikel Pablo 10/15/2002
10/16/2002
Stat > Quality Tools > Gage Study > Gage Run Chart 10/17/2002
10/18/2002
10/19/2002
Stat > Quality Tools > Gage Study > Gage R&R Study (Crossed) 10/20/2002
Tolerancia del proceso = 0.2 Study variation = 5.15 10/21/2002
10/22/2002
10/23/2002
10/24/2002
10/25/2002
cliente que exige que el Cp sea de 1.33. Se fabrican 1920 piezas 10/26/2002
ora (32 muestras en total). 10/27/2002
10/28/2002
Valor 4 Valor 5 10/29/2002
7.503 7.493 10/30/2002
7.483 7.547 10/31/2002
7.503 7.526 11/1/2002
7.515 7.484 11/2/2002
7.518 7.47 11/3/2002
7.515 7.483 11/4/2002
7.526 7.502 11/5/2002
7.536 7.487 11/6/2002
7.544 7.53 11/7/2002
7.539 7.542 11/8/2002
7.501 7.512 11/9/2002
7.483 7.521 11/10/2002
7.517 7.504 11/11/2002
7.489 7.535 11/12/2002
7.533 7.546 11/13/2002
7.499 7.515 11/14/2002
7.505 7.509 11/15/2002
7.517 7.528 11/16/2002
7.558 7.516 11/17/2002
7.496 7.517 11/18/2002
7.5 7.512 11/19/2002
7.474 7.512 11/20/2002
7.531 7.489 11/21/2002
7.56 7.533 11/22/2002
7.545 7.515 11/23/2002
7.487 7.518 11/24/2002
7.541 7.513 11/25/2002
7.557 7.539 11/26/2002
7.53 7.551 11/27/2002
7.535 7.553 11/28/2002
7.528 7.541 11/29/2002
7.538 7.547 11/30/2002
Stat > Quality Tools > Capability Sixpack > Normal

Opción: Data are arranged as - Subgroups across rows of a) Hacer un análisis explorat
Especificaciones 7.4 a 7.6
b) Eliminar los puntos 10 y d
ca la capacidad del proceso, los datos para un cierto día c) Hacer estudio de capacida
sacar conclusiones
Tools > Capability Analysis > Normal

re arranged as - Single column size 50
omportamiento en carta de control
> Variable Charts for Individuals > I-MR

ARCHIVO VISITAS_WEB.MTW
Describe el número de visitas recibidas en una
ágina Web durante octubre y noviembre de 2002
ndicando también la fecha y día de la semana
Dia semana Visitas
M 73
Mi 69
J 60
V 68
S 27
D 38
L 69
M 75
Mi 66
J 146
V 117
S 79
D 64
L 70
M 66
Mi 67
J 63
V 68
S 44
D 41
L 78
M 91
Mi 59
J 66
V 73
S 39
D 40
L 64
M 78
Mi 75
J 69
V 75
S 26
D 43
L 59
M 67
Mi 89
J 50
V 63
S 32
D 32
L 70
M 78
Mi 66
J 78
V 64
S 40
D 42
L 70
M 81
Mi 65
J 66
V 76
S 34
D 32
L 60
M 63
Mi 68
J 74
V 59
S 44
) Hacer un análisis exploratorio de datos Stat > Time Series > Time series plot
) Eliminar los puntos 10 y de fines de semana Data > Copy > Columns to columns
Subset the data Rows that match "Dia semana" = "S" or "Dia semana"="D" or Fecha
Substituir valores fuera de control de anuncios por *
) Hacer estudio de capacidad por Poisson Stat > Quality Tools > Capability Analysis > Poisson
acar conclusiones
CARTAS DE CONTROL
CARTAS DE CONTROL POR VARIABLES DE MEDIAS RANGOS

En Minitab
> Stat > Control Charts > Xbar R
Seleccionar Single column = indicar la Columna de datos
Subgroup size = Indicar el tamaño del subgrupo (5 comun)
Seleccionar Subgroup across rows of = indicar las Columnas de datos
Proveedor 1
598 599.4 598.8 599
599.8 599.4 598.8 599.8
600 600 599.8 600.8
599.8 598.8 599.2 598.8
600 599.2 599.4 598.2
600 599.4 600 600
598.8 599.6 600.2 599.2
598.2 599 600.2 599.8
599.4 599.2 599.6 601.2
599.6 600.6 599 600.4
CARTAS DE CONTROL POR VARIABLES DE LECTURAS INDIVIDUALES

En Minitab
> Stat > Control Charts > Xbar R
Seleccionar Variable = indicar la Columna de datos
OK
CARTAS DE CONTROL POR ATRIBUTOS PARA FRACCION DEFECTIVA

En Minitab
> Stat > Control Charts > P
Seleccionar Variable = indicar la Columna de Productos defectivos
Seleccionar Subgroup size = Tamaño de muestra constante ó
Seleccionar Sugroups in = Columna de tamaños de muestra variables
OK
D n
Defectivos Muestras
20 98
18 104
14 97
16 99
13 97
20 102
21 104
14 101
6 55
6 48
Promedio = 72
CARTAS DE CONTROL POR ATRIBUTOS DE NÚMERO DE DEFECTIVOS

En Minitab
> Stat > Control Charts > NP
Seleccionar Variable = indicar la Columna de Productos defectivos
Seleccionar Subgroup size = Tamaño de muestra constante
que corresponde aprox. al promedio de las muestras
OK
Usando un tamaño de muestra constante de 72
CARTAS DE CONTROL PARA NÚMERO DE DEFECTOS

En Minitab
> Stat > Control Charts > u
Seleccionar Variable = indicar la Columna de Defectos
Seleccionar Subgroup size = Tamaño de muestra constante
que corresponde aprox. al promedio de las muestras
OK
"Dia semana"="D" or Fecha = Date("10/01/2000")
Defectos
2 4 3 4
4 3 2 2
1 5 4 3
1 2 3 6
4 1 2 4
5 1 3 0
2 2 5 1
1 3 1 2
2 2 4 3
4 4 3 1
CARTAS DE CONTROL PARA DEFECTOS POR UNIDAD

En Minitab
> Stat > Control Charts > C
Seleccionar Variable = indicar la Columna de Defectos
Seleccionar Subgroup size = Tamaño de muestra constante ó
Seleccionar Sugroups in = Columna de tamaños de muestra variables
OK
Xbar/R Chart for Proveedor 1
600.5
UCL=600.3
Sample Mean
Opcional 599.5 Mean=599.5
LCL=598.8
lumna de datos Subgroup

598.5
0 10 20
grupo (5 comun)
3 UCL=2.876
dicar las Columnas de datos
Sample Range
2
R=1.36
1
0 LCL=0
600.2 599 599.4 599.6 599.6 599.4

599.6 599.6 599 599.2 601.2 600
599.6 599.4 598.4 599.6 599.6 600
599.6 599.2 599 600.2 600.2 599.2
600.2 597.8 599.6 599.8 600 599.4
599.2 600.4 598.8 599.6 600 599.6
599 599.6 599.2 600 599.4 599.8
599.6 600 599.6 599.6 599.8 599
600.4 600.8 598.6 599.2 599.2 599.6
600 600.4 599.8 598.6 599.6 599.4
I and MR Chart for Proveedor 1
601.5 1 1
UCL=601.2
Indiv idual Value
600.5
RAS INDIVIDUALES 599.5 Mean=599.5
598.5
LCL=597.9
597.5 1
Subgroup 0 50 100
3
1
Mov ing Range
1
2 UCL=2.000
1
R=0.6121
0 LCL=0
CCION DEFECTIVA
P Chart for Defectiv
de Productos defectivos UCL=0.3235

0.3
muestra constante ó
maños de muestra variables
Proportion
0.2
P=0.1622
0.1
0.0 LC L=8. 99E-04
D n 0 10 20
Sample Number
Defectivos Muestras
7 50
7 53
9 56
5 49
8 56
9 53
9 52
10 51
NP Chart for Defectiv
9 52
10 47 1
UCL=20.89
20
Promedio = 72
Sample Count
O DE DEFECTIVOS
NP=11.55
10
de Productos defectivos
muestra constante LCL=2.208
omedio de las muestras 0
0 10 20
Sample Number
tra constante de 72
C Chart for Defectos
8
UCL=7.677
7
6
Sample Count
5
de Defectos 4
muestra constante 3 C=2.725
omedio de las muestras 2
1
0 LCL=0
0 10 20 30 40
Sample Number
Si se considera n = 2 se tiene:
U Chart for Defectos
4
UCL=3.839
3
Sample Count
U=1.363
1
0 LCL=0
0 10 20 30 40
Sample Number
Sample Count
2
U=1.363
1
0 LCL=0
de Defectos 0 10 20 30 40
muestra constante ó Sample Number
maños de muestra variables
APLICACIONES DEL MÓDULO 6. DISEÑO DE EXPERIMENTOS
CARTAS MULTIVARI
En Minitab c)
> Stat > Quality Tools > Multivari Charts Tiempo de Tipo de
Seleccionar Response = Columna de la variable de respuesta (Y) Templado Metal Resistencia
Seleccionar Factors 1 al 4 = Columnas de datos de los factores de interés (Xi's) 1 18 22
OK 1 21 20
1 21 19
a) b) 1 21 22
Tiempo de Tipo de Tiempo de Tipo de 2 15 18
Templado Metal Resistencia Templado Metal Resistencia 2 15 18
0.5 15 23 0.5 21 18 2 15 16
0.5 15 20 0.5 21 21 2 18 21
0.5 15 21 1 15 22 2 18 23
0.5 18 22 1 15 20 2 18 20
0.5 18 19 1 15 19 2 21 20
0.5 18 20 1 18 24 2 21 22
0.5 21 19 1 18 25 2 21 24
DISEÑOS DE EXPERIMENTOS
1. Se está estudiando el rendimiento para un proceso industrial, los dos factores de interés son
temperatura y presión. Se utilizan tres niveles de cada factor, con los resultados siguientes:
Presión en libras / pulg. 2

Temperatura 250 260 270
20 86.3 84 85.8
86.1 85.2 87.3 Temperatura Presion Rendimiento
40 88.5 87.3 89 20 250 86.3
89.4 89.9 90.3 20 260 84
60 89.1 90.2 91.3 20 270 85.8
91.7 93.3 93.7 40 250 88.5
40 260 87.3
Para un nivel alfa de 0.05 40 270 89
a) Determinar los valores P correspondientes a los factores principales y las interacc 60 250 89.1
y establecer conclusiones 60 260 90.2
60 270 91.3
b) Determinar tres valores estimados de Y y tres residuos del modelo 20 250 86.1
20 260 85.2
c) Hacer una prueba de normalidad de los residuos estandarizados 20 270 87.3
40 250 89.4
d) Determinar los efectos de los factores principales y de las interacciones 40 260 89.9
40 270 90.3
e) Obtener las gráficas factoriales e identificar en cuales seleccionar los diferentes ni 60 250 91.7
60 260 93.3
f) Si se quiere maximizar el rendimiento, ¿en que niveles conviene operar el proceso 60 270 93.7
2. Se realiza un experimento para estudiar el efecto del porcentaje de carbonatación,

presión de operación del llenador y velocidad de la línea, en la altura de llenado de un refresco
minimizando la desviación respecto al estándar.
Nivel bajo -1 Nivel alto1

A - Porcentaje de carbonatación 30 40
B - Presión del llenador (psi) 100 150
C - Velocidad de llenado (Botellas/m 60 100
Los resultados de las desviaciones en la respuesta media se muestran a continuación:
Porc Carb Presion Velocidad Altura llenado

Tratamiento A B C Réplica 1 Réplica 2 30 100 60 -3
(1) -1 -1 -1 -3 -1 40 100 60 0
a 1 -1 -1 0 1 30 150 60 -1
b -1 1 -1 -1 0 40 150 60 2
ab 1 1 -1 2 3 30 100 100 -1
c -1 -1 1 -1 0 40 100 100 2
ac 1 -1 1 2 1 30 150 100 1
bc -1 1 1 1 1 40 150 100 6
abc 1 1 1 6 5 30 100 60 -1
40 100 60 1
Para un nivel alfa de 0.05 30 150 60 0
40 150 60 3
Hacer un análisis del Diseño 2K Factorial completo por medio de Minitab y contestar : 30 100 100 0
las preguntas siguientes: 40 100 100 1
30 150 100 1
a) Determinar los valores P correspondientes a los factores principales

y las interacciones y establecer conclusiones
b) Identificar en las graficas normal y Pareto de efectos principales e interacciones
cuales son los significativos
c) Determinar los valores Y estimados y los residuos del modelo
d) Hacer una gráfica de probabilidad normal de los residuos con franjas en 95% y concluir
e) Determinar los efectos de los factores principales y de las interacciones
f) Determinar la ecuación de regresión de la tabla de coeficientes.
g) Obtener las gráficas factoriales e identificar en cuales seleccionar los diferentes niveles
h) Para minimizar la desviación respecto al estándar, ¿en que niveles conviene operar el proceso?
i) Obtener las gráficas de contornos y de superficie de respuesta y establecer conclusiones
3. Se realiza un diseño de experimentos para estudiar el efecto de los factores en el sabor de ciertas galletas
Las galletas se le presentan a 4 páneles de personas para su evaluación, quienes califican con un cuestionario.
Nivel bajo Nivel alto Unidades

A- Material de charola 1 2 Tipo
B- Tiempo de horneo 20 30 Minutos
C- Cantidad de mantequi 3 6 %
Los resultados de los experimentos se muestran a continuación:
Tratamiento Panel 1 Panel 2 Panel 3 Panel 4

(1) 11 9 10 10
a 15 10 16 14
b 9 12 11 11
ab 16 17 15 12
c 10 11 15 8
ac 16 18 16 17
bc 10 12 13 10
abc 15 12 15 13
Hacer un análisis del Diseño 2K y contestar las preguntas siguientes para un nivel de confianza del 95%:
a) Hacer una gráfica de probabilidad normal de los residuos con franjas en 95% y concluir
b) Determinar los efectos de los factores y sus interacciones. Indicar cuales son significativos en base al valor P
Efectos Coeficientes Valor P Conclusión
A
B
C
AB
AC
BC
ABC
c) Determinar la ecuación de regresión de la tabla de coeficientes con valores no codificados.

d) Determinar los valores Y estimados y los residuos del modelo no codif. correspondientes a 3 valores observados
Y observad Y estimado Residuo
e) Identificar en las graficas normal y Pareto de efectos principales e interacciones los que son significativos
f) Obtener las gráficas factoriales e identificar en qué niveles operar el proceso para maximizar la calificación
Indicar si se seleccionan los niveles de las gráficas de interacción o de faltores principales y por qué
Anexar las gráficas factoriales de Minitab donde se indiquen los niveles seleccionados
g) Obtener las gráficas de contornos y de superficie de respuesta e indicar hacia adonde seguir experimentando
Anexar la gráfica de contornos indicando la dirección de experimentos posteriores

CORRIDA EN MINITAB TOMANDO DE UN DISEÑO DE EXPERIMENTOS 2K (6.5)
Se usa un Router para hacer los barrenos de loc. de una placa de circuito impreso. La vibración es fuente principal de variación.
La vibración de la placa a ser cortada depende del tamaño de los barrenos (A1 = 1/16" y A2 = 1/8") y de la velocidad de corte
(B1 = 40 RPMs y B2 = 90 RPMs). La variable de respuesta se mide en tres acelerómetros A,Y,Z en cada uno de los circuitos impresos.
Los resultados se muestran a continuación.
Not. Montgomery Niveles Niveles Respuesta Vibración

Combinación Codificados Reales Réplica
A B Trat. A B A B I II III IV
- - (1) -1 -1 0.063 40 18.2 18.9 12.9 14.4
+ - a 1 -1 0.125 40 27.2 24.0 22.4 22.5
- + b -1 1 0.063 90 15.9 14.5 15.1 14.2
+ + ab 1 1 0.125 90 41.0 43.9 36.3 39.9
Type of Design: º Two Level Factorial
Number of Factors 2
Designs Full Factorial
Number of Center points 0
Number of replicates: 4
Number of Blocks 1 OK
Factors
Factor Name Type Low High
A Diametro Numeric 0.063 0.125
B Velocidad Numeric 40 90 OK
Factors
Factor Name Type Low High
A Diametro Numeric 0.063 0.125
B Velocidad Numeric 40 90 OK
Options
o Randomize Runs (quitar selección) OK

StdOrderRunOrderCenterPt Blocks DiametroVelocidad Resp

1 1 1 1 -1 -1 18.2
2 2 1 1 1 -1 27.2
3 3 1 1 -1 1 15.9
4 4 1 1 1 1 41.0
5 5 1 1 -1 -1 18.9
6 6 1 1 1 -1 24.0
7 7 1 1 -1 1 14.5
8 8 1 1 1 1 43.9
9 9 1 1 -1 -1 12.9
10 10 1 1 1 -1 22.4
12 12 1 1 1 1 36.3
13 13 1 1 -1 -1 14.4
14 14 1 1 1 -1 22.5
15 15 1 1 -1 1 14.2
16 16 1 1 1 1 39.9
PASO 3 ANALIZAR EL MODELO DEL DISEÑO DE EXPERIMENTOS FACTORIAL COMPLETO
Response Seleccionar la columna de las respuestas Vibración

Terms Pasar todos los términos a Selected terms con >> OK

Response Seleccionar la columna de las respuestas Vibración

Terms Pasar todos los términos a Selected terms con >> OK
Graphs Seleccionar Effects Plots Normal y Pareto Seleccionar Alfa = 0.05
Seleccionar Residual for Plots Standardized o Regular
Seleccionar Residual plots: Normal y vs fits OK
Results Seleccionar º! Full table of fits and residuals in addition to the above
Seleccionar en Display of alias table º! Default interactions
Seleccionar todos los términos a Selected terms con >> OK

OK
Los resultados se muestran a continuación Normal Probability Plot of the Residuals

(response is Vibración)
99
a) CONCLUSIONES EN RESIDUALES 95
90
80
70
Percent
60
50
40
30
20
Residuales vs Y estimada 10
5
deben ser aleatorios
1
y apegarse a la linea de regresión -3 -2 -1 0 1 2 3
Standardized Residual
indicando que se distribuyen en forma
normal y el modelo es válido

(response is Vibración)
2
Los residuales vs Valores de Y estimados
(fits) deben distribuirse de manera aleatoria
1
por arriba y debajo de la linea central

indicando que son independientes de la respuesta
0
-1
-2
15 20 25 30 35 40
Fitted Value
-1
-2
15 20 25 30 35 40
Fitted Value
Los valores de los residuales se calculan comos sigue:
Y(i,j) estimada con la ecauación de regresión para cada combianción de niveles i, j.
Residuales o error e(i,j) = Y(i,j) real observada - Y (i,j) estimada
La tabla de residuales calculada se muestra a continuación:
Obs StdOrder Vibración Fit SE Fit Residual St Resid

1 1 18.2000 16.1000 1.2224 2.1000 0.99
2 2 27.2000 24.0250 1.2224 3.1750 1.50
3 3 15.9000 14.9250 1.2224 0.9750 0.46
4 4 41.0000 40.2750 1.2224 0.7250 0.34
5 5 18.9000 16.1000 1.2224 2.8000 1.32
6 6 24.0000 24.0250 1.2224 -0.0250 -0.01
7 7 14.5000 14.9250 1.2224 -0.4250 -0.20
8 8 43.9000 40.2750 1.2224 3.6250 1.71
9 9 12.9000 16.1000 1.2224 -3.2000 -1.51
10 10 22.4000 24.0250 1.2224 -1.6250 -0.77
11 11 15.1000 14.9250 1.2224 0.1750 0.08
12 12 36.3000 40.2750 1.2224 -3.9750 -1.88
13 13 14.4000 16.1000 1.2224 -1.7000 -0.80
14 14 22.5000 24.0250 1.2224 -1.5250 -0.72
15 15 14.2000 14.9250 1.2224 -0.7250 -0.34
16 16 39.9000 40.2750 1.2224 -0.3750 -0.18
b) CONCLUSIONES EN LA TABLA DE ANOVA
Analysis of Variance for Vibración (coded units)

Main Effects 2 1334.48 1334.48 667.241 111.64 0.000
2-Way Interactions 1 303.63 303.63 303.631 50.80 0.000
Residual Error 12 71.72 71.72 5.977
Pure Error 12 71.72 71.72 5.977
Total 15 1709.83
P <0.05 indica que los efectos principales
y la interacción entre ellos (AB),
son significativos, o sea si tienen influencia
en la respuesta al cambiar sus niveles
C) CONCLUSIONES EN LOS EFECTOS ESTIMADOS Y COEFICIENTES USANDO VALORES REALES DE

LOS NIVELES
Se obtienen los resultados siguientes:
Estimated Coefficients for Vibración using data in uncoded units

Term Coef
Constant 23.0550
Diametro -96.2400
Velocidad -0.372000
Diametro*Velocidad 5.57600
La ecuación de Regresión del modelo se forma considerando unicamente los factores

e interacciones que tienen influencia en la respuesta o sea que son significativos
en este caso todos fueron significativos y la ecuación de regresión es la siguiente:
Yest = 23.0550 - 96.24*Diametro - 0.372*Velocidad + 5.576*Diametro*velocidad
Esta ecuación es válida en valores no codificados de los niveles es decir para A entre 1/16 y 1/8
y B entre 40 y 90, cualquier valor entre estos rangos.
Las gráficas de Efectos principales indican los factores significativos observando los que salen
de la recta normal e incluso se indican sus nombres como sigue (en este caso A, B y AB):
Normal Probability Plot of the Standardized Effects

(response is Vibración, Alpha = .05)
99
Effect Type
Not Significant
95 Significant
90 F actor N ame
A D iametro
80 A B V elocidad
70
Percent
60
50 AB
40
30
20 B
10
1
0 4 8 12 16
Standardized Effect
La gráfica de Pareto de efectos principales muestra cuales son significativos

observando los que exceden la línea roja de nivel alfa (en este caso A, B y AB).
Pareto Chart of the Standardized Effects

(response is Vibración, Alpha = .05)
2.18
F actor N ame
A D iametro
B V elocidad
A
Term
AB
0 2 4 6 8 10 12 14
Standardized Effect
0 2 4 6 8 10 12 14
Standardized Effect
PASO 4. OBTENER LAS GRÁFICAS FACTORIALES PARA IDENTIFICAR LAS MEJORES

CONDICIONES DE OPERACIÓN
a) PROMEDIOS DE LAS RESPUESTAS EN CADA NIVEL DE FACTORES E INTERACCIÓN
Los promedios de la vibración considerando cada uno de los niveles de los factores obtenidos
en el análisis del experimento son:
Para el caso de niveles reales no codificados en (A = 1/16, 1/8 y B = 40 y 90 rpm):

Least Squares Means for Vibración
Mean SE Mean
Diametro
0.0625 15.51 0.8644
0.1250 32.15 0.8644
Velocidad
40 20.06 0.8644
90 27.60 0.8644
Diametro*Velocidad
0.0625 40 16.10 1.2224
0.1250 40 24.03 1.2224
0.0625 90 14.93 1.2224
0.1250 90 40.28 1.2224
b) OBTENCIÓN DE LAS GRÁFICAS FACTORIALES
Las instrucciones son las siguientes:
Stat > DOE > Factorial > Factorial Plots
Seleccionar Main effects, Interaction Plots y Cube Plot
Realizar el Setup para cada una de estas:
Seleccionar columna Respuesta vibración
y con >> seleccionar todos los factores a Selected OK
Seleccionar Data Means OK

La gráficas se muestran a continuación:
La gráfica de Cubo sólo muestra el arreglo experimental en forma gráfica:
Cube Plot (data means) for Vibración
14.925 40.275
1
Velocidad
16.100 24.025
-1
-1 1
Diametro
Se seleccionan los mejores niveles de acuerdo al resultado deseado.
Si la interacción ES significativa, los mejores niveles se seleccionan de gráficas de interacciones
Interaction Plot (data means) for Vibración

Diametro
40 -1
1
35 En este caso como buscamos

una respuesta de menor es mejor
30 para el caso de la vibración
Mean
seleccionamos de los cuatro

25 puntos que forman la
interacción de A y B, el que
20
proporcione la menor
repuesta, en este caso:
15 Velocidad Alta
-1 1 Diametro Bajo
Velocidad
Si la interacción NO es significativa, los mejores niveles se seleccionan de las gráficas

de los factores principales (Main effects): - Lo cual en este caso no aplica.
Main Effects Plot (data means) for Vibración

Diametro Velocidad
32.5
30.0
f Vibración
27.5
25.0
Main Effects Plot (data means) for Vibración
Diametro Velocidad
32.5
30.0
Mean of Vibración
27.5
25.0
22.5
20.0
17.5
15.0
-1 1 -1 1
PASO 5. OBTENCIÓN DE LAS GRÁFICAS DE CONTORNOS Y DE SUPERFICIE DE RESPUESTA
Las instrucciones son las siguientes:
Stat > DOE > Factorial > Contour / Surface Plots
Seleccionar Contour y Surface Plots
Realizar el Setup para cada una de estas:
Seleccionar columna Respuesta vibración
Seleccionar Uncoded units (valores reales) o Codificados OK
OK
La gráfica de contornos indica la combianción de niveles para A y B manteniendo la Y resp. Cosntante.

Sirve para indicar hacia donde se debe seguir experimentando si se quiere mejorar la respuesta,
trazando una recta casi perpendicular a los contornos:
Contour Plot of Vibración vs Velocidad, Diametro

1.0
Vibración
< 15
15 - 20
20 - 25
0.5 25 - 30
30 - 35
35 - 40
> 40
Velocidad
0.0
-0.5
-1.0
-1.0 -0.5 0.0 0.5 1.0
Diametro
La gráfica de Superficie de respuesta nos indica el comportamiento del proceso es decir
como varia la respuesta Y = vibración en función de variaciones con Diametro y Velocidad
Surface Plot of Vibración vs Velocidad, Diametro
40
Vibración 30
20
1
0 Velocidad
-1
0 -1
Diametro 1
CORRIDA EN MINITAB DEL DISEÑO DE EXPERIMENTOS FRACCIONAL DE TAGUCHI
Taguchi ha desarrollado una serie de arreglos para experimentos con factores a dos niveles,
los más utilizados y difundidos según el número de factores a analizar son:
Si el número de factores que Nº de condiciones

se desean analizar es Arreglo a utilizar a probar
Entre 1 y 3 L4 4
Entre 4 y 7 L8 8
Entre 8 y 11 L12 12
Entre 12 y 15 L16 16
Entre 16 y 31 L32 32
Entre 32 y 63 L64 64
Taguchi sugiere utilizar un estadístico que proporcione información acerca de la media y de la variancia
denominado Relación Señal a Ruido (SNR), como la variable de respuesta, se consideran tres tipos principales:
1. Menor es mejor (Smaller is better - s)

2. Mayor es mejor Larger is better - l)
3. Nominal es mejor - (Target is better - t)
Las fórmulas para cada esquema son las siguientes
n 2 1/ ¿ n 2 2
SNRs=−10 log ∑ Yi SNRl=−10 log ∑ Yi SNRt =−10 log s
n
i=1 n ¿
i=1
Donde la SNR se expresa en decibeles y debe ser maximizada
Ejemplo: Optimización de un proceso de soldadura de tarjetas de circuito impreso
Una vez insertados los componentes en una placa de circuito impreso, esta se pasa a una máquina de soldar
donde por medio de un transportador pasa por un baño de flux para eliminar oxido, se precalienta para reducir
la torcedura y se solda. Se diseña un experimento para determinar las condiciones que dan el número mínimo de
defectos de soldadura por millón de uniones. Los factores de control y niveles se muestran a continuación:
Factor Descripción (-1) (+1)

A Temperatura de soldado ºF 480 510
B Velocidad del transportador (ft/ 7.2 10. El arreglo de los factores de control
C Densidad del flux remover oxid 0.9 1.0 se denomina Arreglo interno fraccional 25-2
D Temperatura de precalentado º 150 200
E Altura de ola de soldadura(pulg 0.5 0.6
Además se tienen otros factores denominados factores de ruido que no se pueden o no se quieren controlar
como el tipo de producto. También se pueden considerar factores de ruido las tolerancias de algunos de los
factores críticos en este proceso, en este caso la temperatura de la soldadura varia entre ±5ºF y la velocidad del
transportador entre ± 0.2 ft/min. Esta variabilidad también tiene influencia en la respuesta.
Factor Descripción (-1) (+1)

F Temperatura de soldadura (ºF) -5 5 El arreglo de los factores de ruido
G Velocidad del transportador (ft/ -0.2 +0.2 se denomina Arreglo externo fraccional 23-1
H Tipo de producto en la placa 2 1
El arreglo cruzado de ambos y los valores de las respuestas se muestran a continuación:

En este caso se busca la respuesta Menor es mejor para los defectos de soldadura.
F -1 1 1 -1
Arreglo interno G -1 1 -1 1
H -1 -1 1 1
A B C D E SNR =-10*LOG10(SUMA.CUADRADOS(J69:M69)/4)
-1 -1 -1 -1 -1 186 187 105 104 -43.59
-1 -1 1 1 1 328 326 247 322 -49.76
-1 1 -1 -1 1 234 159 231 157 -45.97
-1 1 1 1 -1 295 216 204 293 -48.15
1 -1 -1 1 -1 47 125 127 42 -39.51
1 -1 1 -1 1 185 261 264 264 -47.81
1 1 -1 1 1 136 136 132 136 -42.61
1 1 1 -1 -1 194 197 193 275 -46.75
Stat > DOE > Taguchi > Create Taguchi Design
2 Level Design
Number of factors 5
Designs L8
OK
Factors (para cambiar nombre de factores y niveles)
o To columns of the array as specified below

o To allow estimation of selected interactions Seleccionar Selected terms AB
Factor Name Level values Column Levels
A Temp sold -1 1 1 2
B Vel. transp. -1 1 2 2
C Densidad flux -1 1 3 2
D Temp precal -1 1 4 2
E Altura de ola -1 1 5 2
o To allow estimation of selected interactions Seleccionar Selected terms AB
Factor Name Level values Column Levels
A Temp sold -1 1 1 2
B Vel. transp. -1 1 2 2
C Densidad flux -1 1 3 2
D Temp precal -1 1 4 2
E Altura de ola -1 1 5 2
OK
Options
o Store design in worksheet OK

A B C D E -F-G-H FG-H F-GH -FGH

-1 -1 -1 -1 -1 186 187.0 105 104
-1 -1 1 1 1 328 326.0 247 322
-1 1 -1 -1 1 234 159.0 231 157
-1 1 1 1 -1 295 216.0 204 293
1 -1 -1 1 -1 47 125.0 127 42
1 -1 1 -1 1 185 261.0 264 264
1 1 -1 1 1 136 136.0 132 136
1 1 1 -1 -1 194 197.0 193 275
PASO 3 ANALIZAR MODELO DE DISEÑO DE EXPERIMENTOS FRACCIONAL DE TAGUCHI
Stat > DOE > Taguchi > Analyze Taguchi Design
Response Data are in - Seleccionar las cuatro columnas de respuestas C6 - C9
Graphs Seleccionar Signal to noise ratios , means, interaction plots in Matrix

Analysis Seleccionar Signal to noise ratios y Means para Response tables y Fit Model
Terms Seleccionar A, B, C, D , E y AB
Options Seleccionar Smaller is better
Analysis Graphs Seleccionar Standardized Residual for plots y Normal Plot
OK
Los resultados se muestran a continuación
a) Gráfica normal de residuos
Normal Probability Plot of the Residuals

Normal Probability Plot of the Residuals (response is SN ratios)
(response is Means)
99
99
95
95
90
90
80
80
70
70
Percent
60
Percent
60 50
50 40
40 30
30
20
20
10
10
5
5
1
1 -3 -2 -1 0 1 2 3
-3 -2 -1 0 1 2 3 Standardized Residual
Indica que le modelo es adecuado
b) Coeficientes y ANOVA para Relaciones Señal a Ruido
Taguchi Analysis: -F-G-H, FG-H, F-GH, -FGH versus A, B, C, D, E
Linear Model Analysis: SN ratios versus A, B, C, D, E
Estimated Model Coefficients for SN ratios
Term Coef SE Coef T P

Constant -45.5183 0.02112 -2154.926 0.000
A -1 -1.3480 0.02112 -63.819 0.010
B -1 0.3503 0.02112 16.583 0.038
C -1 2.6000 0.02112 123.089 0.005Para SNR los cinco factores son significativos
D -1 -0.5119 0.02112 -24.233 0.026a una alfa del 5%
E -1 1.0188 0.02112 48.230 0.013
A*B -1 -1 -0.1589 0.02112 -7.520 0.084
S = 0.05974 R-Sq = 100.0% R-Sq(adj) = 100.0%
Analysis of Variance for SN ratios

A 1 14.5378 14.5378 14.5378 4072.88 0.010
B 1 0.9815 0.9815 0.9815 274.99 0.038
C 1 54.0796 54.0796 54.0796 15150.84 0.005
D 1 2.0961 2.0961 2.0961 587.23 0.026
E 1 8.3030 8.3030 8.3030 2326.15 0.013
A*B 1 0.2019 0.2019 0.2019 56.56 0.084
Residual Error 1 0.0036 0.0036 0.0036
Total 7 80.2035
c) Coeficientes y ANOVA para las medias de los factores
Linear Model Analysis: Means versus A, B, C, D, E
Estimated Model Coefficients for Means

Constant 197.125 3.125 63.080 0.010
A -1 27.500 3.125 8.800 0.072
B -1 -2.125 3.125 -0.680 0.620
C -1 -56.875 3.125 -18.200 0.035 Solo son significativos a un nivel alfa del 5%
D -1 2.625 3.125 0.840 0.555 el factor C y al 10% A, C, E.
E -1 -22.750 3.125 -7.280 0.087
A*B -1 -1 3.125 3.125 1.000 0.500
S = 8.839 R-Sq = 99.8% R-Sq(adj) = 98.5%
Analysis of Variance for Means

A 1 6050.0 6050.0 6050.0 77.44 0.072
B 1 36.1 36.1 36.1 0.46 0.620
C 1 25878.1 25878.1 25878.1 331.24 0.035
D 1 55.1 55.1 55.1 0.71 0.555
E 1 4140.5 4140.5 4140.5 53.00 0.087
A*B 1 78.1 78.1 78.1 1.00 0.500
Residual Error 1 78.1 78.1 78.1
Total 7 36316.1
d) Las respuestas promedio y gráficas factoriales para relación Señal a Ruido son:
¿
Response Table for Signal to Noise Ratios
Smaller is better
Level A B C D E
1 -46.87 -45.17 -42.92 -46.03 -44.50
2 -44.17 -45.87 -48.12 -45.01 -46.54
Delta 2.70 0.70 5.20 1.02 2.04
Rank 2 5 1 4 3
Main Effects Plot (data means) for SN ratios

A B C
-44
-46
Mean of SN ratios
-48 Los factores más significativos son A, C y E.

-1 1 -1 1 -1 1
Seleccionamos para menor es mejor
D E
los que den respuesta Máxima:
-44 A=1
B = -1
-46
C = -1
-48 D=1
-1 1 -1 1 E = -1
Signal-to-noise: Smaller is better
Interaction Plot (data means) for SN ratios

-1 1
A
-44 -1
1
-45
A
Se observan líneas casi paralelas
-46
por lo que no hay interacción significativa entre
-47 los factores A y B
B
-44 Si fuera
-1 significativa de aquí seleccionamos
1
los niveles para A y B
-45
B
-46
-47
-1 1
Signal-to-noise: Smaller is better
d) Las respuestas promedio y gráficas factoriales para los factores principales son:
Main Effects Plot (data means) for Means

A B C
250
225
Se observan como factores significativos
200
A, C y E (considerados para alfa de 10%),
175
seleccionamos para una respuesta mínima:
Mean of Means
150
A=1
-1 1 -1 1 -1 1
D E C = -1
250 E = -1
225
200 Si no coincidieran los niveles en SN y medias

175
150
-1 1 -1 1
250
M
225
200
175 en los factores, se da prioridad a los niveles

150 que maximizen la SNR.
-1 1 -1 1
Interaction Plot (data means) for Means

-1 1
A
220 -1
1
200
A
180
No se observa interacción significativa
160 entre los factores A y B, las líneas
B
220 -1
están casi paralelas
1
200
B
180
160
-1 1
acciones
or es mejor
DISEÑO CENTRAL COMPUESTO DE SUPERFICIE DE RESPUESTA
Un modelo de primer orden es el siguiente:
y=β0 +β1 x1 +β2 x2+...βk xk +ε

Su gráfica de contornos son líneas rectas que nos permiten seguir
experimentando en la trayectoria de ascenso rápido, perpendicular a los contornos
2 Incremento Niveles codificados Niveles reales Respuesta

log s Orig. 8 3.36 75 173 70.4
+8
Orig. 9 3.78 80 175 77.6

+9
Orig.
+10
10 4.20 85 177 80.3
Orig. 11 4.62 90 179 76.2

+11
Orig. 12 5.04 95 181 75.1

+12
+12
Trayectoria de ascenso rápido
En este punto ya no funciona el

modelo lineal anterior, se requiere uno cuadrático
Respuesta
9:M69)/4)
Pasos
Experimentales
Si en ANOVA se indica que un modelo cuadrático es mejor que

uno lineal, el modelo a aplicar es:
k k k−1 k
Y=β 0+ ∑ β i X i + ∑ β ii X 2i + ∑ ∑ β ij X i X j +ε
i=1 i=1 i=1 j=2
El modelo a utilizar en lugar de un rectángulo del diseño lineal, es el

diseño central compuesto con puntos axiales como se muestra abajo:
Puntos axiales en 1.414
Diseño lineal normal
Réplicas en (0,0)
para el error puro
Ejemplo de diseño central compuesto:
Variables reales Proceso Variables Rendimiento

del codificadas
0 Corrida Tiempo (min.) Temp.(ºF) X1 X2 Y2
1 80 170 -1 -1 76.5
2 80 180 -1 1 77.0
3 90 170 1 -1 78.0
4 90 180 1 1 79.5
5 85 175 0 0 79.9
6 85 175 0 0 80.3
7 85 175 0 0 80.0
8 85 175 0 0 79.7
9 85 175 0 0 79.8
8 85 175 0 0 79.7
9 85 175 0 0 79.8
10 92.07 175 1.414 0 78.4

11 77.93 175 -1.414 0 75.6
12 85 182.07 0 1.414 78.5
13 85 167.93 0 -1.414 77.0
Corrida en Minitab:
Paso 1. Crear el diseño de exp. Central Compuesto (CCD)
Stat> DOE > Surface Response > Create Response Surface Design
En Type of Designs seleccionar Central Composite

Number of factors 2
En Designs seleccionar Full Runs 13 Center points 5 Axial 1.414

Number of center points seleccionar Default Value of Alfa Default
Replicates 1
En Factors seleccionar Nombre de los factores y niveles de los mismos
En Options seleccionar NO Randomize runs y Store Design in Worksheet
En Results seleccionar Summary table and Design Table

OK Design Table
Run Blk A B
Central Composite Design 1 1 -1.00000 -1.00000

Factors: 2 Replicates: 1 2 1 1.00000 -1.00000
Base runs: 13 Total runs: 13 3 1 -1.00000 1.00000
Base blocks: 1 Total blocks: 1 4 1 1.00000 1.00000
5 1 -1.41421 0.00000
Two-level factorial: Full factorial 6 1 1.41421 0.00000
7 1 0.00000 -1.41421
Cube points: 4 8 1 0.00000 1.41421
Center points in cube: 5 9 1 0.00000 0.00000
Axial points: 4 10 1 0.00000 0.00000
Center points in axial: 0 11 1 0.00000 0.00000
12 1 0.00000 0.00000
Alpha: 1.41421 13 1 0.00000 0.00000
Paso 2. Cargar los datos de respuesta de los experimentos
StdOrder RunOrder PtType Blocks A B Rendim. Viscocidad

1 1 1 1 -1 -1 76.5 62
2 2 1 1 1 -1 78.0 66
3 3 1 1 -1 1 77.0 57
4 4 1 1 1 1 79.5 59
5 5 -1 1 -1.41421 0 75.6 71
6 6 -1 1 1.41421 0 78.4 68
7 7 -1 1 0 -1.41421 77.0 57
8 8 -1 1 0 1.41421 78.5 58
9 9 0 1 0 0 79.9 72
10 10 0 1 0 0 80.3 69
11 11 0 1 0 0 80.0 68
12 12 0 1 0 0 79.7 70
13 13 0 1 0 0 79.8 71
Paso 3. Analizar el Diseño de superficie de respuesta CCD
Stat> DOE > Surface Response > Analyze Surface Response Design
En Response seleccionar Rendimiento y Coded Units
En Graphs seleccionar Residual Plots o Normal Plot

OK
La gráfica normal
Normal de residuos
Probability Plot of thees la siguiente:
Residuals
(response is Rendim)
99 El modelo es
adecuado
95
90
80
70
Percent
60
50
40
30
20
10
1
-0.50 -0.25 0.00 0.25 0.50
Residual
Los resultados del análisis son:
Response Surface Regression: Rendim versus A, B
The analysis was done using coded units.
Estimated Regression Coefficients for Rendim

Constant 79.9400 0.11896 671.997 0.000
A 0.9950 0.09405 10.580 0.000 SON SIGNIFICATIVOS
B 0.5152 0.09405 5.478 0.001
A*A -1.3762 0.10085 -13.646 0.000
B*B -1.0013 0.10085 -9.928 0.000
A*B 0.2500 0.13300 1.880 0.102
S = 0.2660 R-Sq = 98.3% R-Sq(adj) = 97.0%
La ecuación de regresión es:

Y = 79.94 + 0.995*A + 0.5152*B - 1.3762*A*B - 1.0013*B*B
Analysis of Variance for Rendim

Regression 5 28.2478 28.2478 5.64956 79.85 0.000
Linear 2 10.0430 10.0430 5.02148 70.97 0.000
Square 2 17.9548 17.9548 8.97741 126.88 0.000
Interaction 1 0.2500 0.2500 0.25000 3.53 0.102
Residual Error 7 0.4953 0.4953 0.07076
Lack-of-Fit 3 0.2833 0.2833 0.09443 1.78 0.290
Pure Error 4 0.2120 0.2120 0.05300
Total 12 28.7431
Con el error Lack of Fit se observa que el modelo lineal

no es adecuado, se reuqiere el modelo cuadrático
Stat> DOE > Surface Response > Contour/Response Plots
Seleccionar Contour y Surface plots
En Setup de cada una simplemente entrar y salir

OK
Surface Plot of Rendim vs B, A
80
78
Rendim
76
74 1
0 B
-1 0 -1
A 1
Punto óptimo
A=0, B=0.5
Contour Plot of Rendim vs B, A

Rendim
< 74
74 - 75
1.0
75 - 76
76 - 77
77 - 78
0.5 78 - 79
79 - 80
> 80
0.0
B
< 74
74 - 75
1.0
75 - 76
76 - 77
77 - 78
0.5 78 - 79
79 - 80
> 80
0.0
B
-0.5
-1.0
-1.0 -0.5 0.0 0.5 1.0

A
Se puede ampliar esta respuesta con:
Stat> DOE > Surface Response > Overlaid Contour Plot
Seleccionar Variable de respuesta con >
En Contours establecer el Low 78 y High 84 de la respuesta

OK
Overlaid Contour Plot of Rendim

Rendim
78
84
1.0
0.5
0.0
B
-0.5
-1.0
-1.0 -0.5 0.0 0.5 1.0

A
Paso 5. Optimización de las respuestas
Stat> DOE > Surface Response > Response Optimizer
Seleccionar Variable de respuesta Rendim con >

En Setup poner los valores para la estimación Lower 75 Target 80 Upper 90
En Options indicar los Starting Values de los niveles de los factores 0, 0

OK
Puntos óptimos
Optimal A B
Hi 1.4142 1.4142
D Cur [0.0] [0.1781]
1.0000 Lo -1.4142 -1.4142
Rendim
Targ: 80.0
y = 80.0000
d = 1.0000
El cálculo manual se reaiza como sigue:
 x1 
x 
x   2
... 
 

 xk 
 bˆ1 
 
 bˆ2   0.995
b    0.515
...   
 bˆ 
 k
 bˆ11 , bˆ12 / 2,..., bˆ1k / 2

 
 bˆ / 2, bˆ22 , ....bˆ2 k / 2
  1.376, 0.1250 
B   12    0.1250, 1.001 
   
 matriz.simetrica, bˆ 
  kk
1 1  0.7345, 0.0917   0.995   0.389 

xs   B 1b        
2 2  0.0917, 1.006   0.515  0.306 
1
ˆ s  bˆ0 
y xs b
2
Y = 79.94 + 0.995*A + 0.515B –1.376 A*A – 1.001 B*B + 0.25AB
Con las ecuaciones de la página siguiente el punto máximo óptimo queda

en X1 = 0.389 y X2 = 0.306 Con una respuesta estimada Yest = 80.21
Contour Plot of Y
75
76
1
77
78
Contour Plot of Y
75
76
1
77
78
79
80
0
B
-1
-1 0 1
A
Surface Plot of Y
80.5
79.5
78.5
77.5
Y 76.5
75.5
74.5 1.5
1.0
73.5 0.5
-1.5 -0.5
0.0
B
-1.0 -0.5 -1.0
0.0 0.5 -1.5
A 1.0 1.5

Cur So Taller Mini Tab 3

Cargado por

Información del documento

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

Cur So Taller Mini Tab 3

Cargado por

Copyright:

Formatos disponibles

TALLER DE APLICACIÓN DE MINITAB P.

Reyes /Febrero 2006

Elaboró: Dr. Primitivo Reyes Aguilar

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

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,

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

Menús de comandos e íconos

Zona de títulos de columnas

Hoja de trabajo nueva Proyecto nuevo,

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

Para hojas de trabajo una hoja de cálculo

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

Escribir la expresión Let C4 = C1 + C2 + C3

Ejercicios con renglones y columnas

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

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

Por ejemplo de la primera opción colocando Defectos en Chart defects in se tiene:

Pareto Chart of Defectos

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

Pareto Chart of Defectos by Operario

Operario = A Operario = B Defectos

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

Diagrama de Causa efecto

Stat > Quality Tools > Cause and Effect