TALLER #1 CONTROL ESTADÍSTICO

INTEGRANTES:
YOLMAN ESTEBAN CERVANTES OSPINO
CRISTIAN PEREZ CERVANTES
ANDERSON VALENCIA RIOS
WALKINSON ALVARADO ANAYA

PRESENTADO A: MAURICIO QUINTANA TORRES

FUNDACIÓN UNIVERSITARIA COLOMBO INTERNACIONAL

TECNOLOGIA EN SISTEMA DE GESTION DE CALIDAD

CARTAGENA DE INDIAS D.T. Y C

 CARTAGENA DE INDIAS D, T Y C

11/02/2020

Taller #1

Control estadístico de la calidad

Una característica clave en la calidad de las pinturas es su densidad, y un

componente que influye en tal densidad es la cantidad de arena que se
utiliza en la elaboración de pinturas. La cantidad de arena en la formulación
de un lote se controla con base en el número de costales, que según el
proveedor deben contener 20 kg. Sin embargo, continuamente se tienen
problemas en la densidad de la pintura, que es necesario corregir con trabajo
y procesos adicionales. En este contexto, en la empresa se preguntan: ¿cuánta
arena contienen en realidad los costales Para averiguarlo deciden tomar una
muestra aleatoria de 30 costales de cada lote o pedido (500 costales). Los
pesos obtenidos en las muestras de los últimos tres lotes aparecen en la tabla
1) Las tolerancias que se establecen para el peso de costales de arena son
20±0.5. Calcule los estadísticos básicos para las muestras y decida si la
calidad es satisfactoria.

2) Construya histogramas para cada uno de los lotes y compare. Inserte las
especificaciones en cada gráfico.

3) Determine los intervalos de confianza para la media y desviación estándar

de cada uno de los lotes. Compare entre ellos e identifique diferencias entre
los lotes.

4) Calcule los estadísticos básicos para los 90 datos y de una opinión

global sobre el peso de los costales.

5) Determine el intervalo de confianza para la media y desviación estándar

para los 90 datos.

6) Obtenga un histograma para los 90 datos, inserte las especificaciones y

obtenga una conclusión general sobre el peso de los bultos.

7) Con base en lo anterior, ¿cuál debe ser la posición de la fábrica de

pinturas ante el proveedor de arena?
 SOLUCIÓN

1) Estadísticos básicos para las muestras

Lote 1 Lote 2 Lote 3

Median 19.2 Median 19.55 Median 20.05
Mean 19.19 Mean 19.46 Mean 20.06
SD 0.6686837 SD 0.587504 SD 0.3934668
Range 3.9 Range 2.3 Range 1.9
LIM REAL 1 18.52-19.85 LIM REAL 1 18.87-20.04 LIM REAL 1 19.66-20.45
LIM REAL 2 17.85-20.52 LIM REAL 2 18.28-20.63 LIM REAL 2 19.27-20.84
LIM REAL 3 17.18-21.19 LIM REAL 3 17.69-21.22 LIM REAL 3 18.87-20.45

interpretación:

Teniendo en cuenta los estadísticos básicos para las muestras, podemos

deducir que la calidad del lote 3 es satisfactoria, ya que los datos se
encuentran en el rango de la tolerancia que se establecen para el peso de los
costales, mientras que las muestras del lote 1 y 2 tienen una desviación
mayor a la tolerancia que se establece (20±5), por lo tanto, los lotes 1 y 2 no
son satisfactorias.
2) Histogramas para cada uno de los lotes
interpretación:

De acuerdo con los resultados observados en los histogramas podemos ver

que el peso de los costales de arena del lote 1 y lote 2 no cumplen ya que se
encuentran por debajo del peso especificado debido a que la mayoría de los
costales tienden a pesar menos de 19.5 kg (límite de tolerancia inferior).esto
debido al exceso de variación que se presentan en los datos es decir en el
peso de los costales que se encuentra por debajo del límite de especificación
inferior es decir que los histogramas del lote 1 y 2 presentan
descentramiento a la izquierda con mucha variabilidad. Mientras que en el
lote 3 se pudo observar lo contrario, es decir centra miento con poca
variabilidad. que 26 de los 30 sacos que se tomaron aleatoriamente
cumplieron con los límites y el peso especificado y se puede ver en la gráfica.

En r studio: YA CORRIENDO LAS DATAS: hist(nombre de la data) ;

abline(v=19.5, col = "red", lwd = 3)
abline(v=20.5, col = "red", lwd = 3)
 3) intervalos de confianza para la media y desviación estándar de cada
uno de los lotes
Supuestos:
no Tiene una distribución normal
No se conoce sigma
N=30
Distribución maestral t-student

𝑠 𝑠
𝑃 (𝑥̅ − 𝑡𝛼 < 𝜇 < 𝑥̅ + 𝑡𝛼 )= 1−𝛼
2 √𝑛 2 √𝑛

0.6686 0.6686
𝑃 (19.19 − 𝑡0.025 ∗ < µ < 19.19 + 𝑡0.025 ∗ ) = 1−𝛼
√30 √30

0.6686 0.6686
𝑃 (19.19 − 2.04 ∗ < µ < 19.19 + 2.04 ∗ ) = 1−𝛼
√30 √30

𝑃(18.94 < µ < 19.43) = 0.95

c(18.6,19.2,19.5,19.2,18.9,19.4,19.0,18.2,19.3,20.0,19.1,18.6,19.4,18.7,21.
0,19.8,19.0,18.6,19.6,19.0,19.6,19.4,19.8,19.1,20.0,19.4,18.8,19.3,17.1,19
.1)

t.test (lote_1, conf.level=0.95)

shapiro.test(lote_1)

t.test (lote_1,alternative=c("two.sided"),mu=20,conf.level=0.95)

data: lote_1
t = -6.6348, df = 29, p-value = 2.838e-07

alternative hypothesis: true mean is not equal to 20

95 percent confidence interval:

18.94031 19.43969

sample estimates:

mean of x

19.19

Lote 2 supuestos:

tiene una distribución normal

No se conoce sigma cuadrado

N=30

𝑠 𝑠
𝑃 (𝑥̅ − 𝑧𝛼 < 𝜇 < 𝑥̅ + 𝑧𝛼 )=1−𝛼
2 √𝑛 2 √𝑛

𝑃(19.46 − 𝑧/ 0.05/ 2 ∗ 0.587/√30 < µ < 19.46 + 𝑧0.05/2 ∗ 0.587/√30) = 1 − 𝛼

𝑃(19.24 < µ < 19.68) = 0.95

c(19.6,19.9,19.8,18.4,19.0,20.1,19.7,19.3,20.7,19.6,19.5,19.1,19.5,19.6,19.4,1
9.6,20.3,19.8,19.2,20.6,20.0,18.4,18.9,19.7,18.8,19.4,18.9,18.4,19.0,19.7)

t.test (lote_2, conf.level=0.95)

shapiro.test (lote_2)

t.test (lote_2, alternative=c ("two.sided"), mu=20, conf.level=0.95)

shapiro.test (lote_2) data: lote_2

W = 0.97058, p-value = 0.5553

t.test (lote_2, alternative=c ("two.sided"), mu=20, conf.level=0.95)

One Sample t-test

data: lote_2

t = -5.0033, df = 29, p-value = 2.514e-05

alternative hypothesis: true mean is not equal to 20

95 percent confidence interval:

19.24396 19.68271

sample estimates: mean of x :19.4633

Lote 3 supuestos:

tiene una distribución normal

no se conoce sigma cuadrado

n=30

𝑧𝛼 𝑠 𝑧𝛼 𝑠
𝑃 (𝑥̅ − < 𝜇 < 𝑥̅ + )= 1−𝛼
2 √𝑛 2 √𝑛

0.3934 0.3934
𝑃 (20.06 − 𝑧0.025 ∗ < µ < 20.06 + 𝑧0.025 ∗ )= 1−𝛼
√30 √30

𝑃(19.91 < µ < 20.21) = 0.95

c(20.1,20.2,21.0,19.7,20.1,20.0,19.1,20.4,19.6,20.6,20.0,19.7,20.8,19.7,19.9,2
0.4,19.8,20.5,20.0,20.2,20.2,19.9,20.1,19.6,19.7,19.8,19.9,20.3,20.4,20.2)

t.test (lote_3, conf.level=0.95)

shapiro.test (lote_3)

t.test (lote_3, alternative=c("two.sided"),mu=20, conf.level=0.95)

shapiro.test (lote_3)

Shapiro-Wilk normality test

data: lote_3

W = 0.979, p-value = 0.7983

t.test (lote_3, alternative=c ("two.sided"), mu=20, conf.level=0.95)

One Sample t-test

data: lote_3

t = 0.88163, df = 29, p-value = 0.3852

alternative hypothesis: true mean is not equal to 20

95 percent confidence interval:

19.91641 20.21026

sample estimates:

mean of x

20.06333

interpretación:

Con un nivel de confianza del 95%  0.95

Ya que el valor p del lote 1 nos indica que este no cuenta con una
distribución normal lo mejor será no aceptar el lote 1en general ya que este
muestreo de los 90 datos no cumple con la especificación de los pesos ya
que llegamos a la conclusión que su variabilidad es mucha con respecto a
la tolerancia acordada es mejor no aceptar

4) Estadístico básico para los 90 datos

Lotes
Median 19.6
Mean 19.57
SD 0.6656969
Range 3.9

interpretación:

Podemos concluir que la calidad de la pintura no es favorable debido a que

los pesos de los costales se encuentran por debajo de las especificaciones,
en este caso de la especificación inferior (19.5kg)

5) intervalos de confianza para la media y desviación estándar de cada

uno de los lotes
Lotes

p(19.43<mu<19.71)

p-value = 2.2e-16

𝛼 𝑠 𝛼 𝑠
𝑃 (𝑥̅ − 𝑧 < 𝜇 < 𝑥̅ + 𝑧 )=1−𝛼
2 √𝑛 2 √𝑛
 𝛼 0.665 𝛼 0.665
̅̅̅̅̅̅̅ − 𝑧
𝑃 (19.57 < 𝜇 < ̅̅̅̅̅̅̅
19.57 + 𝑧 )=1−𝛼
2 √30 2 √30
𝑃(19.43 < 𝜇 < 19.71) = 0.95

c(18.6,19.2,19.5,19.2,18.9,19.4,19.0,18.2,19.3,20.0,19.1,18.6,19.4,18.7,2
1.0,19.8,19.0,18.6,19.6,19.0,19.6,19.4,19.8,19.1,20.0,19.4,18.8,19.3,17.1,19.
1,19.6,19.9,19.8,18.4,19.0,20.1,19.7,19.3,20.7,19.6,19.5,19.1,19.5,19.6,19.4,
19.6,20.3,19.8,19.2,20.6,20.0,18.4,18.9,19.7,18.8,19.4,18.9,18.4,19.0,19.7,2
0.1,20.2,21.0,19.7,20.1,20.0,19.1,20.4,19.6,20.6,20.0,19.7,20.8,19.7,19.9,20.
4,19.8,20.5,20.0,20.2,20.2,19.9,20.1,19.6,19.7,19.8,19.9,20.3,20.4,20.2)
t.test(lotes,conf.level=0.95)
shapiro.test(lotes)
t.test(lotes,alternative=c("two.sided"),mu=20,conf.level=0.95)
One Sample t-test
data: lotes
t = 278.92, df = 89, p-value < 2.2e-16
alternative hypothesis: true mean is not equal to 0
95 percent confidence interval:
19.43279 19.71165
sample estimates:
mean of x
19.57222
shapiro.test(lotes)
Shapiro-Wilk normality test
data: lotes
W = 0.97935, p-value = 0.1627
t.test(lotes,alternative=c("two.sided"),mu=20,conf.level=0.95)
 One Sample t-test
data: lotes
t = -6.0963, df = 89, p-value = 2.734e-08
alternative hypothesis: true mean is not equal to 20
95 percent confidence interval:
19.43279 19.71165
sample estimates: mean of x 19.57222

6) Histograma con los 90 datos.

interpretación:

de acuerdo con el histograma podemos observar que de las 90 muestras

que se tomaron aleatoriamente de los sacos de arena solo el alrededor de
45 sacos es decir el 50% de los sacos cumplen con el peso específico y con
los niveles de tolerancia 20±0.5 y que las otros costales no cumplen con el
peso especificado y se encuentran por fuera de los límites de aceptación, es
decir que algunos pesan menos de 19.5 kg y más de 20.5 kg.
 7) Posición de la fábrica de pinturas ante el proveedor de arena.

interpretación:

La fábrica de pintura debe comunicarse con el proveedor que le suministra

la arena y debe explicarle cuáles son los problemas que ha venido
presentándose con el peso de los sacos los cuales en gran cantidad no están
cumpliendo con el peso especificado, esto con el propósito de que el
proveedor implemente un plan de mejora y de acción correctiva, que ayuden
a mejorar el proceso de empacamiento de la arena con los pesos específicos,
en caso tal el proveedor siga suministrando los costales de arena con el peso
fallo tocaría buscar otro proveedor que si suministre su producto de forma
correcta y de esta manera la empresa de pintura puede brindarles a sus
clientes una pintura de muy buena calidad y así satisfacer y cumplir con sus
necesidades.