AÑO DEL BICENTENARIO DEL PERÚ: 200 AÑOS DE

INDEPENDENCIA”

UNIVERSIDAD NACIONAL DE PIURA

FACULTAD DE CIENCIAS

ESCUELA PROFESIONAL DE ESTADISTICA

TEMA:

-TRABAJO ENCARGADO Nº02

INTEGRANTES-GRUPO 06:
-CHUQUICUSMA MONTALVAN PAMELA

-GARCIA MORE LUIS ANGEL

-NIÑO YARLEQUE KREYSLER DE LOURDES

-RAMOS ZAPATA ERICK ESTEFANO

- SEMINARIO TIMANA MANUEL SEBASTIAN

- RECALDE MONDRAGON ARTURO

DOCENTE:
- DR. CÉSAR LEONARDO HARO DÍAZ

CURSO:
- CONTROL ESTADÍSTICO DE CALIDAD I

21, Agosto 2021

 UNIVERSIDAD NACIONAL DE PIURA
FACULTAD DE CIENCIAS
ESCUELA PROFESIONAL DE ESTADISTICA

TRABAJO N° 2 GRUPO 6

Asignatura: Control Estadístico de Calidad I Prof. Dr. César Haro Díaz

1. Una fuente de poder de alto voltaje debería tener un voltaje de salida nominal de 350 V.
se selecciona una muestra de cuatro unidades de cada día y se prueban para fines de control
del proceso. En los datos que se muestran abajo presenta la diferencia entre la lectura
observada en cada unidad y el voltaje nominal multiplicada por diez, es decir

Xi = (voltaje observado en la unidad i - 350) x10.

𝑋
- Transformando todos los datos con la siguiente ecuación: 𝑖 = 10𝑖 + 350

Número Número de
x1 x2 x3 x4
de x1 x2 x3 x4 muestra
muestra 1 350.6 350.9 351 351.5
1 6 9 10 15 2 351 350.4 350.6 351.1
2 10 4 6 11 3 350.7 350.8 351 350.5
3 7 8 10 5 4 350.8 350.9 350.6 351.3
4 8 9 6 13 5 350.9 351 350.7 351.3
5 9 10 7 13 6 351.2 351.1 351 351
6 12 11 10 10 7 351.6 351 350.8 350.9
7 16 10 8 9 8 350.7 350.5 351 350.4
8 7 5 10 4 9 350.9 350.7 350.8 351.2
9 9 7 8 12
10 351.5 351.6 351 351.3
10 15 16 10 13
11 350.8 351.2 351.4 351.6
11 8 12 14 16
12 350.6 351.3 350.9 351.1
12 6 13 9 11
13 351.6 350.9 351.3 351.5
13 16 9 13 15
14 7 13 10 12 14 350.7 351.3 351 351.2
15 11 7 10 16 15 351.1 350.7 351 351.6
16 15 10 11 14 16 351.5 351 351.1 351.4
17 9 8 12 10 17 350.9 350.8 351.2 351
18 15 7 10 11 18 351.5 350.7 351 351.1
19 8 6 9 12 19 350.8 350.6 350.9 351.2
20 14 15 12 16 20 351.4 351.5 351.2 351.6
 a) Represente el histograma de los datos.

1. x mínimo = 350.4
2. x máximo = 351.6
3. rango = 351.6 – 350.4 = 1.2
4. k = 1 + (3.3 * (log (80))) = 7.2 = 7
5. amplitud de clase = c = rango/k = 1.2/7 = 0.17
consideramos c = √0.17 = 0.4
6. x mínimo modificado = 350.4 – 0.4 = 350
7. x máximo modificado = 351.6 + 0.4 = 352
8. rango modificado = 352 – 350 = 2
9. amplitud de clase modificado = 2/7 = 0.286

Frecuencia Frecuencia
Lim. Lim. Marca Frecuencia Frecuencia
Clase Absoluta Relativa
Inferior Superior de clase Absoluta Relativa
Acumulada Acumulada
< 350 0 0 0 0
1 350 350.286 350.143 0 0 0 0
2 350.286 350.571 350.429 4 4 0.05 0.05
3 350.571 350.857 350.714 19 23 0.2375 0.2875
4 350.857 351.143 351 29 52 0.3625 0.65
5 351.143 351.429 351.286 16 68 0.2 0.85
6 351.429 351.714 351.571 12 80 0.15 1
7 351.714 352 351.857 0 80 0 1
17.3 > 0 80 0 1
TOTAL 80 1
 b) Estudie el grafico de probabilidad Normal. ¿Hay evidencia de que el voltaje
sigue una distribución normal?
H0: Hay evidencia de que la variable voltaje siga una Distribución Normal.
H1: Hay evidencia de que la variable voltaje no siga una Distribución Normal.
➢ Utilizando el software MINITAB, obtendremos la gráfica de probabilidad normal y a
la vez ver si con los datos originales se obtiene una distribución normal.

- PASOS: ESTADISTICAS>HERRAMIENTAS DE CALIDAD > IDENTIFICACIÓN

DE LA DISTRIBUCIÓN NORMAL
Podemos observa en la gráfica de probabilidad normal; posiblemente se asemeje mucho
a una distribucion normal, ya que con la teoría de Duglas Montgomery se dice que si
tomamos un “lapiz grueso” y lo colocamos sobre la recta y si todos los puntos de esta
recta están cubiertos por este lapiz, entonces se concluye que los datos se describen
adecuadamente a una distribucion Normal.
CONCLUSIÓN: Ya que el p valor = 0.043 < 0.05, Rechazamos H0 y se concluye que
hay evidencia de que la variable voltaje no siga una Distribución Normal.

c) Establecer los gráficos 𝒙 y R para este proceso. ¿El proceso está bajo
control estadístico?

MANUALMENTE

1) Calculamos la media y el rango de cada muestra o subgrupo. Así para la primera

muestra se tiene lo siguiente:

∑4𝑗=1 𝑋𝑖𝑗 1404

𝑋= = = 351 𝑅𝑖 = 𝑋𝑖,𝑚𝑎𝑥 − 𝑋𝑖,𝑚𝑖𝑛 = 351.5 − 350.6 = 0.9
4 4

2) Calcular la media de las medias y el rango promedio:

∑20
𝑖=1 𝑋𝑖 7020.750 ∑20
𝑖=1 𝑅𝑖 12.50
𝑋̿ = = = 351.038 𝑅= = = 0.625
20 20 20 20

3) Calculamos los límites de control para el Gráfico de Medias.

𝐷𝑜𝑛𝑑𝑒: 𝑛=4 , 𝐴2 = 0.729

𝐿𝐶𝑆𝑋 = 𝑋̿ + 𝐴2 𝑅 = 351.038 + 0.729(0.625) = 351.493

𝐿𝐶𝐼𝑋 = 𝑋̿ − 𝐴2 𝑅 = 351.038 − 0.729(0.625) = 350.582

4) Calculamos los límites de control para el Grafico de Rangos.

𝐷𝑜𝑛𝑑𝑒: 𝑛=4 , 𝐷3 = 0 , 𝐷4 = 2.282

𝐿𝐶𝑆𝑅 = 𝐷4 𝑅 = 2.282(0.625) = 1.426

𝐿𝐶𝐼𝑅 = 𝐷3 𝑅 = 0(0.625) = 0
5) Ahora lo realizaremos en el software MINITAB para comprobar los resultados y a
la vez ver si la grafica de media y de rangos se encuentran bajo control estadístico.

GRAFICA DE CONTROL DE MEDIAS Y GRAFICO DE RANGO

INTERPRETACION:
De acuerdo al Grafico de medias, así como el Gráfico de rangos, se observa que todas
las muestras se encuentran dentro de los límites de control, por lo que se concluye que
efectivamente el proceso se encuentra bajo control estadístico.

d) Estimar la desviación estándar del proceso usando el método del rango.

- Utilizamos el rango promedio obtenido en la pregunta anterior.

∑20
𝑖=1 𝑅𝑖 12.50
𝑅= = = 0.625
20 20

- Ahora procederemos a calcular la desviación estándar usando el método del

rango.
𝐷𝑜𝑛𝑑𝑒: 𝑛=4 , 𝑑2,𝑛 = 2.059
 𝑅
𝜎̂𝑅 =
𝑑2,𝑛
0.625
𝜎̂𝑅̅ =
2.059
𝜎̂𝑅̅ = 0.3035

e) Si las especificaciones son 350V ± 5, ¿qué puede decirse de la capacidad del

proceso?

MANUALMENTE
- podemos interpretar que lo deseable es que la capacidad del proceso tenga un
índice Cp. mayor a 1 y, por el contrario, si fuese menor a 1, es evidencia
suficiente de que el proceso no será capaz de cumplir con las especificaciones.

Número
de x1 x2 x3 x4
𝑋̿
muestra 𝜎
1 350,6 350,9 351 351,5 0,37416574 351
2 351 350,4 350,6 351,1 0,33040379 350,775
3 350,7 350,8 351 350,5 0,2081666 350,75
4 350,8 350,9 350,6 351,3 0,29439203 350,9
5 350,9 351 350,7 351,3 0,25 350,975
6 351,2 351,1 351 351 0,09574271 351,075
7 351,6 351 350,8 350,9 0,35939764 351,075
8 350,7 350,5 351 350,4 0,26457513 350,65
9 350,9 350,7 350,8 351,2 0,21602469 350,9
10 351,5 351,6 351 351,3 0,26457513 351,35
11 350,8 351,2 351,4 351,6 0,34156503 351,25
12 350,6 351,3 350,9 351,1 0,29860788 350,975
13 351,6 350,9 351,3 351,5 0,30956959 351,325
14 350,7 351,3 351 351,2 0,26457513 351,05
15 351,1 350,7 351 351,6 0,37416574 351,1
16 351,5 351 351,1 351,4 0,23804761 351,25
17 350,9 350,8 351,2 351 0,17078251 350,975
18 351,5 350,7 351 351,1 0,33040379 351,075
19 350,8 350,6 350,9 351,2 0,25 350,875
20 351,4 351,5 351,2 351,6 0,17078251 351,425
0,27029716 351,0375
𝐿𝐸𝑆 = 350 + 5 = 355 𝜎 = 0.27029716
𝐿𝐸𝐼 = 350 − 5 = 345
𝐶𝑝 = 𝑐𝑎𝑝𝑎𝑐𝑖𝑑𝑎𝑑 𝑝𝑜𝑡𝑒𝑛𝑐𝑖𝑎𝑙 𝑑𝑒𝑙 𝑝𝑟𝑜𝑐𝑒𝑠𝑜
𝑳𝑬𝑺 − 𝑳𝑬𝑰 355 − 345
𝑪𝒑 = =
𝟔𝝈 6 ∗ 0.27029716
𝑪𝒑 = 𝟔. 𝟏𝟕
Como 𝐶𝑝 = 6.17 > 1, se concluye que es un proceso capaz de cumplir con las
especificaciones del cliente.
Usando el software MINITAB 19.
Ingresamos los datos y nos vamos a:
- HERRAMIENTAS DE CALIDAD > ANALISIS DE CAPACIDAD > NORMAL.
Después:

- Obtenemos los siguientes resultados:

INTERPRETACIÓN:
- De acuerdo con el informe de capacidad del proceso, se obtiene que Cp. = 5.93 >1
por lo que se puede decir que el proceso pertenece a un proceso capaz de cumplir
con las especificaciones del cliente y se concluye que tiene calidad seis sigmas.
 - También se puede observar en el histograma el proceso no está fuera de control
puesto que la curva se encuentra dentro de los limites superiores e inferiores y se
pude decir que es un proceso optimo y capaz de cumplir con las especificaciones.

2. Resolver de nuevo los incisos c) y d) del ejercicio 1 utilizando el grafico de control

𝑺𝒏−𝟏 Compare los límites de control para el gráfico 𝑿

c) Establecer los gráficos 𝒙 y 𝑺𝒏−𝟏 para este proceso. ¿El proceso está bajo
control estadístico?

- Utilizando la información del ejemplo 1.c) para ilustrar los gráficos de control 𝑋 y
𝑆𝑛−1.

1) Encontramos las desviaciones estándar para cada muestra o subgrupo se obtiene

mediante la siguiente formula:
∑4𝑗=1(𝑋𝑖𝑗 − 𝑋𝑖 )2
𝑆𝑛−1,𝑖 =√
𝑛−1

Por ejemplo, para la muestra 1 resulta lo siguiente:

∑4𝑗=1(𝑋𝑖𝑗 − 𝑋𝑖 )2 0.420
𝑆𝑛−1,𝑖 =√ =√ = 0.374
𝑛−1 3

2) El gran promedio y la desviación estándar promedio son:

∑20
𝑖=1 𝑋𝑖 7020.750 ∑20
𝑖=1 𝑆𝑛−1,𝑖 5.406
𝑋̿ = = = 351.038 𝑆𝑛−1 = = = 0.270
20 20 20 20

3) Calculamos los límites de control del Gráfico de Medias.

𝐷𝑜𝑛𝑑𝑒: 𝑛=4 , 𝐴3 = 1.628

𝐿𝐶𝑆𝑋 = 𝑋̿ + 𝐴3 (𝑆𝑛−1 ) = 351.038 + 1.628(0.270) = 351.478

𝐿𝐶𝐼𝑋 = 𝑋̿ − 𝐴3 (𝑆𝑛−1 ) = 351.038 − 1.628(0.270) = 350.598

 4) Calculamos los límites de control del Gráfico de Desviaciones.

𝐷𝑜𝑛𝑑𝑒: 𝑛=4 , 𝐵3 = 0 , 𝐵4 = 2.266

𝐿𝐶𝑆𝑆𝑛−1 = 𝐵4 (𝑆𝑛−1 ) = 2.266(0.270) = 0.612

𝐿𝐶𝐼𝑆𝑛−1 = 𝐵3 (𝑆𝑛−1 ) = 0(0.270) = 0

5) Ahora lo realizaremos en el software MINITAB para comprobar los resultados y

a la vez sacar el grafico de control 𝑆𝑛−1 y compare los límites de control para el
gráfico 𝑋 .

- ESTADISTICA > GRAFICA DE CONTROL > GRAFICAS DE VARIABLES PARA

SUBGRUPOS > Xbarra-S

GRAFICA DE CONTROL DE 𝑿 Y GRAFICO DE 𝑺𝒏−𝟏

Gráfica Xbarra-S de X1; ...; X4

351.50 LCS=351.478
Media de la muestra

351.25
__
X=351.038
351.00

350.75

LCI=350.597
350.50
1 3 5 7 9 11 13 15 17 19
Muestra

0.60 LCS=0.6125
Desv.Est. de la muestra

0.45

0.30 _
S=0.2703

0.15

0.00 LCI=0
1 3 5 7 9 11 13 15 17 19
Muestra

INTERPRETACION:

De acuerdo al Grafico de 𝑋, así como el Gráfico de 𝑺𝒏−𝟏 , se observa que todas las
muestras se encuentran dentro de los límites de control, por lo que se concluye que
efectivamente el proceso se encuentra bajo control estadístico.
 d) Estimar la desviación estándar del proceso usando utilizando el 𝑺𝒏−𝟏 .

MANUALMENTE

- Para estimar la desviación estándar 𝜎 usando 𝑆𝑛−1 se utilizará lo siguiente:

̅̅̅̅̅̅
𝑆𝑛−1
𝜎̂̅̅̅̅̅̅̅
𝑆𝑛−1 =
𝑐4,𝑛
1. Encontramos las desviaciones estándar para cada muestra o subgrupo se obtiene
mediante la siguiente formula:

∑4𝑗=1(𝑋𝑖𝑗 − 𝑋𝑖 )2
𝑆𝑛−1,𝑖 = √
𝑛−1

- Por ejemplo, para la muestra 1 resulta lo siguiente:

∑4𝑗=1(𝑋𝑖𝑗 − 𝑋𝑖 )2 0.420
𝑆𝑛−1,𝑖 =√ =√ = 0.374
𝑛−1 3

- Por los tanto el 𝑆𝑛−1 sería:

∑20
𝑖=1 𝑆𝑛−1,𝑖 5.406
𝑆𝑛−1 = = = 0.2703
20 20

2. Para estimar la desviación estándar

̅̅̅̅̅̅
𝑆𝑛−1
𝜎̂̅̅̅̅̅̅̅
𝑆𝑛−1 = , 𝐷𝑜𝑛𝑑𝑒: 𝑛 = 4 , 𝑐4,𝑛 = 0.9213
𝑐4,𝑛
0.2703
𝜎̂̅̅̅̅̅̅̅
𝑆𝑛−1 =
0.9213
𝝈
̂ ̅̅̅̅̅̅̅
𝑺𝒏−𝟏 = 𝟎. 𝟐𝟗𝟑𝟑
 - Ahora con el software STATGRAPHICS OBTENEMOS LO SIGUIENTE:

OBTENEMOS LOS RESULTADOS

Por ende, podemos corroborar los resultados tanto manualmente como en el software
STATGRAPHICS son los mismos valores.

3) ¿Qué información proporciona la curva de operación característica de una

curva de control?

Por teoría se sabe que la curva de operación característica o cuerva CO se define como
la probabilidad de aceptar 𝐻0 : 𝜃 = 𝜃0 en función del parámetro 𝜃.
La curva de operación representa gráficamente la relación existente entre un porcentaje
de artículos defectuosos de un lote productivo y la probabilidad de aceptación.
Nos permite hallar las probabilidades de que ocurra un error de primera especie o la
probabilidad de segunda especie ,puesto que con la ayuda de esta curva se puede
detectar corrimientos en la calidad del proceso , en base a estas probabilidades podemos
aceptar o rechazar una hipótesis , sabiendo que si se acepta la hipótesis significa que la
media es constante y no se ha modificado pero si es que se rechaza significa que si ha
cambiado con el grafico podemos hallar el error que lo ha originado y así darle solución
al problema .Con la ayuda de estos métodos podemos corregir los desperfectos y medir
el nivel de calidad que no se tolera a la hora de aceptar o rechazar lotes de calidad de
una determinada producción.
Curva Característica de Operación (CO)

Curva CO
1,0

0,8

0,6
Pa

0,4

0,2

0,0

0,0 0,5 1,0 1,5 2,0 2,5 3,0

x

Fuente: MINITAB 17
INTERPRETACIÓN:

En el grafico anterior se tiene en el eje “x” los cambios o corrimientos de la media en

unidades estandarizadas y en el eje “y” tenemos las probabilidades de no detectar estos
cambios o corrimientos, es así por ejemplo que para corrimiento pequeño de 0,5 la
probabilidad de no detectarlo en el grafico según CO es del 97,75% sin embargo para un
corrimiento grande de 2,5 la probabilidad de no detectarlo es de apenas del 2,15% en
efecto como podemos observar que gracias a esta CO podemos ver que el grafico es más
sensible a corrimientos mucho mayores.