Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1
HERRAMIENTAS ESTADISTICAS DE CALIDAD
2
TEMARIO BÁSICO DEL CURSO
Estudios R&R
Herramientas Gráficas.
Histograma
Diagrama de Puntos
Diagrama de Caja
Pareto
Diagrama de Dispersión
3
TEMARIO BÁSICO DEL CURSO
Prueba de Hipótesis F
Prueba de Hipótesis T
4
TEMARIO BÁSICO DEL CURSO
Gráfica P
Gráfica NP
Gráfica C, U
5
Estructura de Minitab: Ventanas de Trabajo
Nombre del Proyecto
Menus Barra de Herramientas
Sesión
Hoja de Trabajo
6
Estructura de Minitab:Hoja de Trabajo (worksheet)
Nombre de la hoja Boton para mostrar la Hoja de
trabajo activa
7
Estructura de Minitab:Ventana de Resultados (Session)
Nombre del proyecto Botón para mostrar la
ventana de sesión
Fecha en la cual
estuvimos trabajando
con el archivo del
proyecto.
Resultados del
comando o funcion
usada
8
Estructura de Minitab: Gráficas
Ventana para
mostrar listado
de graficas
almacenadas en
el proyecto
9
HERRAMIENTAS ESTADISTICAS DE CALIDAD
10
Todos los Procesos Tienen Variación
Medición
Tiempo
11
Cambio y Desviación en los Procesos
12
Cambio y Desviación en los Procesos
GAGE R&R
15
Definición del Análisis del Sistema de Medición
16
Propósito del Análisis del Sistema de Medición
17
Información Obtenida al Realizar el MSA
18
Definición del R y R del Instrumento de Medición
– Repetibilidad
– Reproducibilidad
19
R y R del Instrumento de Medición - Repetibilidad
“Repetibilidad” es la variación en
mediciones obtenidas con un instrumento
de medición cuando se utiliza varias veces
por una misma persona mientras se mide
la misma característica en la misma parte.
20
R y R del Instrumento de Medición - Repetibilidad
21
R y R del Instrumento de Medición - Reproducibilidad
“Reproducibilidad” es la variación en el
promedio de mediciones, hechas por
diferentes personas, utilizando el mismo
instrumento de medición cuando se mide
la misma característica en el mismo
objeto.
22
R y R del Instrumento de Medición - Reproducibilidad
– Operadores diferentes
– Mismos Ajustes
– Mismas Unidades
23
EJEMPLO GAGE R&R
24
EJEMPLO GAGE R&R
25
EJEMPLO GAGE R&R
Para meter estos datos en un hoja de trabajo de MINITAB recuerde que MINITAB sólo
lee columnas, por lo que tendremos que agrupar nuestros datos en solo tres
columnas, para esto podemos ayudarnos del EXEL, ya que la hoja de trabajo del
programa permite copiar y pegar celdas del EXEL. Nuestros datos nos quedarían asi:
26
EJEMPLO GAGE R&R
Una vez que tenemos los datos en la hoja de trabajo sigamos el siguiente menú y
damos clic
27
EJEMPLO GAGE R&R
28
EJEMPLO GAGE R&R
p<.25
30
EJEMPLO GAGE R&R
CONCLUSIONES
31
Ejercicio
A B C
32
PRUEBA DE NORMALIDAD
PRUEBA DE
NORMALIDAD
33
PRUEBA DE NORMALIDAD
34
PRUEBA DE NORMALIDAD
35
PRUEBA DE NORMALIDAD
36
PRUEBA DE NORMALIDAD
37
PRUEBA DE NORMALIDAD
SI P>.05
LOS DATOS SON
NORMALES
38
Aplicar las Herramientas de Análisis Gráfico
PARETO
39
DIAGRAMA DE PARETO
Pareto es una herramienta estadística que por medio de una gráfica que
contiene barras ordenadas da prioridad a los datos de una población,
basándose en el principio 80-20 que dice que el 80% de los problemas está
contenido en el 20% de las causas.
Abril 1 - Junio 30
Número de Pérdidas Investigadas: 200
200 100
180
90
160
140 80
120 70
Número de
100 Porcentaj
pérdidas 60
80 e
competitivas
60 50 acumulad
40 40 o
20
0
30
D B F A C E Otros 20
10
D - El producto no satisface los requerimientos del A - Precio
cliente 0
C - Error de ventas
B - La compañía no cumple con la programación de E - Calidad del Producto
entrega
F - Reputación de la compañía
40
EJEMPLO - Diagrama de Pareto
DIAS Y QUEJAS
LUNES MARTES MIERCOLES JUEVES VIERNES
41
EJEMPLO– DIAGRAMA DE PARETO
Para iniciar a desarrollar el PARETO debemos copiar y pegar las quejas de los
clientes en una hoja de trabajo de MINITAB, una vez pegados tenemos que
agrupar todos los datos en una sola columna, quedando al final una hoja de
trabajo como la siguiente:
Percent
Count
60
20
40
10 20
0 0
DATOS s er
vío r do ad
o
ci ó
n
ad
o
le
to
th
s ta ñ n c p O
De Re Da te i vo m
q. l A qu
nco
Pa a .E .I
M q q
Pa Pa
Count 19 11 5 4 2 2 2
Percent 42.2 24.4 11.1 8.9 4.4 4.4 4.4
Cum % 42.2 66.7 77.8 86.7 91.1 95.6 100.0
HISTOGRAMA
45
HISTROGRAMA
46
Interpretaciones del Histograma
La curva tiene forma de La forma tiene dos curvas. La forma tiene un extremo
campana. Es bimodal. largo
Es simétrica. No es simétrica.
47
Herramientas de Análisis Gráfico - Histograma
12
11
10
9
8
Frecuencia
7
6
5
4
3
2
1
0
5 6 7 8 9 10 11 12 13 14
Número de Meses
48
EJEMPLO DE HISTOGRAMA
175 175
175 176
176 177
175 176
174 176
176 175
175 173
177 174
177 176
176 175
175 175
174 175
176 177
49
EJEMPLO DE HISTOGRAMA
50
EJEMPLO DE HISTOGRAMA
GRAPH> HISTOGRAM
51
EJEMPLO DE HISTOGRAMA
52
EJEMPLO DE HISTOGRAMA
53
EJEMPLO DE HISTOGRAMA
¿QUÉ TE DICE?
CONCLUSIONES
55
DIAGRAMA DE PUNTOS
DIAGRAMA DE
PUNTOS
56
DIAGRAMA DE PUNTOS
57
EJEMPLO--DIAGRAMA DE PUNTOS
58
EJEMPLO- DIAGRAMA DE PUNTOS
59
EJEMPLO- DIAGRAMA DE PUNTOS
60
EJEMPLO- DIAGRAMA DE PUNTOS
61
EJEMPLO- DIAGRAMA DE PUNTOS
62
EJEMPLO- DIAGRAMA DE PUNTOS
Esta gráfica muestra la totalidad de cada una de las longitudes de los tres
subgrupos en el análisis y permite observar el comportamiento individual de
cada una de las tomas en los distintos subgrupos racionales, por ejemplo,
permite identificar que el operador A y B registraron datos atípicos, que el
operador B tiene mucho mayor dispersión de sus datos en comparación a los
otros dos y que el operador A, a pesar de haber registrado dos datos atípicos es
el que muestra menor dispersión en sus datos, este tipo de observaciones no son
posibles de identificar con el histograma y son de mucha ayuda para poder
empezar a identificar ciertos patrones entre los subgrupos, en este caso, da una
pauta para con otras herramientas identificar el porqué de hubo estos
comportamientos e ir rastreando las X´s vitales que impactan nuestra variable de
desempeño (Y).
63
Aplicar las Herramientas de Análisis Gráfico
DIAGRAMA DE CAJA
64
Diagrama de Cuadro - Observar los Subgrupos de Información
65
Herramientas de Análisis Gráfico - Diagrama de CAJA
Tiempo
4
1
2
67
Herramienta Gráfica de Análisisraphical – Boxplot
Q3 (3er Cuartil)
Mediana
LIW = Q1-1.5(Q3-Q1)
(Límite Inf.Whisker)
Q1 (1er Cuartil) El valor más bajo
dentro del limite
inferior.
68
EJEMPLO-DIAGRAMA DE CAJA
69
EJEMPLO-DIAGRAMA DE CAJA
70
EJEMPLO- DIAGRAMA DE CAJA
Ahora seleccionaremos el
siguiente menú: GRAPH>
BOXPLOT, presionamos el botón
de nuestro mouse y se muestra
la siguiente ventana
71
EJEMPLO- DIAGRAMA DE CAJA
72
EJEMPLO- DIAGRAMA DE CAJA
73
EJEMPLO- DIAGRAMA DE CAJA
74
Aplicar las Herramientas de Análisis Gráfico
DIAGRAMA DE DISPERSIÓN
75
Herramientas de Análisis Gráfico - Diagrama de Dispersión
# Defectos (Y)
Velocidad (X)
76
EJEMPLO- DIAGRAMA DE DISPERSIÓN
9,42 60
12,52 55
13,12 54
9,99 61
18,24 52
21,85 49
9,87 60
10,48 58
10,55 58
15,06 53
12,7 55
20,36 49
24,96 46
11,12 56
13,5 54
19,55 51
13,01 54
22,78 47
23,03 46
13,25 55
77
EJEMPLO- DIAGRAMA DE DISPERSIÓN
78
EJEMPLO- DIAGRAMA DE DISPERSIÓN
79
EJEMPLO- DIAGRAMA DE DISPERSIÓN
80
EJEMPLO- DIAGRAMA DE DISPERSIÓN
81
EJEMPLO- DIAGRAMA DE DISPERSIÓN
CÁLCULO DE N
2
POBLACIONES COMPARADAS
83
CÁLCULO DE N
84
CÁLCULO DE N
DESARROLLO
Error α 5%
Error β 5%
86
CÁLCULO DE N
4. Después de haber obtenido el coeficiente de sensibilidad, nos vamos a
la tabla que contenga dicho coeficiente y localizamos el cruce entre este
y los errores antes definidos para obtener el tamaño de la muestra, como
se muestra a continuación:
α = 20% α = 10% α = 5% α = 1%
β 20% 10% 5% 1% 20% 10% 5% 1% 20% 10% 5% 1% 20% 10% 5% 1%
0,2 225 328 428 651 309 428 541 789 392 525 650 919 584 744 891 1202
0,3 100 146 190 289 137 190 241 350 174 234 289 408 260 331 396 534
0,4 56 82 107 163 77 107 135 197 98 131 162 230 146 186 223 300
0,5 36 53 69 104 49 69 84 126 63 84 104 147 9 119 143 192
0,6 25 36 48 72 34 48 60 88 44 58 72 102 65 83 99 134
0,7 18 27 35 53 25 35 44 64 32 43 53 75 48 61 73 98
0,8 14 21 27 41 19 27 34 49 25 33 41 57 36 46 56 75
0,9 11 16 21 32 15 21 27 39 19 26 32 45 29 37 44 59
1,0 9 13 17 26 12 17 22 32 16 21 26 37 23 30 36 48
1,1 7 11 14 22 10 14 18 26 13 17 21 30 19 25 29 40
1,2 6 9 12 18 9 12 15 22 11 15 18 26 16 21 28 33
1,3 5 8 10 15 7 10 13 19 9 12 15 22 14 18 21 28
1,4 5 7 9 13 6 9 11 16 8 11 13 19 12 15 18 25
1,5 4 6 8 12 5 8 10 14 7 9 12 16 10 13 16 21
1,6 4 5 7 10 5 7 8 12 6 8 10 14 9 12 14 19
1,7 3 5 6 9 4 6 7 11 5 7 9 13 8 10 12 17
1,8 3 4 5 8 4 5 7 10 5 6 8 11 7 9 11 15
1,9 2 4 5 7 3 5 6 9 4 6 7 10 6 8 10 13 Tabla 1
2,0 2 3 4 7 3 4 5 8 4 5 6 9 6 7 9 12
El tamaño de la muestra debe ser de 9 datos, para poder observar algún cambio en el % de Acidez al aumentar
el nivel del hidróxido de sodio de 4.5PH a 6PH.
87
CÁLCULO DE N
α = 20% α = 10% α = 5% α = 1%
β 20% 10% 5% 1% 20% 10% 5% 1% 20% 10% 5% 1% 20% 10% 5% 1%
2,1 2 3 4 6 3 4 5 7 4 5 6 8 5 7 8 11
2,2 2 3 4 5 3 4 4 7 3 4 5 8 5 6 7 10
2,3 2 2 3 5 2 3 4 6 3 4 5 7 4 6 7 9
2,4 2 2 3 5 2 3 4 5 3 4 5 6 4 5 6 8
2,5 1 2 3 4 2 3 3 5 3 3 4 6 4 5 6 8
2,6 1 2 3 4 2 3 3 5 2 3 4 5 3 4 5 7
2,7 1 2 2 4 2 2 3 4 2 3 4 5 3 4 5 7
2,8 1 2 2 3 2 2 3 4 2 3 3 5 3 4 5 6
2,9 1 2 2 3 1 2 3 4 2 2 3 4 3 4 4 6
3,0 1 1 2 3 1 2 2 4 2 2 3 4 3 3 4 5
3,1 1 1 2 3 1 2 2 3 2 2 3 4 2 3 4 5
3,2 1 1 2 3 1 2 2 3 2 2 3 4 2 3 3 5
3,3 1 1 2 2 1 2 2 3 1 2 2 3 2 3 3 4
3,4 1 1 1 2 1 1 2 3 1 2 2 3 2 3 3 4
3,5 1 1 1 2 1 1 2 3 1 2 2 3 2 2 3 4
3,6 1 1 1 2 1 1 2 2 1 2 2 3 2 2 3 4
3,7 1 1 1 2 1 1 2 2 1 2 2 3 2 2 3 4
3,8 1 1 1 2 1 1 1 2 1 1 2 3 2 2 2 3
3,9 1 1 1 2 1 1 1 2 1 1 2 2 2 2 2 3
4,0 1 1 1 2 1 1 1 2 1 1 2 2 1 2 2 3
Tabla 2
88
PRUEBAS DE
HIPÓTESIS
89
PRUEBAS DE HIPÓTESIS
90
8-3
Ejemplo :
91
8-4
92
PASOS PARA LA PRUEBA DE HIPÓTESIS
93
TIPOS DE ERROR
94
MEDICION DE LOS ERRORES
95
TIPOS DE HIPOTESIS
96
HIPOTESIS NULA y ALTERNATIVA
H1: 0
H1: > 0
H1: < 0.
97
Hipótesis nula unilateral a derecha
0 . 3
.95 probability
.05 region of
0 . 2
rejection
Zona de
x
f (
0 . 1
Critical
rechazo
Value
Zona de z=1.65
. 0
no
- 5
Rechazo
0 1 2 3 4
Z=1,65
Valor Crítico
98
HIPÓTESIS NULA BILATERAL
r a l i t r b u i o n : = 0 , = 1
0 . 3
.95 probability
2 .025 regions
0 . 2
of rejection
f ( x
Critical
0 . 1
0.95 Zona de
Value
prob. rechazo
z=1.96
. 0
Zona de
- 5 no
-4 -3 -2 -1 0 1 2
Rechazo 3 4
z=-1,96 z=1,96
Valores Críticos
99
PRUEBA SIGNIFICATIVA
100
NIVEL CRITICO “p”
101
PRUEBA F
PRUEBA F
102
PRUEBA F
DIFERENCIA ENTRE
LAS MEDIAS
103
PRUEBA F
104
PRUEBA F
1. Definición
X = Tiempo de rotación
Problema en la Actualidad:
105
PRUEBA F
Target:
Ho y Ha:
106
PRUEBA F
2. Tamaño de muestra
μ = 23,4
Se necesitan 4 tomas para detectar un μ ACTUAL = 15,3
cambio con un α = 5% y β = 5% σ ALTUAL = 3,11
Diferencia = 23,4mm - 15,3mm
107
PRUEBA F
3. Recolección de Datos
De acuerdo a un plan de muestreo (subgrupos racionales) se hacen las tomas
de la Longitud del caramelo con un tiempo de 12hrs de rotación y las tomas
de la Longitud del caramelo con un tiempo de 20hrs de rotación, como se
muestra a continuación:
12 HRS DE ROTACIÓN 20 HRS DE ROTACIÓN
10 mm 15mm
15 mm 16mm
17 mm 14mm
18 mm 15mm
60
50
40
30
20
10
1
10 12 14 16 18 20 22
normalidad
108
PRUEBA F
5. Cálculo y Análisis
del P-Valor F
Se introducen los datos al MINITAB
como se observa en la imagen, en la
primera columna las horas de rotación
(X) y en la segunda columna la longitud
del caramelo (Y), esto para poder hacer
la relación X-Y de la prueba F.
Seleccionamos
STAT> ANOVA> TEST FOR
EQUAL VARIANCES
109
PRUEBA F
110
PRUEBA F
111
PRUEBA F
CONCLUSIONES
113
PRUEBA T
PRUEBA T
114
PRUEBA T
LO LO
OBSERVADO ESPERADO
DIFERENCIA ENTRE
LAS MEDIAS
1. Definición
X = Tiempo de rotación
Problema en la Actualidad:
116
PRUEBA T
Target:
Ho y Ha:
117
PRUEBA T
2. Tamaño de muestra
μ = 23,4
Se necesitan 4 tomas para detectar un μ ACTUAL = 15,3
cambio con un α = 5% y β = 5% σ ALTUAL = 3,11
Diferencia = 23,4mm - 15,3mm
118
PRUEBA T
3. Recolección de Datos
De acuerdo a un plan de muestreo (subgrupos racionales) se hacen las tomas
de la Longitud del caramelo con un tiempo de 12hrs de rotación y las tomas
de la Longitud del caramelo con un tiempo de 20hrs de rotación, como se
muestra a continuación: 12 HRS DE ROTACIÓN 20 HRS DE ROTACIÓN
10 mm 15mm
15 mm 16mm
17 mm 14mm
18 mm 15mm
60
50
40
30
20
10
1
10 12 14 16 18 20 22
normalidad
119
PRUEBA T
5. Cálculo y Análisis
del P-Valor t
Seleccionamos
STAT> BASIC
STATISTICS> 2-SAMPLE t,
120
PRUEBA T
121
PRUEBA T
122
PRUEBA T
Este estudio arroja que la media de las dos muestras son igual, tanto para un
tiempo de rotación de 12hrs como para un tiempo de rotación de 20hrs, se muestra
un estimado de la diferencia de la media, que en este caso es igual, para corroborar
esto observamos que el valor del P-Valor del estadístico de prueba t es igual a 1,
mayor a 0.05, por lo que se afirma que no hay evidencia estadística para rechazar
Ho.
123
PRUEBA T
124
PRUEBA T
125
¿QUÉ NOS DICE?
PRUEBA T
CONCLUSIONES
126
PRUEBA Ji-Cuadrada
PRUEBA
Ji-Cuadrada
127
PRUEBA Ji-Cuadrada
128
PRUEBA Ji-Cuadrada
Para el desarrollo de la prueba analizaremos el ejemplo de una empresa que
produce sazonadores, sus sazonadores se distinguen además del sabor, por
su apariencia, de tal forma que tienen un control estricto en el color de su
producto, en los últimos meses la coloración del sazonador MaG30 varía, las
fórmulas son exactas y se cree que los operadores la están alterando, hay un
operador por turno y se registro la producción total de un día del sazonador,
1800kg, 600kg por turno.
1. Definición
Problema en la Actualidad:
129
PRUEBA Ji-Cuadrada
Target:
Ho y Ha:
p1 = p2 = p3
p1 ≠ p2 ≠ p3
130
PRUEBA Ji-Cuadrada
2. Recolección de Datos
De acuerdo a un plan de muestreo (subgrupos racionales) se clasifica la
coloración de los 1800kg por operador, como se muestra a continuación:
COLORACIÓN
OPERADOR Rojizo Tenue Rojizo Medio Rojizo Intenso TOTAL
TOTAL 1800
131
PRUEBA Ji-Cuadrada
5. Cálculo y Análisis
del P-Valor Ji-Cuadrada
Seleccionamos
STAT> TABLES>
CROSS TABULATION AND
CHI-SQUARE
132
PRUEBA Ji-Cuadrada
133
PRUEBA Ji-Cuadrada
134
PRUEBA Ji-Cuadrada
CONCLUSIONES
135
PRUEBA ANOVA
PRUEBA DE
ANÁLISIS DE
VARIANZA ANOVA
136
PRUEBA ANOVA
137
PRUEBA ANOVA
Para el desarrollo del ANOVA analizaremos si el tipo de tinta (que depende del
proveedor) de una impresora influye en el número de páginas impresas por
cartucho, en el supuesto de que el contenido por cartucho para cada tipo de
tinta es igual y se tienen 4 proveedores de tinta.
Problema en la Actualidad:
138
PRUEBA ANOVA
Target:
El número de páginas impresas por cartucho debe ser igual a 250 ± 5pag.
Ho y Ha:
µ1 = µ2 = µ3
Ha: Las media del número de páginas impresas por cartucho es dependiente
del tipo de tinta.
µ1 ≠ µ2 ≠ µ3
139
PRUEBA ANOVA
μ = 250
μ ACTUAL = 244
2. Tamaño de muestra σ ALTUAL = 2,428
Diferencia = 250págs - 244págs
3. Recolección de Datos
4. Prueba de Normalidad
Al analizar por medio del ANOVA
se debe verificar antes de que los
datos anteriores sean normales,
de tal modo que se les aplica una
Prueba de normalidad a
cada grupo de tomas.
141
PRUEBA ANOVA
142
PRUEBA ANOVA
5. PRUEBA F
Otra condición para la aplicación del ANOVA es el que sus varianzas de las
distribuciones deben ser iguales, de tal forma que se debe aplicar una prueba F,
para confirmar lo anterior, se aplico la prueba F para el ejemplo y éstos fueron
los resultados:
143
PRUEBA ANOVA
15
22
0 5 10 15 20 25 30 35
95% Bonferroni Confidence Intervals for StDevs
6. Cálculo y Análisis
ANOVA
Seleccionamos
ANOVA> ONE-WAY
(UNSTACKED)
145
PRUEBA ANOVA
146
PRUEBA ANOVA
ESTUDIO
INDIVIDUAL
DESVIACIÓN
ESTÁNDAR TOTAL
También podemos corroborar lo anterior con el estudio individual para cada tipo de tinta,
numérico y gráfico, que muestra la cantidad de tomas hechas para el análisis (N), su
media y su desviación estándar, en este caso, los números nos permiten confirmar lo
observado en el diagrama de caja que se analizó con anterioridad, y los intervalos que
muestra el estudio al traslaparse nos muestran como en realidad no hay una diferencia
significativa entre las medias de cada tipo de tinta.
148
PRUEBA ANOVA
CONCLUSIONES
149
PRUEBA F
DOE´S
150
Diseño de Experimentos
– William Diamond
Estadístico Retirado IBM
151
¿Qué es el Diseño Experimental?
152
Beneficios de los Experimentos
153
Estrategia para la Experimentación
Pasos de la Experimentación:
Seleccionar las variables de respuesta - Y
Seleccionar los factores independientes - X
Escoger los niveles de los factores
Seleccionar el diseño experimental
Recolectar la información
Analizar la información
Llegar a conclusiones
Aplicar los arreglos de factores óptimos
154
Diseño de Experimentos - Etapas
A E B
C B D K K
Factores I K F F
F
H G J J
Tiempo
155
DOE FACTORIAL ENTERO 2K
156
DOE FACTORIAL ENTERO 2K
NIVELES
BAJO ALTO
157
DOE FACTORIAL ENTERO 2K
158
DOE FACTORIAL ENTERO 2K
159
DOE FACTORIAL ENTERO 2K
160
DOE FACTORIAL ENTERO 2K
CONDUCE EL
EXPERIMENTO
…
161
DOE FACTORIAL ENTERO 2K
Al terminar de conducir
nuestro experimento
debemos tener llena
nuestra columna adicional
de “Volumen”, a
continuación se muestra
como quedó la tabla
después de conducir el
experimento:
162
DOE FACTORIAL ENTERO 2K
163
DOE FACTORIAL ENTERO 2K
En el campo “Responses”
selecciona la columna “Volumen”
y utiliza las flechas de abajo para
pasar todas las variables del lado
derecho, en el campo derecho que
esta en blanco deberán estar las 3
variables, quedando de la
siguiente formaAhora solo damos
clik en OK y repetimos el
procedimiento para las otras dos
gráficas, al terminar damos ok y
aparecerán las siguientes gráficas:
164
DOE FACTORIAL ENTERO 2K
166
DOE FACTORIAL ENTERO 2K
167
DOE FACTORIAL ENTERO 2K
ANÁLISIS MATEMÁTICO
168
DOE FACTORIAL ENTERO 2K
Si P < .05
169
DOE FACTORIAL ENTERO 2K
CONCLUSIONES
170
DOE FACTORIAL FRACCIONADO
171
DOE FACTORIAL FRACCIONADO
NIVELES
FACTORES BAJO ALTO
173
DOE FACTORIAL FRACCIONADO
174
DOE FACTORIAL FRACCIONADO
175
DOE FACTORIAL FRACCIONADO
176
DOE FACTORIAL FRACCIONADO
177
DOE FACTORIAL FRACCIONADO
178
DOE FACTORIAL FRACCIONADO
179
DOE FACTORIAL FRACCIONADO
180
DOE FACTORIAL FRACCIONADO
Main Effects Plot for % MATERIAL AGREGADO
Data Means
A LIMENTA C IO N C A TA LITIC O A GITA C IO N
75
70
65
60
55
Mean
10 15 1 2 100 120
TEMPERA TURA C O NC ENTRA C IO N
75
70
65
60
55
140 180 3 6
90
C A TA LITIC O
75 1
CATALITICO
2
60
90
A GITA C IO N
75 100
AGITACION
60
120
90
TEMPERA TURA
75 140
TEMPERATURA
180
60
CONCENTRACION
182
DOE FACTORIAL FRACCIONADO
65 78
55 49
56 45
6
CONCENTRACION
61 95
3
63 93
2
CATALITICO 53 60
120
AGITACION
53 69
1 100
10 15
ALIMENTACION
140 180
TEMPERATURA
Percent
60 D TE M P E RA TU RA
A
Term
E C O N C E N TRA C IO N
AB 50
40
BC
30
BE
20
AE
AD 10 E
AC
5 DE
CD
C
1
0 5 10 15 20 -10 -5 0 5 10 15 20
Effect Effect
Lenth's PSE = 1,875 Lenth's PSE = 1,875
En estas dos gráficas podemos confirmar que existe una cantidad considerable de
factores (X´s) e interacciones (X-X) que no tienen un impacto significativo sobre la
variable de respuesta (Y), indicando que el % de Material Agregado se ve afectado
significativamente por el % de Catalítico Agregado, la Temperatura Interna del
Reactor, el % de Concentración de Compuestos en MP y la interacción entre el % de
Catalítico Agregado y la Temperatura Interna del Reactor, así como la interacción
entre el % de Concentración de Compuestos en MP y la Temperatura Interna del
Reactor.
185
DOE FACTORIAL FRACCIONADO
El estudio se encuentra
saturado, esto se presenta
cuando existe una cantidad
considerable de factores (X´s)
y/o interacciones (X-X) que
no tienen un impacto
significativo sobre la variable
de respuesta (Y), como ya
vimos en la gráfica de pareto
y de la normalidad de los
ESTUDIO SATURADO
No muestra datos para estudiar
efectos.
el DOE.
186
DOE FACTORIAL FRACCIONADO
Después de haber identificado lo anterior es necesario hacer nuevamente un
Análisis del DOE para eliminar de este uno a uno los factores menos
significativos para la variable de respuesta (Y), en este caso para el % de
Catalítico Agregado, siga el menú:
187
DOE FACTORIAL FRACCIONADO
188
DOE FACTORIAL FRACCIONADO
No Significativo
189
DOE FACTORIAL FRACCIONADO
FACTORES E
INTERACCIONES
SIGNIFICATIVAS
FACTORES E
Se confirma con este estudio numéricoINTERACCIONES lo presentado en la gráfica de
SIGNIFICATIVAS
pareto y normalidad de los efectos principales, al determinar cuales son
los factores (X´s) e interacciones (X-X) que afectan significativamente a la
variable de respuesta (Y), así como la validación de confiabilidad del
Diseño de Experimento. Con lo anterior se puede establecer los niveles
óptimos de operación del proceso.
190
DOE FACTORIAL FRACCIONADO
CONCLUSIONES
191
DOE FACTORIAL FRACCIONADO
192
DOE SUPERFICIE DE RESPUESTA
SUPERFICIE DE
RESPUESTA
193
DOE SUPERFICIE DE RESPUESTA
194
DOE SUPERFICIE DE RESPUESTA
NIVELES
BAJO ALTO
195
DOE SUPERFICIE DE RESPUESTA
STAT > DOE > RESPONSE SURFACE > CREATE RESPONSE SURFACE DESIGN
197
DOE SUPERFICIE DE RESPUESTA
En la definición de la herramienta
mencionamos que los DOE de
superficie de respuesta consideran
factores en niveles alto y bajo, pero
además también utiliza valores
intermedios y valores estrella, en este
arreglo podemos ver que los niveles de
temperatura y tiempo no son
únicamente los niveles alto y bajo que
declaramos, sino que el arreglo a
incluido valores intermedios como el
172.5 de temperatura que es el valor
intermedio entre 160 y 185 y el 190.178
que es uno de los valores estrella que
el MINITAB calcula, usted deberá correr
el experimento en estas condiciones,
en este caso al correrlo las variables
de desempeño quedaron de la
siguiente forma:
198
DOE SUPERFICIE DE RESPUESTA
199
DOE SUPERFICIE DE RESPUESTA
STAT > DOE > RESPONSE SURFACE > ANALIZE RESPONSE SURFACE DESIGN
200
DOE SUPERFICIE DE RESPUESTA
201
DOE SUPERFICIE DE RESPUESTA
202
DOE SUPERFICIE DE RESPUESTA
STAT > DOE > RESPONSE SURFACE > CONTOUR SURFACE PLOTS
203
DOE SUPERFICIE DE RESPUESTA
204
DOE SUPERFICIE DE RESPUESTA
Esta grafica nos muestra una superficie que nos permite determinar los
valores óptimos de rendimiento, que como podemos observar se encuentran
en la parte central de las dos variables, lo cual coincide con el análisis
numérico que realizamos anteriormente.
205
DOE SUPERFICIE DE RESPUESTA
CONCLUSIONES
206
Análisis de
Regresión Lineal
207
ANÁLISIS DE REGRESIÓN LINEAL
Y = a + bX + e Error
X
208
ANÁLISIS DE REGRESIÓN LINEAL
5,54 60
5,02 55
4,89 54
Para la explicación del Análisis 5,78 61
4,61 52
de la Regresión Lineal en el 4,36 49
MINITAB se utilizara como 5,54 60
ejemplo la empresa que se 5,32 58
dedica a la producción de 5,32 58
cereales orgánicos y para la 4,77 53
5,02 55
cual se tienen los siguientes 4,36 49
datos: 3,93 46
5,15 56
4,89 54
4,55 51
4,91 54
4,02 47
3,94 46
5,03 55
209
ANÁLISIS DE REGRESIÓN LINEAL
Seleccionamos
STAT> REGRESION>
REGRESSION
210
ANÁLISIS DE REGRESIÓN LINEAL
211
ANÁLISIS DE REGRESIÓN LINEAL
212
ANÁLISIS DE REGRESIÓN LINEAL
213
ANÁLISIS DE REGRESIÓN LINEAL
214
ANÁLISIS DE REGRESIÓN LINEAL
Modelo de
Regresión
g. La variación de la variable X debe
g. Relación X-Y contribuir un 80% como mínimo de la
i. Variación total de Y
variación total de la variable de respuesta
con las X´s
analizadas
h. Contribución porcentual de la variación de X a la variación
Y.
total Y
R-Sq ≥ 80% Aceptable
f. Significancia del
Modelo
h. Modelo de Regresión Confiable:
R-Sq – R-Sq(adj) < 5% Modelo Confiable
215
ANÁLISIS DE REGRESIÓN LINEAL
CONCLUSIONES
216
Análisis de
Regresión
Múltiple
217
ANÁLISIS DE REGRESIÓN MÚLTIPLE
independientes (X vitales).
“X 1” “X n”
Intersección Y VITAL VITAL
218
ANÁLISIS DE REGRESIÓN MÚLTIPLE
5,54 13,94 60
5,02 15,1 55
4,89 15,11 54
En la explicación de este 5,78 13,51 61
análisis seguiremos con el 4,61 15,35 52
ejemplo de la producción de 4,36 15,55 49
5,54 14,23 60
cereales orgánicos, añadiendo 5,32 14,5 58
otra variable X para su estudio, 5,32 14,3 58
4,77 15,31 53
el % de Glucosa, variable que 5,02 15,04 55
sigue una distribución normal y 4,36 15,77 49
3,93 16,16 46
la cual es definida como una 5,15 14,67 56
posible una X vital después de 4,89 15,16 54
aplicarle la Prueba F. 4,55 15,38 51
4,91 15,18 54
4,02 15,98 47
3,94 16,26 46
5,03 15,06 55
219
ANÁLISIS DE REGRESIÓN MÚLTIPLE
Seleccionamos
STAT> REGRESION>
REGRESSION
220
ANÁLISIS DE REGRESIÓN MÚLTIPLE
221
ANÁLISIS DE REGRESIÓN MÚLTIPLE
222
ANÁLISIS DE REGRESIÓN MÚLTIPLE
223
ANÁLISIS DE REGRESIÓN MÚLTIPLE
224
ANÁLISIS DE REGRESIÓN MÚLTIPLE
Modelo de
Regresión
g. La variación de la variable X debe
g. Relación X-Y contribuir un 80% como mínimo de la
i.
Variación total de Y con las X´s
variación total de la variable de respuesta
analizadas
h. Contribución porcentual de la variación de X a la Y.
variación total Y
R-Sq ≥ 80% Aceptable
f. Significancia del
Modelo
225
ANÁLISIS DE REGRESIÓN MÚLTIPLE
CONCLUSIONES
226
Detección – Monitoreo del Proceso a Través del Tiempo
19
227
Gráficos de Control – Definición
10.5
Promedio
9.5
8.5
Límite Inferior
7.5 de Control
0 10 20 30
20
228
Comprender los Límites de Control
12.5
Límite Superior
de Control
11.5
10.5
Promedio
9.5
8.5
Límite Inferior
7.5 de Control
0 10 20 30
21
229
Gráficos de Control – Propósito
UCL
Promedio
LCL
22
230
Gráficos de Control y Desviaciones Estándar
23
231
Definición: “En Control”
24
232
Interpretar los Gráficos de Control
11.5 11.5
10.5 10.5
9.5 9.5
8.5 8.5
7.5 7.5
0 10 20 30 0 10 20 30
25
233
Reglas para Detectar la Falta de Control Estadístico
3 UCL
2
1
-1
-2
-3 LCL
26
234
Reglas para Detectar la Falta de Control Estadístico
3 UCL
2
1
-1
-2
-3 LCL
27
235
Reglas para Detectar la Falta de Control Estadístico
3 UCL
2
1
-1
-2
-3 LCL
28
236
Reglas para Detectar la Falta de Control Estadístico
3 UCL
2
1
-1
-2
-3 LCL
29
237
Reglas para Detectar la Falta de Control Estadístico
3 UCL
2
1
-1
-2
-3 LCL
30
238
Reglas para Detectar la Falta de Control Estadístico
3 UCL
2
1
-1
-2
-3 LCL
31
239
Causas Comunes y Variables de variación
Causas Comunes
Requiere una acción en el sistema
Requiere la autorización de la Gerencia para tomar
acciones necesarias para eliminarla
Inherente al proceso, por lo tanto afecta a cada parte.
Nota: Si solo están presentes causas comunes, la salida dl proceso forma una
distribución que esta estable y predecible a través del tiempo
Causas Especiales
Pueden ser usaulmente eliminadas por acciones locales
Pueden ser usualmente removidas por las operaciones del
empleado
No affectan a cada parte (intermitente)
Nota: Si hay causas especiales de variación presentes, la salida del proceso no es
estable ni predecible.
240
Límites de Control y Límites de Especificación
Límites de
Control Límites de
Especificaci
ón
32
241
Tipos de Gráficos de Control
34
242
CARTAS DE CONTROL
243
CARTAS DE CONTROL
MEDICIONES
MEDICIONES
SUBGRUPO 1 2 3 4
SUBGRUPO 1 2 3 4 5 1 145.72991 152.92756 150.71136 151.2794 14
2 152.64353 148.08205 151.37815 150.7729 15
3 148.3771 147.68989 151.62955 152.5115 1
1 145.72991 152.92756 150.71136 151.2794 149.8769 4 147.93955 149.47643 146.24773 150.0376 15
2 152.64353 148.08205 151.37815 150.7729 150.5303 5 150.76387 149.94051 149.18851 149.7825 14
6 145.73883 152.50465 148.15038 152.3053 15
3 148.3771 147.68989 151.62955 152.5115 151.675 7 144.3577 150.89013 151.1492 151.4785 14
4 147.93955 149.47643 146.24773 150.0376 151.6757 8 150.26974 150.90136 147.90075 148.2387 15
9 149.98977 147.69253 149.44537 150.1971 15
5 150.76387 149.94051 149.18851 149.7825 148.5478 10 149.7123 156 149.17884 150.9397 14
6 145.73883 152.50465 148.15038 152.3053 150.8436 11 150.61552 152.34599 149.29265 161
12 158 159.24 149.01287 152.5641 15
7 144.3577 150.89013 151.1492 151.4785 149.9309 13 152.00681 147.79753 148.43866 150.2782 14
8 150.26974 150.90136 147.90075 148.2387 152.6718 14 149.75815 149.35272 150.36601 150.493
15 151.99195 149.19999 151.17541 152.3083 15
9 149.98977 147.69253 149.44537 150.1971 152.9019
10 149.7123 156 149.17884 150.9397 148.1523
11 150.61552 152.34599 149.29265 161 159
12 158 159.24 149.01287 152.5641 151.0373
13 152.00681 147.79753 148.43866 150.2782 148.5045
14 149.75815 149.35272 150.36601 150.493 142
15 151.99195 149.19999 151.17541 152.3083 152.3393
244
CARTAS DE CONTROL– X-R
Como primer paso tenemos que meter estos datos en una hoja de
trabajo MINITAB, recuerde al igual que en las otras herramientas,
los datos se deben meter en orden del subgrupo y en una sola
columna, quedando de la siguiente manera:
245
CARTAS DE CONTROL- X-R
Una vez que ha introducido los datos a la hoja de trabajo, siga el siguiente menú:
STAT > CONTROL CHARTS > VARIABLES CHARTS FOR SUBGROUPS > XBAR-R
246
CARTAS DE CONTROL- X-R
Una vez que haya dado clik aparecerá una pantalla como la que se
muestra a continuación
En el campo denominado
variables, usted debe
introducir la columna donde
tiene todos sus datos
apilados y en el siguiente
campo introduzca el tamaño
del subgrupo, a continuación
de clik en XBAR-R options, y
enseguida seleccione la
pestaña TEST, obtendrá una
ventana como la siguiente
247
CARTAS DE CONTROL- X-R
248
CARTAS DE CONTROL- X-R
250
CARTAS DE CONTROL X-S
251
CARTAS DE CONTROL X-S
253
CARTAS DE CONTROL P
La siguiente tabla muestra las unidades defectuosas encontradas
en los muestreos de una empresa que fábrica baterías para
televisiones portátiles:
UNIDADES
SUBGRUPO TAMAÑO DEFECTUOSAS UNIDADES
SUBGRUPO TAMAÑO DEFECTUOSAS
1 67 9
1 67 9
2 50 3
2 50 3 3 57 2
3 57 2 4 65 4
4 65 4 5 55 0
5 55 0 6 55 1
6 55 1 7 56 1
8 58 2
7 56 1
9 62 0
8 58 2 10 62 2
9 62 0
10 62 2
254
CARTAS DE CONTROL P
Copie los valores en una hoja de trabajo de MINITAB, usted deberá tener una
tabla como la siguiente:
255
CARTAS DE CONTROL P
Ahora siga el siguiente menú:
256
CARTAS DE CONTROL P
257
CARTAS DE CONTROL P
259
CARTAS DE CONTROL NP
Los datos que se muestran a continuación fueron obtenidos de la
producción de zapatos para caballero de una empresa de León
Guanajuato que desea cuidar un tipo de defecto en especial que
se presenta en la plantilla del zapato y hace que lastime el talón
de los clientes, se tomaron 12 muestras cada una de 50 datos
durante 5 días en los 3 turnos de la planta, obteniendo los
siguientes datos. NÚMERO DE UNIDADES
TURNO
MUESTRA DEFECTUOSAS NP
Diurno 1 4
Vespertino 2 4
Nocturno 3 8
Diurno 4 3
Vespertino 5 1
Nocturno 6 6
Diurno 7 4
Vespertino 8 0
Nocturno 9 5
Diurno 10 1
Vespertino 11 1
Nocturno 12 5
Diurno 13 0
Vespertino 14 0
Nocturno 15 4
260
CARTAS DE CONTROL NP
Para desarrollar la gráfica NP en MINITAB introduce los datos
mostrados en una hoja de trabajo de MINITAB, tendrás una
ventana con la siguiente apariencia:
261
CARTAS DE CONTROL NP
262
CARTAS DE CONTROL NP
263
CARTAS DE CONTROL NP
264
CARTAS DE CONTROL NP
266
CARTAS DE CONTROL C
Veamos el ejemplo de un proceso de producción de sillones
reclinables, el cual está presentando imperfecciones en las
costuras, a continuación se muestra la tabla de datos obtenida de
21 sillones del proceso en 3 días DIA HORA
NUMÉRO DE
PIEZA
NÚMERO DE
DEFECTOS
1 07:00 1 14
1 08:00 2 17
1 09:00 3 17
1 10:00 4 16
1 11:00 5 15
1 12:00 6 18
1 13:00 7 17
2 07:00 8 19
2 08:00 9 14
2 09:00 10 18
2 10:00 11 14
2 11:00 12 15
2 12:00 13 16
2 13:00 14 15
3 07:00 15 15
3 08:00 16 14
3 09:00 17 18
3 10:00 18 15
3 11:00 19 16
3 12:00 20 14
3 13:00 21 18
267 UNIDADES
CARTAS DE CONTROL C
Ahora introduzca los datos en una hoja de trabajo de MINITAB y siga el siguiente
menú:
STAT > CONTROL CHARTS > ATTRIBUTES CHART > C
268
CARTAS DE CONTROL C
C Chart of NÚMERO DE DEFECTOS
30
UCL=27.93
25
20
Sample Count
_
C=15.95
15
10
5
LCL=3.97
1 3 5 7 9 11 13 15 17 19 21
Sample
270
CARTAS DE CONTROL U
Una empresa que fabrica panel para construcción hace una revisión
en diferentes muestras de sus productos, las no conformidades
se manifiestan como pliegues torcidos en la sección transversal,
y se somete a un control de calidad que determina cuantos
pliegues están torcidos por cada muestra en cm3 que
inspecciona, a continuación se muestran los datos obtenidos de
la medición: ÁREA
SUPERVISADA NÚMERO DE
DIA HORA (cm2) DISCONFORMIDADES
1 07:00 215 14
1 08:00 225 17
1 09:00 215 17
1 10:00 215 16
1 11:00 215 15
1 12:00 245 18
1 13:00 225 17
2 07:00 225 19
2 08:00 225 14
2 09:00 245 18
2 10:00 245 14
2 11:00 225 15
2 12:00 225 16
2 13:00 245 15
3 07:00 215 15
3 08:00 215 14
3 09:00 235 18
3 10:00 235 15
3 11:00 235 16
3 12:00 235 14
3 13:00 235 18
271
CARTAS DE CONTROL U
STAT > CONTROL CHARTS > ATTRIBUTES CHART > U
Introduzca los
datos en una
sesión de trabajo
de MINITAB y siga
el menú:
272
CARTAS DE CONTROL U
U Chart of NÚMERO DE DISCONFORMIDADES
0.12 UCL=0.1216
0.10
Sample Count Per Unit
0.08
_
U=0.0699
0.06
0.04
0.02 LCL=0.0181
0.00
1 3 5 7 9 11 13 15 17 19 21
Sample
Tests performed with unequal sample sizes
Interesado en
Los datos son NO Interesado en unidades NO
Defectuosas? Defectos por parte?
variables
SI SI SI
NO Tamaño de Muestra NO
Tamaño de Muestra
Gráfica P Gráfica U
Constante? Constante?
Los datos son
homogeneos
Por naturaleza o no SI SI
NO
beneficia dividirlo en Gráfica NO
subgrupos? Gráfica c
op
Promedios de subgrupos NO
Grafica de Medias
Deberá ser calculado?
SI SI
Gráfica Tamaño de subgrupo NO Gráfica
I-MR CHART 9 o más? Xbar & R
SI
Gráfica SI Puedes calcular NO Gráfica
Xbar & S “s” por subgrupo? Xbar & R
274