Curso de Minitab

MINITAB
El MINITAB es un programa de software

para el análisis estadístico utilizado para
analizar la información recolectada en los
procesos observables.
1
HERRAMIENTAS ESTADISTICAS DE CALIDAD
EL CURSO DE “HERRAMIENTAS ESTADISTICAS

DE CALIDAD APLICADO EN MINITAB” GARANTIZA
AL PARTICIPANTE QUE AL TERMINO DEL MISMO
TENDRA UN DOMINIO AMPLIO DE LAS
HERRAMIENTAS QUE EN EL SE ESTUDIAN, ASI
COMO UN COMPLETO CONTROL EN EL USO DEL
SOFTWARE MINITAB”
2
TEMARIO BÁSICO DEL CURSO
 Estudios R&R
 Herramientas Gráficas.
 Histograma
 Diagrama de Puntos
 Diagrama de Caja
 Pareto
 Diagrama de Dispersión
 Coeficiente de Correlación Lineal Pearson
3
 Prueba de Hipótesis F
 Prueba de Hipótesis T
 Prueba de Hipótesis Ji-Cuadrada
 Análisis de Varianza ANOVA
 DOE Factorial Entero 2k
 DOE Factorial Fraccionado
 DOE Superficie de Respuesta
 Análisis de Regresión Lineal
4
 Análisis de Regresión Múltiple
 Gráfica X-R (Medias y Rangos)
 Gráfica X-S (Medias y Desviaciones)
 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
Boton para mostrar la lista de

hojas de trabajo del proyecto
Nombre de las columnas
Celdas sin datos

en una
columna con
informacion
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
Nombre de la Boton para

grafica mostrar ventana
de graficas
Ventana para
mostrar listado
de graficas
almacenadas en
el proyecto
9
HERRAMIENTAS ESTADISTICAS DE CALIDAD
10
Todos los Procesos Tienen Variación
 Todas las acciones repetitivas de un proceso tienen cierta

fluctuación.
 Las mediciones de entrada, las mediciones del proceso y las

mediciones de salida también fluctúan.
 Esta fluctuación se denomina variación.
Medición
Tiempo
11
Cambio y Desviación en los Procesos
12
La información recolectada en un corto período de

tiempo indica un proceso de estacionamiento capaz
13
Con el transcurso del tiempo, el cambio y la desviación en el proceso de

estacionamiento produce información que indica un proceso menos capaz
14
GAGE R&R
GAGE R&R
15
Definición del Análisis del Sistema de Medición
El Análisis del Sistema de Medición

( MSA) es una evaluación cuantitativa de
las herramientas y del proceso que se
utilizan al hacer las observaciones de la
información.
16
Propósito del Análisis del Sistema de Medición
El propósito de realizar un análisis del

sistema de medición es asegurar que la
información recolectada sea una
representación real de lo que está
ocurriendo en el proceso.
17
Información Obtenida al Realizar el MSA
 ¿El sistema de medición es apto para este estudio?
 ¿Qué tan grande es el error de medición?
 ¿Qué tanta incertidumbre se le deberá agregar a la medición

cuando se interprete?
 ¿Las mediciones se han estado haciendo con unidades lo

suficientemente pequeñas como para reflejar adecuadamente la
variación que se presenta?
 ¿Cuáles son las fuentes del error de medición?
 ¿Podemos detectar la mejoría del proceso si la hay y cuándo

ocurre?
 ¿El sistema de medición es estable a través del tiempo?
18
Definición del R y R del Instrumento de Medición
 Un estudio R y R del Instrumento de Medición es un método para

determinar:
– 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
El término “repetibilidad” se refiere a:
 La variabilidad relativa del sistema de medición
 La variación que ocurre cuando se hacen mediciones repetidas

del mismo elemento bajo condiciones absolutamente idénticas.
– Mismo operador
– Mismo sistema
– Mismas unidades
– Mismas condiciones ambientales
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
El término “reproducibilidad” se refiere a:
 La variación que resulta cuando se utilizan diferentes operarios

para realizar las mediciones
– Operadores diferentes
– Mismos Ajustes
– Mismas Unidades
– Condiciones ambientales Iguales
– Sistemas de Medición Iguales
23
EJEMPLO GAGE R&R
EL GERENTE DE UNA EMPRESA QUE

MANUFACTURA DISTINTOS TIPOS DE TELAS HA
ENCARGADO AL JEFE DE CALIDAD HACER UNA
VALIDACIÓN DEL SISTEMA DE MEDICIÓN, PARA
ESTO EL JEFE DE CALIDAD DECIDIÓ HACER UN
ESTUDIO GAGE R & R PARA EL ÁREA DE CORTE,
DONDE 3 OPERADORES MEDIRAN 10 PIEZAS DE
TELA CON EL SISTEMA DE MEDICIÓN ACTUAL,
CADA OPERADOR DEBERA MEDIR 3 VECES LA
MISMA PIEZA Y UNA VEZ OBTENIDOS LOS DATOS
EL JEFE DE CALIDAD REALIZARA ESTUDIO.
24
EJEMPLO GAGE R&R
LOS RESULTADOS OBTENIDOS FUERON LOS SIGUIENTES, AHORA

INTRODUCELOS EN EL WORKSHEET DE MINITAB
Operador Pieza Medición Operador Pieza Medición Operador Pieza Medición
Raúl 1 17 Raúl 1 17.1 Raúl 1 17
Ricardo 1 16.8 Ricardo 1 16.93 Ricardo 1 16.85
Benjamin 1 17.1 Benjamin 1 17.05 Benjamin 1 17.15
Raúl 2 17.5 Raúl 2 17.45 Raúl 2 17.42
Ricardo 2 17.75 Ricardo 2 18.2 Ricardo 2 18
Benjamin 2 17.86 Benjamin 2 18.01 Benjamin 2 18
Raúl 3 19.3 Raúl 3 19.31 Raúl 3 19.2
Ricardo 3 19 Ricardo 3 19 Ricardo 3 18.9
Raúl 4 16.8 Raúl 4 16.17 Raúl 4 16.84
Raúl 5 16.9 Raúl 5 17.1 Raúl 5 16.85
Ricardo 5 16.83 Ricardo 5 17 Ricardo 5 17.1
Benjamin 5 16.7 Benjamin 5 16.7 Benjamin 5 17
Raúl 6 18.9 Raúl 6 18.92 Raúl 6 19
Ricardo 6 19 Ricardo 6 19.05 Ricardo 6 19
Raúl 7 17.45 Raúl 7 17.51 Raúl 7 17.6
Raúl 8 19.5 Raúl 8 19.6 Raúl 8 20
Benjamin 8 18.95 Benjamin 8 19 Benjamin 8 19.1
Raúl 9 18.7 Raúl 9 19 Raúl 9 19.1
Ricardo 9 18.6 Ricardo 9 18.61 Ricardo 9 19
Raúl 10 19.1 Raúl 10 19 Raúl 10 19
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
En esta ventana alimentaremos los datos para nuestro

estudio, en el campo Part numbers introduciremos la
columna donde tenemos los números de pieza que fueron
medidas, en el campo operators introduciremos la columna
correspondiente a los operadores de medición, y en la
ultima la columna donde tenemos nuestros datos de
medición, el método de análisis recomendado es el de
ANOVA por ser más estricto que el de Xbar and R, damos
OK y obtendremos la siguiente gráfica:
28
EJEMPLO GAGE R&R
PRIMER ACERCAMIENTO, ANÁLISIS

GRÁFICO
29
EJEMPLO GAGE R&R
AHORA DEMOS CLIC EN LA VENTANA DE SESIÓN
p<.25
Total GAGE R&R

BUENO < 1%
CONDICIONAL 1% A 9%
INACEPTABLE < 9%
% STUDY VAR ó %PROCESS TOLERANCE

BUENO < 10%
ACEPTABLE 11% A 20%
CONDICIONAL 21% A 30%
NACEPTABLE < 30%
30
EJEMPLO GAGE R&R
CONCLUSIONES
31
Ejercicio
Como una introducción al RyR del Instrumento de

Medición, lleven a cabo esta actividad en sus
mesas.
Utilizando los dispositivos de medición, determinen

la cantidad de agua en cada vaso.
A B C
32
PRUEBA DE NORMALIDAD
PRUEBA DE
NORMALIDAD
33
La prueba de normalidad es utilizada en todos los

proyectos seis sigma, antes de realizar cualquier
análisis o prueba de capacidad, esto para poder
determinar el tipo de herramienta estadística que se
va a utilizar acorde a los datos que se tienen, por
ejemplo, no es posible realizar un ANOVA a datos
que no son normales, o tampoco es posible realizar
una prueba t, ni un análisis de capacidad 6 sigma.
Las principales pruebas de normalidad que veremos
son la Anderson-Darling, Ryan-Joiner y
Kolmogorov-Smirnov, dichas pruebas las
realizaremos en el programa MIBITAB.
34
 EL SUPERVISOR DE UNA LINEA DE PRODUCCIÓN DE

BARRAS DE ALUMINIO DESEA SABER SI LOS DATOS QUE
ARROJA SU SISTEMA DE PRODUCCIÓN SIGUEN UN
COMPORTAMIENTO NORMAL PARA ASI PODER
DETERMINAR QUE TIPO DE PRUEBAS PODRIA REALIZAR.
 LOS DATOS QUE OBTUVO SE ENCUENTRAN EN EL

ARCHIVO DE EJERCICIOS CON EL NOMBRE PRUBA DE
NORMALIDAD, INTRODUZCALOS A UNA HOJA DE TRABAJO
DE MINITAB.
35
LOS DATOS DEBERAN TENER EL SIGUIENTE ASPECTO
36
 Después debemos proceder a seleccionar el menú:
STAT> BASICSTATISTICS>NORMALITY TEST
y damos enter, encontrando una ventana como la que se muestra a

continuación:
37
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
Para adentrarnos al desarrollo de un Pareto, vamos a pensar en una empresa de

paquetería que desea emprender un proyecto para mejorar la satisfacción de sus
clientes, la empresa desea conocer cuáles son las áreas que tienen mayor
impacto en la satisfacción de sus clientes, los ingenieros cuentan con los
reportes de quejas hechas por los clientes diariamente al Call Center, los
resultados de esas quejas se muestran a continuación:
DIAS Y QUEJAS
LUNES MARTES MIERCOLES JUEVES VIERNES
Desvíos Paq. Dañado Retardo Mal atención Mal atención

Retardo Paq. Incompleto Desviós Desvió Desvíos
Retardo Paq. Equivocado Retardo Retardo Desvíos
Desvíos Paq. Equivocado Desvíos Paq. Dañado Retardos
Retardo Desvíos Retardo Mal atención Desvíos
Paq. Dañado Retardo Desvíos Desvíos Desvíos
Retardo Desvíos Mal Atención Desvíos Desvíos
Desvíos Retardo Mal Atención Retardo Paq. Dañado
Desvíos Desvíos Desvíos Paq. Dañado Paq. Incompleto
Paq. Dañado Paq. incompleto Desvíos Retardo Mal atención
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:
La columna con el encabezado DATOS, corresponde a las quejas de

los 5 días apiladas para poder realizar el análisis. Ahora vamos a
seguir el siguiente menú: STAT>QUALITY TOOLS>PARETO
42
EJEMPLO– DIAGRAMA DE PARETO
Al hacer click, encontraremos una ventana como la siguiente:
En el campo denominado “Chart defects data in”, introducimos la

columna donde tenemos apilados nuestros datos, que en este caso
corresponde a la columna datos, damos OK y obtendremos la siguiente
tabla
43
EJEMPLO-DIAGRMA DE PARETO
Pareto Chart of DATOS

50
100
40
80
30
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
¿QUÉ NOS DICE?

44
HISTOGRAMA
45
HISTROGRAMA
Grafico de barras de frecuencia que permite analizar

los datos dentro de categorías específicas,
describiendo el comportamiento del proceso en
estudio en relación a su tendencia central, forma y
la variación del proceso
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.
Esta forma es plana. Hay uno o más puntos fuera

de control.
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
 Para el desarrollo del Histograma pensemos en un proyecto de

mejora de cierta empresa en la producción de frituras, se
analizaran datos relacionados al peso en gramos de bolsas de
frituras, los datos se muestran a continuación:
Peso en gramos
de bolsas de
frituras
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
 Los datos se introducen al MINITAB de la siguiente forma
50
 Ahora seleccionaremos el siguiente menú:
GRAPH> HISTOGRAM
51
 Presionamos el botón de nuestro mouse y obtendremos una

ventana como la siguiente:
En esta venta se elije la apariencia del histograma deseado, en este caso,

se selecciona el histograma con campana para observar la apariencia
normal de los datos, damos OK y obtendremos la siguiente ventana:
52
Esta es la ventana que alimenta el

estudio, en el campo Graph
variables se introduce la columna
C1 en la que se colocaron los
pesos de las bolsas de frituras,
damos OK y obtenemos la gráfica
del histograma:
53
¿QUÉ TE DICE?
Normalidad, dispersión, forma y tendencia central de los datos

identificada gráficamente
54
CONCLUSIONES
55
DIAGRAMA DE PUNTOS
DIAGRAMA DE
PUNTOS
56
DIAGRAMA DE PUNTOS
 Gráfica de puntos para un conjunto pequeño de datos que

permite evaluar diferencias entre distribuciones (subgrupos
racionales), es muy parecida al histograma, la diferencia
radica en que en lugar de agrupar los datos en clases,
presenta los datos individualmente como una agrupación
vertical de modas y permite observar dispersión y valores
atípicos.
57
EJEMPLO--DIAGRAMA DE PUNTOS
 Para el desarrollo de esta herramienta retomaremos los datos

obtenidos en el Base Line del proceso de la producción de barras
de aluminio.
Operador A Operador B Operador C

1300,4 1296,5 1303,6
1301,5 1300,3 1300
1298,5 1300,5 1296,9
1302,6 1301,6 1300,8
1300,7 1302 1298,5
1300,5 1306,3 1305,3
1295,9 1301,2 1304,2
1302,5 1298,3 1302,3
1304,2 1303,5 1300,7
1303,3 1299,6 1297,9
1302,7 1299,8 1299,4
1303,1 1296,9 1298,9
1295,7 1300,1 1301,6
1298,6 1301 1297,5
1298,5 1305,00 1300,8
58
EJEMPLO- DIAGRAMA DE PUNTOS
 Estos datos se introducen al MINITAB de la siguiente manera:
59
 Ahora seleccionaremos el siguiente menú: GRAPH> DOTPLOT
60
 Presionamos el botón de nuestro mouse y obtendremos una

ventana como la siguiente:
En esta venta se elije el

tipo de Dotplot deseado, en
este caso, se elige el
Dotplot: Stack Groups,
damos OK y obtendremos
la siguiente ventana:
61
Se alimenta con datos el

estudio, introduciendo en
el campo Graph Variables,
la columna de las
mediciones de cada uno
de los subgrupos y en el
campo Categorical
variables for grouping (1-
4, outermost first) se
introduce la columna de
los subgrupos, damos OK
y obtenemos el diagrama
de puntos, como se
muestra a continuación
62
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
DIAGRAMA DE CAJA
64
Diagrama de Cuadro - Observar los Subgrupos de Información
Para comparar gráficamente la

información de un proceso en diferentes
niveles, o subgrupos, el Diagrama de
Cuadro muestra en forma gráfica sencilla
la mediana, el primer y tercer cuartil de la
muestra de datos, el rango y cualquier
punto fuera de control.
65
Herramientas de Análisis Gráfico - Diagrama de CAJA
Tiempo
Paso del Proceso

66
Interpretar el Diagrama de Cuadro
1. Escala de datos (días, conteo, salidas, etc.)

2. Subgrupos de información (pasos, operaciones, etc.)
3. Líneas que muestran los límites de variación superior e inferior
4. Mediana del subgrupo individual
5. El cuadro representa el 50% de la información
4
1
2
67
Herramienta Gráfica de Análisisraphical – Boxplot
Out-lier LSW = Q1+1.5(Q3-Q1)

(Límite Sup.Whisker)
El valor más alto dentro
* del limite superior
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
Para el desarrollo de esta herramienta seguiremos con el ejemplo de la

producción de las barras de aluminio, tomaremos nuevamente las tomas de
los tres primeros subgrupos racionales.
DÍA 1 – TURNO MATUTINO
Operador A Operador B Operador C

1300,4 1296,5 1303,6
1301,5 1300,3 1300
1298,5 1300,5 1296,9
1302,6 1301,6 1300,8
1300,7 1302 1298,5
1300,5 1306,3 1305,3
1295,9 1301,2 1304,2
1302,5 1298,3 1302,3
1304,2 1303,5 1300,7
1303,3 1299,6 1297,9
1302,7 1299,8 1299,4
1303,1 1296,9 1298,9
1295,7 1300,1 1301,6
1298,6 1301 1297,5
1298,5 1305,00 1300,8
69
EJEMPLO-DIAGRAMA DE CAJA
Estos datos se introducen al

MINITAB de la siguiente
manera: como se observa en
la primera columna tenemos
los subgrupos que estamos
estudiando y en la segunda
las mediciones de la longitud
de las barras de aluminio.
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
En esta venta se elije el

tipo de Boxplot deseado,
en este caso, se elige el
Dotplot: With Groups,
damos OK y obtendremos
la siguiente ventana
72
Se alimenta con datos el estudio, introduciendo en el campo Graph

Variables, la columna de las mediciones de cada uno de los
subgrupos y en el campo Categorical variables for grouping (1-4,
outermost first) se introduce la columna de los subgrupos, damos
OK y obtenemos el diagrama de caja.
73
¿QUE NOS DICE?
74
DIAGRAMA DE DISPERSIÓN
75
Herramientas de Análisis Gráfico - Diagrama de Dispersión
Diagrama muestra el grado de la relación de causalidad existente entre

dos variables, relación que pudiera ser positiva, negativa o nula.
# Defectos (Y)
Velocidad (X)
76
EJEMPLO- DIAGRAMA DE DISPERSIÓN
 Se presenta para el desarrollo de esta herramienta el ejemplo de cierta

empresa que se dedica a la producción de cereales orgánicos y se esta
enfrentado a la gran problemática de que su cereal esta caducando
antes de lo establecido, de dos a tres meses aproximadamente de que
sale a venta, una de las variables que identificaron podría estar
relacionada es el porcentaje de humedad de su sémola de trigo antes
de ser procesada para su incorporación con el cereal, para su análisis
se obtuvieron y registraron los siguientes datos
X
% HUMEDAD TIEMPO DE CADUCIDAD Y
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
 Estos datos se introducen al MINITAB de la siguiente manera:
78
 Ahora seleccionamos GRAPH> SCATTERPLOT y presionamos

el botón de nuestro mouse y obtendremos una ventana como la
siguiente:
79
 Dentro de esta ventana se elige el tipo de diagrama de dispersión

deseado, si se deseara analizar dos variables X´s contra la
variable Y, se elegiría With Groups, en este caso elegimos
Simple, ya que solamente se están analizando una variable X
contra la variable Y, damos OK y se despliega la siguiente
ventana:
80
81
¿QUE NOS DICE?

82
CÁLCULO DE N
CÁLCULO DE N
2
POBLACIONES COMPARADAS
83
CÁLCULO DE N
La muestra es el conjunto o fracción de datos

representativos que reflejan las fuentes de variación
actual de un proceso y que en su cálculo adecuado
permite el logro de una correcta evaluación y
comprensión de la naturaleza y condiciones del
proceso.
Es aplicada para Permite obtener el tamaño de una

muestra en el que es posible detectar algún cambio en
el comportamiento de dos poblaciones comparadas.
84
CÁLCULO DE N
DESARROLLO
Un proyecto desea mejorar el % de Acidez de un saborizante, se

cree el hidróxido de sodio esta afectando este % de Acidez. El
proceso registra que actualmente el nivel del hidróxido de sodio
es de 4.5PH, con este PH, el % promedio de Acidez es del 16.7%
con una σ = 0.99, cuando debe ser del 15%, se sospecha que al
aumentar el nivel del hidróxido de sodio a 6PH el % de Acidez
cambiará.
¿Cuántas tomas son necesarias para poder detectar un cambio en

dicho %?
1. Obtener la medida nominal que debe tener el proceso, el promedio

actual del proceso, la desviación estándar actual del proceso
y el cambio del proceso: diferencia entre
μ = 15
la medida nominal y el promedio actual. μ ACTUAL = 16,7
σ ALTUAL = 0,99
Cambio = 16,7% - 15%
85
CÁLCULO DE N
2. Definir el error α y el error β.
Error α 5%
Error β 5%
3. Obtener un Coeficiente de Sensibilidad que se calcula con la

siguiente formula:
Coeficiente ldl l 16,7 - 15 l

= = = 1,7
de Sencibilidad σ 0,99
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
Objetivo: Tratar de determinar cuándo es

razonable concluir, a partir del análisis de
una muestra, que la población entera posee
determinada propiedad y cuando ésto no es
razonable.
90
8-3
¿Que es una Hipótesis?
 Hipótesis: Es una suposición acerca de un parámetro

de la población, que se desarrolla con el objeto de
probar algo
 Ejemplo :
– El ingreso medio de un Ingeniero Agrónomo es de

$3625.
– 20% de las parcela de soja de esa región están

afectadas por Roya.
91
8-4
¿Qué es una prueba de hipótesis?
 Prueba de hipótesis: Es un procedimiento
basado en la evidencia de la Muestra y en
La teoría de probabilidad para determinar si la hipótesis es un

enunciado razonable ó por el contrario debe ser rechazado
92
PASOS PARA LA PRUEBA DE HIPÓTESIS
 Establecimiento de hipótesis nula y alternativa.
 Selección de un nivel de significación.
 Identificación de la Estadística de prueba.
 Formulación de una regla de decisión
 Tomar una muestra para llegar a una decisión
 Decisión: Rechazar o no rechazar
93
TIPOS DE ERROR
Rechazar una hipótesis no significa que

ésta sea falsa, como tampoco el no rechazarla
significa que sea verdadera. La decisión
tomada no esta libre de error.
Error I: Rechazar una hipótesis que es

verdadera .
Error II: No rechazar una hipótesis que es

falsa .
94
MEDICION DE LOS ERRORES
 es la Probabilidad de cometer un Error

tipo I. Se llama Nivel de significación
 es la probabilidad de cometer un Error

tipo II
Es deseable que estas dos probabilidades de

error sean pequeñas.
95
TIPOS DE HIPOTESIS
La prueba de hipótesis es un procedimiento

de toma de decisiones, relacionada
principalmente con la elección de una acción
entre dos conjuntos posibles de valores del
parámetro, es decir, en dos hipótesis
estadísticas, a las cuales llamaremos:
Hipótesis nula H0
Hipótesis alternativa H1
96
HIPOTESIS NULA y ALTERNATIVA
• Hipótesis nula corresponde a la ausencia de

una modificación en la variable investigada, y
por lo tanto se especifica de una forma exacta:
H0 :  =  0
• Hipótesis alternativa se especifica de manera
más general :
H1:   0
H1:  > 0
H1:  < 0.
97
Hipótesis nula unilateral a derecha
Distribución de muestreo para la estadística z

r a l i t r b u i o n :  = 0 ,  = 1
Una cola- .05 Nivel de Significación

0 . 4
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
Distribución de muestreo para la estadística z

A dos colas- Nivel de Significación 0.05
0 . 4
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
Las probabilidades de cometer errores de

tipo I y II se consideran los "riesgos" de
decisiones incorrectas.
Al realizar la prueba se toma en cuenta el error

de tipo I. Por lo tanto, la prueba es significativa
si se rechaza la hipótesis nula, pues en este
caso se conoce la probabilidad de haber
cometido un error.
100
NIVEL CRITICO “p”
“p” es la Probabilidad de obtener una discrepancia mayor o igual que la

observada en la muestra n cuando Ho es cierta
El valor de “p” no se fija a priori, sino que se determina a partir de la muestra
A menor valor de “p” , menor es la credibilidad de Ho
101
PRUEBA F
PRUEBA F
102
PRUEBA F
Prueba de Hipótesis utilizada en datos

continuos para probar si las varianzas de dos
poblaciones son iguales, mediante la
comparación de un valor crítico en la
distribución F
LO LO
OBSERVADO ESPERADO
DIFERENCIA ENTRE
LAS MEDIAS
103
PRUEBA F
Para desarrollar la prueba se analizara el ejemplo de una

empresa que se dedica a la producción de caramelos, estos
caramelos tienen la forma de frijoles y son tipo gomas envueltas
de caramelo, tienen un estricto control de calidad en todo su
proceso, y la problemática que tienen es que el tamaño del fríjol
de dulce que se esta saliendo de especificación (15mm ± 2mm),
se sospecha que la variación del tamaño del fríjol esta siendo
afectada por tiempo de rotación de la cámara de Engroosing,
donde se agrega el jarabe y azúcar de su cubierta hasta tener la
consistencia y color deseado. A continuación se muestra la
aplicación de la prueba con el ejemplo antes mencionado:
104
PRUEBA F
1. Definición
Definición de Variables: Y = Longitud del Caramelo
X = Tiempo de rotación
Problema en la Actualidad:
El 45% de la producción de dulces esta siendo rechazada por no cumplir

con la especificación de la Longitud del caramelo (Y).
105
PRUEBA F
Target:
La Longitud del caramelo debe ser 15mm ± 2mm.
Ho y Ha:
Ho: La varianza de la longitud del caramelo con un tiempo de rotación de

12hrs es igual a la varianza de la longitud del caramelo con un tiempo de
rotación de 20hrs.
σ2 LTR12 = σ2 LTR20
Ha: La varianza de la longitud del caramelo con un tiempo de rotación de

12hrs es diferente a la varianza de la longitud del caramelo con un tiempo de
rotación de 20hrs.
σ2 LTR12 ≠ σ2 LTR20
106
PRUEBA F
Nivel de Confianza, Intervalo de Confianza 95%

Error α 5%
Error α y Error β: Error β 5%
2. Tamaño de muestra
Actualmente el tiempo de rotación de la cámara de Engroosing es de 12hrs,

con este tiempo, la longitud promedio del caramelo es de 15,3mm con una
σ = 3,11, cuando la longitud del caramelo debe ser 23,4mm y se cree que al
aumentar a 20hrs el tiempo cambiará la σ, para poder detectar un cambio con
estas condiciones se calculó el tamaño de la muestra:
Coeficiente ldl l 23,4 - 15,3 l Se compara con las tablas
= = = 2,6
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
Probability Plot of normalidad

Normal
99
Mean 15
StDev 2,390
95 N 8
AD 0,472
90
P-Value 0,173
80
70
4. Prueba de Normalidad
Percent
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
Se muestra la siguiente ventana e

introducimos los datos a analizar.
Esta ventana esta compuesta de tres partes,

el estudio numérico del estadístico de
prueba y su P-Valor, una diagrama de caja y
un diagrama que muestra la dispersión de
los datos, a continuación interpretaremos
cada una de las partes:
110
PRUEBA F
En esta parte se muestra el valor del estadístico de prueba F y el

P-Valor, se recomienda la interpretación por medio del P-Valor,
que en este caso es igual a 0.037, P.Valor < 0.05 por lo que
concluimos que hay evidencia estadística para rechazar la
hipótesis nula y decir que la varianza de la longitud del caramelo
con un tiempo de rotación de 12hrs es diferente a la varianza de la
longitud del caramelo con un tiempo de rotación de 20hrs.
En el diagrama de caja observamos

gráficamente lo concluido con anterioridad, si
existe una diferencia marcada entre dispersión
de los datos para cada tiempo de rotación.
En este diagrama cuando los intervalos de

confianza se traslapan junto con su media,
se puede sospechar fuertemente que las
varianzas son iguales, en este caso se
observa que no, gráficamente también se
llega a la conclusión de que son diferentes.
111
PRUEBA F
En el estudio numérico que nos muestra nuevamente el estadístico de prueba y su

P-Valor, también muestra un estudio de la X donde indica el tamaño de la muestra y
la desviación estándar para cada caso. Analizando la desviación estándar vemos
que efectivamente son distintas, de tal manera que no se puede descartar al tiempo
de rotación (X) como una variable que tiene un impacto significativo en el
desempeño de la variación de la longitud del caramelo (Y).
112
PRUEBA F
CONCLUSIONES
113
PRUEBA T
PRUEBA T
114
PRUEBA T
LO LO
OBSERVADO ESPERADO
DIFERENCIA ENTRE
LAS MEDIAS
Prueba de Hipótesis utilizada en datos

continuos para probar si las medias de
dos poblaciones son iguales, mediante
la comparación de un valor crítico en la
distribución T.
115
PRUEBA T
Para desarrollar la prueba se analizará nuevamente el ejemplo de la empresa

que se dedica a la producción de caramelos.
1. Definición
Definición de Variables: Y = Longitud del Caramelo
X = Tiempo de rotación
El 45% de la producción de dulces esta siendo rechazada por no cumplir

con la especificación de la Longitud del caramelo (Y).
116
PRUEBA T
Target:
La Longitud del caramelo debe ser 15mm ± 2mm.
Ho y Ha:
Ho: La media de la longitud del caramelo con un tiempo de rotación de 12hrs

es igual a la media de la longitud del caramelo con un tiempo de rotación de
20hrs.
µ2 LTR12 = µ2 LTR20
Ha: La media de la longitud del caramelo con un tiempo de rotación de 12hrs

es diferente a la media de la longitud del caramelo con un tiempo de rotación
de 20hrs.
µ2 LTR12 ≠ µ2 LTR20
117
PRUEBA T

Error α 5%
2. Tamaño de muestra
Actualmente el tiempo de rotación de la cámara de Engroosing es de 12hrs,

con este tiempo, la longitud promedio del caramelo es de 15,3mm con una
σ = 3,11, cuando la longitud del caramelo debe ser 23,4mm y se cree que al
aumentar a 20hrs el tiempo cambiará la σ, para poder detectar un cambio con
estas condiciones se calculó el tamaño de la muestra:
Coeficiente ldl l 23,4 - 15,3 l Se compara con las tablas
= = = 2,6
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
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
Probability Plot of normalidad

Normal
99
Mean 15
StDev 2,390
95 N 8
AD 0,472
90
P-Value 0,173
80
70 4. Prueba de Normalidad
Percent
60
50
40
30
20
10
1
10 12 14 16 18 20 22
normalidad
119
PRUEBA T
del P-Valor t
Se introducen los datos al MINITAB.
Seleccionamos
STAT> BASIC
STATISTICS> 2-SAMPLE t,
120
PRUEBA T

introducimos los datos a analizar y
después damos clic en el botón
Graphs y Options, mostrando las
siguientes ventanas:
121
PRUEBA T
En esta parte se muestra el valor del estadístico de prueba F y el

P-Valor, se recomienda la interpretación por medio del P-Valor,
que en este caso es igual a 0.037, P.Valor < 0.05 por lo que
concluimos que hay evidencia estadística para rechazar la
hipótesis nula y decir que la varianza de la longitud del caramelo
con un tiempo de rotación de 12hrs es diferente a la varianza de la
longitud del caramelo con un tiempo de rotación de 20hrs.
En el diagrama de caja observamos

gráficamente lo concluido con anterioridad, si
existe una diferencia marcada entre dispersión
de los datos para cada tiempo de rotación.
En este diagrama cuando los intervalos de

confianza se traslapan junto con su media,
se puede sospechar fuertemente que las
varianzas son iguales, en este caso se
observa que no, gráficamente también se
llega a la conclusión de que son diferentes.
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
Ahora analizaremos las graficas:
¿QUÉ NOS DICE?
En este diagrama de caja se corrobora lo anterior, a

pesar de que la diferencia marcada de la dispersión de
los datos su media es igual.
124
PRUEBA T
Este diagrama de puntos, permite que observemos donde cae

exactamente cada una de la tomas, sin embargo el análisis es el
mismo que al del diagrama de caja, la medias son iguales (punto azul)
a pesar de la dispersión de los datos.
125
¿QUÉ NOS DICE?
PRUEBA T
CONCLUSIONES
126
PRUEBA Ji-Cuadrada
PRUEBA
Ji-Cuadrada
127
PRUEBA Ji-Cuadrada
Prueba de Hipótesis utilizada en

datos discretos
para probar si las proporciones de dos
o más poblaciones son iguales.
Esta prueba es aplicada para identificar si al

hacer algún cambio en el proceso la
proporción de alguna característica cambia.
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
Y = Coloración del sazonador

Definición de Variables:
X = Operador
El 60% de la producción del sazonador MaG30 está siendo rechazada por no

cumplir con la especificación de la Escala Hunter LAB de coloración.
129
PRUEBA Ji-Cuadrada
Target:
La coloración del sazonador MaG30 debe ser Rojizo tenue.
Ho y Ha:
Ho: La coloración del sazonador MaG30 es independiente del operador.
p1 = p2 = p3
Ha: La coloración del sazonador MaG30 es dependiente del operador.
p1 ≠ p2 ≠ p3
130
PRUEBA Ji-Cuadrada

Error α 5%
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
A 225 298 77 600

B 112 185 303 600
C 93 361 146 600
TOTAL 1800
131
PRUEBA Ji-Cuadrada
del P-Valor Ji-Cuadrada
Seleccionamos
STAT> TABLES>
CROSS TABULATION AND
CHI-SQUARE
132
PRUEBA Ji-Cuadrada

introducimos los datos a analizar
y después damos clic en el
botón Chi-Square, mostrando la
siguiente ventana:
133
PRUEBA Ji-Cuadrada
En este estudio podemos observar las

frecuencias observadas, que fueron los
registros de los datos que se
obtuvieron, el estadístico de prueba Ji2
que es igual a 280,604 con 4 grados de
libertad, podemos compararlo con las
tablas de la Ji2 u observamos
directamente el P-Valor, que en este
caso es igual a cero, menor que 0.05,
Fo = Frecuencia observada por lo que se concluye que hay
Fe = Frecuencia esperada
evidencia estadística para rechazar Ho y
decir que la coloración del sazonador
MaG30 es dependiente del operador.
Esta prueba de hipótesis permitió

comparar las proporciones de las
gL poblaciones y determinar que son
P-Valor diferentes, de tal manera que se concluye
VALOR JI-CUADRADA
que los operadores influyen en el
desempeño de la coloración del sazonador.
134
PRUEBA Ji-Cuadrada
CONCLUSIONES
135
PRUEBA ANOVA
PRUEBA DE
ANÁLISIS DE
VARIANZA ANOVA
136
PRUEBA ANOVA
Prueba de Hipótesis utilizada para

probar si las medias de dos o más
poblaciones son iguales, mediante un
análisis de varianzas que permite
determinar la relación entre variables
X´s discretas y la variable de
desempeño Y continúa.
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.
1. Definición Definición de Variables:
Y = Número de páginas impresas por cartucho VARIABLE CONTINUA

VARIABLE DISCRETA X = Tipo de tinta
El 24% de la muestra de inspección de cartuchos de este mes no pasa la

prueba del número de páginas impresas por cartucho.
138
PRUEBA ANOVA
Target:
El número de páginas impresas por cartucho debe ser igual a 250 ± 5pag.
Ho y Ha:
Ho: Las media del número de páginas impresas por cartucho es

independiente del tipo de tinta.
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
Intervalo de Confianza 95%

Error α 5%
Nivel de Confianza,
Error β 5% Error α y Error β:
μ = 250
μ ACTUAL = 244
2. Tamaño de muestra σ ALTUAL = 2,428
Diferencia = 250págs - 244págs
Coeficiente ldl l 250 - 244 l Se compara con las tablas

= = = 2,5
Se necesitan 4 tomas para detectar un

cambio con un α = 5% y β = 5%
140
PRUEBA ANOVA
TINTA MRC12 TINTA MRB15 TINTA MRE22
No. de págs impresas

246 245 247
por cartucho
243 244 239
241 247 240
247 245 244
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
¿QUÉ NOS DICE?
¿QUÉ NOS DICE?
142
PRUEBA ANOVA
5. PRUEBA F
Ho: σ2 MRC12 = σ2 MRC12 = σ2 MRC12
Ha: σ2 MRC12 ≠ σ2 MRC12 ≠ σ2 MRC12
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
Test for Equal Variances for PÁGS IMPRESAS PRUEBA F

Bartlett's Test
Test Statistic 0,75
12 P-Value 0,688
Levene's Test
Test Statistic 0,25
TIPO DE TINTA P-Value 0,787
15
22
0 5 10 15 20 25 30 35
95% Bonferroni Confidence Intervals for StDevs
Observamos como los intervalos de confianza en relación a la varianza se

traslapan, esto indica un relación de evidente similitud entre las varianzas de los
tipos de tinta, esto se comprueba con el P-Valor de la prueba F o Bartlett´s Test –
datos normales- como se muestra en este estudio, su P- Valor es de 0.688 > 0.05,
por lo que no hay evidencia estadística para decir que las varianzas son
diferentes, de tal forma que al ser las varianzas iguales se cumple con la
condición del ANOVA y se puede continuar con el estudio.
144
PRUEBA ANOVA
ANOVA
Seleccionamos
ANOVA> ONE-WAY
(UNSTACKED)
145
PRUEBA ANOVA

introducimos los datos a analizar y
Graphs.
Mostrando esta ventana:
146
PRUEBA ANOVA
¿QUÉ NOS DICE?

147
PRUEBA ANOVA
El P-Valor, es cual es igual

a 0.399 > 0.05, por lo que se
concluye que no hay
evidencia estadística para
rechazar Ho, el tipo de tinta
P-VALOR
no influye en el número de
hojas impresas por
cartucho.
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
“El propósito de un experimento es

comprender mejor el mundo real, no
comprender la información experimental.”
– William Diamond
Estadístico Retirado IBM
151
¿Qué es el Diseño Experimental?
Organizar la forma en la que se cambia

una o más variables de entrada (Xs) para
ver si alguna de esas variables o cualquier
combinación de esas variables afecta la
salida (Y) de forma significativa.
152
Beneficios de los Experimentos
Los experimentos estadísticos son ricos en beneficios:
 Poco tiempo para obtener resultados
 Relativamente bajo costo
 Excelente oportunidad para detectar los niveles óptimos de las

variables
 Muy alta confianza en los resultados
 Capaz de identificar los efectos principales y de interacción
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
(Medir) (Analizar) (Mejorar)
Selección Categorización Optimización
A E B
C B D K K
Factores I K F F
F
H G J J
Tiempo
155
DOE FACTORIAL ENTERO 2K
Herramienta estadística que permite la

experimentación dirigida de k factores en dos
niveles cada uno, para el análisis efectivo del
desempeño tanto individual como sus
interacciones, determinando los niveles óptimos
de operación y descartando aquellos que no son
significativos.
156
Para el desarrollo de esta herramienta vamos a analizar

el caso de la producción de barras de pan integral de
cierta empresa, que tiene como variable de desempeño
Y=Volumen de cada barra de pan, cuyo target es de 3000
cm3. El cual se sospecha está influenciado por las
siguientes variables, para las cuales ya se han definido
sus respectivos niveles:
NIVELES
BAJO ALTO
X1 Tiempo de Cocción 48 min 72 min

X2 Tipo de Levadura empleada RK28 JK24
X3 Temperatura 180°C 240°C
157
STAT > DOE > FACTORIAL > CREATE FACTORIAL DESIGN
En esta ventana podemos ver el

campo Type Design, para el cual
escogeremos la primera opción, ya
que recordemos tenemos dos
niveles de operación.
El siguiente campo nos pide
seleccionemos la cantidad de
factores que vamos a maneja, para
esta caso tenemos 3 factores.
Ahora damos clic en el botón
Designs… y encontraremos la
siguiente ventana:
158
Ahora bien en esta ventana

seleccionaremos la opción Full
factorial para tener el
experimento completo, a
continuación seleccionaremos
2 replicas para tener una
mayor captación de las
condiciones del proceso.
Damos ok y en el botón de
Factors damos clik e
introducimos los factores y los
niveles como se muestra a
continuación:
159
Ahora damos clic dos veces y

nos dirigimos a la hoja de
trabajo donde encontraremos
la siguiente ventana:
160
CONDUCE EL
EXPERIMENTO
…
161
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
INICIAREMOS EL ANÁLISIS GRÁFICO
STAT > DOE > FACTORIAL > FACTORIAL PLOTS
Esta ventana le muestra 3 opciones de

graficas especiales para el análisis de
DOE’s seleccione las 3 casillas y a
continuación de clik en el botón Setup
que está enfrente de cada opción,
encontrara una ventana como la
siguiente:
163
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
El primer recuadro que corresponde a cocción, podemos ver que en el

nivel 48 minutos estamos más cercanos a nuestro objetivo que es 3000, y
conforme nos acercamos al 72 min nos alejamos de nuestro valor
objetivo, igualmente para el caso de levadura, sin embargo en el caso de
la temperatura observamos que la line es casi horizontal, lo que nos hace
sospechar que la temperatura no presenta un efecto significativo sobre el
volumen, y la cocción y la levadura si, esto lo comprobaremos más
adelante.
165
La imagen mostrado es una gráfica de interacciones, recordemos que

una interacción es el efecto que pudiera causar un factor en
combinación con otro, en este caso vemos que la interacción entre la
levadura y la cocción presentan una tendencia importante a considerar,
ya que conforme se acercan a los niveles altos sus distancias se
separan inclinándose a dar un volumen menor, sin embargo las otras
interacciones parecen no presentar nada relevante ya que sus
distancias tienden a ser paralelas.
166
La imagen mostrada es una gráfica de

cubo que muestra los diferentes
volúmenes que se alcanzan en cada
una de las corridas, esta gráfica nos es
útil para determinar en cuál de las
corridas logramos el mejor resultado.
Como podemos ver el mejor resultado
que obtuvimos fue de 3002.5 y se
encuentra en el nivel bajo de Cocción,
Nivel bajo de Levadura y Nivel alto de
temperatura, según la gráfica nuestro
proceso debería estar siempre
operando con los siguientes niveles:
(Cocción 48 min, Levadura RK28,
Temperatura 240°)
167
ANÁLISIS MATEMÁTICO
STAT > DOE > FACTORIAL > ANALYZE FACTORIAL DESIGN
Encontraras un ventana como la

que se muestra a la derecha, lo
único que tienes que hacer es
seleccionar la columna volumen en
el campo en blanco, asegurarte de
que en el botón Terms, esten
seleccionados todos los factores y
todas sus interacciones y dar clik
en OK, a continuación trasládate a
la ventana de sesión donde
encontraras el siguiente análisis:
168
Para determinar qué factores son los

que estadísticamente determinaremos
como significativos fijaremos nuestra
atención en la columna que contiene el
valor P y usaremos la siguiente regla:
Si P < .05
entonces el factor o interacción son

significativos.
Como podemos ver el factor

temperatura así como todas las
interacciones en las que aparece no
son significativos por lo tanto nuestras
sospechas del análisis gráfico eran
acertadas, los factores significativos
son cocción y levadura.
169
CONCLUSIONES
170
DOE FACTORIAL FRACCIONADO
Herramienta estadística para la experimentación

dirigida que permite probar una cantidad
considerable de factores en dos niveles cada
uno con el mínimo de corridas, esto para el
análisis efectivo del desempeño tanto individual
como sus interacciones, descartar aquellos
factores no significativos y determinar sus
niveles óptimos de operación.
171
Para el desarrollo del DOE Factorial Fraccionado analizaremos el

porcentaje de material activado de un compuesto químico para hacer
moldes, entre mayor sea este mejor, característica crítica que esta
influenciada por las siguientes variables:
Y = % de Material Activado del Compuesto Químico
NIVELES
FACTORES BAJO ALTO
X1 Ritmo de Alimentación del material dentro del reactor 10 RPM 15 RPM

X2 % Catalítico Agregado 1% 2%
X3 Ritmo de Agitación 100 RPM 120 RPM
X4 Temperatura Interna del Reactor 140 ºc 180 ºC
X5 Concentración de Compuestos en Materia Prima 3% 6%
En un DOE Factorial Completo con 5 factores y 2 niveles son necesarias

32 corridas, debido a consideraciones de tiempo y dinero es necesario
fraccionar el experimento.
172
STAT > DOE > FACTORIAL > FACTORIAL PLOTS
173
En el campo Type Design se

elige primera opción, debido a
que tenemos dos niveles de
operación.
El siguiente campo nos pide
seleccionemos la cantidad de
factores que vamos a maneja,
para esta caso tenemos 5
factores.
Ahora damos clik en el botón
Designs… y encontraremos la
siguiente ventana:
174
Aquí se muestran tres tipos de

experimento: un DOE Factorial
Completo (Full factorial) y dos
DOE Factorial Fraccionados (½
fraction, ¼ fraction), dependiendo
de las limitaciones para correr el
Full factorial se seleccionara la
fracción del DOE, en esté caso
seleccionaremos la opción ½
fraction para hacer 16 corridas,
recordemos que entre mayor sea
la cantidad de corridas, mayor
será resolución del experimento. A
continuación seleccionaremos
una replica para el campo Number
of replicates for corner points.
Damos OK y en el botón de Factors damos clik e introducimos los factores

y los niveles como se muestra a continuación:
175
Ahora damos clic dos veces

y nos dirigimos a la hoja de
trabajo donde
encontraremos la siguiente
ventana:
176
ESTE ES EL DISEÑO FACTORIAL FRACCIONADO
AHORA VAMOS A CONDUCIR EL EXPERIMENTO
177
Y ASI QUEDÓ DESPUÉS DE CONDUCIRLO
178
VAMOS AL ANÁLISIS GRÁFICO
179
Esta ventana le muestra 3 opciones de

graficas especiales para el análisis de
DOE’s seleccione las 3 casillas y a
continuación de clik en el botón Setup
que está enfrente de cada opción,
encontrara una ventana como la
siguiente:
180
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
Se observa que el % de Catalítico Agregado y la Temperatura tienen un mayor

impacto sobre el % de Material Agregado del Compuesto Químico (Y), debido a que
mientras hay un cambio en sus niveles existe un cambio significativo en el % de la Y
estudiada, seguido del % de Concentración de
Compuestos de la MP y el Ritmo de Alimentación del material dentro del reactor, sin

embargo en el caso del Ritmo de Agitación observamos que la línea es casi
horizontal, lo que hace sospechar que el Ritmo de Agitación no presenta un efecto
significativo sobre el % de Material Agregado del Compuesto Químico, de cualquier
forma lo anterior se comprobará más adelante.
181
Interaction Plot for % MATERIAL AGREGADO
Data Means
1 2 100 120 140 180 3 6
90
A LIMENTA C IO N
75 10
ALIMENTACION
15
60
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
En este caso vemos que la interacción entre el % Catalítico Agregado y la

Temperatura Interna del Reactor, así como el % de Concentración de
Compuestos en MP y la Temperatura Interna del Reactor presentan una
tendencia importante a considerar, debido a que mientas cambian sus niveles
en la interacción se afecta significativamente el % de Material Agregado del
Compuesto Químico, mientras que con las demás interacciones parece no
presentar cambios relevantes.
182
Cube Plot (data means) for % MATERIAL AGREGADO

67 82
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
Recordemos que el entre mayor sea el % de Material Agregado del

Compuesto Químico mejor, de tal modo que la mejor combinación de los
factores para esta característica crítica es tener el proceso en 10 RPM
del Ritmo de Alimentación, el 2% de Catalítico Agregado, 120 RPM del
Ritmo de Agitación, 180 la Temperatura Interna del Reactor y 3% la
Concentración de Compuestos en MP.
183
Para iniciar el análisis matemático siga el menú:

En el campo Responces se selecciona
la variable de respuesta (Y), en este
caso el % de Material Agregado,
después da clik en el botón Graphs
para que MINITAB despliegue la ventana
siguiente:
Aquí se seleccionan las gráficas deseadas

para el análisis del efecto de los factores (X´s)
sobre la variable de respuesta (Y) y que
permitirán confirmar cuales son aquellos
factores e interacciones que impactan
significativamente a la variable de respuesta,
se selecciona únicamente la opción Normal y
la opción Pareto. Damos doble OK y el
MINITAB muestra el estudio en la ventana de
sesión:
184
Pareto Chart of the Effects Normal Plot of the Effects

(response is % MATERIAL AGREGADO, Alpha = ,05) (response is % MATERIAL AGREGADO, Alpha = ,05)
4,82 99
Effect Type
B F actor N ame
Not Significant
A A LIM E N TA C IO N B
D 95 Significant
B C A TA LITIC O
BD C A G ITA C IO N 90 F actor N ame
D
DE D TE M P E RA TU RA A A LIM E N TA C IO N
E C O N C E N TRA C IO N 80 BD
E B C A TA LITIC O
70 C A G ITA C IO N
CE
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
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
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:

y se mostrará la siguiente ventana:
Damos clik en el botón Terms

para que MINITAB despliegue
la ventana siguiente:
187
Aquí eliminaremos las interacciones y

factores que no son significativos, como
regla debe eliminarse primeramente las
interacciones y después los factores,
guiándonos de la gráfica de pareto
observamos que el Ritmo de Agitación
(C) es un factor que no afecta
significativamente a la variable de
respuesta, para comprobarlo se elimina
primeramente la interacción de este
factor con menos impacto, en este caso
la interacción CD, damos doble OK y nos
dirigimos al estudio numérico que se
muestra a continuación:
188
SIGUE SATURADO EL ESTUDIO

YA QUE MARCA COMO NO
SIGNIFICATIVO A UN FACTOR
SIGNIFICATIVO.
FACTOR Y/O INTERACCIÓN:

Significativo
No Significativo
P < .05 Factor o Interacción Significativos
Se observa que efectivamente los resultados de la gráfica de pareto concuerdan

con el análisis numérico, sin embargo el estudio se encuentra saturado debido a
que el P-Valor del % de Concentración de Compuestos en MP se muestra como no
significativo a pesar de que una de sus interacciones si lo es y la gráfica de pareto
lo muestra también como significativo, de modo que como se sabe que el Ritmo de
Agitación no es significativo se eliminara éste y cada una de sus interacciones de
la forma como se mostró anteriormente, los resultados se muestran a continuación:
189
FACTORES E
INTERACCIONES
SIGNIFICATIVAS
R-Sq, R-Sq (adj) > 80%

El DOE Factorial Fraccionado es
CONFIABLE
DOE Factorial Fraccionado
CONFIABLE
P-Valor < 0.05
Efectos Principales e Interacciones

Validadas
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
CONCLUSIONES
191
Con el estudio anterior se determinó que el Ritmo de

Alimentación y el Ritmo de Agitación no son factores
significativos y de acuerdo a la gráfica de cubo se identifico
que la mejor combinación de los factores para esta
característica crítica es tener el proceso en 10 RPM del
Ritmo de Alimentación, el 2% de Catalítico Agregado, 180 ºC
la Temperatura Interna del Reactor y 3% la Concentración de
Compuestos en MP. Con esto es posible establecer el nivel
más barato para el Ritmo de Alimentación y el Ritmo de
Agitación, es decir si el costo es mayor al tener el proceso a
10 RPM del Ritmo de Alimentación y 120 RPM del Ritmo de
Agitación, debido a que estas variables no afectan es posible
establecer el proceso 15 RPM del Ritmo de Alimentación y
100 RPM del Ritmo de Agitación, para que los costos de
producción disminuyan.
192
DOE SUPERFICIE DE RESPUESTA
SUPERFICIE DE
RESPUESTA
193
Herramienta estadística que permite la experimentación dirigida de

k factores en dos niveles extremos, valores intermedios y valores
estrella todos ellos para el análisis efectivo del desempeño tanto
individual como sus interacciones, determinando los niveles
óptimos de operación y además prediciendo los valores que tomara
la medida de desempeño en las diferentes combinaciones de
factores permitiendo determinar la superficie en la que la respuesta
que obtenemos nos es favorable.
194
Para el desarrollo de esta herramienta vamos a analizar el caso de una variable

de rendimiento del tipo mayor es mejor que se sospecha está afectada por las
variables temperatura y tiempo en los siguientes niveles:
NIVELES
BAJO ALTO
X1 Temperatura 160°C 185°C

X2 Tiempo 75 min 93 min
195
STAT > DOE > RESPONSE SURFACE > CREATE RESPONSE SURFACE DESIGN
Como en este caso tenemos dos factores

dejamos el campo del número de factores tal y
como esta, y a continuación damos clic sobre
el botón DESIGNS y encontraremos la
siguiente ventana
En esta ventana vamos a seleccionar la

primera opción del diseño que es un Full
con 13 corridas, los demás valores los
dejamos iguales a como aparecen por
default, el número de replicas para este
caso es de 1 si se deseara tener más
replicas bastara con cambiar este valor por
el que se desee, a continuación damos clic
en ok y volvemos a dar clic en el botón de
FACTORS, encontraremos la siguiente
ventana:
196
De la misma manera que en los demás

experimentos en esta ventana capturamos el
nombre de los factores que estamos analizando y
sus respectivos niveles alto y bajo, al finalizar
damos clic en ok y para terminar solamente nos
dirigimos al botón de OPTIONS y quitamos la
opción randomize, recuerde que esto lo hacemos
únicamente para fines didácticos, en la realidad
usted no deberá quitarla, damos clic en ok dos
veces y encontraremos el siguiente arreglo:
197
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
DESPUÉS DE CONDUCIR EL EXPERIMENTO
199
STAT > DOE > RESPONSE SURFACE > ANALIZE RESPONSE SURFACE DESIGN
En esta ventana al igual que en los

otros diseños, seleccionaremos la
columna donde tenemos la variable
de rendimiento y la metemos en el
campo de responses, al finalizar
damos clic en el botón ok y nos
dirigimos a la ventana de sesión
donde tendremos el análisis
numérico del experimento.
200
Si P < .05 entonces el factor o interacción son significativos.
Con base en esta regla

podemos ver entonces que el
único factor que podría
considerarse como no
significativo seria la
interacción
Temperatura*Tiempo que
presenta un P value de .102,
entonces vamos a quitar esta
interacción de la misma
manera en que lo hicimos en el
diseño de experimentos
fraccionado para ajustar el
Experimento
201
Como podemos ver al quitar la

interacción no se altero nada y
quedamos con todos los términos
significativos, podríamos decir
entonces que los dos factores son
significativos y que los valores
óptimos de operación serian tiempo
84 Minutos y temperatura 172.5, con
una R Sq-Adj de 96.11% lo cual nos
da una gran confianza en las
decisiones.
Sin embargo esta herramienta es muy rica y presenta otro tipo

de análisis gráfico muy interesante que veremos a
continuación, siga el siguiente menú:
202
STAT > DOE > RESPONSE SURFACE > CONTOUR SURFACE PLOTS
En la ventana seleccionamos las

dos opciones y damos clic en ok, y
aparecerán las siguientes graficas:
203
La gráfica muestra las diferentes superficies que es capaz de captar

en los valores de las dos variables que estamos analizando, como
sabemos que nuestra variable de desempeño es del tipo mayor es
mejor, entonces vemos que la superficie del centro es la que nos
brinda el mejor rendimiento, con base en esto podremos establecer
los niveles de operación que mas nos convenga para los objetivos de
la compañía.
204
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
CONCLUSIONES
206
Análisis de
Regresión Lineal
207
ANÁLISIS DE REGRESIÓN LINEAL
La Regresión Lineal es un modelo

estadístico que muestra la relación
funcional entre dos variables, una
dependiente (Y-variable de respuesta) y
una independiente (X vital).
“X”
VITAL
Y Intersección Y
Y = a + bX + e Error
VARIABLE DE Pendiente de la línea recta

RESPUESTA -coeficiente de regresión
poblacional-
X
208
% ACIDEZ TIEMPO DE CADUCIDAD
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
Seleccionamos
STAT> REGRESION>
REGRESSION
210
Introducimos los datos a analizar y

Graphs y Storage, mostrando la
siguiente ventana:
211
Estudios que permiten validar el Modelo

de Regresión, el cual debe cumplir con
las siguientes características:
a. Relación lineal entre la Y y la X.
Relación que se estudia con el diagrama

de dispersión antes presentado y que
permite determinar una aparente
relación entre la variable X con la
variable Y.
212
b. Residuales con variación constante,

la misma para todos los niveles de la X.
En este estudio se presenta una

variación de los residuales con
promedio igual a cero, lo que indica que
estos tienen una variación constante.
c. Residuales independientes uno del

otro, no están correlacionados.
Para ello es necesario que las

observaciones no presenten ningún
patrón en relación a los residuales,
como se muestra en este estudio.
213
d. Residuales con una distribución

normal.
En el estudio los resultados están

presentando un aparente
comportamiento normal, sus puntos no
distancian significativamente la
distribución normal de la línea.
e. Las observaciones no deben tener

puntos fuera de control.
Cuando un dato va mas allá de+2 ó -2 es

considerado un punto fuera de control
“outlier”, en este estudio observamos
que los residuales caen dentro del
intervalo permitido.
214
f. Al P-Valor del Análisis de Varianza para la

Regresión se le aplica la siguiente regla:
P-Valor < α El modelo de regresión es significativo
P-Valor ≥ α El modelo de regresión NO es significativo
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
CONCLUSIONES
216
Análisis de
Regresión
Múltiple
217
ANÁLISIS DE REGRESIÓN MÚLTIPLE
Modelo estadístico que muestra

la relación funcional entre Y
múltiples variables, una

dependiente (Y-variable de
respuesta) y dos o más X1 X2
independientes (X vitales).
“X 1” “X n”
Intersección Y VITAL VITAL
Y= a + b1 (X1) +….+ bK (Xk) + e Error
Pendiente 1 de la línea recta

-coeficiente de regresión
Pendiente n de la línea recta
poblacional-
218
% ACIDEZ % GLUCOSA TIEMPO DE CADUCIDAD
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
Seleccionamos
STAT> REGRESION>
REGRESSION
220
Introducimos los datos a analizar y

Graphs y Storage, mostrando la
siguiente ventana:
221
Debemos validar el Modelo de

Regresión.
a. Relación lineal entre la Y y la X.
Relación que se estudia con el diagrama

de dispersión antes presentado y que
permite determinar una aparente
relación entre cada variable X con la
variable Y.
222
b. Residuales con variación constante,

la misma para todos los niveles de la X.
En este estudio se presenta una

variación de los residuales con
promedio igual a cero, lo que indica que
estos tienen una variación constante.
c. Residuales independientes uno del

otro, no están correlacionados.
Para ello es necesario que las

observaciones no presenten ningún
patrón en relación a los residuales,
como se muestra en este estudio.
223
d. Residuales con una distribución

normal.
En el estudio los resultados están

presentando un aparente
comportamiento normal, sus puntos no
distancian significativamente la
distribución normal de la línea.
e. Las observaciones no deben tener

puntos fuera de control.
Cuando un dato va mas allá de+2 ó -2 es

considerado un punto fuera de control
“outlier”, en este estudio observamos
que los residuales caen dentro del
intervalo permitido.
224
f. Al P-Valor del Análisis de Varianza para la

Regresión se le aplica la siguiente regla:
P-Valor < α El modelo de regresión es significativo
P-Valor ≥ α El modelo de regresión NO es significativo
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
h. Modelo de Regresión Confiable:

R-Sq – R-Sq(adj) < 5% Modelo Confiable
225
CONCLUSIONES
226
Detección – Monitoreo del Proceso a Través del Tiempo
Las herramientas para monitorear el

proceso a través del tiempo son los gráficos
de control.
19
227
Gráficos de Control – Definición
Los gráficos de control son

representaciones gráficas de la variación de
un proceso a través del tiempo.
12.5
Límite Superior
11.5
de Control
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
 Concentrar la atención en la detección y monitoreo de la variación a través del

tiempo
 Distinguir las causas especiales de las causas comunes de variación, como

una guía para la acción local o de gerencia
 Servir como una herramienta para el control continuo de un proceso
 Proporcionar un lenguaje común para discutir el desempeño del proceso.
UCL
Promedio
LCL
22
230
Gráficos de Control y Desviaciones Estándar
Cuando se utilizan los gráficos de control, es importante recordar que:
Los límites de control típicamente se establecerán a 3 desviaciones estándar

por arriba y por debajo de la línea central (media)
La desviación estándar que se utiliza para determinar los límites de

control se calcula a partir de la variación promedio dentro de los subgrupos
Los límites de control se establecen durante un marco de tiempo cuando el

proceso está “en control”
23
231
Definición: “En Control”
Desempeño del Proceso donde SOLO la

variación aleatoria es evidente Y los puntos
de información están entre los límites
superior e inferior de control
24
232
Interpretar los Gráficos de Control
En Control Fuera de Control

12.5 12.5
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
1. Un punto se encuentra por fuera de los límites de control 3

Sigma.
3 UCL
2
1
-1
-2
-3 LCL
26
234
2. Siete puntos consecutivos en el mismo lado a partir de la línea

central.
3 UCL
2
1
-1
-2
-3 LCL
27
235
3. Siete puntos consecutivos que están en orden ascendente o

descendente.
3 UCL
2
1
-1
-2
-3 LCL
28
236
4. Dos de tres puntos consecutivos están en el mismo lado a partir

de la línea central por fuera de la zona 2 Sigma.
3 UCL
2
1
-1
-2
-3 LCL
29
237
5. Cuatro de cinco puntos consecutivos están en el mismo lado a

partir de la línea central por fuera de la zona 1 Sigma.
3 UCL
2
1
-1
-2
-3 LCL
30
238
6. Otros patrones no aleatorios tales como tendencias, ciclos o una

distribución inusual de puntos dentro de los límites de control.
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
Los gráficos de control más frecuentemente utilizados incluyen:
 Datos por Atributos

– Gráfico P
– Gráfico U
 Datos por Variables
– Gráfico I-MR
– Gráfico Xbarra-R
34
242
CARTAS DE CONTROL
GRÁFICA X-R ( MEDIAS Y RANGOS)
243
CARTAS DE CONTROL
Para el desarrollo de la gráfica X-R utilizaremos los

siguientes datos que corresponden a la altura del
llenado de botellas de refresco la cual esta
especificada en 150 mm +- 4 tomados en subgrupos
de tamaño 5.
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
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
Esta ventana le muestra todas las

pruebas que el programa puede
realizarle a la carta de control que
usted esta a punto de generar,
seleccione todas las pruebas y de
ok dos veces, obtendrá la
siguiente gráfica de control:
248
¿QUÉ NOS DICE?

249
CARTAS DE CONTROL X-S
STAT > CONTROL CHARTS > VARIABLES CHARTS FOR

SUBGROUPS > XBAR-S
UTILIZAREMOS LOS MISMOS
DATOS QUE EN LA CARTA X-R
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 clic en XBAR-S
options, y enseguida seleccione la
pestaña TEST, obtendrá una ventana
como la siguiente:
250
Esta ventana le muestra

todas las pruebas que el
programa puede realizarle a
la carta de control que usted
está a punto de generar,
seleccione todas las
pruebas y de ok dos veces,
obtendrá la siguiente gráfica
de control:
251
¿QUÉ NOS DICE?

252
CARTAS DE CONTROL P
Cuando los datos que definen nuestra medida de desempeño

es de tipo discreta, y define si un articulo pasa o no pasa,
entonces podemos utilizar una gráfica P, esta nos permitirá
analizar la proporción de defectos de diferentes tipos de
tamaño de subgrupos, por lo que los limites de control
también cambiaran dependiendo del tamaño del subgrupo a
que correspondan.
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:
STAT > CONTROL CHARTS > ATTRIBUTES CHARTS > P
256
CARTAS DE CONTROL P
257
CARTAS DE CONTROL P
La carta P gráfica las proporciones defectuosas de cada subgrupo, es por esto

que tenemos 10 corridas, con una media de proporción igual a 0.0409, con un
límite de control superior de .1163 y un límite de control inferior de 0, ahora bien
veamos que el primer dato cumple con la prueba 1, que se refiere a un punto más
allá de los limites de control, los cuales por cierto son diferentes para cada dato y
obedecen al tamaño de la muestra que se utilizó, veamos también los puntos 5 y
9, estos puntos están sobre el límite inferior de control, sin embargo no presentan
correspondencia con ninguna prueba, esto es porque en esta carta desearíamos
que todos los valores se acercaran al cero, ya que esto nos indicaría que no
tenemos defectos en nuestros procesos.
258
CARTAS DE CONTROL NP
La gráfica NP analiza el número de artículos
defectuosos que existen en diferentes muestras del
mismo tamaño, para monitorear el desempeño del
proceso, esta gráfica nos es útil para monitorear la
cantidad de defectos que se presentan en nuestro
proceso, y de manera especial nos ayuda a vigilar
un tipo de defecto en particular que nos preocupe,
esto es algo que no pueden hacer las otras
gráficas, es mucho más fácil de interpretar que la
gráfica NP
259
 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
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
262
263
Como puedes ver los Tests

son los mismos que se
utilizaron en la carta P,
selecciona los 4 y da clic,
dos veces como lo hemos
venido haciendo,
encontrarás la siguiente
carta de control:
264
¿QUÉ NOS DICE?

265
CARTAS DE CONTROL C
 La gráfica C es una herramienta utilizada para graficar el número
de defectos contenidos por unidad, esta gráfica se utiliza para
vigilar el comportamiento que el proceso tiene en el tiempo, por
ejemplo una estación de pintura de cocinas integrales puede
presentar diferente número de imperfecciones por puerta
provenientes de diferentes causas ajenas al proceso, las cuales
se deben investigar y establecer los mecanismos necesarios
para que no ocurran.
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
Vemos que la gráfica de control mostrada anteriormente tiene

una media de 15.95 y los valores se encuentran muy alejados de
las medias, lo que nos puede llevar a pensar que los defectos que
se cometen presentan valores muy altos, podríamos decir que el
proceso está en control estadístico, sin embargo tenemos que
investigar las causas por las cuales se están generando esos
defectos, recordemos que en estas cartas lo que buscamos es
adherencia al límite de control inferior.
269
CARTAS DE CONTROL U
La gráfica U es utilizada para determinar las no
conformidades de un producto dentro de un
proceso determinado, se pueden utilizar para
muestras de tamaño variable, son muy útiles para
pronosticar el grado y nivel de calidad de un
producto determinado.
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
La carta de control mostrada presenta límites de control totalmente

irregulares dados los tamaños de muestra seleccionados, la herramienta
grafica la unidad porcentual de los defectos sobre el tamaño de la
muestra, el proceso se encuentra en control estadística, parece que las
unidades de defectos que aparecen en el proceso no impactan en el
control, sin embargo esto es muy subjetivo, ya que la carta no es capaz de
distinguir que tanto impacta esto a la satisfacción de sus clientes, si para
sus clientes es muy impactante tener 15 pliegues torcidos en una pieza de
panel, entonces tendrá que tomar medidas para disminuirlos y cerrar
mucho más sus límites de control.
273
Procedimeinto para la selección para el uso de Gráfica de
Control
Seleccionar característica
A graficar
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

Curso de Minitab

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Curso de Minitab

Cargado por

Copyright:

Formatos disponibles

MINITAB

El MINITAB es un programa de software

EL CURSO DE “HERRAMIENTAS ESTADISTICAS

 Coeficiente de Correlación Lineal Pearson

 Prueba de Hipótesis Ji-Cuadrada

 Análisis de Varianza ANOVA

 DOE Factorial Entero 2k

 DOE Factorial Fraccionado

 DOE Superficie de Respuesta

 Análisis de Regresión Lineal

 Análisis de Regresión Múltiple

 Gráfica X-R (Medias y Rangos)

 Gráfica X-S (Medias y Desviaciones)

Boton para mostrar la lista de

Nombre de las columnas

Celdas sin datos

Nombre de la Boton para

 Todas las acciones repetitivas de un proceso tienen cierta

 Las mediciones de entrada, las mediciones del proceso y las

 Esta fluctuación se denomina variación.

La información recolectada en un corto período de

Con el transcurso del tiempo, el cambio y la desviación en el proceso de

El Análisis del Sistema de Medición

El propósito de realizar un análisis del

 ¿El sistema de medición es apto para este estudio?

 ¿Qué tan grande es el error de medición?

 ¿Qué tanta incertidumbre se le deberá agregar a la medición

 ¿Las mediciones se han estado haciendo con unidades lo

 ¿Cuáles son las fuentes del error de medición?

 ¿Podemos detectar la mejoría del proceso si la hay y cuándo

 ¿El sistema de medición es estable a través del tiempo?

 Un estudio R y R del Instrumento de Medición es un método para

El término “repetibilidad” se refiere a:

 La variabilidad relativa del sistema de medición

 La variación que ocurre cuando se hacen mediciones repetidas

El término “reproducibilidad” se refiere a:

 La variación que resulta cuando se utilizan diferentes operarios

– Condiciones ambientales Iguales

– Sistemas de Medición Iguales

EL GERENTE DE UNA EMPRESA QUE

LOS RESULTADOS OBTENIDOS FUERON LOS SIGUIENTES, AHORA

En esta ventana alimentaremos los datos para nuestro

PRIMER ACERCAMIENTO, ANÁLISIS

AHORA DEMOS CLIC EN LA VENTANA DE SESIÓN

Total GAGE R&R

% STUDY VAR ó %PROCESS TOLERANCE

Como una introducción al RyR del Instrumento de

Utilizando los dispositivos de medición, determinen

La prueba de normalidad es utilizada en todos los

 EL SUPERVISOR DE UNA LINEA DE PRODUCCIÓN DE

 LOS DATOS QUE OBTUVO SE ENCUENTRAN EN EL

LOS DATOS DEBERAN TENER EL SIGUIENTE ASPECTO

 Después debemos proceder a seleccionar el menú:

STAT> BASICSTATISTICS>NORMALITY TEST

y damos enter, encontrando una ventana como la que se muestra a

Para adentrarnos al desarrollo de un Pareto, vamos a pensar en una empresa de

Desvíos Paq. Dañado Retardo Mal atención Mal atención

La columna con el encabezado DATOS, corresponde a las quejas de

Al hacer click, encontraremos una ventana como la siguiente:

En el campo denominado “Chart defects data in”, introducimos la

Pareto Chart of DATOS

¿QUÉ NOS DICE?

Grafico de barras de frecuencia que permite analizar