Estadística Aplicada Control de

Calidad & Seis Sigma MGNM - 1760

Actividad 1- M1 – Estadística Aplicada & Inferencial

Ing. Jesús Javier Contreras Miranda

Dr. Alan Tijerina de la Rosa

Estadística Aplicada & Seis Sigma Company Use

Indice

Pag

Introducción 3

Descripcón del problema 5

Problema 1 6

Problema 2 8

Problema 3 10

Problema 4 13

Conclusión 16

2
Company Use
Introducción.

Medidas de tendencia central

Con las mediciones de una característica de calidad, el primer aspecto a investigar consiste en conocer la
tendencia central de los datos, es decir, identificar un valor en torno al cual los datos tienden a aglomerarse o
concentrarse. Esto permitirá saber si el proceso está centrado; es decir, si la tendencia central de la variable de
salida es igual o está muy próxima a un valor nominal deseado A continuación veremos tres medidas de la
tendencia central: la media, la mediana y la moda.

Media muestral

Supongamos que x1, x2, x3,..., xn son las observaciones numéricas de una muestra; entonces, la medida más
usual de su tendencia central es proporcionada por la media (o promedio) muestral, que es igual a la media
aritmética de todos los datos:

es decir, la media muestral se obtiene sumando todos los datos y el resultado de la suma se divide entre el
número de datos (n).

Media poblacional o del proceso, μ

Si para calcular la media se utilizan todos los elementos de la población (todos los posibles individuos,
especímenes, objetos o medidas de interés sobre los que se hace un estudio), por ejemplo, el grosor de todos
los discos producidos en la última semana o mes, entonces el promedio calculado es la media del proceso (o
media poblacional) y se denota con la letra griega μ (mu).

Es importante destacar que la media del proceso μ es igual a cierto valor, aunque no siempre se conoce;
mientras que el valor de X– se obtiene para cada muestra y es diferente (variable) de una muestra a otra, ya
que su valor depende de las piezas que se seleccionan (X– es una variable aleatoria). Por lo anterior, el valor
que se observa de la media muestral, X–, por lo general es diferente a la media del proceso, μ. Luego, es
preciso tener cuidado con las afirmaciones basadas en X– sobre la media del proceso o población.

Mediana o percentil 50

Otra medida de tendencia central de un conjunto de datos es la mediana X~, que es igual al valor que divide a
la mitad a los datos cuando son ordenados de menor a mayor. Así, para calcular la mediana cuando el número
de datos es impar, éstos se ordenan de manera creciente y el que quede en medio de dicho ordenamiento será
la mediana. Pero si el número de datos es par, entonces la mediana se calcula dividiendo entre dos la suma de
los números que están en el centro del ordenamiento.

Moda

Otra forma de medir la tendencia central de un conjunto de datos es mediante la moda, que es igual al dato que
se repite más veces. Si varios datos se repiten el mismo número de veces, entonces cada uno de ellos es una
moda, y se dice que el conjunto de datos es multimodal. La función MODA( ) de Excel calcula la moda de un
conjunto de datos.

Desviación estándar poblacional o del proceso, σ

Releja la variabilidad de un proceso. Para su cálculo se debe utilizar un número grande de datos que hayan
sido obtenidos en el transcurso de un lapso amplio. Se denota con la letra griega sigma σ.

Company Use
Rango

Medición de la variabilidad de un conjunto de datos que es resultado de la diferencia entre el dato mayor y el
dato menor de tal conjunto.

Coeficiente de variación

Medida de variabilidad que indica la magnitud relativa de la desviación estándar en comparación con la media.
Es útil para contrastar la variación de dos o más variables que están medidas en diversas escalas.

4
Company Use
Objetivo.

Aplicar de manera sumamente práctica las herramientas de estadística para el análisis de datos en un caso
práctico de proyecto de mejora.

En una fábrica de remolques se quiere realizar un proyecto de optimización para reducir el consumo de pintura
utilizada por remolque. Después de un análisis de proceso se llegó a la conclusión que las variables que
pueden afectar el consumo son:

Cantidad de Tiempo de secado Aplicación total

recubrimiento gr/ l Calidad de acabado
Pintura min. remolque Kg
13 30 buena 179.6
13.9 30.9 buena 180
13.5 30.5 buena 180.1
13.6 30.6 buena 180.1
14 31 buena 180.2
14.2 31.2 buena 180.3
13.9 30.9 buena 180.4
14.1 31.1 buena 180.4
14.1 31.1 buena 180.5
14.3 31.3 buena 180.5
14.9 31.9 buena 180.6
15.1 32.1 buena 181.8
14.8 31.8 buena 182.7
14.7 31.7 buena 183.5
14.3 31.3 buena 183.9
14.5 31.5 buena 184.5
14.6 31.6 regular 185.2
14.2 31.2 regular 185.5
13.8 30.8 regular 185.6
13.9 30.9 regular 185.6
13.9 30.9 regular 185.6
14.1 31.1 regular 185.7
14.5 31.5 regular 186.2
15.3 32.3 regular 187.6
15.5 32.5 regular 189.2
19.5 36.5 regular 194.8
19.5 36.5 regular 200.4
19.8 36.8 regular 206.3
21.3 38.3 regular 213.7
22.5 39.5 regular 222.3
21.9 38.9 regular 230.3
22 39 regular 238.4

Realiza un análisis estadístico determinando: 5

Company Use
 1. La estadística descriptiva de las variables continúas y establece conclusiones de sus tendencias
centrales, rango, intervalos de confianza.

Cantidad de Tiempo de secado Aplicación total

Calidad de acabado
recubrimiento gr/ l Pintura min. remolque Kg
13 30 179.6 buena
13.5 30.5 180.1 buena
13.6 30.6 180.1 buena
13.8 30.8 185.6 regular
13.9 30.9 180 buena
13.9 30.9 180.4 buena
13.9 30.9 185.6 regular
13.9 30.9 185.6 regular
14 31 180.2 buena
14.1 31.1 180.4 buena
14.1 31.1 180.5 buena
14.1 31.1 185.7 regular
14.2 31.2 180.3 buena
14.2 31.2 185.5 regular
14.3 31.3 180.5 buena
14.3 31.3 183.9 buena
14.5 31.5 184.5 buena
14.5 31.5 186.2 regular
14.6 31.6 185.2 regular
14.7 31.7 183.5 buena
14.8 31.8 182.7 buena
14.9 31.9 180.6 buena
15.1 32.1 181.8 buena
15.3 32.3 187.6 regular
15.5 32.5 189.2 regular
19.5 36.5 194.8 regular
19.5 36.5 200.4 regular
19.8 36.8 206.3 regular
21.3 38.3 213.7 regular
21.9 38.9 230.3 regular
22 39 238.4 regular
22.5 39.5 222.3 regular
Media 15.725 32.725 190.05
Mediana 14.4 31.4 184.85
Moda 13.9 30.9 185.6
Min 13 30 179.6
Max 22.5 39.5 238.4
Rango 9.5 9.5 58.8
Desviación Estándar 2.90 2.90 15.44

Q1 Mediana Q3 Rango Coeficiente de Variación

Cantidad de 13.925 14.4 15.45 9.5 18.44
recubrimiento gr/ l
Tiempo de secado 30.925 31.4 32.45 9.5 8.86
Pintura min.
Aplicación total remolque 180.43 184.85 238.4 58.8 8.12
Kg

Intervalo de confianza

Cantidad de Tiempo de secado Aplicación total

Calidad de acabado
recubrimiento gr/ l Pintura min. remolque Kg
Alfa 0.05 0.05 0.05
Desviación Estándar 2.90 2.90 15.44
Tamaño de la muestra 32.00 32.00 32.00
Intervalo de confianza 1.00457 1.00457 5.34839

Intervalos de confianza de las 3 variables:

6

Company Use
 Normal Confidence Interval (Mean) Normal Confidence Interval (Mean) Normal Confidence Interval (Mean)

User defined param eters User defined parameters Use r de fined param eters
Sample Size (n) 32 Sample Size (n) 32 Sample Size (n) 32
Sample Avg 15.725 Sample Avg 33 Sample Avg 190
Sample Standard Dev 2.9 Sample Standard Dev 2.9 Sample Standard Dev 15.44
Confidence Level 95.00% Confidence Level 95.00% Confidence Level 95.00%

Confidence Interval Confidence Interval Confidence Interval

Low er Lim it Upper Lim it Low er Limit Upper Lim it Low e r Lim it Upper Lim it
14.6794385 16.7705615 31.6794385 33.7705615 184.4832864 195.6167136
SPC XL is Copyright (C) 1999-2008 SigmaZone.com and Air SPC XL is Copyright (C) 1999-2008 SigmaZone.com and Air SPC XL is Copyright (C) 1999-2008 SigmaZone.com and Air
Academy Associates, LLC. All Rights Reserved. Unauthorized Academy Associates, LLC. All Rights Reserved. Unauthorized Academy Associates, LLC. All Rights Reserved. Unauthorized
Análisis de Histogramas
duplication prohibited by law . duplication prohibited by law . duplication prohibited by law .

Histogram of Cantidad de recubrimiento gr/ l Histogram of Tiempo de secado Pintura min.

Normal Normal
16 Mean 15.73 16 Mean 32.72
StDev 2.899 StDev 2.899
14 N 32 14 N 32

12 12

10 10
Frequency

Frequency
8 8

6 6

4 4

2 2

0 0
10 12 14 16 18 20 22 26 28 30 32 34 36 38 40
Cantidad de recubrimiento gr/ l Tiempo de secado Pintura min.

Histogram of Aplicación total remolque Kg

Normal
14 Mean 190.0
StDev 15.44
N 32
12

10
Frequency

0
156 168 180 192 204 216 228 240
Aplicación total remolque Kg

Conclusiones de Histograma:

 Cantidad de recubrimiento gr/ l: Media y medianas cercanas, distribución de valores atípicos.

 Tiempo de secado Pintura min.: Media y medianas cercanas, distribución de valores atípicos.
 Aplicación total remolque Kg: Media y alejadas, distribución de valores atípicos separados del grupo
principal, grafica de distribución anormal cargada haca la izquierda.

Para las 3 variables se observan procesos descentrados con mucha variabilidad, para las 2 primeras variables
se observa un mejor comportamiento dado que su desviación estándar es menor en este caso 2.89, recordando
que la desviación estándar es el desplazamiento de los datos con respecto a le media poblacional, en la ultima
variable se observa una mayor dispersión al tener una deviación estándar mayor en este caso 15.44

Company Use
 2. Realiza una identificación de la distribución de probabilidad y determina a qué tipo de distribuciones se
ajusta cada una de las variables continuas.

Johnson Transformation for Cantidad de recubrimiento gr/ l

Probability Plot of Cantidad de recubrimiento gr/ l
Probability Plot for Original Data Select a Transformation
Normal - 95% CI
99 0.55
N 32
99 0.3

P-Value for AD test

AD 4.335
Mean 15.73 90 P-Value <0.005
StDev 2.899 0.2
N 32

Percent
95
AD 4.335 50
0.1 Ref P
90
P-Value <0.005
80 10 0.0
0.2 0.4 0.6 0.8 1.0 1.2
70
Z Value
Percent

60 1
10 15 20 25
(P-Value = 0.005 means ≤ 0.005)
50
40 Probability Plot for Transformed Data
30
99
N 32
20 AD 0.417
P-Value for Best Fit: 0.312479
90 P-Value 0.312
10 Z for Best Fit: 0.55
Best Transformation Type: SU

Percent
5 Transformation function equals
50
-0.788594 + 0.569621 × Asinh( ( X - 13.9862 ) / 0.221437 )

1 10
5 10 15 20 25
Cantidad de recubrimiento gr/ l 1
-2 0 2 4

De acuerdo a nuestra variable de “cantidad de recubrimiento” no se ajusta a una distribución normal, dado que
el P-value es < 0.005 (No se ajusta).

Derivado que nuestra prueba de normalidad esta rechazada derivado del p-value, dado que los datos no siguen
una distribución normal se opta por una distribución de Johnson.

Johnson Transformation for Tiempo de secado Pintura min.

Probability Plot of Tiempo de secado Pintura min.
Probability Plot for Original Data Select a Transformation
Normal - 95% CI
99 0.55
N 32
99 0.3

P-Value for AD test

AD 4.335
Mean 32.72
90 P-Value <0.005
StDev 2.899 0.2
95 N 32
Percent

AD 4.335 50
0.1 Ref P
90
P-Value <0.005
80 10 0.0
0.2 0.4 0.6 0.8 1.0 1.2
70
Z Value
Percent

60 1
25 30 35 40
50 (P-Value = 0.005 means ≤ 0.005)
40
Probability Plot for Transformed Data
30
99
N 32
20
AD 0.417
P-Value for Best Fit: 0.312479
90 P-Value 0.312
10 Z for Best Fit: 0.55
Best Transformation Type: SU
Percent

5 Transformation function equals

50
-0.788594 + 0.569621 × Asinh( ( X - 30.9862 ) / 0.221437 )

1 10
25.0 27.5 30.0 32.5 35.0 37.5 40.0 42.5
Tiempo de secado Pintura min. 1
-2 0 2 4

De acuerdo a nuestra variable de “tiempo de secado” no se ajusta a una distribución normal, dado que el P-
value es < 0.005 (No se ajusta).

Derivado que nuestra prueba de normalidad esta rechazada derivado del p-value, dado que los datos no siguen
una distribución normal se opta por una distribución de Johnson.

8
Company Use
 Johnson Transformation for Aplicación total remolque Kg
Probability Plot of Aplicación total remolque Kg
Probability Plot for Original Data Select a Transformation
Normal - 95% CI
99 0.7
N 32 0.20
99

P-Value for AD test

AD 4.247
Mean 190.0
90 P-Value <0.005 0.15
StDev 15.44
95 N 32

Percent
0.10 Ref P
AD 4.247 50
90 0.05
P-Value <0.005
80 10 0.00
0.2 0.4 0.6 0.8 1.0 1.2
70
Z Value
Percent

60 1
150 175 200 225
50 (P-Value = 0.005 means ≤ 0.005)
40
Probability Plot for Transformed Data
30
99
N 32
20
AD 0.497
P-Value for Best Fit: 0.197764
90 P-Value 0.198
10 Z for Best Fit: 0.7
Best Transformation Type: SB

Percent
5 Transformation function equals
50
2.11718 + 0.574667 × Ln( ( X - 179.552 ) / ( 297.855 - X ) )

1 10
150 175 200 225 250
Aplicación total remolque Kg 1
-2 0 2 4

De acuerdo a nuestra variable de “aplicación total remolque” no se ajusta a una distribución normal, dado que el
P-value es < 0.005 (No se ajusta).

Derivado que nuestra prueba de normalidad esta rechazada derivado del p-value, dado que los datos no siguen
una distribución normal se opta por una distribución de Johnson.

Cantidad de recubrimiento gr/ l: Se ajusta a al Transformacion de Jhonson, debido a que su valor p= 0.312

Tiempo de secado Pintura min.: Se ajusta a al Transformacion de Jhonson, debido a que su valor p= 0.312

Aplicación total remolque Kg: Se ajusta a al Transformacion de Jhonson, debido a que su valor p= 0.197

9
Company Use
 3. Mediante una gráfica de corridas determina cuál de las variables se encuentra en descontrol y cuáles
son los comportamientos de descontrol que presentaría cada variable si es que esta en descontrol.

Run Chart of Cantidad de recubrimiento gr/ l

Cantidad de recubrimiento gr/ l

22

20

18

16

14

12
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32
Observation
Number of runs about median: 2 Number of runs up or down: 13
Expected number of runs: 17.0 Expected number of runs: 21.0
Longest run about median: 16 Longest run up or down: 8
Approx P-Value for Clustering: 0.000 Approx P-Value for Trends: 0.000
Approx P-Value for Mixtures: 1.000 Approx P-Value for Oscillation: 1.000

Run Chart of Tiempo de secado Pintura min.

40
Tiempo de secado Pintura min.

38

36

34

32

30
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32
Observation
Number of runs about median: 2 Number of runs up or down: 13
Expected number of runs: 17.0 Expected number of runs: 21.0
Longest run about median: 16 Longest run up or down: 8
Approx P-Value for Clustering: 0.000 Approx P-Value for Trends: 0.000
Approx P-Value for Mixtures: 1.000 Approx P-Value for Oscillation: 1.000

Run Chart of Aplicación total remolque Kg

240
Aplicación total remolque Kg

230

220

210

200

190

180

2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32
Observation
Number of runs about median: 12 Number of runs up or down: 14
Expected number of runs: 17.0 Expected number of runs: 21.0
Longest run about median: 9 Longest run up or down: 9
Approx P-Value for Clustering: 0.036 Approx P-Value for Trends: 0.001
Approx P-Value for Mixtures: 0.964 Approx P-Value for Oscillation: 0.999

Conclusiones:

Existe una tendencia gradual sostenida en los datos a partir de la muestra 24, hacia arriba. Las tendencias para
las 3 variables nos muestra que el proceso se saldrá de control pronto. Con esta herramienta de run chart nos
advierte si el proceso esta en control o no.

10
Company Use
 4. Realiza un ANOVA entre calidad de acabado y consumo de pintura por remolque y establece si la
primera es significativa con respecto a la segunda.

Interval Plot of Aplicación total remolque Kg vs Calidad de acabado

95% CI for the Mean

205
Aplicación total remolque Kg

200

195

190

185

180

175

buena regular
Calidad de acabado
The pooled standard deviation is used to calculate the intervals.

Method

Null hypothesis All means are equal

Alternative hypothesis Not all means are equal
Significance level α = 0.05
Equal variances were assumed for the analysis.

Factor Information

Factor Levels Values

Calidad de acabado 2 buena, regular

Analysis of Variance

Adj
Source DF Adj SS MS F-Value P-Value
Calidad de acabado 1 2508 2508.1 15.42 0.000
Error 30 4879 162.6    

11

Company Use
 Total 31 7387      

Model Summary

S R-sq R-sq(adj) R-sq(pred)

12.752 33.95% 31.75% 24.85%
5

Means

Calidad de
acabado N Mean StDev 95% CI
buena 1 181.194 1.569 (174.683, 187.705)
6
regular 1 198.90 17.97 (192.39, 205.41)
6
Pooled StDev = 12.7525

Conclusiones:

De acuerdo al ANOVA one way, se puede deducir que un valor alto en la aplicación total remolque Kg implica
un acabado “Regular”, de acuerdo a los datos mostrados.

Company Use
 5. Realiza análisis de regresión lineal para las demás variables y el consumo de pintura y determina
cuales son significativas, el valor del r2 para cada una de las regresiones y en que valores es
conveniente trabajar para optimizar o en este caso disminuir el consumo de pintura.
12

Scatterplot of Cantidad de recubrimient vs Aplicación total remolqu

24
Cantidad de recubrimiento gr/ l

22

20

18

16

14

12
180 190 200 210 220 230 240
Aplicación total remolque Kg

Regression Analysis: Aplicación total remolque Kg versus ... iento gr/ l

Analysis of Variance

D
Source F Adj SS Adj MS F-Value P-Value
Regression 1 6506.33 6506.33 221.67 0.000
  Cantidad de recubrimiento gr/ l 1 6506.33 6506.33 221.67 0.000
Error 30 880.55 29.35    
  Lack-of-Fit 21 796.51 37.93 4.06 0.018
  Pure Error 9 84.04 9.34    
Total 31 7386.88      

Model Summary

S R-sq R-sq(adj) R-sq(pred)

5.4177 88.08% 87.68% 84.45%
2
Coefficients

Company Use
 P-
Term Coef SE Coef T-Value Value VIF
Constant 111.47 5.36 20.78 0.000  
Cantidad de recubrimiento gr/ l 4.997 0.336 14.89 0.000 1.00

Regression Equation
13
Aplicación total remolque Kg = 111.47 + 4.997 Cantidad de recubrimiento gr/ l
Fits and Diagnostics for Unusual Observations

Aplicación
total
Obs remolque Kg Fit Resid Std Resid
26 194.80 208.91 -14.11 -2.72 R  
31 238.40 221.40 17.00 3.47 R  
32 222.30 223.90 -1.60 -0.33   X
R  Large residual
X  Unusual X

Correlation: Cantidad de recubrimiento gr/ l, Aplicación ... molque Kg

Correlations

Pearson 0.939
correlation
P-value 0.000

Conclusion:

De acuerdo al valor de R 93.9 % existe una fuerte relación entre las 2 variables.

Company Use
 Scatterplot of Tiempo de secado Pintura vs Aplicación total remolqu
42 14

40
Tiempo de secado Pintura min.

38

36

34

32

30

180 190 200 210 220 230 240

Aplicación total remolque Kg

Regression Analysis: Aplicación total remolque Kg versus ... ntura min.

Analysis of Variance

D
Source F Adj SS Adj MS F-Value P-Value
Regression 1 6506.33 6506.33 221.67 0.000
  Tiempo de secado Pintura min. 1 6506.33 6506.33 221.67 0.000
Error 30 880.55 29.35    
  Lack-of-Fit 21 796.51 37.93 4.06 0.018
  Pure Error 9 84.04 9.34    
Total 31 7386.88      
Model Summary

S R-sq R-sq(adj) R-sq(pred)

5.4177 88.08% 87.68% 84.45%
2
Coefficients

P-
Term Coef SE Coef T-Value Value VIF

Company Use
 Constant 26.5 11.0 2.41 0.022  
Tiempo de secado Pintura min. 4.99 0.336 14.89 0.000 1.00
7
Regression Equation

= 26.5 + 4.997 Tiempo de secado Pintura min.

Aplicación total remolque Kg

Fits and Diagnostics for Unusual Observations
15
Aplicación
total
Obs remolque Kg Fit Resid Std Resid
26 194.80 208.91 -14.11 -2.72 R  
31 238.40 221.40 17.00 3.47 R  
32 222.30 223.90 -1.60 -0.33   X
R  Large residual
X  Unusual X

Correlation: Aplicación total remolque Kg, Tiempo de ... o Pintura min.

Correlations

Pearson correlation 0.939

P-value 0.000

Conclusion:

De acuerdo al valor de R 93.9 % existe una fuerte relación entre las 2 variables.

NOTA: Hay que recordar que de acuerdo a la regla de dedo, arriba del 80 % se considera una fuerte
correlación entre 2 variables.

Conclusión general:

En base al trabajo anterior podemos concluir que la estadística descriptiva es muy útil en el análisis de datos
para encontrar el origen del descontrol de los procesos, además la herramienta de software minitab es muy útil
en la elaboración de este tipo de análisis.

Como sabemos este tipo de análisis es un pilar ante la solución de problemas, esta clase de herramientas
estadísticas son el parteaguas de la solución de problemas de cualquier índole, el ser capaz de identificar
patrones de comportamiento y tendencias, nos ayudara en una toma de decisiones mas ágil para mitigar
cualquier tipo de problema.

Company Use
 16

Referencias bibliográficas:

 Control estadístico de la calidad & seis sigma | Humberto Gutierrez Pulido.

 Lean Six Sigma Air Academy USA
 https://centrogeo.repositorioinstitucional.mx/jspui/bitstream/1012/159/1/15-Estadistica%20Inferencial
%20-%20%20Diplomado%20en%20An%C3%A1lisis%20de%20Informaci%C3%B3n
%20Geoespacial.pdf
 https://repositorioacademico.upc.edu.pe/bitstream/handle/10757/316022/ma148_manual_2014_01.pdf?
sequence=1&isAllowed=y

Company Use
Company Use