Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Considere los archivos Frenos1 y Frenos2 como datos estadísticos de las fases I y II
respectivamente.
Los datos no pueden ser modelados por una distribución Normal debido a que su p-
value< 0.05 es decir 0.027<0.05.
Los datos no pueden ser modelados por una distribución Normal debido a que su p-
value< 0.05 es decir 0.015<0.05.
Los datos pueden ser modelados por una distribución Normal debido a que su p-
value> 0.05 es decir 0.094>0.05.
Los datos pueden ser modelados por una distribución Normal debido a que su p-value> 0.05
es decir 0.097>0.05.
Los datos no pueden ser modelados por una distribución Normal debido a que su p-value<
0.05 es decir 0.011<0.05.
Los datos no pueden ser modelados por una distribución Normal debido a que su p-value<
0.05 es decir 0.018<0.05.
Los datos pueden ser modelados por una distribución Normal debido a que su p-value > 0.05
es decir 0.085>0.05.
Los datos no pueden ser modelados por una distribución Normal debido a que su p-value<
0.05 es decir 0.009<0.05.
FRENOS 1
Regiones de Rechazo
Estadísticos
Al analizar los datos se puede observar que el sesgo es menor en el estadístico que en la región
de rechazo y la curtosis es ligeramente mayor en el estadístico que en la región de rechazo
pero a pesar de esto no afecta mucho debido a que el combinado de sesgo y curtosis se puede
observar que el valor del estadístico es mucho menor que el valor de la región de rechazo por
lo cual se puede concluir que los datos se pueden ser modelados por una distribución normal
multivariada .
FRENOS 2
Regiones de Rechazo
Estadísticos
Al analizar los datos se puede observar que el sesgo es mayor en el estadístico que en la
región de rechazo y la curtosis es menor en el estadístico que en la región de rechazo pero a
pesar de esto al observar los datos combinados se puede observar que el valor del estadístico
es menor que el valor de la región de rechazo por lo cual se puede concluir que los datos
multivariados se pueden ser modelados por una distribución normal multivariada.
Para una buena interpretación de los datos, se debe analizar la información de forma
multivariada, debido a que si las analizamos de forma univariada demuestra que algunos de las
variables no pueden ser modelados por una distribución normal mientras que de forma
multivariada se establece que los datos pueden ser modelados por una distribución normal
multivariada, por lo tanto se puede intentar controlar el proceso con gráficos T 2 de Hotelling,
de componentes principales, Y, M, y MEWMA.
2. Utilice la información para controlar el proceso en la fase II por medio de una gráfica
de control de Hotelling, interprete la gráfica e identifique las variables y/o
correlaciones fuera de control. Use un error tipo I de 0.05. Puede utilizar QualStat.
Fase I
Fase II
Observación 15
La variable que más influye para que la observación 15 se salga de control es la del
diámetro interior.
Observación 19
La variable que más influye para que la observación 19 se salga de control es la del
diámetro exterior.
Observación 24
La variable que más influye para que la observación 24 se salga de control es la del
diámetro interior.
Observación 34
La interacción entre las variables espesor y ancho de la cara es lo que más influye para
que la observación 34 se salga de control es la del diámetro interior.
Observación 44
Las variables que más influyen para que la observación 44 se salga de control son el
diámetro exterior y diámetro interior.
Observación 45
Las variables que más influyen para que la observación 45 se salga de control son el
diámetro exterior y diámetro interior.
Observación 46
La variable que más influye para que la observación 46 se salga de control es la del
diámetro exterior.
Conclusión general:
Al analizar los resultados se puede observar que las variables que más influyen en los puntos
fuera de control son las variables A y D, pero un punto se encuentra afectado por la
correlación de las variables B y C.
3. Considere el archivo Frenos1 como los parámetros del proceso y desarrolle una
gráfica de control M. Interprete la gráfica y determine las variables fuera de control.
Gráfico de control M
3.5
2.5 LSC=2.2267
1.5
0.5
0
0 5 10 15 20 25 30 35 40 45 50
Para realizar el gráfico M se simularon 100000 vectores de forma aleatoria con una
distribución normal multivariada, con los cuales se determino un Cr de 2.2267, por lo cual se
dice que la gráfica se encuentra fuera de control estadístico debido a que existen cuatro
puntos fuera del límite de control.
A B C D MAX
punto 15 0.6880693 0.12146745 1.36145224 2.80823607 2.80823607
punto 19 2.98163364 0.55335173 0.40268306 0.32445755 2.98163364
punto 24 1.19775027 0.10347227 1.12175994 2.47259032 2.47259032
punto 45 2.72679316 0.12146745 0.31639383 1.89080436 2.72679316
4. Considere los datos del archivo Frenos1 y calcule los componentes principales.
Interprete los resultados.
matrizvc =
a=
b=
0.0008 0 0 0
0 0.0011 0 0
0 0 0.0025 0
0 0 0 0.0053
Cp1=0.0227 A+0.1880B+0.1049C+0.9763D
Cp2=-0.0943A+0.8264B+0.5131C-0.2121D
Cp3=0.2528A-0.4896B+0.8345C-0.0012D
Cp4=-0.9627A-0.2051B+0.1713C+0.0435D
Analizando la variación total se puede observar que los componentes que más influyen
son el 1 y el 2 debido a que estos conforman casi el 80% de la variación del proceso.
5. Considere los resultados del problema anterior para desarrollar una gráfica de
control Y en la fase II. Interprete la gráfica e identifique variables y/o correlaciones
fuera de control. Puede utilizar gráficas univariadas y gráficas de dispersión para
justificar sus resultados. Use un error tipo I de 0.05. Para la gráfica Y el límite de
control con p=4 variables es 2.491.
Gráfico de control Y
4
3.5
2.5
1.5
0.5
0
0 5 10 15 20 25 30 35 40 45 50
En el gráfico de dispersión demuestra que falla la correlación A-B en los puntos 19 y 45 el cual
el único problemático será el 45 debido a que puede provocar que el proceso tenga otro punto
fuera de control en el gráfico Y.
Aunque no existe una correlación fuerte es decir; no se puede establecer una tendencia en los
puntos aunque se podría decir que en este gráfico se puede establecer que los puntos que
demuestran que afecta la correlación A-C son 44, 46, 6, 2, 34, 45 y 19; de los cuales el más
problemático es el punto 34 el cual refleja que en el gráfico Y se sale fuera de control.
En el gráfico de dispersión demuestra que falla la correlación A-D en los puntos 19 y 45 el cual
el único problemático será el 45 debido a que puede provocar que el proceso tenga otro punto
fuera de control en el gráfico Y.
En el gráfico de dispersión demuestra que falla la correlación B-C en los puntos 25, 16, 8, 21,
34 y 20 de los se puede decir que debido al punto 34 se establece que en el gráfico Y se sale
fuera de control debido a la correlación que existe en estas variables.
En el gráfico de dispersión demuestra que falla la correlación B-D en los puntos 6, 16, 25, 18 y
36 los cuales no afectan a los 3 puntos que se salen del gráfico Y.
Aunque no existe una correlación fuerte entre las variables se podría decir que el gráfico de
dispersión demuestra que falla la correlación A-B en los puntos 15, 24, 34, 33, 42, 8, 10, 46 y
35. De los cuales los que se salen fuera de control en el gráfico Y son 15, 24 y 34 por lo tanto
se observa que esos puntos se sales debido a la correlación que existe entre estas variables.
Conclusión general:
Vector de medias.
MU =
S=
b=
0.0008 0 0 0
0 0.0011 0 0
0 0 0.0025 0
0 0 0 0.0053
limite=norminv(0.95,0,1)
limite =
1.6449
v1 = z315 =
5.4000 vc224 = 1.3435
0.2913
v2 = z415 =
0.2117 vc324 = 1.0030
3.1885
v3 = z124 =
3.1623 vc424 = -2.9896
-8.3669
v4 = z224 =
-8.4120 vc134 = 1.5932
5.4792
vc15 = z324 =
5.1527 vc234 = 0.7908
0.1819
vc25 = z424 =
0.2927 vc334 = 1.5968
3.2678
vc35 = z134 =
3.2068 vc434 = 1.0871
-8.4322
vc45 = z234 =
-8.3836 z115 = -0.5943
-3.3971
vc124 = z334 =
5.1824 z215 = 3.1823
1.6200
z434 =
-0.7133
OBSERVACIÓN
15 24 34
Z1 -3.3971 -2.9896 1.0871
Z2 1.62 1.5932 -0.5943
Z3 1.3435 0.7908 3.1823
Z4 1.0030 1.5968 -0.7133
El punto 34 falla en el componente principal 3, en el cual las variables con más participación
es el espesor y el ancho de la cara por lo tanto si una variable es grande la otra se espera
que sea pequeña; por lo cual se determina que al comparar los datos de la observación 34
de éstas variables con el vector de medias, ésta determina que el espesor será menor a lo
esperado, mientras que el ancho de la cara será mayor a lo esperado.
7. Para los datos proporcionados, desarrolle una gráfica MEWMA con factores de
ponderación de 0.3 para cada una de las cuatro variables. Interprete los resultados.
Gráfico MEWMA
18
16 Limite de control=14.2
X: 35
Y: 15.97
14
12
10
0
0 5 10 15 20 25 30 35 40 45 50
Conclusión general:
10
0
0 5 10 15 20 25 30 35 40 45 50
10. Sea j
T2 p pˆ j
ˆ p ' S 1 p el estadístico de Hotelling para
ˆ p
n
1
p= ∑ [ p … pp ]
n j =1 1
^p j=[ ^p1 … ^p p ]
n
1
S p= ∑ [ ( ^p − p ) ( ^p j− p)' ]
n−1 j=1 j
Donde: