Documentos de Académico
Documentos de Profesional
Documentos de Cultura
TRABAJO RECEPCIONAL
(PRÁCTICO-EDUCATIVO)
TUTOR:
M.C.T. Julián Felipe Díaz Camacho
COMITÉ ACADÉMICO
M.C.T. Julián Felipe Díaz Camacho Dra. Alma Rosa García Gaona
COORDINADOR DE LA DIRECTORA DE LA FACULTAD DE
ESPECIALIZACIÓN ESTADÍSTICA E INFORMÁTICA
TUTOR
DATOS DEL AUTOR
A mis padres
TITULO:
Control estadístico de procesos con MINITAB
AUTOR:
Anai Adelita Hernández Salas
TUTOR:
M.C.T. Julián Felipe Díaz Camacho
TIPO DE TRABAJO:
RESUMEN:
METODOLOGÍA ESTADÍSTICA:
A) Diseño: B) Análisis
Muestreo Exploratorio
Experimento Descriptivo básico
Estudio observacional Inferencia básico
Métodos multivariados
Regresión
ANOVA y ANCOVA
Control de calidad y/
Métodos no paramétricos
Modelos especiales
Técnicas avanzadas
Series de tiempo
CONTENIDO
Página
1. INTRODUCCIÓN l
2. DESARROLLO DE LA TEMÁTICA 6
2.1.1 Calidad 6
2.1.2 Control estadístico de procesos 8
2.1.3 Causas asignables de la variación de la calidad 11
2.1.4 Principios generales para laelaboración de gráficos de 12
control
2.1.4.1 Tipos de gráficos de control 13
2.1.5 Representación gráfica de los diferentes comportamientos en 15
los gráficos de control en MINITAB
3. RECOMENDACIONES GENERALES 73
REFERENCIAS Y BIBLIOGRAFIA 75
1. INTRODUCCION
1. Liderazgo de la administración
2. Enfoque de equipo
2. Hoja de verificación
3. Gráfico de Pareto
4. Diagrama de causa y efecto
7. Gráficos de control
2.1.1 Calidad
3. Definir en qué sitio del proceso habrá que incorporar los gráficos
Define los límites de capacidad del sistema, los cuales previa comparación
con los de especificación pueden determinar los próximos pasos en un
proceso de mejora.
R (de rangos)
c (número de defectos)
Para que tenga sentido sobre el futuro inmediato el que un proceso sea útil,
primero tiene que estar bajo control estadístico! sin embargo, se puede decir que
un proceso es útil si el nivel de disconformidades es suficiente bajo para
garantizar que no habrá esfuerzos inmediatos para tratar de mejorar el proceso.
Se dijo que un proceso está en control cuando todos los puntos están
comprendidos dentro de los Emites de control, sin embargo, puede presentarse el
caso de que todos los puntos queden comprendidos dentro de los límites y el
proceso está fuera de control. Esta situación se presenta en aquellos casos donde
los puntos muestren un comportamiento no aleatorio o sistemático.
______________________________________________ UC
LIC
Este tipo de gráfico se utiliza en los casos en los cuales se tiene un tamaño
de muestra igual a uno, lo cual se presenta cuando se utiliza una tecnología de
inspección y medición automatizadas, y se analiza cada unidad fabricada.
También cuando la tasa de producción es demasiado lenta de tal manera que se
complique la selección de una muestra mayor de uno, o bien cuando mediciones
repetidas difieren sólo debido a errores de laboratorio o de análisis, como en
muchos procesos químicos. En el procedimiento de control se utiliza la amplitud
móvil de dos mediciones sucesivas para estimar la variabilidad del proceso.
También es posible establecer un gráfica de control para la amplitud móvil de dos
mediciones sucesivas.
Límite superior
Límite central x
Límite inferior
2.2.2 Aplicación del software MINITAB en los gráficos de control para
mediciones individuales
estadístico MINITAB.
Ejemplo 1.
Solución
1 !®0S
r-----..... ...... . ............................... ... :;.... . , ./. .
Session ......
15/09/2001 19:07:15
i C1 C2 C3 C4 C5 C6 C7 C8
1
2 —
3
4 ¡
................. . ---- _ --- L„..
Figura 8.
1. El primer paso consiste en diseñar una base de datos, la cual está formada por
variables y columnas. La forma de diseñar una base de datos en MINITAB es
capturando los datos directamente a través del teclado, similar a la utilización de
una hoja de cálculo en Excel. La introducción de los datos para el Ejemplo 1 se
realiza como se indica a continuación en la Figura 9, en la que se observa que
para el gráfico sólo se toma en cuenta las variables Mes y Porcentaje de
infecciones.
5wor¡SíeeTf***TQEI@
[■A
4- C1 C2
Mes Porcentaje
1 1 _ 0.48
2 2 1.33
i
3 3 1.49
4 4 0.42
5 5 1.36
....
6 6 0.41
7 7 0.40
8 8
L-____
9 9 0.40
10 10 0.00
11 11 0.85
12 12 1.76 (y
r
Figura 9.
Basic Statistics
cá? Q £3) X Regression
M ' i
HWB
4 C1 C2 ANOVA C5 C6 C7
Mes Porcent DOE
Define Tests.,.
Quality Tools ► Box-Cox Transformation..,
21 Reliability/Surwal >
Xbar-R...
Multivariate ►
Xbar-S...
2.i Time Series ►
I-MR...
Tables ►
5i I-MR-R/S (Between/Within)...
'~G¡r Nonparametrics ►
Z-MR...
EDA ►
... 7'i'
0 Power and Sample Size ► Xbar...
8( Ó R. ..
9; 0.40 S. ..
10 'iój
0.00 ¡ ®KS5S3ú3sm''.' ~
Moving Range...
JLL ZiiL
Figura 10.
3. Posteriormente aparece la ventana Individuáis Chart de la Figura 11, en la
cual se selecciona la variable de interés. Luego se da un click en la opción Stamp,
obteniéndose la Figura 12.
Figura 11.
Stünp
A
Axis Tick ▼ Text ▼ Texl <r
Label Labels Color
1 &
2 i
3
¡
4 !
HJ ■ J» r
Help | : QetauKs ¡ | OK 1 Cancel
J
2.5
UCL=2.285
2.0
O 1.5
(O
> 1.0
<o Mean=0.7758
0.5
c 0.0
-0.5
LCL-0.7135
-1.0
Subgroup 0 5 10
Mes 5 10
Figura 14.
d) Los datos deben ser clasificados teniendo en cuenta que, la dispersión debe
ser mínima dentro de cada subgrupo y máxima entre subgrupos.
ñ» El proceso tiene problemas, y el gráfico de control puede ser útil para fines
de diagnostico (localización de averías)
Se han utilizado gráficas de control por atributos, pero el proceso esta fuera
de control o bajo control pero con producción inaceptable
Para construir los gráficos de control por variables, se tiene que tener en
cuenta que al determinar si un proceso está bajo "control estadístico", siempre se
debe analizar primero la gráfica R.
cr
Límite superior o x + A2R
Límite inferior
¿(x,-x)2
S2 = ~-----------
«-1
Límite inferior 5
■4
Ejemplo 2.
dichos datos.
Tabla 3. Diámetro de los anillos para pistón.
Observación
Muestra R,
1 2 3 4 5
1 74.030 74.002 74.019 73.992 74.008 74.010 0.038
2 73.995 73.992 74.001 74.011 74.004 74.001 0.019
3 73.988 74.024 74.021 74.005 74.002 74.008 0.036
4 74.002 73.996 73.993 74.015 74.009 74.003 0.022
5 73.992 74.007 74.015 73.989 74.014 74.003 0.026
6 74.009 73.994 73.997 73.985 73.993 73.996 0.024
7 73.995 74.006 73.994 74.000 74.005 74.000 0.012
8 73.985 74.003 73.993 74.015 73.998 73.997 0.030
9 74.008 73.995 74.009 74.005 74.004 74.004 0.014
10 73.998 74.000 73.990 74.007 73.995 73.998 0.017
11 73.994 73.998 73.994 73.995 73.990 73.994 0.008
12 74.004 74.000 74.007 74.000 73.996 74.001 0.011
13 73.983 74.002 73.998 73.997 74.012 73.998 0.029
14 74.006 73.967 73.994 74.000 73.984 73.990 0.039
15 74.012 74.014 73.998 73.999 74.007 74.006 0.016
16 74.000 73.984 74.005 73.998 73.996 73.997 0.021
17 73.994 74.012 73.986 74.005 74.007 74.001 0.026
18 74.006 74.010 74.018 74.003 74.000 74.007 0.018
19 73.984 74.002 74.003 74.005 73.997 73.998 0.021
20 74.000 74.010 74.013 74.020 74.003 74.009 0.020
21 73.988 74.001 74.009 74.005 73.996 74.000 0.033
22 74.004 73.999 73.990 74.006 74.009 74.002 0.019
23 74.010 73.989 73.990 74.009 74.014 74.002 0.025
24 74.015 74.008 73.993 74.000 74.010 74.005 0.022
25 73.982 73.984 73.995 74.017 74.013 73.998 0.035
I = 1850.024 0.581
% =74.001 R =0.023
Solución
>5 MINITAB-I-a
|ffi| File Edit Manip Cale Stat Graph
© (
H©
C1 C2 C3
Muestra X R
1_____ 1 74.010 0.038
— —_____ _ ----- -——...
2 2 74.001 0.019
3 3 74.008 0.036 i
4 4 74.003 0.022
5 5 74.003 0.026
6 6 73.996 0.024
7 7 74.000 0.012
8 8 73.997 0.030
9 9 74.004 0.014
10 10 73.998 0.017
11 11 73.994 0.008
12 12 74.001 0.011
13 13 73.998 0.029
{ 73.990 0.039
14 14
15 15 r"74?Ó06 0.016
16 16 j 73.997 0.021
Figura 15.
¿6 Basic Statistics
Regression
ANOVA
] Wórksheet 1 "*
DOE
C1 Define Tests...
Muestra Quality Tools ► Box-Cox Transformation...
Reliability/Survlval ►
1i 7 Multivariate ►
Xbar-R...
2Í... 7 Xbar-S...
Time Seríes ►
’3!.... 7 I-MR...
Tablas ►
I-MR-R/S (Between/Wíthin)...
4 7 Nonparametrlcs ►
Z-MR...
5: 7 EDA ►
Power and Sample Size ► Xbar...
6 i. 7
__
7Í 74.000 j 0.0121 s...
8! 73-997] 0.030 Individuáis...
9 i 74.004! Ó014 Moving Range...
Figura 16.
Options...
Annotation
; Frame
Select
OK
Figura 17.
Uie Variables v
Muestra
XR
í? Use columna:
¡Müeis.tréi
C U«e constants:'
Ij
ELF
Help Defaults OK Cancel
Help OK Cancel
R Chart for R
0.03
UCL=0.02723
S 0.02
c:
(O
CK
aj
E 0.01 -
(ü R=0.008333
en
o.oo — LCL=O
L,
i^
Subgroup 0 10
Muestra 19
Figura 20.
Por lo tanto, como el gráfico R indica que el proceso esta bajo control, se
procede a obtener el gráfico de x con la misma base de datos que se mencionó
anteriormente.
Basic Statistics
(S- X %
Regression
ANOVA
12 Worksheetí***
DOE
4 C1 Define Tests...
Figura 21.
Annotatlon Q
Sclcct
I OK 1
HcId Estímate Parameters BY Grouos in... Cancel j
Figura 22.
8. Finalmente en la Figura 23 se muestra el gráfico x , en la que se aprecia que no
existen indicios de que el proceso este fuera de control a los niveles establecidos.
Figura 23.
Ejemplo 3.
1 44 48 14 35 12
2 66 25 15 52 28
3 55 50 16 34 30
4 40 35 17 94 13
5 41 18 18 54 32
6 45 48 19 32 51
7 53 21 20 39 5
8 37 13 21 36 24
9 45 28 22 59 24
10 57 51 23 58 12
11 35 18 24 47 22
12 55 39 25 55 22
13 53 7
a) Construir el gráfico R
b) Construir el gráfico x
Solución
Los pasos a seguir para obtener el gráfico de control para variables R con
MINITAB son los siguientes '■
i C1 C2
Muestra R
1 1 48
2 2i 25
3 3 50
4 4 35
5 5 18
6 6 48
i
7 7l 21
8 8 13
----- ----- ----- ------- ----------
9 9 i_____ 28
10 10 : 51 ■
11 11 i 18
12 12 ¡ 39:
13 13 § 7
14 14 ¡ 12
15 15 ¡ 28
16 16j 30
4T 1 A
Figura 24.
UCL=0.02723
R=0.008333
LCL=0
Muestra 9 19
Figura 25.
En el gráfico R parece que el proceso está bajo control, ya que todos los
puntos concurren dentro de los límites de control y no se observa ningún patrón
fuera de lo común.
L)CL=89.73
Mean=48.84
LCL=7.949
O 5 10 15 20 25
Sample Number
Figura 26.
defectos de todas las unidades producidas (c) y el número de defectos por unidad
producida (w).
En muchas aplicaciones, el analista tendrá que elegir entre un gráfico de
control de variables, como los de X y 7?, y en uno de control de atributos como el
de p (proporción de unidades defectuosas). En algunos casos, la selección estará
/
/i
Es importante notar que los gráficos p, np y u permiten trabajar con
muestras de tamaños diferentes, mientras que los gráficos c están diseñados para
encontrados.
Calcular los límites de control del gráfico mediante las siguientes fórmulas:
Límite central
P
Solución
Tamaño Defectuosos
1 200 21
........ 200 20|
2
■
3 200 27
4 200 33
5 200 22
6 200 401
7 200
8 200 23
9 200 20
—„---...— .
10 200 26
Til ------------ .. .....
200 28
12 200 21
13 200 23
14 200 21
15 200 25
------- - l--- ---------- - — L
16 •200 29 ¡V:
Figura 27.
Basic Statistics
Regression «] íí| ~2|-5lb!ib|
C1 ___ C2 ANOVA C5 ce cr
Tamaño Defecar DOE
'200 Define Tests...
QuaBty Tools Box-Cox Transformaron...
2 200 ReRabillty/SurvIval
2QQ Xbar-R...
Multivariate
' 200 Xbar-S...
Time Serles
I-MR...
Tabtes
200 I-MR-R/S (Between/Within)...
Nonparametrics
200 Z-MR...
EDA
"200; Power and Sample Size Xbar...
200 R. ..
200 28! S. ..
'20d Incftvtduafe.,,
18
' 2Ó0 *í .. -. I Moving Range...
24
EWMA...
200 í 13
200i Moving Average..
23 i
... ...j. CUSUM...
200
J2¡ Zone...
“2007 19 f
Figura 28.
3. Siguiendo el paso anterior se despliega la Figura 29, en la que se elige la
variable de interés (Defectuosos) y posteriormente se selecciona la opción
Subgroups im y se elige el tamaño de la muestra
Select | | OK
Figura 29.
defectuosos.
Figura 30.
En el gráfico anterior se observa que el proceso está estadísticamente fuera
de control, ya que el registro seis está fuera del límite superior! por lo tanto se
recomienda investigar cuales son las causas asignables que ocurrieron es esta
observación para poder proponer una solución.
ha de estimar su valor.
Límite central np
Calcular los límites de control del gráfico, sustituyendo del valor de np por
su estimador de np.
£>» Llevar los valores del número de defectuosos por grupo al gráfico, y
comprobar que durante la obtención de la muestra el proceso ha estado bajo
control.
el software.
Ejemplo 5.
100 3 100 3
100 1 100 4
100 0 100 1
100 0 100 1
100 2 100 2
100 5 100 5
100 3 100 2
100 6 100 3
100 1 100 4
100 4 100 1
100 0 100 0
100 2 100 1
100 1
Solución
100 2
100 5
100 3
100 6
100 1
100 4
100 " " 0
100 2
100 1
100 3
100 4
100 1
100 1
100 2
100 5
Figura 31.
GraphEditor WindowHelp ~
.''St'í&rfSi'jS_ .................
Basic Statistics
Regresslon
^1 ¡&i ¡ ~l|^lnitflil @
ANOVA C5 C6 C7
DOE
Define Tests...
Quality Tools Box-Cox T ransf ormation...
Reliability/Survival
Xbar-R...
Multivariate
Xbar-S...
Time Series
I-MR...
Tables
I-MR-R/S (Between/Within)...
Nonparametrics
Z-MR...
EDA
Power and Sample Size Xbar...
R. ..
S. ..
Individuáis...
Moving Range...
EWMA...
Moving Average...
CUSUM...
Zone...
Figura 32.
3. Posteriormente aparece una ventana como se muestra en la Figura 33, donde
se eligen las variables de interés.
Figura 33.
34.
0 5 10 15 20 25
Sample Number
Figura 34.
El gráfico anterior muestra que el límite inferior es menor a cero, por lo
tanto se utiliza el valor cero. La Figura 34 representa que el número de errores
está bajo control estadístico.
superficie, etc.
>
El gráfico de control es similar a los anteriores, también requiere de k > 25
muestras obtenidas a intervalos determinados de tiempos en las cuales se
determina “c”.
Para la elaboración del gráfico de control hay que tener en cuenta que sólo
hay un parámetro independiente a controlar 2, ya que la varianza en la ley
Poisson es también 2. Los pasos a seguir para la construcción del gráfico “c” son
los siguientes^
Límite central 2
Ejemplo 6.
1 5 14 16
2 8 15 14
3 9 16 12
4 8 17 22
5 4 18 7
6 4 19 10
7 1 20 12
8 6 21 3
9 4 22 7
10 8 23 3
11 5 24 3
12 10 25 5
13 6
Solución
... 1 2i
5l
8
3; 9'
4í 8
55 4;
6; 4’
1 s
8l 6
9Í 4!
ió¡ 8
11 ! 5;
12: 10;
13 i 6!
.. ........... 14: 16
15 í 14;
16! 12;
'7' 22
18 i 7¡
Figura 35.
EWMA...
Moving Average.
CUSUM...
Zone...
P...
NP..
Figura 36.
3. La Figura 37 muestra la ventana en la cual se selecciona la variable de interés
(Quejas), es opcional colocar la media de los datos en el aparatado Historical mu:,
finalmente se da OK.
Figura 37.
Figura 38.
En el gráfico anterior se puede observar que el proceso está fuera de control
ya que la semana 14 cuenta con 16 quejas y en la semana 17 se tuvieron 22, por lo
tanto está por encima del límite de control superior, el cual es de 15.99, por lo que
se recomienda observar detalladamente que sucedió en esas semanas, qué
personal atendió a los clientes, a lo mejor hubo cambios en el menú o quizás en la
forma de preparar los alimentos, etc.
pero en aquellos en que no se puede tomar una unidad del mimo tamaño para
controlar el número de defectos. En seguida se presentan algunos ejemplos donde
esto ocurre y que pueden ser representativos de las situaciones generales:
Límite central u
unidades).
&■> Los límites de control no son fijos, sino que dependen del tamaño de
muestra.
Ejemplo 7.
Un distribuidor por catálogo embarca diversos pedidos todos los días. Las
remisiones de empaque a menudo contienen errores, como número de periodo de
compra equivocada, cantidades equivocadas o tamaño incorrecto. Los datos de la
Tabla 8 presentan los datos de errores recolectados durante Enero. Dado que el
tamaño de la muestra varía todos los días es apropiado un gráfico u.
Tabla 8. Número promedio de defectos por unidad.
92 8 76 8
69 15 101 9
86 6 92 8
85 13 70 2
123 5 54 9
87 5 83 5
74 3 165 13
83 8 137 5
103 4 79 8
60 6 76 6
136 7 147 7
80 4 80 4
70 2 89 13
73 11 129 6
78 6 78 8
88 3
Solución
74 3
83 ’ 8
103 4
60 6
136 7
80 4
70 2
73 11
78 6
88 3
76 8
101 9
O
Figura 39.
2. Como en cada uno de los gráfico para atributos, se elige la opción Stat/Control
Charts/ U..., enseguida aparece la ventana de la Figura 40 en donde se tienen que
seleccionar las variables de interés, en este caso la variables Defectos y en
sub grupo la variable Muestra.
Figura 40.
3. En la Figura 40 se da OK y el gráfico que arroja el paquete se presenta en la
Figura 41.
Figura 41.
El gráfico CUSUM puede ser aplicado en áreas muy variadas tales como
control de procesos industriales, administración, ciencias médicas, marketing,
comercio, biología, etc. En este material sólo se presentará la aplicación de los
gráficos CUSUM al control de procesos industriales.
Estos gráficos son más eficaces que los de Shewart para detectar pequeños
cambios en el proceso, ya que combinan información de varias muestras, son
particularmente eficaces para muestras de n -1. Por lo tanto, hace que el gráfico
CUSUM sea un candidato apropiado para el uso con mediciones automáticas de
cada pieza y el control en línea, utilizando una microcomputadora directamente
en el sitio de trabajo.
escala vertical = A, donde cre es la desviación estándar del estadístico del cual se
Ejemplo 8.
Tabla 9. Distancias.
Distancia Mes Día Distancia Mes Día Distancia Mes Día
-0.44025 9 28 -2.03427 10 5 4.93029 10 12
5.90038 9 28 3.89134 10 6 0.03095 10 12
2.08965 9 28 1.99825 10 6 -2.80363 10 13
0.09998 9 28 0.01028 10 6 -3.12681 10 13
2.01594 9 28 -0.24542 10 6 -4.57793 10 13
4.83012 9 29 2.08175 10 6 -3.17924 10 13
3.78732 9 29 -4.86937 10 7 -2.44537 10 13
4.99821 9 29 -2.69206 10 7 1.36225 10 14
6.91169 9 29 -3.02947 10 7 0.92825 10 14
1.93847 9 29 2.99932 10 7 -0.24151 10 14
-3.09907 9 30 3.50123 10 7 -0.83762 10 14
-3.18827 9 30 -1.99506 10 8 -1.99674 10 14
5.28978 9 30 -1.62939 10 8 4.90024 10 15
0.56182 9 30 2.14395 10 8 1.28079 10 15
-3.1896 9 30 -1.90688 10 8 2.87917 10 15
7.93177 10 4 8.02322 10 8 1.83867 10 15
3.72692 10 4 4.75466 10 11 -0.75614 10 15
3.83152 10 4 1.1424 10 11 3.72977 10 18
-2.17454 10 4 0.9379 10 11 3.77141 10 18
2.81598 10 4 -7.30286 10 11 -4.04994 10 18
4.52023 10 5 -5.22516 10 11 3.89824 10 18
3.95372 10 5 -4.06527 10 12 1.76868 10 18
7.99326 10 5 -1.91314 10 12 2.2731 10 18
4.98677 10 5 2.0459 10 12 -3.82297 10 18
Continuación Tab a 9.
Distancia Mes Día Distancia Mes Día Distancia Mes Día
-2.26821 10 18 -4.97431 10 20 0.29748 10 22
-2.07973 10 18 -5.1405 10 20 -4.66858 10 22
0.01739 10 18 -0.10379 10 20 -2.13787 10 22
3.71309 10 19 2.21033 10 20 -0.0045 10 22
1.72573 10 19 5.13041 10 20 0.18096 10 22
3.07264 10 19 -1.89455 10 20 4.30247 10 22
0.15676 10 19 0.95119 10 21 -2.21708 10 22
-0.05666 10 19 -5.15414 10 21 7.17603 10 22
3.81341 10 19 4.82794 10 21 5.86525 10 22
-3.78952 10 19 0.13001 10 21 0.95699 10 25
-3.81635 10 19 -0.09911 10 21 -4.03441 10 25
-4.8882 10 19 -1.15453 10 21 -2.05086 10 25
-3.24534 10 19 2.29868 10 21 -3.10319 10 25
-0.27272 10 20 5.15847 10 21 -1.83001 10 25
-4.33095 10 20 0.08558 10 21 5.03945 10 25
-1.83547 10 20 -3.09574 10 21 1.96583 10 25
-3.98876 10 20 5.16744 10 22 -0.21026 10 25
0.27517 10 25
-5.32797 10 25
Solución
Los pasos para poder llegar al gráfico CUSUM con MINITAB son los
siguientes:
Figura 43.
3. Enseguida se despliega la Figura 44, en la cual se elige la variable de interés
así como el tamaño del subgrupo, finalmente se da click en OK.
Figura 44.
Una característica que diferencia a los gráficos de medias móviles del resto,
es que la interpretación del gráfico se hace en función al comportamiento
esperado del proceso en el instante siguiente. El estadístico a utilizar en este
gráfico es una media, pero con pesos exponenciales, tal estadístico depende de los
datos anteriores a través de un peso que decrece de forma exponencial. Los
límites de control son-
X ±3(71 yinw
El proceso está fuera de control cuando M, (lo que se plotea) cae fuera de
Ejemplo 9.
Solución
Figura 47.
2. La Figura 48 muestra la pantalla Stat en la cuál sólo se cambia el tipo de
gráfico a utilizar, para este caso es EWMA...
DOE
Define Tests...
Quality Tools ► Box-Cox Transformation...
Reliability/Survival ►
Xbar-R,.,
Multivariate ►
Xbar-S..,
Time Series ►
I-MR...
Tables ►
I-MR-R/S (Between/Within)
Nonparametrics ►
Z-MR...
EDA ►
Power and Sample Size ► Xbar...
R. ..
S. ..
Individuáis...
Moving Range...
Figura 48.
WMA Chart
J : Annotatlon p*j
Frame ]v|
Help [ Cancel
Figura 49.
4. Una vez declaradas las variables se da click en OK y se obtiene el gráfico que se
muestra en la a Figura 50.
UCL=951.0
Mean=936.9
LCL=922.8
i l i i i i i i i i
0123456789
Sample Number
Figura 50.
/b® El 95 por ciento de los problemas de una empresa se puede resolver con las
siete herramientas del control de calidad.
Los métodos estadísticos tienen que llegar a ser asunto de sentido común y
de conocimiento general para todos los ingenieros y técnicos.
Dentro de este contexto, expresado por Ishikawa, los métodos estadísticos
juegan un papel importante en el control de calidad. Los diversos procedimientos
en el CEP involucran un uso considerable de los procedimientos muéstrales y
principios estadísticos. Actualmente tales procedimientos son usados por la alta
dirección de las empresas, gerentes intermedios, supervisores y trabajadores en
línea. Asimismo son empleados en diversas divisiones, no solo en la de
manufactura sino también en la planeación, diseño, mercadeo, compras y
tecnología. Con lo que queda claro que un programa eficaz de control de calidad
mejora la calidad del producto que está siendo producido e incrementando las
unidades.
Jeya Chadra, M. (2002). Statistical Quality Control. Chapman & Hall/CRC, USA.
MINITAB (2000) User’s Guide 2- Data Analysis and Quality Tools. Reléase 13 for
Windows.
Thompson, J.R. and Koronacki, J. (2002). Statistical Process Control. Chapman &
Hall/CRC, USA.