Cur So Taller Mini Tab 3
Cur So Taller Mini Tab 3
Cur So Taller Mini Tab 3
CURSO TALLER DE
APLICACIÓN DE MINITAB
Página 1
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Mail: primitivo_reyes@yahoo,com
CONTENIDO
Página
MÓDULO 1. INTRODUCCIÓN 4
4.1 Cálculo de probabilidades 25
4.2 Pruebas de hipótesis de una población 26
4.3 Pruebas de hipótesis de dos poblaciones 29
4.4 Tamaño de muestra y potencia 32
4.5 Análisis de varianza (ANOVA) 36
4.6 Correlación y Regresión lineal y cuadrática simple 38
4.7 Aplicaciones 44
Página 2
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Anexos:
Archivos de datos para los Módulos 1 al 6
Bibliografía:
Texto: Estadística Práctica con Minitab
Webster, Estadística para administración y economía,McGraw Hill, México, 2002.
Montgomery, D. Control Estadístico de la Calidad, Ed. LIMUSA Wiley, 3th. ed., México. 2005.
Montgomery, Douglas C., Diseño y análisis de experimentos, Limusa Wiley,2a. edición México, 2002.
Grant, E. L., Leavenworth, R.S. Control Estadístico de Calidad, 2ª ed., CECSA, México.
Duncan, A.J. Quality Control and Industrial Statistics, 4ª ed., Irwin, Homewood, ILL. 1974.
Página 3
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
MÓDULO 1. INTRODUCCIÓN
Objetivo: Familiarse y realizar aplicaciones con el paquete estadístico Minitab
Todos las líneas de comando tendrán el formato siguiente (> separa menús):
Data > Change Data Type > Numeric to Text.
1.2 Pantallas y menús
Dirección de escritura
Captura de datos
File > New
Página 4
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Se puede importar
Página 5
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Columna donde
Columnas aparecerá el
que contienen resultado
los datos
Expresión a
calcular
Store result in C3 Usar las columnas de Peso_antes y Peso_despues del archivo anexo.
Expresion: C2-C1 o Peso_despues - Peso_antes
Cálculos
disponibles
Página 6
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
1.5 Aplicaciones
Se utiliza el archivo de hoja de trabajo PULSE.MTW de la carpeta DATA de Minitab o arhivo anexo.
Se coleccionan datos de 92 estudiantes, su peso, estatura, peso, sexo, si fuma o no, nivel de
actividad física y pulso en reposo. Todos tiran una moneda y los que les salío sol corren durante
un minuto, después se vuelve a tomar su pulso.
50
40
Count
30
20
10
0
Activity 0 1 2 3
Página 7
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Se puede usar la
misma columna
u otra para los
valores una vez
transformados
Una vez cambiados los valores la gráfica se actualiza en forma automática colocándose
en la gráfica y con botón derecho del ratón seleccionar Update Graph Now
Para separar un sector: Click sobre la gráfica, click sobre el sector y doble click y
en Explode indicar Explode Slice
Página 8
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Diagrama de Pareto
Se utiliza el archivo PARETO anexo con estadísticas de los defectos en un producto
Copiar los datos de este archivo de datos para el módulo 2 en Minitab
Stat > Quality Tools > Pareto Chart
Para el diagrama de Pareto se t Se indica la columna donde se encuentran los defectos
Chart defects in se tiene la opción de una categoría By Variable
Los defectos ya se tienen tabulados en una columna donde
Chart defects table aparecen los nombre y en otra para las frecuencias
80
150
60
Percent
Count
100
40
50
20
0 0
Defectos Rayas Sopladura Forma Terminación Other
Count 124 42 19 6 4
Percent 63.6 21.5 9.7 3.1 2.1
Cum % 63.6 85.1 94.9 97.9 100.0
Miniatab coloca nombre en las barras hasta que se cumple el % acumulado, después
acumula todos los demás conceptos y los agrupa en la barra de otros.
0
Operario = C Operario = D
80
60
40
20
0
Defectos Página 9
Operario = C Operario = D
80
C
60
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
40
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
20
0
Defectos
Causas primarias:
AMBIENTE MATLS. PERSONAL MÉTODO MAQUINAS
Polvo Forma Salud Ajuste Mantto.
Vibraciones Dureza Habilidad Velocidad Deformación
Humedad Amacen Humor Abrasión
Temperatura Herramental
Causas secundarias:
FORMA ALMACEN HABILIDAD HUMOR
Diámetro Tiempo Selección Horas
Curvatura Ambiente Formación Moral
Experiencia Cansancio
Temperatura H erramental
V elocidad
H umedad A brasión
V ibraciones D eformación
A juste
P olv o M antto.
Página 10
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
200
180
Weight
160
140
120
100
60 62 64 66 68 70 72 74 76
Height
Se puede agregar otra variable para estratificar haciendo doble click en cualquiera
de los puntos y seleccionando la pestaña Groups e indicando la variable
categórica Sex.
180
Weight
160
140
120
100
60 62 64 66 68 70 72 74 76
Height
Para cambiar el tipo se símbolo por categoría para impresión en blanco y negro:
Página 11
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
40000000
30000000
PVP
20000000
10000000
0
0 100 200 300 400 500
Pot.(CV)
Con el gráfico seleccionado con un click, seleccionar Editor > Brush, se pueden
seleccionar los puntos uno a uno o con un cuadro seleccionar varios a la ve,.
manteniendo presionado el botón izquierdo del ratón mientras se seleccionan.
Otra forma de activar Brush es con la barra de herramientas Graph Editing llamada
desde: Tools > Tool Bars > Graph Editing
Página 12
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Con Brush activado y con la ventana de gráfica activa, en el Menu Editor seleccionar
Set ID Variables indicar Marca y Modelo seleccionar Include (row numbers)
OPEL FIA T
SEAT CITROEN
MAZDA
1700000 PEUGEOT FORD
SEA T
VOLKSW AGEN SEA T ROVER
VOLKSWA GEN HYUNDAI
1600000 OPEL
PEUGEOT CITROEN
FO RD SUZUKI
1500000
50 60 70 80 90 100
Pot.(CV)
Página 13
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
2
Quality
0
Temp = 425 Temp = 450 Temp = 475
8
0
25 30 35 25 30 35 25 30 35
Time
Página 14
50000000
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
50000000
40000000
30000000
PVP
20000000
10000000
0
Marginal Plot of PVP vs Pot.(CV) 0 100 200 300 400 500
Pot.(CV)
50000000
40000000
50000000
30000000
PVP
40000000
20000000
30000000
10000000
PVP
20000000
0
0 100 200 300 400 500 10000000
Pot.(CV)
0
0 100 200 300 400 500
Pot.(CV)
Permite seleccionar
toda la matriz o
solo la parte inferior
o superior de la
misma
40000000
Página 15
20000000 PVP
0
12
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Matrix Plot of PVP, Num.Cil., Pot.(CV)
4 8 12
40000000
20000000 PVP
0
12
8
Num.C il.
400
200 P ot.( CV )
0
0 20000000 40000000 0 200 400
Matriz bivariante solo entre las variables seleccionadas: En este caso se seleccionan:
20000000
opción Brush y manualmente
10000000
seleccionamos una serie de
0
puntos en una ventana, 12
en forma automática se 10
Consumo
ventanas. 6
Página 16
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
NOTA: Para que las columnas no se desplazen al copiar de Minitab a Excel cambiar a letra COURIER
Descriptive Statistics: Peso en gr
Variable Línea N N* Mean SE Mean StDev Minimum Q1 Median
Peso en gr 1 250 0 3999.6 3.14 49.6 3877.0 3967.8 3999.5
2 250 0 4085.6 3.32 52.5 3954.0 4048.8 4087.0
Variable Línea Q3 Maximum
Peso en gr 1 4040.0 4113.0
2 4121.5 4202.0
Frequency
30 N 250
20
10
0
3900 3960 4020 4080 4140 4200
Peso en gr
Panel variable: Línea de llenado
4200
4150
4100
Peso en gr
4050
4000
3950
3900
1 2
Línea de llenado
4200
4150
4100
Peso en gr
4050
4000
3950
3900
1 2
Línea de llenado
Histogram of Pulse1
25
Página
20 18
15
quency
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Histogram of Pulse1
25
20
15
Frequency
10
0
50 60 70 80 90 100
Pulse1
Se pueden hacer cambios en la escala de los ejes horizontal y vertical haciendo click
sobre estos, de la misma forma para el marco del histograma.
Para cambiar los intervalos del histograma, se da doble click sobre la escala horizontal
del histograma y se selecciona la pestaña Binning
Histogram of Pulse1
30
25
20
Frequency
15
10
0
48.00 56.66 65.33 74.00 82.66 91.33 100.00
Pulse1
Página 19
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Una vez creada esta gráfica, se puede hacer otra muy similar dejando el histograma
original como ventana activa, por ejemplo para Pulse2:
Histogram of Pulse2
30
25
20
Frequency
15
10
0
60 80 100 120 140
Pulse2
Histogram of Pulse1
50 60 70 80 90 100
1 2
16
14
12
Frequency
10
0
50 60 70 80 90 100
Pulse1
Panel variable: Ran
Página 20
2
0
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
50 60 70PARA
80 LA90MEJORA
100 Y SOLUCIÓN DE PROBLEMAS
Pulse1
Panel variable: Ran
Da la ordenada de probabilidad
en un punto del eje horizontal
Da la probabilidad acumulada
o área desde menos infinito hasta
los valores indicado en Input
Column o el valor indicado en
Input Constant
Densidad de probabilidad
Calc > Probability distributions > Normal
Seleccionar Probability Density
En Input Constant poner 1.5
Probabilidad acumulada
Calc > Probability distributions > Normal
Seleccionar Cumulative Probability
En Input Constant poner 1.5
Página 21
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Primer valor
Último valor
Incremento
En la gráfica quitar los puntos dejando solo la línea con doble click sobre la curva:
Attributes Symbols > seleccionar Custom y en Type None
Scatterplot of C2 vs C1
0.4
0.3
0.2
C2
0.1
0.0
-5 -4 -3 -2 -1 0 1 2 3 4
C1
Página 22
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Scatterplot of C2 vs C1
0.4
0.3
0.2
C2
0.1
0.0
-5 -4 -3 -2 -1 0 1 2 3 4
C1
Para las distribuciones de densidad de Weibull se tiene (entre 0 y 4 con incrementos de 0.01):
1.2 a = 1, b= 4 C5
1.0
Y-Data
0.8
0.6
0.4
Página 23
0.2
0.0
0 1 2 3 4
1.2 a = 1, b = 4 C5
Y-Data
0.8
0.6
0.4
0.2
0.0
0 1 2 3 4
C1
K1 Minitab Excel
K2 K1 Área Área
Área entre ± Z = 1 sigmas 0.933193 0.0668072 0.8663858 0.8663855975
3.4 Prueba de normalidad
99 PáginaStDev
N
24 66.76
500
AD 0.426
95 P-Value 0.314
90
80
70
nt
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Percent
60
50
40
P Value indica la probabilidad
30
20 de equivocarnos al rechazar el
10
5
supuesto de normalidad cierto
1
60
50
40
una distribución normal
30
20
10
5
0.1
3800 3900 4000 4100 4200 4300
Peso en gr
3.5 Aplicaciones
4.1 Cálculo de probabilidades
Página 25
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Estadístico t (valor a partir del cual inicia el área bajo la curva alfa)
Media = 0
1- Alfa Estadístico t Estadístico t
Datos Alfa Minitab en Minitab Excel
10 0.05 0.95 1.83311 1.8331129327
10 0.1 0.9 1.38303 1.3830287384
Distribución F de Fisher (para probar hipótesis de comparación de varianzas entre dos muestras)
Estadístico F (valor a partir del cual inicia el área bajo la curva alfa)
S21
Fc= S1 debe ser mayor a S2
0 S22
Sólo valores positivos en eje horizontal
curva no simétrica
Página 26
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Estadístico Chi (valor a partir del cual inicia el área bajo la curva alfa)
2
S1
Fc=
0 S22
Sólo valores positivos en eje horizontal
curva no simétrica
Referirse a los materiales sobre Pruebas de hipótesis para la teoría de estas pruebas
MinitabPruebaHipótesisRes.doc InterConfPruHipo1P.xls Pruebas Hipotesis 2 pob1.xls
Caso 1. Prueba de una media poblacional cuando se conoce la varianza de la población (en base a datos históricos)
Ejemplo: Una línea de llenado de paquetes debe llenar 4 kg en cada uno. Se toman
20 muestras y se pesan en gramos:
4035 3949 3969 3955 3969
3928 4017 3979 3984 3995
3974 4009 3970 4034 3991
4024 3983 3997 3964 3988
Se introducen los valores en una sola columna C1 titulada Pesos del archivo anexo:
Página 27
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Nivel de confianza
_
X
Si la Ho queda fuera de la línea
Ho azul, entonces se rechaza la
hipótesis nula Ho y se acepta la
3920 3940 3960 3980 4000 4020 4040
hipótesis alterna Ha indicando
Pesos que los pesos son menores a
los 4 Kgs.
OneSample Z: Pesos
Test of mu = 4000 vs not = 4000
The assumed standard deviation = 25
Variable N Mean StDev SE Mean 95% CI Z P
Pesos 20 3985.70 28.18 5.59 (3974.74, 3996.66) 2.56 0.011
Página 28
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
este caso el
promedio difiere de
los 4000 g.
Caso 2. Prueba de una media poblacional cuando no se conoce la varianza y el número de datos es menor a 30
OneSample T: Pesos
Test of mu = 4000 vs not = 4000
Variable N Mean StDev SE Mean 95% CI T P
Pesos 20 3985.70 28.18 6.30 (3972.51, 3998.89) 2.27 0.035
Ejemplo: Un producto tiene accesorios que se piensa nadie usa, se hace una encuesta
a 200 usuarios y 17 si usan los accesorios.
Test and CI for One Proportion
Test of p = 0.1 vs p < 0.1
Upper Exact
Sample X N Sample p Bound PValue
1 17 200 0.085000 0.124771 0.285
Página 29
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Es válido decir que sólo el 10% de los usuarios utilizan los accesorios
Método A Método B
24.3 24.4
25.6 21.5
26.7 25.1
22.7 22.8
24.8 25.2
23.8 23.5
25.9 22.2
26.4 23.5
25.8 23.3
25.4 24.7
¿Se puede decir que los dos métodos producen resistencias a la tracción diferentes?
Usar un nivel de confianza del 95%.
Test for Equal Variances: Método A, Método B
95% Bonferroni confidence intervals for standard deviations
FTest (normal distribution)
Test statistic = 1.01, pvalue = 0.991
Página 30
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
26
25
Data
24
23
22
21
Método A Método B
Twosample T for Método A vs Método B
N Mean StDev SE Mean
Método A 10 25.14 1.24 0.39
Método B 10 23.62 1.24 0.39
Difference = mu (Método A) mu (Método B)
Estimate for difference: 1.52000
95% CI for difference: (0.35037, 2.68963)
TTest of difference = 0 (vs not =): TValue = 2.74 PValue = 0.014 DF = 17
Caso 2. Muestras pareadas - Prueba si las diferencias entre sujetos son iguales.
Página 31
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
_
X Como el valor de Ho no se
Ho
encuentra en el intervalo de
confianza de la diferencia de las
-1.2 -1.0 -0.8 -0.6 -0.4 -0.2 0.0 dos medias, se rechaza Ho
Differences
y se acepta Ha indicando que el
deterioro es diferentes en los dos
Paired TTest and CI: Lente A, Lente B métodos.
Paired T for Lente A Lente B
N Mean StDev SE Mean
Lente A 10 4.96000 1.02978 0.32564
Lente B 10 5.50000 1.13039 0.35746
Difference 10 0.540000 0.343835 0.108730
Página 32
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
95% CI for mean difference: (0.785964, 0.294036)
TTest of mean difference = 0 (vs not = 0): TValue = 4.97 PValue = 0.001
Test and CI for Two Proportions
Sample X N Sample p
1 33 300 0.110000
2 22 250 0.088000
Difference = p (1) p (2)
Estimate for difference: 0.022
95% CI for difference: (0.0278678, 0.0718678)
Test for difference = 0 (vs not = 0): Z = 0.86 PValue = 0.392
Potencia: Es la capacidad de una prueba para detectar una diferencia cuando realmente existe.
Hipótesis Nula
Desición Verdadera Falsa
No rechazar Desición correcta Error tipo II
p=1-a p=b
Rechazar Error tipo I Desición correcta
Página 33
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
p=a p=1- b
Potencia
La potencia de la prueba es la probabilidad de de rechazar correctamente
la hipótesis nula siendo que en realidad es falsa.
* Tamaños de muestra
* Diferencias - un corrimiento significativo de la media que se desea detectar
* Valores de potencia - La probabilidad deseada de rechazar Ho cuando es falsa
Ejemplo: Se tiene una población normal con media de 365 y límites de especificación
de 360 y 370. Si la media se desplaza 2.5 gramos por arriba de la media, el número de
defectos sería inaceptable, la desviación estándar histórica es de 2.403:
0.12
0.10
Y-Data
0.08
0.06
0.04
0.02
0.00
Página 34
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Power and Sample Size
1Sample t Test
Testing mean = null (versus not = null)
Calculating power for mean = null + difference
Alpha = 0.05 Assumed standard deviation = 2.403
Sample Target
Difference Size Power Actual Power
2.5 10 0.80 0.832695
2.5 11 0.85 0.873928
2.5 12 0.90 0.905836
2.5 15 0.95 0.962487
Si la potencia es demasiado alta por decir 99% se pueden detectar diferencias
que realmente no son significativas.
Página 35
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Power and Sample Size 2Sample t Test
Testing mean 1 = mean 2 (versus not =)
Calculating power for mean 1 = mean 2 + difference
Alpha = 0.05 Assumed standard deviation = 1
Sample Target
Difference Size Power Actual Power
1 17 0.8 0.807037
1 23 0.9 0.912498
Se requieren tamaños de muestra de entre 17 y 23
* Tamaños de muestra
* La proporción - una proporción que se desea detectar con alta probabilidad
* Valores de potencia - La probabilidad deseada de rechazar Ho cuando es falsa
Suponiendo que se desea detectar una proporción de 0.04 con el 0.8 y 0.9 de niveles
de Potencia:
Test for One Proportion
Testing proportion = 0.02 (versus > 0.02)
Alpha = 0.05
Alternative Sample Target
Proportion Size Power Actual Power
0.04 391 0.8 0.800388
0.04 580 0.9 0.900226
Test for One Proportion
Testing proportion = 0.02 (versus > 0.02)
Página 36
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Alpha = 0.05
Alternative Sample
Proportion Size Power
0.04 500 0.865861
Por tanto con un tamaño de muestra de 500, la potencia de la prueba para detectar
un corrimiento de 2% a 4% es del 86.6%
A B C
1.9 1.6 1.3
1.8 1.1 1.6
2.1 1.3 1.8
1.8 1.4 1.1
1.1 1.5
1.1
A un 95% de nivel de confianza, ¿hay alguna variedad que produzca más fenoles que otra?
50 0.0
10 -0.2
1 -0.4
-0.50 -0.25 0.00 0.25 0.50 1.4 1.6 1.8
Residual Fitted Value
Página 37 1
0
-0.3 -0.2 -0.1 0.0 0.1 0.2 0.3 0.4
Residual
Residua
Percen
50 0.0
Frequency
2
0
-0.3 -0.2 -0.1 0.0 0.1 0.2 0.3 0.4
Residual
Oneway ANOVA: A, B, C
Como el valor P value es menor
Source DF SS MS F P a 0.05 existe una diferencia
Factor 2 0.9000 0.4500 8.44 0.005 significativa entre algunas medias
Error 12 0.6400 0.0533
Total 14 1.5400
S = 0.2309 RSq = 58.44% RSq(adj) = 51.52%
Individual 95% CIs For Mean Based on
Pooled StDev A produce más fenoles que B,C
Level N Mean StDev ++++
A 4 1.9000 0.1414 (*)
B 5 1.3000 0.2121 (*) La media de A es
C 6 1.4000 0.2828 (*) diferentes a A y B
++++
1.20 1.50 1.80 2.10
Pooled StDev = 0.2309 Las medias B y C
Desviación estándar poblacional son similares
Tukey 95% Simultaneous Confidence Intervals
All Pairwise Comparisons
B subtracted from:
Lower Center Upper ++++
C 0.2728 0.1000 0.4728 (*)
++++
0.80 0.40 0.00 0.40
ANOVA de una vía con datos de tratamientos en una sola columna Respuesta Factor
1.9 A
Los datos del ejemplo anterior arreglados en una 1.8 A
sola columna se muestran a continuación: 2.1 A
1.8 A
1.6 B
Página 38
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
1.1 B
1.3 B
1.4 B
1.1 B
1.3 C
1.6 C
1.8 C
1.1 C
1.5 C
1.1 C
Stat > ANOVA > One Way
Los resultados son similares a los anteriores excepto que se obtiene una grafica de
4 en uno en vez de 3 en uno.
50 0.0
10 -0.2
1 -0.4
-0.50 -0.25 0.00 0.25 0.50 1.4 1.6 1.8
Residual Fitted Value
0.2
Frequency
2
Residual
0.0
1
-0.2
0 -0.4
-0.3 -0.2 -0.1 0.0 0.1 0.2 0.3 0.4 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Residual Observation Order
Coeficiente de Correlación
Página 39
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
La correlación es una prueba fácil y rápida para eliminar factores que no influyen
en la predicción, para una respuesta dada.
Ejemplo:
Se utiliza el archivo PULSE.MTW campos Peso (Weight) y Altura (Height)
File > Open Worksheet > Pulse.Mtw o copiar los datos del archivo anexo
200
180
Weight
160
140
120
100
60 62 64 66 68 70 72 74 76
Height
Ahora se calcula el coeficiente de Correlación que mide el grado de relación que existe
entre dos variables, como sigue:
Página 40
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Correlations: Weight, Height
Pearson correlation of Weight and Height = 0.78 Coeficiente de correlación
PValue = 0.000
Como el P value es menor a 0.05, la correlación si es significativa
Correlations: Weight, Height, Pulse1
Weight Height
Height 0.785 Correlaciones
0 P values
Pulse1 0.202 0.212 Correlaciones
0.053 0.043 P values
Cell Contents: Pearson correlation
PValue
Ecuación de
Fitted Line Plot Regresión
Weight = - 204.7 + 5.092 Height
220
S Desv. Estandar de
200 los residuos
(valor real-estimado
180
por la regresión)
Weight
160 S 14.7920
R-Sq 61.6%
R-Sq(adj) 61.2%
R-Sq Coeficiente
140
de Determinación
120 en porcentaje de
variación explicada
100
por la ecuación de
60 62 64 66 68 70 72 74 76 regresión
Height
The regression equation is
Weight = 204.7 + 5.092 Height
S = 14.7920 RSq = 61.6% RSq(adj) = 61.2%
Analysis of Variance
Source DF SS MS F P
Regression 1 31591.6 31591.6 144.38 0.000
Error 90 19692.2 218.8
Página 41
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Regresión simple:
Efectúa un análisis de regresión simple:
Regression Analysis: Weight versus Height
The regression equation is
Weight = 205 + 5.09 Height Ecuación de regresión
Predictor Coef SE Coef T P
Constant 204.74 29.16 7.02 0.000
Height 5.0918 0.4237 12.02 0.000
S = 14.7920 RSq = 61.6% RSq(adj) = 61.2%
Coef. De determinación
Analysis of Variance
Source DF SS MS F P
Regression 1 31592 31592 144.38 0.000Regresión significativa
Residual Error 90 19692 219
Total 91 51284
Unusual Observations
Obs Height Weight Fit SE Fit Residual St Resid
9 72.0 195.00 161.87 2.08 33.13 2.26R Puntos con un
25 61.0 140.00 105.86 3.62 34.14 2.38R residuo estándar
40 72.0 215.00 161.87 2.08 53.13 3.63R mayor a 2
84 68.0 110.00 141.50 1.57 31.50 2.14R
R denotes an observation with a large standardized residual.
En algunos casos hay puntos que están muy alejados de la mayoría de los puntos
se marcan con X y pueden sesgar los resultados, se sugiere investigarlos.
Por ejemplo:
50
40
Y
30
20
10 Página 42
0 2 4 6 8 10 12
X
50
Y
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
30
20
10
0 2 4 6 8 10 12
X
Unusual Observations
Obs X Y Fit SE Fit Residual St Resid
51 2.5 40.000 24.343 0.483 15.657 4.55R
52 12.0 60.000 63.056 2.178 3.056 1.13 X
R denotes an observation with a large standardized residual.
X denotes an observation whose X value gives it large influenc
Por ejemplo usando los datos del archivo CEREBRO.MTW anexo que tiene los pesos
del cerebro y los pesos del cuerpo en 62 especies de mamíferos se tiene:
5000
4000
Peso cerebro (g)
3000
2000
1000
En este caso los pesos de los elefantes pueden sesgar la ecuación de la recta
no se pueden eliminar como anómalos y se intentará transformarlos en forma
logarítmica:
Página 43
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
R-Sq 92.1%
R-Sq(adj) 91.9%
100.00 Intervalo de
10.00 predicción de Y para
valores individuales
1.00
en base a una X
0.10
0.01 Coeficiente de
determinación
muy cercano a uno
Peso total (kg)
Usar el archivo RESIDUOS.MTW anexo o copiar los datos de las columnas X, Y a Minitab
Stat > Regression > Fitted line Plot
Seleccionar en Response (Y) Y, Predictor (X) X
Seleccionar modelo Linear
En Options seleccionar Display Confidence Interval y Prediction Interval:
En Graphs seleccionar Residuals vs Fits
0.5
Residual
0.0
-0.5
Página 44
-1.0
15 20 25 30 35
Fitted Value
0.5 TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Residual
0.0
-0.5
-1.0
15 20 25 30 35
Fitted Value
S 0.228822
30 R-Sq 99.9%
R-Sq(adj) 99.9%
25
Y
20
15
0 1 2 3 4 5
X
0.25
Residual
0.00
-0.25
-0.50
15 20 25 30 35
Fitted Value
4.7 Aplicaciones
Página 45
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Carta X - R Carta de Medias Rangos, funciona mejor para subgrupos menores a 10.
Ejemplo: En una planta automotríz una flecha debe tener 600 mm ± 2 mm de longitud
sin embargo ha habido dificultades con dar esta dimensión con problemas de ensamble
que resultan en un alto porcentaje de retrabajo y desperdicio. Se dese monitorear esta
característica con una carta X media - R durante un mes se colectan 100 mediciones
(20 muestras de 5 flechas cada una) de todas las flechas utilizadas en la planta de los dos
proveedores que las surten SUPP1 y SUPP2, primero se analiza al SUPP2.
Stat > Control Charts > Variables Charts for Subgroups > Xbar-R.
Seleccionar All observations for a chart are in one column, seleccionar Supp2.
Existe otra alternativa Observations for a subgroup are in a row of columns
Estimate Para omitir subrupos con los que el proceso sale de control
Omit the following subroup when est. parameters (2 14)
Method for estimating standar deviation seleccionar R bar
Página 46
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
En este caso:
_
_
X=600.23
600
598 LC L=597.986
2 4 6 8 10 12 14 16 18 20
Sample
8 U C L=8.225
Sample Range
_
4 R=3.890
0 LC L=0
2 4 6 8 10 12 14 16 18 20
Sample
TEST 1. One point more than 3.00 standard deviations from center line.
Test Failed at points: 2, 14
Stat > Control Charts > Variables Charts for Subgroups > Xbar-R.
Seleccionar All observations for a chart are in one column, seleccionar Supp2.
En Subgroup sizes, poner 5.
En X bar R Options seleccionar Estimate Omit the following subgroups 2 14 sel. R bar (Recalcula limites)
En Data Options seleccionar Specify which rows to exclude row numbers 6:10 66:70 (quita puntos)
Click OK OK.
Página 47
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
599
598
LC L=597.629
2 4 6 8 10 12 14 16 18 20
Sample
U C L=8.465
8
Sample Range
_
4 R=4.003
0 LC L=0
2 4 6 8 10 12 14 16 18 20
Sample
Carta de Control X-R usando el archivo VITA_C. MTW que contiene pesos de comprimidos
tomando 5 muestras cada 15 minutos durante un periodo de 10 horas.
Crearemos dos columnas adicionales: Una para la hora de toma de muestra y otra para el
número que identifique al operario de la máquina.
Calc > Make Patterned Data > Simple Set of Data / Time Values
Hora de la primera y
última muestra
Incremento de 15 minutos
Respecto al operario se asume que las primeras 25 muestras las toma el operario A y las
otras 15 el operario B
Página 48
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Stat > Control Charts > Variables Charts for Subgroups > Xbar
Seleccionar All observations for a chart are in one column, seleccionar Peso
En Subgroup sizes, poner 5.
3.28
_
_
X=3.2671
Sample Mean
3.26
6
3.24 LCL=3.2402
3.22
3.20
1
1
8:00 9:00 10:00 11:00 12:00 13:00 14:00 15:00 16:00 17:00
Hora
Test Results for Xbar Chart of Peso by Operario
TEST 1. One point more than 3.00 standard deviations from center line.
Test Failed at points: 22, 23
TEST 5. 2 out of 3 points more than 2 standard deviations from center line (on
one side of CL).
Test Failed at points: 23
TEST 6. 4 out of 5 points more than 1 standard deviation from center line (on
one side of CL).
Test Failed at points: 5
Stat > Control Charts > Variables Charts for Subgroups > R
Seleccionar All observations for a chart are in one column, seleccionar Peso
En Subgroup sizes, poner 5.
OK
R Chart of Peso
0.10 UCL=0.1020
0.08
Sample Range
0.06
_
R=0.0483
0.04
0.02
0.00Página 49 LCL=0
4 8 12 16 20 24 28 32 36 40
Sample
0.06
Sample Ran
_
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
R=0.0483
PARA LA MEJORA0.04
Y SOLUCIÓN DE PROBLEMAS
0.02
0.00 LCL=0
4 8 12 16 20 24 28 32 36 40
Sample
Stat > Control Charts > Variables Charts for Subgroups > S
Seleccionar All observations for a chart are in one column, seleccionar Peso
En Subgroup sizes, poner 5.
OK S Chart of Peso
0.04 UCL=0.04073
0.03
Sample StDev
_
0.02 S=0.01950
0.01
0.00 LCL=0
4 8 12 16 20 24 28 32 36 40
Sample
600
_
X=599.548
599
598 LC L=597.920
1
1 10 20 30 40 50 60 70 80 90 100
O bser vation
2.4
1
U C L=2.000
M oving Range
1.8
1.2
__
0.6 M R=0.612
0.0 LC L=0
1 10 20 30 40 50 60 70 80 90 100
O bser vation
Test Results for I Chart of Supp1
TEST 1. One point more than 3.00 standard deviations from center line.
Test Failed at points: 39, 55, 82
Página 50
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Test Results for MR Chart of Supp1
TEST 1. One point more than 3.00 standard deviations from center line.
Test Failed at points: 34, 56
Stat > Control Charts > Variables Charts for Individuals > I-MR.
En Variables seleccionar SUPP1
En Data Options seleccionar Specify which rows to exclude
Seleccionar Row Numbers 34 39 55 56 82
Click OK OK.
I-MR Chart of Supp1
601 U C L=600.943
Individual Value
600
_
X=599.531
599
LC L=598.118
598
1
1 10 20 30 40 50 60 70 80 90 100
O bse r vation
2.0
1 1 1
U C L=1.735
1.5
M oving Range
1.0
__
0.5 M R=0.531
0.0 LC L=0
1 10 20 30 40 50 60 70 80 90 100
O bse r vation
600.0
_
599.5 X=599.536
599.0
598.5
LC L=598.251
1 1
1 10 20 30 40 50 60 70 80 90 100
O bser vation
1.6 U C L=1.579
1.2
Moving Range
0.8
__
M R=0.483
0.4
0.0 LC L=0
1 10 20 30 40 50 60 70 80 90 100
O bser vation
Ejemplo: En una industria química se toma una muestra cada 15 minutos y se mide
el pH y la concentración de cloro de la solución, los datos se muestran en el archivo
CLORO.MTW anexo de este módulo.
Página 51
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
11
Individual Value 10
_
9 X=9.128
6
LCL=5.413
5
Hora V 6:45 7:30 8:15 9:00 9:45 10:30 11:15 12:00 12:45 13:30
Cl V 21 21 20 19 20 18 19 18 20 20
Como hay un punto que se sale de control se puede omitir como sigue:
Stat > Control Charts > Variable charts for individuals
Variable pH V
Scale > Time: Stamp 'Hora V' 'Cl V'
Data Options seleccionar Specify wich rows to exclude Row numbers 25
I Chart Options en S limits seleccionar These multiples of the standar deviation poner 1 2 3
OK
I Chart of pH V
13
+3SL=12.366
12
+2SL=11.244
11
Excluye el punto fuera de
Individual Value
10 +1SL=10.122
control y muestra los
_
9 X=9 límites de control a
una, dos y tres sigmas
8 -1SL=7.878
7
-2SL=6.756
6
-3SL=5.634
5
Hora V 6:45 7:30 8:15 9:00 9:45 10:30 11:15 12:00 12:45 13:30
Cl V 21 21 20 19 20 18 19 18 20 20
Para mostrar el comportamiento por día, se usa Stages por Fecha en dos cartas para
mejor claridad (quitar todas las seleccionaes anteriores)
Página 52
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Variable pH Original
I Chart Options:
Define stages (historical group) within this variable Fecha
When to start a new value seleccionar With each new value
Display seleccionar Each Segment Contains 80 Subgroups
OK
I Chart of pH by Fecha
04/11/2002 05/11/2002 06/11/2002
14
12 UCL=12.370
10 _
X=8.981
8
Individual Value
6 LCL=5.592
Hora V 6:15 8:00 10:00 12:00 14:00
Cl V 19 20 21 18 20
07/11/2002 08/11/2002
14 1
UCL=12.843
12
10 _
X=9.128
8
6
LCL=5.413
Hora V
Cl V
Stat > Control charts > Variable chart for individuals > Moving range
Variable 'pH V'
4
Moving Range
2
__
MR=1.397
1
0 LCL=0
3 6 9 12 15 18 21 24 27 30
Observation
Stat > Control charts > Variable chart for individuals > I-MR
Variable 'pH V' OK
I-MR Chart of pH V
14
1
U C L=12.843
12
Individual Value
10
Página 53 _
X=9.128
8
6
LC L=5.413
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
I-MR Chart of pH V
14
1
U C L=12.843
12
Individual Value
10 _
X=9.128
8
6
LC L=5.413
3 6 9 12 15 18 21 24 27 30
O bser v ation
U C L=4.564
4
Moving Range
2
__
M R=1.397
1
0 LC L=0
3 6 9 12 15 18 21 24 27 30
O bser v ation
Stat > Control Charts > Variables Charts for Subgroups > Xbar-S.
Seleccionar All observations for a chart are in one column, seleccionar Supp2.
Existe otra alternativa Observations for a subgroup are in a row of columns
601
Sample M ean
_
_
X=600.23
600
599
LC L=598.552
1 2 3 4 5 6 7 8 9 10
Sample
3 U C L=2.952
Sample StDev
2 _
S =1.720
LC L=0.488
1 2 3 4 5 6 7 8 9 10
Sample
_
_
600 X=600.042
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
601
Sample Mean
_
_
600 X=600.042
599
LC L=598.349
598
1 2 3 4 5 6 7 8 9 10
Sample
3 U C L=2.979
Sample StDev
2 _
S =1.736
LC L=0.492
1 2 3 4 5 6 7 8 9 10
Sample
Error de reproducibilidad
Causado por diferencias entre operadores al revisar las mediciones
1. Gage Run Chart: Análisis gráfico de los resultados como primeras conclusiones
2. Gage Linearity and Bias Study: ¿es igual el error en todo el rango de magnitudes a medir?
Diseños Cruzados (Crossed): Los operadores miden todas las piezas dos o tres veces
normalmente características dimensionales
Diseños anidados (Nested): Cada pieza es medida por un solo operador para el caso de
pruebas destructivas, debe medir varias piezas muy parecidas entre si
(normalmente piezas producidas en forma consecutiva) casi sin variabilidad.
Para los ejemplos se usa el archivo RR_Cruz.MTW anexo, contiene datos para la realización
de un estudio R&R en el que 3 operadores han medido 10 piezas distintas, 3 veces cada
una de manera aleatoria y sin saber cual estaban midiendo en cierto tiempo.
Página 55
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Stat > Quality Tools > Gage Study > Gage Run Chart
Part Numbers - Pieza; Operators - Operario; Measurement data - Medición
Trial Numbers - Orden (indica el orden en que se hicieron las mediciones).
Options - Permite poner título al estudio
Gage Info: Para información adicional del estudio
1 2 3 4 5 O perario
16 1
2 Las piezas son diferentes
3
12
ver pieza 2 y 3 versus la
Mean
8y9
Medicion
6 7 8 9 10
16 El operario 2 tiene más
variabilidad en sus
12
Mean mediciones y además
8 tiende a tener valores por
Operario debajo de los otros 2
Panel variable: Pieza
Stat > Quality Tools > Gage Study > Gage R&R Study (Crossed)
Part Numbers - Pieza; Operators - Operario; Measurement data - Medición
Seleccionar Method of Análisis - ANOVA
Options - Study variation 5.15 (99% nivel de conf.) Tolerance - 15 Tolerancia de las piezas
Gage Info: Para información adicional de identificación del estudio
TwoWay ANOVA Table With Interaction
Source DF SS MS F P
Pieza 9 286.033 31.7814 33.1422Pieza significativa
Operario 2 45.635 22.8173 23.7942Operario significativo
Pieza * Operario 18 17.261 0.9589 0.6449Interaccion no significativa
Repeatability 60 89.217 1.4869
Total 89 438.145
TwoWay ANOVA Table Without Interaction
Source DF SS MS F P
Pieza 9 286.033 31.7814 23.2814 0.000
Operario 2 45.635 22.8173 16.7147 0.000
Repeatability 78 106.478 1.3651
Total 89 438.145
Varianza
Página 56
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Source VarComp (of VarComp)
Total Gage R&R 2.08017 38.10
Repeatability 1.36510 25.00 Varianza relevante debida al equipo
Reproducibility 0.71507 13.10 Menor varianza debida al operador
Operario 0.71507 13.10
PartToPart 3.37959 61.90
Total Variation 5.45976 100.00
Usada cuando el equipo es para control del proceso
Tabla de análisis de la Variación
Usada cuando el equipo es para liberar producto
raiz (Varianza)
Source StdDev (SD) (5.15 * SD) (%SV) (SV/Toler)
Total Gage R&R 1.44228 7.4277 61.73 49.52
Repeatability 1.16838 6.0171 50.00 40.11
Reproducibility 0.84562 4.3549 36.19 29.03
Operario 0.84562 4.3549 36.19 29.03
PartToPart 1.83837 9.4676 78.68 63.12
Total Variation 2.33661 12.0336 100.00 80.22
Ventana de gráficas
% Tolerance
40 12
0 6
Gage R&R Repeat Reprod Part-to-Part 1 2 3 4 5 6 7 8 9 10
Pieza
R Chart by Operario
1 2 3 Medicion by Operario
2
_
R=2.042
12
Media más baja
0 LCL=0 6
1 2 3
Operario
Xbar Chart by Operario
1 2 3 Operario * Pieza Interaction
15.0 15.0 Opera rio
Si no hay interacción
Sample Mean
1
UCL=13.383
Average
significativa, estas
2
12.5 __ 12.5
3
X=11.293
10.0
10.0
LCL=9.204
1 2 3 4 5 6 7 8 9 10
líneas son paralelas
Pieza
Página 57
1 2 3
Operario
Xbar Chart by Operario
15.0
1 2 3
TALLER DE APLICACIÓN DE MINITAB
15.0
Operario * Pieza Interaction
Opera rio
P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Sample Mean
1
UCL=13.383
Average
2
12.5 __ 12.5
3
X=11.293
10.0
10.0
LCL=9.204
1 2 3 4 5 6 7 8 9 10
Pieza
Carta de rangos: Muestra al operario 2 con mayor variabilidad que los demás
pero aun así estan dentro de control, de otra forma repetir las mediciones
Cartas de Medias: Debe tener al menos el 50% de sus puntos fuera de control para
indicar que el sistema de medición discrimina las partes adecuadamente
Stat > Quality Tools > Gage Study > Gage R&R Study (crossed)
Seleccionar columnas de parts, operators y measurement data
Seleccionar Method of Analysis ANOVA
En gage info introducir la información general del equipo y del estudio
En options introducir lo siguiente:
Study variation 5.15 (estándar industrial, corresp. al 99% de NC)
Process Tolerance 2
a) si hay dos especs. inferior y superior, introducir el rango
b) si solo hay una espec. superior introducirla en Upper spec
c) si solo hay una espec. inferior introducirla en Lower spec.
OK
TwoWay ANOVA Table With Interaction
Source DF SS MS F P
Part 9 2.05871 0.228745 39.7178 0.000
Operator 2 0.04800 0.024000 4.1672 0.033
Part * Operator 18 0.10367 0.005759 4.4588La interacción si es
Repeatability 30 0.03875 0.001292 significativa, el operador
Total 59 2.24913 tiene interacción con las
partes
Gage R&R
%Contribution
Source VarComp (of VarComp)
Total Gage R&R 0.0044375 10.67
Repeatability 0.0012917 3.10
Reproducibility 0.0031458 7.56
Operator 0.0009120 2.19
Operator*Part 0.0022338 5.37
PartToPart 0.0371644 89.33
Total Variation 0.0416019 100.00 Debe ser menor al 10% (AIAG)
o menores al 25% (otras industrias)
Study Var %Study Var %Tolerance
Source StdDev (SD) (5.15 * SD) (%SV) (SV/Toler)
Total Gage R&R 0.066615 0.34306 32.66 17.15
Repeatability 0.035940 0.18509 17.62 9.25
Reproducibility 0.056088 0.28885 27.50 14.44
Operator 0.030200 0.15553 14.81 7.78
Operator*Part 0.047263 0.24340 23.17 12.17
PartToPart 0.192781 0.99282 94.52 49.64
Página 58
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Total Variation 0.203965 1.05042 100.00 52.52
% Tolerance
0.75
50
0.50
0
Gage R&R Repeat Reprod Part-to-Part 1 2 3 4 5 6 7 8 9 10
Part
R Chart by Operator
1 2 3 Response by Operator
UCL=0.1252 1.00
Sample Range
0.10
0.75
0.05 _
R=0.0383
0.50
0.00 LCL=0
1 2 3
Operator
Xbar Chart by Operator
1 2 3 Operator * Part Interaction
1.00 1.00 O pe rat or
Sample Mean
_
UCL=0.8796
_
1
Average
2
X=0.8075
0.75 LCL=0.7354 0.75 3
0.50
Si hay interacción entre
0.50
1 2 3 4 5 6 7 8 9 10 operadores y partes,
Part
debe revisarse el método
La carta R esta dentro de control de medición
La carta de medias tiene más del 50% de puntos fuera de control, lo que es adecuado
Se trata de un diseño anidado ya que cada operador solo mide una parte de las piezas.
Stat > Quality Tools > Gage Study > Gage R&R Study (Nested)
Seleccionar columnas de part or batch numbers, operators y measurement data
En gage info introducir la información general del equipo y del estudio
En options introducir lo siguiente:
Study variation 5.15
Process Tolerance 10 Errores mayores a lo permitido
OK
Study Var %Study Var %Tolerance
Source StdDev (SD) (5.15 * SD) (%SV) (SV/Toler)
Total Gage R&R 1.37317 7.07181 97.92 70.72
Repeatability 1.13529 5.84676 80.95 58.47
Reproducibility 0.77246 3.97818 55.08 39.78
PartToPart 0.28475 1.46644 20.30 14.66
Total Variation 1.40238 7.22225 100.00 72.22
% Tolerance
22
50
Página 59
20
0
Gage R&R Repeat Reprod Part- to-Part Pieza 1 2 3 4 5 6 7 8 9 10 11 12
Operario A B C
R Chart by Operario
A B C Medicion by Operario
UCL=5.170 24
e
Gage R&R (Nested) for Medicion TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
G age name:
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Reported by :
T olerance:
Date of study : M isc:
Percent
% Tolerance
22
50
20
0
Gage R&R Repeat Reprod Part- to-Part Pieza 1 2 3 4 5 6 7 8 9 10 11 12
Operario A B C
R Chart by Operario
A B C Medicion by Operario
UCL=5.170 24
Sample Range
4
22
_
2 R=2.008
20
0 LCL=0
A B C
Operario
Xbar Chart by Operario
A B C
24 UCL=24.196
Sample Mean
_
_
22 X=22.142
20 LCL=20.087
Estudios de linealidad
Amplitud de la
variabilidad del proceso
G age Linearity
P redictor C oef S E C oef P
Ecuación
Regression
C onstant 0.73667 0.07252 0.000
95% CI
1.0 Data Slope -0.13167 0.01093 0.000
Avg Bias
S 0.23954 R-S q 71.4%
Linearity 1.86889 % Linearity 13.2
-0.5
Percent of Process Variation
10
Percent
-1.0 5
2 4 6
Reference Value
8 10
Página
0
60
Linearity Bias
A v erage -0.053333 0.4 0.040
2 0.491667 3.5 0.000
Bias
0.0 TALLER
0 DE APLICACIÓN
4
6
DE MINITAB
0.125000
0.025000
0.9 0.293
0.2 0.688
P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE
8 -0.291667
10 -0.616667
PROBLEMAS
2.1 0.000
4.3 0.000
-0.5
Percent of Process Variation
10
Percent
-1.0 5
2 4 6 8 10
Reference Value 0
Linearity Bias
La capacidad del proceso es la capacidad que tiene para cumplir especificaciones una
vez que muestra estabilidad o esta dentro de control estadístico.
Seleccionar R bar
Especificaciones
LSL USL
P rocess Data W ithin
LS L 3.08750 Ov erall
Target *
USL 3.41250 P otential (Within) C apability
Cp 2.54
S ample Mean
S ample N
3.24312
200 C PL 2.43 Cp y Cpk a partir de
C PU 2.64
S tDev (Within) 0.02136
S tDev (O v erall) 0.02917 C pk 2.43 Std. Dev. Within
C C pk 2.54
O v erall C apability
12 2
13 2
Medidas
10
14 2
15 2
6 3 5
7 3
8 3 0
10 3 1.0 1.5 2.0 2.5 3.0
Subgrupo
LSL USL
P rocess Data W ithin
LSL 6.00000 O verall
Target *
P otential (Within) C apability
USL
Sample Mean
12.00000
10.85938 Cp 0.86 El Cpk es menor a 1
C PL 1.39
Sample N
StDev (Within)
32
1.16392 C PU 0.33 el proceso no es
StDev (O v erall) 1.43526 C pk 0.33
C C pk 0.86
capaz para cumplir
O v erall C apability con especificaciones
Pp 0.70
P PL 1.13
P PU 0.26
P pk 0.26
C pm *
Página 62
12 _
X=10.859
9
LCL=7.368
1
3 6 9 12 15 18 21 24 27 30 8.0 9.6 11.2 12.8
2 __
MR=1.313
0 LCL=0
3 6 9 12 15 18 21 24 27 30 8 10 12 14
Cp 0.86 Overall
Pp 0.70
10
C pk 0.33 P pk 0.26
8 C C pk 0.86 C pm *
Specs
10 15 20 25 30
Observation
Stat > Time series > Trend Analysis Trend Analysis Plot for %Humedad
Linear Trend Model
Yt = 9.42198 + 0.0871151*t
Variables %Humedad 14 Variable
seleccionar Linear 13
A ctual
Fits
OK A ccuracy Measures
12 MA PE 8.53237
MA D 0.88705
%Humedad
MSD 1.31670
11
10
9
Se observa que el %
8
ha ido aumentando con
7
el tiempo por alguna 3 6 9 12 15 18 21 24 27 30
Ejemplo: Se mide la torcedura que tienen los ladrillos en un horno, los datos se encuentran
Página 63
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
LB* U S L*
P rocess Data transformed data Within
LB 0.00000 O v erall
Target *
U SL 8.00000 P otential (Within) C apability
S ample M ean 2.92307 Cp * Cpk = 0.78 el proceso
S ample N 100 C PL *
S tDev (Within) 1.68898 C P U 0.78
C pk 0.78
no es capaz de cumplir
S tDev (O v erall) 1.79048
A fter Transformation
C C pk 0.78 especificaciones.
O v erall C apability
LB* 0.00000
Target* * Pp *
PPL *
U SL*
S ample M ean*
2.82843
1.62374 PPU 0.74 Ppk es igual a 0.74
S tDev (Within)* 0.51337 P pk 0.74
S tDev (O v erall)* 0.53934 C pm *
LB USL
Process Data O v erall C apability
LB 0.00000 Pp *
Target * P PL *
USL 8.00000 P PU 0.73
Sample M ean 2.92307 P pk 0.73
Sample N 100
Shape 1.69368 Ppk es igual a 0.73
E xp. O v erall Performance
PP M < LB *
Scale 3.27812
PP M > U SL 10764.5
O bserv ed P erformance PP M T otal 10764.5
PP M < LB 0
PP M > U S L 20000
PP M Total 20000
Se usan estas cartas para cuando las características se juzgan como pasa o no pasa
Página 64
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
P Chart of Defectuosos
1 1
0.055
UCL=0.05316
Se tienen límites de
0.050 control variables por
ser el tamaño de muestra
0.045
variable
Proportion
0.040 _
P=0.03812
0.035
0.030
0.025
LCL=0.02308
0.020
3 6 9 12 15 18 21 24 27 30
Sample
Tests performed with unequal sample sizes
Test Results for P Chart of Defectuosos
TEST 1. One point more than 3.00 standard deviations from center line.
Test Failed at points: 3, 26
0.050
0.045
Proportion
0.040 _
P=0.03867
0.035
0.030
0.025
LCL=0.02292
0.020
3 6 9 12 15 18 21 24 27 30
Sample
Página 65
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Variables Defectuosos
Subgroup sizes 100
OK
NP Chart of Defectuosos
14
1
12 UCL=12.16
10
Sample Count
6 __
NP=5.39
0 LCL=0
1 7 14 21 28 35 42 49 56 63 70
Sample
Test Results for NP Chart of Defectuosos
TEST 1. One point more than 3.00 standard deviations from center line.
Test Failed at points: 18
La causa aparente del punto fuera de control en la carta es un lote defectivo de materia prima
por lo que es razonable no considerarlo y recalcular los límites de control
NP Chart of Defectuosos
12 UCL=11.98
10
8
Sample Count
6 __
NP=5.28
0 LCL=0
1 7 14 21 28 35 42 49 56 63 70
Sample
Página 66
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
C Chart of Visitas
160
1
140
120 1
Sample Count
100
1 1
UCL=87.3
80
_
C=63.4
60
40 LCL=39.5
1 1
11 11
20 1 1
1 6 12 18 24 30 36 42 48 54 60
Sample
Test Results for C Chart of Visitas
TEST 1. One point more than 3.00 standard deviations from center line.
Test Failed at points: 5, 6, 10, 11, 22, 26, 33, 37, 40, 41, 54, 55
El punto del día 10 representa un pico debido a un anuncio especial anunciando la página
los otros puntos que salen de control se presentan los fines de semana.
Para eliminar los puntos correspondientes a sábados y domingos usar el botón Data Options
para recalcular los límites de control de nuevo:
Stat > Control Charts > Attributes chart > C
Variables Visitas
Data Options
C Chart OptionsData Options
Página 67
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
C Chart of Visitas
120 1
110
100
UCL=94.20
Sample Count
90
80
_
70 C=69.24
60
50
LCL=44.28
40
1 6 12 18 24 30 36 42 48 54 60
Sample
Excluding rows where 'Dia semana'="S" or 'Dia semana'="D" or Fecha = DATE("10/10/2002")
18 rows excluded
0 LCL=0.30
3 6 9 12 15 18 21 24 27 30
Sample
Tests performed with unequal sample sizes
Estudio de capacidad para variables que siguen una distribución binomial (fracción defectiva)
Ejemplo: Se usa el archivo BANCO.MTW anexo que contiene por diferentes agencias
bancarias, el número de clientes no satisfechos de entrevistas a 50 en cada una.
Página 68
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Expected Defectives
1
0.6 30
P r opor tion
0.4 UC L=0.3983 20
_
P =0.222
0.2 10
Puntos fuera de control
LC L=0.0457
0.0 1 0
3 6 9 12 15 18 21 24 27 30 0 15 30
Sample O bser ved Defectives
S ummary S tats T ar
Meta 0 defectuosos
La gráfica acumulativa debe
acabar estabilizandose cerca Intervalos de confianza y ppm de defectuosos
del valor medio para indicar
que el tamaño de muestra La Z del proceso es 0.75 que es muy baja,
es representativo debe mejorarse
Seleccionando la carta de control P y con Editor > Brush y Editor > Set ID variables a Agencia
se identifican las agencias 112 y 212 como las que más influyen en las quejas.
Colocando asteriscos en los datos de estas agencias se tiene:
0.3 15
Proportion
_
0.2 P =0.1929 10
0.1 5
LC L=0. 0255
0.0 1 0
3 6 9 12 15 18 21 24 27 30 0 10 20
Sa mple O bse r v e d De fe cti ve s
Low er C I : 17.25
21.0 U pper C I : 21.45
5.0
T arget: 0.00
19.5
P P M D ef: 192857
Low er C I : 172495 2.5
18.0
U pper C I : 214517
P rocess Z: 0.8674 0.0
5 10 15 20 25 30 0 5 10 15 20 25 30 35
Low er C I : 0.7908
Sa mple
U pper C I : 0.9444
Página 69
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
TEST 1. One point more than 3.00 standard deviations from center line.
Test Failed at points: 28
Estudio de capacidad para variables que siguen una distribución de Poisson (número de defectos)
U C L=8.474
Expected Defects
7.5 6
5.0 4
_
U =3.15
2.5 2
0.0 LC L=0 0
4 8 12 16 20 24 28 32 36 40 0.0 2.5 5.0
Sample O bser ved Defe cts
C umulative DP U Dist of DP U
Tar
4 S ummary S tats 16
(using 95.0% confidence)
M ean D ef: 3.1500 12
3 Low er C I: 2.6240
U pper C I: 3.7505
DP U
8
M ean D P U : 3.1500
2
Low er C I: 2.6240
U pper C I: 3.7505 4
M in DP U : 0.0000
1
M ax D P U : 6.0000 0
10 20 30 40 0 1 2 3 4 5 6
Targ DP U : 0.0000
Sample
Página 70
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Para crear la carta Cusum se colectan m subgrupos de muestras, cada una de tamaño n y
se calcula la media de cada muestra Xi-media. Después se determina Sm o S’m como sigue:
Ejemplo: Variaciones de una flecha respecto a una línea de referencia, los datos se
encuentran en el archivo CRANKSH.MTW anexo.
Stat > Control Charts > Variables Charts for Subgroups > Xbar
_
_
X=0.44
0.0
-2.5
LC L=-3.82
-5.0
2 4 6 8 10 12 14 16 18 20 22 24
Sample
16 U C L=15.61
12
Sample Range
8 _
R=7.38
0 LC L=0
2 4 6 8 10 12 14 16 18 20 22 24
Sample
Stat > Control Charts > Time Weighted Charts > Cusum
-5.0
LCL=-5.68
2 4 6 8 10 12 14 16 18 20 22 24
Sample
Página 71
0.0 0
Cu
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
-2.5
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
-5.0
LCL=-5.68
2 4 6 8 10 12 14 16 18 20 22 24
Sample
Test Results for CUSUM Chart of AtoBDist
TEST. One point beyond control limits.
Test Failed at points: 4, 5, 6, 7, 8, 9, 10
La carta de control CuSum se obtiene graficando los valores de Sm o S’m como función de m.
Si el proceso permanece centrado, la carta tenderá hacia el valor de la media 0
Si el proceso se corre gradualmente hacia arriba o hacia abajo, será indicado en la carta.
Su sensibilidad está determinada por los parámetros k y h.
Una forma de identificar si el proceso sale de control es con una mascara en V cuyo origen
se coloca en el último punto de suma acumulada determinado y observando que ninguno de
los puntos anteriores se salga, de otra forma tomar acción
Stat > Control Charts > Time Weighted Charts > Cusum
25
Vmask Chart of AtoBDist
25 20
Cumulative Sum
20 15
Cumulative Sum
10
15
5
10
0 Target=0
5 2 4 6 8 10 12 14 16 18 20 22 24
Sample
0 Target=0
2 4 6 8 10 12 14 16 18 20 22 24
Sample
Indica situación fuera
de control en el punto
Vmask Chart of AtoBDist de medición actual
40
30
Cumulative Sum
20
10
0 Target=0
-10
2 4 6 8 10 12 14 16 18 20 22 24
Sample
Página 72
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Monitorea un proceso promediando los datos de tal forma que les da cada vez menos
peso conforme son removidos en el tiempo. Tiene sensibilidad simlar a la de la Cusum
Es más sensible que la carta X al movimiento de separación gradual de la media del proceso.
1.5
1.0
_
EWMA
_
0.5 X=0.442
0.0
-0.5
-1.0 LCL=-0.978
2 4 6 8 10 12 14 16 18 20 22 24
Sample
Test Results for EWMA Chart of AtoBDist
TEST. One point beyond control limits.
Test Failed at points: 5, 6
3 UCL=2.900
2
Moving Average
1 _
_
X=0.442
0
-1
-2 LCL=-2.017
-3
-4
2 4 6 8 10 12 14 16Página
18 2073 22 24
Sample
0
Movin
-1 TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
-2 PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
LCL=-2.017
-3
-4
2 4 6 8 10 12 14 16 18 20 22 24
Sample
TEST. One point beyond control limits.
Test Failed at points: 5, 6 Fuera de control el punto 6
p Pa = b
0.005 0.98969 Curva OC con
Pa
0.010 n = 89, c = 2
0.93969
0.020 0.73658
0.030 0.49848
0.040 0.30416
0.050 0.17208
0.060 0.09187
0.070 0.04682
0.080 0.02296
0.090 0.01089
0.100 0.00501
0.110 0.00225
0.120 0.00098 Fracción def. en lote - p
Página 74
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
p Pa AOQ = Pa . P
0.005 0.98969 0.00495
0.01 0.93969 0.00940
0.02 0.73658 0.01473
0.03 0.49848 0.01495
0.04 0.30416 0.01217
0.05 0.17208 0.00860
0.06 0.09187 0.00551
0.07 0.04682 0.00328
0.08 0.02296 0.00184
AOQ
AOQL = 1.55%
0.03 p
p
Por ejemplo si el lote tiene un 2% de defectivo y se toman muestras de
n = 89, aceptando hasta con c = x = 2 defectivos aceptables
5.9 Aplicaciones
Página 75
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
2.500
Página 76
2.495
2.490
1 2 3 1 2 3
08:00
TALLER DE APLICACIÓN
09:00
10:00 11:00
DE MINITAB
12:00 Posicio n
Max Der
P. Reyes /Febrero 2006
2.510
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMASMax Izq
Min Der
Min Izq
2.505
Diametro
2.500
2.495
2.490
1 2 3 1 2 3 1 2 3
Eje
Panel variable: Hora
2.500
2.495
2.490
1 2 3 1 2 3 1 2 3
Eje
Panel variable: Hora
El aspecto de la carta Multivari depende del orden en que se ingresen los factores
El tercer factor va en el eje horizontal por tanto aquí es donde conviene introducir el tiempo
El último factor introducido es el que divide a la carta en dos partes.
Página 77
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Der, 08:00 Der, 09:00 Der, 10:00 Der, 11:00 Der, 12:00 Eje
2.510
1
2.505 2
3
2.500
2.495
Diametro
2.490
Izq, 08:00 Izq, 09:00 Izq, 10:00 Izq, 11:00 Izq, 12:00
2.510
2.505
2.500
2.495
2.490
5.1 Se estudia el rendimiento de un proceso químico (Y), donde se piensa que los factores
que mayor influencia tienen son la temperatura y la presión (X1, X2).
Se diseña un experimento factorial completo con dos réplicas y tomando tres niveles
en cada factor como se muestra en la tabla de rendimientos.
PRESION (psig)
200 215 230
TEMP. 90.4 90.7 90.2
150 90.2 90.6 90.4
90.1 90.5 89.9
160 90.3 90.6 90.1
90.5 90.8 90.4
170 90.7 90.9 90.1
Página 78
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
CONCLUSIONES EN RESIDUALES
Residuals Versus the Fitted Values
(response is Resp)
Página 79
0.1
l
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Residuals Versus the Fitted Values
(response is Resp)
0.1
Residuales vs Y estimada
deben ser aleatorios
Residual
0.0
-0.1
90.0 90.1 90.2 90.3 90.4 90.5 90.6 90.7 90.8 90.9
Fitted Value
1
Normal Score
-1
-2
-0.1 0.0 0.1
Residual
General Linear Model: Resp versus Temp, Presion
Factor Type Levels Values
Temp fixed 3 1 2 3
Presion fixed 3 1 2 3
Significativos a nivel de 0.05
Analysis of Variance for Resp, using Adjusted SS for Tests
Source DF Seq SS Adj SS Adj MS F P
Temp 2 0.30111 0.30111 0.15056 8.47 0.009
Presion 2 0.76778 0.76778 0.38389 21.59 0.000
Temp*Presion 4 0.06889 0.06889 0.01722 0.97 0.470
Error 9 0.16000 0.16000 ´ 0.01778
Total 17 1.29778
No significativo a nivel 0.05
Página 80
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
En este caso para maximizar el rendimiento se seleccionan los niveles Temperatura = 3 o 170º
Presión = 2 o 215 psig.
Temp Presion
90.68
90.56
Resp
90.44
90.32
90.20
Página 81
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 82
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
1 8 230 0.6 10
2 12 230 0.6 26.5
3 8 240 0.6 15
4 12 240 0.6 17.5
5 8 230 1 11.5
6 12 230 1 26
7 8 240 1 17.5
8 12 240 1 20
Estimated Coefficients for Y using data in uncoded units
Term Coef
Constant 893.750 Pareto Chart of the Effects
(response is Y, Alpha = .05)
Caudal 102.625
5.646
Corriente 3.75000 F actor Name
A C audal
Velocidad 186.250 A
B C orriente
C V elocidad
Caudal*Corriente 0.425000 AB
Caudal*Velocidad 30.0000 C
Corriente*Velocidad 0.750000
Term
B
Caudal*Corriente*Velocidad 0.125000
BC
ABC
AC
0 1 2 3 4 5 6 7 8 9
Effect
Lenth's PSE = 1.5
Las gráficas donde se indica cuales factores son significativos son:
Son significativos A y AB
60
50
40
30
20
10 AB
5
1
-5.0 -2.5 0.0 2.5 5.0 7.5 10.0
Effect
Lenth's PSE = 1.5
Página 83
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Los efectos se pueden guardar en una columna y después graficarlos para que sean claros:
Stat > DOE > Factorial > Analize Facorial Design ..... Storage: Effects
Graph Dot Plot: Simple Effe1
EFFE1
9
-1
1.5
-6.5
-0.5
1
0.5
Paso 4. Obtener las gráficas factoriales para seleccionar los mejores niveles de operación
16
Mean of Y
14
8 12 230 240
Velocidad
22
20
18
16
14
0.6 1.0
Corriente = 230
18
Caudal = 12
16
14
12
10
230 240
Corriente
Página 84
14
Velocidad
Es el mejor resultado
10.0 26.5
230 0.6
8 12
Caudal
Página 85
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
4 40 2 90 1 24.5
5 30 3 90 1 25
6 30 3 80 1.5 16
7 40 3 80 1 24.5
8 40 3 90 1.5 23.5
Tabla de confusiones (los efectos de los factores principales se confunden con interacciones)
I + ABD + ACE + BCDE
A + BD + CE + ABCDE
B + AD + CDE + ABCE
C + AE + BDE + ABCD
D + AB + BCE + ACDE
E + AC + BCD + ABDE
BC + DE + ABE + ACD
BE + CD + ABC + ADE
Estimated Coefficients for Y using data in uncoded units
Term Coef
Constant 36.0000
Cola 2.00000
Temp Cola 0.600000
Cantidad 0.500000
Temp secado 0.450000
Presion 5.00000
Temp Cola*Cantidad 1.58579E16
Temp Cola*Presion 0.200000
B
Term
BE
BC
0 1 2 3 4 5
Effect
Lenth's PSE = 0.75
Página 86
BC
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
0 1
PARA2 LA MEJORA
3
Y SOLUCIÓN
4 5
DE PROBLEMAS
Effect
Lenth's PSE = 0.75
60 D T emp secado
E P resion
50
40
30 Son significativos los
20
factores A, B, D
10 A
5
1
-4 -3 -2 -1 0 1 2 3 4 5
Effect
Lenth's PSE = 0.75
Paso 4. Obtener las gráficas factoriales para seleccionar los mejores niveles de operación
Se maximiza la respuesta
Main Effects Plot (data means) for Y
en las condiciones
Cola Temp Cola
24
siguientes:
Cola = X
23
Temp Cola = 40
22
Temp Sec = 90
21
Mean of Y
20
X Y 30 40
Temp secado
24
23
22
21
20
80 90
24.0
Después de este
23.5 experimento de filtración
40 se puede hacer otro más
completo sólo con los
Temp secado
16.0
TALLER DE APLICACIÓN DE MINITAB P. Reyes /Febrero 2006
23.5
40
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
factores A, B, D
Temp Cola 24.5
90
Temp secado
16.0
30 80
X Y
Cola
6.5 Aplicaciones:
Página 88
ARCHIVOS DE DATOS PARA EL MÓDULO 1
Peso_antes Peso_despues
64 88
58 70
62 76
66 78
64 80
74 84
84 84
68 72
62 75
76 118
90 94
80 96
92 84
68 76
60 76
62 58
66 82
70 72
68 76
72 80
ARCHIVOS DE DATOS PARA EL MÓDULO 2
Mapa de Archivos
PARETO PULSE REHEAT
COCHES
ARCHIVO PARETO.MTW
Contiene defectos en partes por turno, operario y máquina
ARCHIVO COCHES
Son datos de productos congelados, se quiere determinar cuanto tiempo toma y la temperatura
de cocción de un plato congelado, de forma que el sabor obtenido sea el mejor.
Se hacen experimentos con los resultados evaluados en base a la calidad del plato de 0 a 10.
Son datos de productos congelados, se quiere determinar cuanto tiempo toma y la temperatura
Activity de cocción de un plato congelado, de forma que el sabor obtenido sea el mejor.
2 Se hacen experimentos con los resultados evaluados en base a la calidad del plato de 0 a 10.
2
3 Operator Temp Time Quality
1 A 350 24 0.1
2 B 350 26 0.2
1 A 350 28 1.1
3 B 350 30 1.5
2 A 350 32 3.8
2 A 350 34 5.4
2 B 350 36 6.9
1 A 350 38 6.6
2 B 375 24 0.2
3 A 375 26 0.2
2 A 375 28 0.7
3 B 375 30 2.9
3 B 375 32 5.2
2 B 375 34 6.9
3 B 375 36 7
2 B 375 38 6.9
3 A 400 24 0
2 A 400 26 0.7
2 A 400 28 1.4
2 A 400 30 3.8
2 B 400 32 6.8
2 A 400 34 8
2 B 400 36 7.4
2 B 400 38 7.2
2 B 425 24 0.2
2 B 425 26 0.2
2 B 425 28 1.8
2 B 425 30 4.8
2 B 425 32 6.5
2 A 425 34 8.5
2 B 425 36 8.4
2 A 425 38 7.3
1 A 450 24 0.4
2 A 450 26 1.9
2 B 450 28 5
2 A 450 30 7.2
2 A 450 32 7.8
2 B 450 34 7.2
2 A 450 36 5.7
3 B 450 38 3.9
2 A 475 24 0.3
3 B 475 26 4.4
3 A 475 28 6.7
3 B 475 30 6.9
2 A 475 32 5.8
3 B 475 34 4.1
3 A 475 36 0.4
2 A 475 38 0.2
2
2
0
3
2
2
2
3
2
1
2
2
2
3
2
2
2
2
2
3
2
2
2
2
2
2
1
3
2
2
2
2
2
1
3
3
1
1
2
3
2
Raiz cuadrada de Pot.(CV)
Pot2
9.4868
10.1489
10.7238
12.8841
14.4914
11.5326
13.1909
12.2474
10.7238
12.2474
12.2474
15.1658
13.1909
12.2474
10.0995
10.7238
11.8322
12.2474
13.8564
13.8564
16.9115
10.6301
13.8564
14.7648
18.4391
14.7648
16.9115
19.4936
7.0711
7.746
7.746
7.746
8.6603
8.6603
8.6603
8.6603
10.1489
12.2474
8.4261
9.4868
10.1489
11.0905
12.2474
11.619
13.0384
19.4936
21.0238
5.5678
7.1414
7.4162
8.6603
9.3808
11.6619
11.9164
8.4261
8.7178
10.247
8.4261
9.4868
10.247
10.8167
11.0905
7.0711
7.746
8.6603
9.4868
11.4018
7.746
9.4868
10.247
12.2474
10.7238
9.4868
11.6619
10.9545
15.0665
8.6603
11.1803
11.1803
9.4868
10.7238
11.6619
14.2829
9.0554
9.4868
11.225
11.7898
14.1421
14.9332
7.8102
8.2462
7.1414
8.4261
10.0499
11.7898
9.4868
11.7898
10.8167
13.2288
15
16.7033
18.0555
8.544
11.5326
10.8167
12.083
11.0454
11.6619
12.2474
11.6619
12.2474
13.8924
13.8924
14.8324
15.1987
16.7033
17.8885
19.8494
10.6301
11.7047
7.4162
8.6603
9.3274
10.0995
8.6603
10.0995
11.1803
11.9583
9.8995
11.225
8.6603
6.7082
6.7082
7.746
10.2956
7.746
9.0554
10
10.7238
10.7238
8.2462
10.7238
11.6619
13.0384
9.0554
10.7238
11.6619
14.5258
7.0711
8.6603
7.6158
7.746
7.746
8.6603
8.6603
9.4868
9.4868
8.4261
10.1489
8.3666
11.0905
10.4881
11.0905
15.4919
18.9737
7.4162
7.746
8.9443
9.7468
8.0623
9.6437
9.7468
8.6023
9.7468
10.7238
10.4881
13.0384
10.7238
15
15
8.6603
8.6603
11.6619
9.3808
10.1489
11.6619
10.198
10.7238
12.5698
13
10.8628
11.4018
12.2474
13.0384
12.083
12.083
6.4807
6.7082
7.746
7.746
8.6603
8.6603
9.4868
10.7238
8.2462
8.6603
7.746
8.6603
9.4868
8.2462
9.4868
10.7238
8.2462
7.4833
8.4261
13.2288
10.7703
11.5326
11.6619
14.5602
6.7082
7.4162
7.4162
8.6603
7.746
8.6603
9.4868
10.7238
12.2474
8
8.6603
9.4868
10.7238
9.4868
10.7238
13.1909
11.619
9.4868
10.4881
9.4868
10.9545
10.4881
12
13.0384
10.7703
12.4499
13.0384
po toma y la temperatura
ARCHIVO DETERGENTE.MTW
Contiene datos de peso en gramos de 500 paquetes de detergente con peso nominal de 4 grs.
indicando en cuál de las 2 líneas se ha llenado:
Ejemplo: Una línea de llenado de paquetes debe llenar 4 kg en cada uno. Se toman
20 muestras y se pesan en gramos:
Pesos
4035
3928
3974
4024
3949
4017
4009
3983
3969
3979
3970
3997
3955
3984
4034
3964
3969
3995
3991
3988
ARCHIVO RESIDUOS.MTW
X Y
1.04185 18.0899
0.23129 16.0308
3.9113 29.6501
3.913 29.7359
4.12512 30.7384
0.63987 17.3818
4.98369 35.21
2.96085 25.6314
0.10635 15.4889
3.29437 27.1189
1.79592 21.2583
4.49059 32.6554
1.32325 19.1882
0.406 16.2046
0.74985 17.4462
3.7309 29.2728
1.36255 19.2741
0.31936 15.793
4.91976 34.8713
4.96988 34.7539
1.23507 19.2883
4.38413 32.2554
3.01659 25.5766
2.07339 21.586
4.174 31.4337
1.75039 20.5674
3.79849 29.2888
4.81151 33.8393
1.43903 19.3294
4.87897 34.5135
4.87167 34.0387
3.95905 30.0292
4.88136 34.7271
0.17029 15.4243
1.28646 18.8098
0.8069 17.4371
0.86312 17.7384
2.88961 25.1772
1.2012 18.8126
0.14982 15.3833
3.7274 29.1058
0.92558 17.8978
0.6973 17.6353
2.16195 22.4571
0.24348 15.8191
0.4348 16.8297
4.34982 31.6999
3.72729 29.137
0.91105 17.9504
3.88122 29.7899
ARCHIVO PULSE.MTW
Contiene el pulso de personas por sexo, si corren o no etc.
MAPA DE ARCHIVOS
CAMSHAFT RR_CRUZ GAGEAIAG RR_ANID GAGELIN
VITA_C HUMEDAD TILES MOTORES CATETERS
CLORO VISITAS_WEB TEJIDO BANCO PINTADO_HORNO
ARCHIVO VITA_C.MTW
Contiene datos de muestras de 5 comprimidos tomados cada 15 minutos durante un periodo de 10 horas
estos datos se muestran en la columna de Pesos
Peso
3.254
3.224
3.272 ARCHIVO CRANKSH.MTW
3.227
3.249 Representa los movimientos hacia arriba y hacia abajo
3.226 de una línea de referencia por una flecha
3.208
3.201
3.254 AtoBDist Month Day
3.231 -0.44025 9 28
3.25 5.90038 9 28
3.236 2.08965 9 28
3.244 0.09998 9 28
3.275 2.01594 9 28
3.194 4.83012 9 29
3.225 3.78732 9 29
3.253 4.99821 9 29
3.203 6.91169 9 29
3.261 1.93847 9 29
3.261 -3.09907 9 30
3.252 -3.18827 9 30
3.245 5.28978 9 30
3.23 0.56182 9 30
3.263 -3.1896 9 30
3.221 7.93177 10 4
3.228 3.72692 10 4
3.206 3.83152 10 4
3.236 -2.17454 10 4
3.241 2.81598 10 4
3.257 4.52023 10 5
3.221 3.95372 10 5
3.223 7.99326 10 5
3.199 4.98677 10 5
3.253 -2.03427 10 5
3.226 3.89134 10 6
3.186 1.99825 10 6
3.213 0.01028 10 6
3.246 -0.24542 10 6
3.216 2.08175 10 6
3.221 -4.86937 10 7
3.243 -2.69206 10 7
3.218 -3.02947 10 7
3.235 2.99932 10 7
3.234 3.50123 10 7
3.236 -1.99506 10 8
3.187 -1.62939 10 8
3.198 2.14395 10 8
3.209 -1.90688 10 8
3.232 8.02322 10 8
3.213 4.75466 10 11
3.253 1.1424 10 11
3.282 0.9379 10 11
3.228 -7.30286 10 11
3.211 -5.22516 10 11
3.234 -4.06527 10 12
3.238 -1.91314 10 12
3.237 2.0459 10 12
3.258 4.93029 10 12
3.223 0.03095 10 12
3.22 -2.80363 10 13
3.196 -3.12681 10 13
3.207 -4.57793 10 13
3.235 -3.17924 10 13
3.233 -2.44537 10 13
3.254 1.36225 10 14
3.23 0.92825 10 14
3.262 -0.24151 10 14
3.194 -0.83762 10 14
3.193 -1.99674 10 14
3.186 4.90024 10 15
3.217 1.28079 10 15
3.263 2.87917 10 15
3.217 1.83867 10 15
3.228 -0.75614 10 15
3.214 3.72977 10 18
3.236 3.77141 10 18
3.218 -4.04994 10 18
3.22 3.89824 10 18
3.229 1.76868 10 18
3.23 2.2731 10 18
3.208 -3.82297 10 18
3.232 -2.26821 10 18
3.253 -2.07973 10 18
3.243 0.01739 10 18
3.271 3.71309 10 19
3.216 1.72573 10 19
3.214 3.07264 10 19
3.237 0.15676 10 19
3.215 -0.05666 10 19
3.229 3.81341 10 19
3.238 -3.78952 10 19
3.234 -3.81635 10 19
3.246 -4.8882 10 19
3.251 -3.24534 10 19
3.262 -0.27272 10 20
3.225 -4.33095 10 20
3.236 -1.83547 10 20
3.207 -3.98876 10 20
3.231 -4.97431 10 20
3.249 -5.1405 10 20
3.223 -0.10379 10 20
3.229 2.21033 10 20
3.22 5.13041 10 20
3.224 -1.89455 10 20
3.218 0.95119 10 21
3.188 -5.15414 10 21
3.232 4.82794 10 21
3.23 0.13001 10 21
3.194 -0.09911 10 21
3.135 -1.15453 10 21
3.224 2.29868 10 21
3.205 5.15847 10 21
3.154 0.08558 10 21
3.224 -3.09574 10 21
3.19 5.16744 10 22
3.242 0.29748 10 22
3.245 -4.66858 10 22
3.209 -2.13787 10 22
3.25 -0.0045 10 22
3.232 0.18096 10 22
3.244 4.30247 10 22
3.25 -2.21708 10 22
3.224 7.17603 10 22
3.268 5.86525 10 22
3.26 0.95699 10 25
3.268 -4.03441 10 25
3.242 -2.05086 10 25
3.269 -3.10319 10 25
3.251 -1.83001 10 25
3.291 5.03945 10 25
3.282 1.96583 10 25
3.263 -0.21026 10 25
3.243 0.27517 10 25
3.258 -5.32797 10 25
3.233
3.28
3.272
3.214
3.275
3.264
3.271
3.277
3.284
3.273
3.298
3.273
3.272
3.3
3.242
3.268
3.283
3.268
3.255
3.274
3.293
3.257
3.254
3.249
3.248
3.223
3.276
3.277
3.249
3.268
3.276
3.25
3.26
3.281
3.301
3.262
3.239
3.256
3.275
3.249
3.302
3.283
3.296
3.253
3.251
3.26
3.295
3.261
3.258
3.252
3.262
3.288
3.311
3.293
3.297
3.254
3.286
3.267
3.262
3.216
3.255
3.241
3.279
3.304
3.268
3.2501
ARCHIVO CLORO.MTW
En una industria química se toma una muestra cada 15 minutos y se mide
el pH y la concentración de cloro de la solución, los datos se muestran a continuación:
Fecha Hora pH Cl
11/4/2002 6:15 9.4 22
11/4/2002 6:30 9.5 21
11/4/2002 6:45 10.7 21
11/4/2002 7:00 8 20
11/4/2002 7:15 9.5 18
11/4/2002 7:30 8.5 20
11/4/2002 7:45 9.2 21
11/4/2002 8:00 7.2 22
11/4/2002 8:15 8.4 21
11/4/2002 8:30 8.2 19
11/4/2002 8:45 8.3 20
11/4/2002 9:00 9.1 20
11/4/2002 9:15 10.8 19
11/4/2002 9:30 8.9 21
11/4/2002 9:45 8.4 20
11/4/2002 10:00 10 20
11/4/2002 10:15 8.2 19
11/4/2002 10:30 9 19
11/4/2002 10:45 8.3 20
11/4/2002 11:00 8.6 21
11/4/2002 11:15 9.1 21
11/4/2002 11:30 8.7 21
11/4/2002 11:45 7.7 19
11/4/2002 12:00 8.5 19
11/4/2002 12:15 10.4 19
11/4/2002 12:30 8.9 20
11/4/2002 12:45 8.8 21
11/4/2002 13:00 8.4 18
11/4/2002 13:15 7.1 20
11/4/2002 13:30 8.3 20
11/4/2002 13:45 9.3 20
11/4/2002 14:00 7.7 19
11/5/2002 6:15 10.2 21
11/5/2002 6:30 8.9 20
11/5/2002 6:45 8.6 19
11/5/2002 7:00 9.9 21
11/5/2002 7:15 9.8 19
11/5/2002 7:30 8.1 20
11/5/2002 7:45 9.4 19
11/5/2002 8:00 8.9 21
11/5/2002 8:15 8.4 19
11/5/2002 8:30 8.6 18
11/5/2002 8:45 8.8 20
11/5/2002 9:00 7.7 20
11/5/2002 9:15 8.6 20
11/5/2002 9:30 9.9 20
11/5/2002 9:45 9.2 21
11/5/2002 10:00 8.2 19
11/5/2002 10:15 9.6 18
11/5/2002 10:30 10.4 20
11/5/2002 10:45 8.6 20
11/5/2002 11:00 11 20
11/5/2002 11:15 8.8 18
11/5/2002 11:30 9.7 21
11/5/2002 11:45 7.1 20
11/5/2002 12:00 9 19
11/5/2002 12:15 9.5 18
11/5/2002 12:30 10 19
11/5/2002 12:45 10 19
11/5/2002 13:00 9.5 21
11/5/2002 13:15 10 21
11/5/2002 13:30 7.4 19
11/5/2002 13:45 10.3 19
11/5/2002 14:00 8.8 19
11/6/2002 6:15 9.8 21
11/6/2002 6:30 8 19
11/6/2002 6:45 10.9 20
11/6/2002 7:00 8.3 21
11/6/2002 7:15 9.4 19
11/6/2002 7:30 9.4 20
11/6/2002 7:45 9.2 22
11/6/2002 8:00 9.9 20
11/6/2002 8:15 8.6 19
11/6/2002 8:30 6.8 19
11/6/2002 8:45 10 20
11/6/2002 9:00 8.4 20
11/6/2002 9:15 9.5 19
11/6/2002 9:30 9.3 21
11/6/2002 9:45 8 20
11/6/2002 10:00 8.5 18
11/6/2002 10:15 9.4 21
11/6/2002 10:30 9.3 20
11/6/2002 10:45 7.7 19
11/6/2002 11:00 10.7 19
11/6/2002 11:15 8.9 21
11/6/2002 11:30 9.2 21
11/6/2002 11:45 9.3 21
11/6/2002 12:00 9 20
11/6/2002 12:15 9.3 20
11/6/2002 12:30 9.6 20
11/6/2002 12:45 7.4 18
11/6/2002 13:00 9.5 18
11/6/2002 13:15 8.6 20
11/6/2002 13:30 10 20
11/6/2002 13:45 7.2 20
11/6/2002 14:00 8.3 20
11/7/2002 6:15 8.2 20
11/7/2002 6:30 9 21
11/7/2002 6:45 9.6 21
11/7/2002 7:00 7.9 21
11/7/2002 7:15 8.9 20
11/7/2002 7:30 10.8 20
11/7/2002 7:45 9 21
11/7/2002 8:00 8.5 20
11/7/2002 8:15 8.8 20
11/7/2002 8:30 9.3 22
11/7/2002 8:45 9.7 21
11/7/2002 9:00 7.4 19
11/7/2002 9:15 7.6 19
11/7/2002 9:30 8.2 20
11/7/2002 9:45 9.4 21
11/7/2002 10:00 9.7 20
11/7/2002 10:15 8.1 19
11/7/2002 10:30 9.6 20
11/7/2002 10:45 11.5 20
11/7/2002 11:00 9.8 20
11/7/2002 11:15 9 19
11/7/2002 11:30 10.6 20
11/7/2002 11:45 9.1 20
11/7/2002 12:00 9.6 21
11/7/2002 12:15 10 21
11/7/2002 12:30 8.1 20
11/7/2002 12:45 9.4 20
11/7/2002 13:00 8.7 20
11/7/2002 13:15 9.1 20
11/7/2002 13:30 8.8 21
11/7/2002 13:45 10.7 22
11/7/2002 14:00 9.2 19
11/8/2002 6:15 10.2 19
11/8/2002 6:30 8.9 21
11/8/2002 6:45 9.7 21
11/8/2002 7:00 10.3 22
11/8/2002 7:15 6.6 19
11/8/2002 7:30 9.9 21
11/8/2002 7:45 6.1 21
11/8/2002 8:00 8.7 20
11/8/2002 8:15 8.9 20
11/8/2002 8:30 8.2 20
11/8/2002 8:45 8.9 20
11/8/2002 9:00 9.4 19
11/8/2002 9:15 8.1 21
11/8/2002 9:30 9.1 19
11/8/2002 9:45 8.4 20
11/8/2002 10:00 10 21
11/8/2002 10:15 9.5 20
11/8/2002 10:30 9.7 18
11/8/2002 10:45 9.4 22
11/8/2002 11:00 8.8 20
11/8/2002 11:15 9.6 19
11/8/2002 11:30 9.8 20
11/8/2002 11:45 7.7 21
11/8/2002 12:00 9.8 18
11/8/2002 12:15 13.1 25
11/8/2002 12:30 9.8 19
11/8/2002 12:45 9.9 20
11/8/2002 13:00 8.4 22
11/8/2002 13:15 9.2 22
11/8/2002 13:30 9.8 20
11/8/2002 13:45 7.3 19
11/8/2002 14:00 8.9 20
RR_CRUZ.MTW ARCHIVO GAGEAIAG.MTW
2.21877897
13.3126738
metros cuadrados En cada agencia se hizo una entrevista a Defectos encontrados en 40 piezas
50 clientes, registrando los descontentos. consecutivas procesadas en un horno
Agencia Descontentos Pieza Num. defectos
12 10 1 1
25 12 2 3
58 9 3 3
64 14 4 1
80 13 5 5
112 34 6 2
119 9 7 3
127 7 8 1
134 12 9 2
151 11 10 3
192 6 11 4
209 16 12 5
212 29 13 2
216 9 14 2
247 8 15 4
263 8 16 6
281 18 17 2
342 10 18 3
383 13 19 3
408 8 20 5
426 8 21 6
451 7 22 3
506 6 23 3
584 11 24 3
592 6 25 4
616 10 26 5
623 10 27 4
635 1 28 4
644 10 29 3
671 8 30 3
31 2
32 3
33 4
34 3
35 0
36 3
37 4
38 3
39 4
40 2
Ejemplo: El archivo CATETER.MTW contiene datos de cateters defectuosos encontrados
al inspeccionar muestras de 100 piezas cada hora observando la calidad de la soldadura.
ARCHIVOS DE DATOS DEL MÓDULO 6
ARCHIVO ROTOR
Preguntas:
a) ¿En que línea se producen más defectos? Calc > Column statistics > Sum
b) Una vez identificada la suma de defectos por línea Stat > Quality tools > Pareto Chart
identificar donde se producen más defectos
c) Ahora identificar los defectos más relevantes de Stat > Quality tools > Pareto Chart
la línea que más problemas tiene
d) Cambiar la clave defectos a su nombre Data > Code > Numeric to text
correspondiente
Ejercicios:
a) Realizar un diagrama de causa efecto agregando Stat > Quality Tools > Cause and effect
una subrama en personal y Máquina
b) Obtener gráficas bivariantes para ver si el P, Pb Graph > Scatterplot: Simple > Y:C7, X:C8
o turno tienen influencia sobre las roturas. Graph > Scatterplot: Simple > Y:C7, X:C9
Graph > Scatterplot: Simple > Y:C7, X:C10
c) Como las dos variables son discretas aparecen como
puntos, para ver la densidad alrededor de cada punto
seleccionar los puntos con doble click y Seleccionar Jitter y la opción Add Jitter to direction
d) Observar si el comportamiento ha sido estable Graph > Time Series Plot: Simple
Series C7
Ejercicios:
c) Agregar las tolerancias en 200 y 220, Editor > Annotation > Graph annotation tools
seleccionando la gráfica y con: Seleccionar el botón de línea y colocarlas en la gráfica
Con Attributes custom se puede cambiar a línea punte
d) Agrupar las columnas de la máquina 1 Data > Stack > Columns C3-C6 Máquina1
e) Agrupar las columnas de la máquina 2 Data > Stack > Columns C7-C10 Máquina2
f) Hacer histogramas similares al realizado con Seleccionar con un click el histograma de la variable
la columna de total Editor > Make Similar Graph
Indicar la columna Máquina1 y en otro Máquina2
Ejercicios:
a) Apilar todas las columnas agregando una columna Data > Stack > Columns
de índices Stack the following columns lunes-viernes
Column of current worksheet semana
Store subscripts in Dia
seleccionar Use variable names in subscript column
b) Hacer un diagrama de datos de la semana Graph > Time Series Plot: Simple
ver si el proceso es estable Series semana
h annotation tools
a y colocarlas en la gráfica
puede cambiar a línea punteada
3-C6 Máquina1
7-C10 Máquina2
1 y en otro Máquina2
as a la semana:
ns lunes-viernes
Dia
With Groups
rouping Dia
APLICACIONES MÓDULO 6. ESTADÍSTICA DESCRIPTIVA
4. HISTOGRAMAS
En Minitab
> Graph > Histogram
Seleccionar en Graph 1 = Columna de datos (n = número de datos)
Seleccionar en Options = Number of intervals = 5 a 7 o aprox. Raiz (n)
OK OK
5. DIAGRAMA DE TALLO Y HOJAS
En Minitab
> Stat > EDA > Stem and Leaf
Seleccionar en Graph 1 = Columna de datos
Seleccionar en Increment = Valor del paso de cambio
OK en este caso 20
6. DIAGRAMA DE CAJA
En Minitab
> Stat > EDA > Box Plot
Seleccionar en Graph 1 = Columna de datos
OK
RIPTIVA
10.3 895
12.7 905
8
8.4 885
9.1 890
17.3 4 9 14
930
Observation
11.5 915
8.7 Number of runs about median:
Expected number of runs:
8.00000
8.00000
Number of runs up or down:
Expected number of runs:
7.00000
9.00000 910
Longest run about median: 3.00000 Longest run up or down: 4.00000
9.8 Approx P-Value for Clustering:
Approx P-Value for Mixtures:
0.50000
0.50000
Approx P-Value for Trends:
Approx P-Value for Oscillation:
0.08712
0.91288
920
Frec. 915
14 Ejemplo de Diagrama de Pareto 925
15 300
100 860
34 80 905
12 200
Percent
60
925
Count
40
76 100
20
925
54 0 0 905
Def ect
915
Count 98 76 54 45 46
Percent 30.7 23.8 16.9 14.1 14.4
C um % 30.7 54.5 71.5 85.6 100.0 930
890
940
Ejemplo de Diagrama de Ishikawa
860
Mediciones Materiales Personal 875
Micrometro Aleaciones Turnos
985
Microscopio Lubricantes Supervisión
970
Inspectores Proveedores Capacitación 940
Operadores
975
Rec hazos de c al idad
1000
Velocidad
1035
Frenado Tornos
1020
Condensación Enganche Fracturas
Condensación 985
% Humedad Angulo Enchufes
20
1035
10
Percent
20
10
Stem-and-leaf of Weight N = 45
Leaf Unit = 10
4 8 6667
8 8 8999
17 9 000001111
(8) 9 22222333
20 9 444455
14 9 667777
8 9 888
5 10 0
4 10 233
1 10 4
1050
Valor mínimo
Weight
Mediana
1er. Cuartil
Ejercicios:
a) Verificar si la fuerza ejercida por los electrodos Stat > Time Series Plot: Simple
se ha mantenido estable
c) Crear una columna adicional de 50 unos y 50 dos Calc > Make Patterned Data > Simple Se
1 2 1 50 1
d) Probar si hay diferencia en las medias entre los Stat > Basic Statistics > 2 -Sample t
primeros 50 datos y los últimos 50 de carga (kg) Samples in a column
Samples 'Carga rot. (kg)' Subscripts
Graphs seleccionar Individual value Plot
e) ¿Puede decirse que los amperímetros Bosch y Stat > Basic Statistics > Paired t
Miyashi miden de manera diferente la corriente? Samples in different columns
First Sample Int._Bosch
Second Sample Int._Miy
ARCHIVO PIEZA_U.MTW
Una pieza en U tiene una dimensión crítica X. Las piezas se someten Ejercicios
a un tratamiento térmico y se desea saber si se afectan sus dimensiones
antes y después. El valor nominal de X es de 12 + - 0.1 mm. a) Hacer una columna de dife
Colocación en horno
Pieza Antes Despues Bandeja
1 12.01 12.02 1
2 12.02 12.06 1 b) Hacer una comparación d
3 12.01 12.02 1
4 11.99 11.98 1
5 11.99 12.02 1
6 12 12.05 1 c) Con un análisis ANOVA pr
7 11.99 12.01 1
8 12.01 12.01 1
9 11.99 12 1
10 11.99 12.05 1
11 12.01 12 1
12 12.02 12.05 1
13 12.03 12.02 1
14 12 12.05 1
15 11.97 11.96 1
16 12 12.01 1
17 11.96 11.98 1
18 12 12 1
19 11.99 12.03 1
20 12.05 12.11 1
21 12.03 12.04 2
22 11.98 12.04 2
23 11.96 11.97 2
24 11.98 11.98 2
25 12.05 12.12 2
26 12.02 12.01 2
27 11.99 12.04 2
28 12.03 12.01 2
29 12.01 12 2
30 12 12.04 2
31 12.06 12.09 2
32 12.01 12.01 2
33 12.01 12.03 2
34 12 12.02 2
35 11.97 11.96 2
36 12.01 12.05 2
37 12.03 12.06 2
38 11.96 12.05 2
39 11.97 11.96 2
40 11.96 11.98 2
41 11.96 11.96 3
42 11.98 12.03 3
43 12.03 12.1 3
44 12 12.06 3
45 11.94 11.97 3
46 11.96 11.97 3
47 11.99 12.05 3
48 12.03 12.04 3
49 11.98 11.97 3
50 12.04 12.07 3
51 12.01 12.07 3
52 11.99 12.03 3
53 11.97 11.97 3
54 12 12.03 3
55 12.02 12.05 3
56 12.01 11.98 3
57 12 12.07 3
58 12 11.98 3
59 12 12.09 3
60 11.99 12.07 3
61 11.97 11.97 4
62 11.98 12 4
63 12 12.07 4
64 11.95 12.02 4
65 12 11.98 4
66 12 11.98 4
67 11.99 11.99 4
68 12.03 12.08 4
69 11.99 12.01 4
70 12.03 12.06 4
71 12.03 12.1 4
72 12.01 12.06 4
73 12.03 12.01 4
74 11.99 12.04 4
75 11.98 12.04 4
76 11.95 12.02 4
77 12.05 12.09 4
78 11.99 12 4
79 12.01 12.05 4
80 12 12.04 4
81 12.03 12.1 5
82 11.97 12.05 5
83 11.98 12.04 5
84 11.97 12.02 5
85 11.99 12.04 5
86 12.02 12.03 5
87 11.98 12.06 5
88 12 12.06 5
89 12.02 12.08 5
90 12 12.08 5
91 11.94 12.02 5
92 11.97 12 5
93 12 12.08 5
94 12 12.08 5
95 11.95 12.04 5
96 11.98 12.03 5
97 11.99 12.07 5
98 12 12.07 5
99 11.99 12.02 5
100 11.97 12.05 5
DATOS REMACHES.MTW
Ejercicios
a) ¿Cuál debe ser la media si se tolera un 2.5% de defectivo? Calc > Probability distributions > Norma
Cummulative probability
b) Cierto montaje con 20 remaches exige que al menos 15 tengan Mean 2540 Std. Dev. 20 input constant 25
su resistencia por arriba del mínimo establecido. Si se fabrican con
una resistencia media de 2525 psi. ¿Cuál es la probabilidad de que el Calc > Probability Distributions > Binomial
montaje se comporte correctamente? Cummulative probability
Number of trials 20 Input constant 5
DATOS ALMENDRAS.MTW
Se decide lanzar al mercado una línea de productos Light Stat > Basic statistics > 2-Sample t
A un 95% de nivel de confianza se puede decir que la nueva Smaples in different columns
Variedad tiene menos grasa: First Actual
Actual Nueva Second Nueva
27 26.8 Options: Alternate Greater than
26.9 27
27.3 26.9
27.2 27.1
27.1 26.8 ARCHIVO FLECHA.MTW
3.5
ate Greater than
3
f(x) = 0.2176704498x + 1.1177077293
2.5 R² = 0.9572035263
2
1.5
LECHA.MTW
1
zas de plástico en forma de flecha en dos máquinas 0.5
B con 4 cavidades cada una (C5) 0
Resistencia a la tracción 1 2 3 4 5 6 7 8
Res Maq A Res Maq B Cavidad
39 39 1 PARA OBTENER EL MODELO GRÁFICO DE REGRESIÓN
40 40 2 En Minitab
41 41 3 > Stat > Regression > Fitted Line Plot
38 38 4 Seleccionar Response (Y) = Columna de las Y's
37 37 1 Seleccionar Predictor (X) = Columna de la X
38 38 2 Seleccionar Type of Regression model:
42 42 3 Linear; Quadratic; Cubic
40 40 4
42 42 1
37 37 2 >Stat >Regression > Regression
40 40 3 Response - Y Predictors - X
42 42 4 Options - Pred. Interval New Obs. 4.5 Conf. Level 95
35 39 1 / Conf. Limits /Prediction Limits
40 40 2 Results - In addition, full table of fits and residuals
43 41 3
41 38 4 Ver valores p para el coeficiente de X si es menor de 0.05 si existe
40 37 1 la pendiente y la regresión
38 38 2
42 42 3 Ver cuanto vale R (coeficiente de regresión) y R2 (coeficiente de deter
38 40 4 variación explicada de la regresión.
42 42 1
36 37 2 Ver el intervalo de confianza e intervalo de predicción para el valor X =
44 40 3
37 42 4
36 35 1
40 40 2
43 43 3 >Stat >Regression > Fitted line plot
39 41 4 Response (Y) - Consumo E. Predictor (X) - Ajustes
40 40 1 Model - Cuadratic Options - Display Conf., Pred. Band
39 38 2
39 42 3
38 38 4 REGRESIÓN CUADRÁTICA
42 42 1
41 36 2 X Y
44 44 3 Ajustes de Consumo
39 37 4 máquinas de Energía
38 36 1 11.15 21.6
35 40 2 15.7 4
43 43 3 18.9 1.8
39 39 4 19.4 1
40 40 1 21.4 1
40 39 2 21.7 0.8
41 39 3 25.3 3.8
40 38 4 26.4 7.4
40 42 1 26.7 4.3
42 41 2 29.1 36.2
43 44 3
36 39 4 Resultados:
41 38 1
37 35 2 Ver las bandas de confianza y de predicción
44 43 3 para un cierto valor de Xo y un nivel de confianza.
35 39 4
38 40 1
36 40 2
40 41 3
38 40 4
44 40 1
40 42 2
45 43 3
40 36 4
Decoloracion
Decoloracion
Decoloracion
Decoloracion
Decoloracion
Decoloracion
Decoloracion
Decoloracion
Decoloracion
Decoloracion
Decoloracion
Decoloracion
Decoloracion
Decoloracion
Decoloracion
Decoloracion
Regression Analysis: Y versus X
X Y The regression equation is
4.1 2.1 Y = 1.12 + 0.218 X
2.2 1.5
2.7 1.7 Predictor Coef SE Coef T P
6 2.5 Constant 1.1177 0.1093 10.23 0.000
8.5 3 X 0.21767 0.01740 12.51 0.000
4.1 2.1
9 3.2 S = 0.1274 R-Sq = 95.7% R-Sq(adj) = 95.1%
8 2.8
7.5 2.5 Analysis of Variance
Source DF SS MS F P
Regression 1 2.5419 2.5419 156.56 0.000
de la gráfica Residual Error 7 0.1136 0.0162
ar Línea de Tendencia Total 8 2.6556
Unusual Observations
ostrar Ecuación en carta Obs X Y Fit SE Fit Residual St Resid
9 7.50 2.5000 2.7502 0.0519 -0.2502 -2.15R
R denotes an observation with a large standardized residual
plo
Regression Plot
Y = 1.11771 + 0.217670 X
3.0
2.5
Y
6 7 8 9 10 2.0
DE REGRESIÓN
1.5
2 3 4 5 6 7 8 9
Resultados:
Y = 1.12+0.18 X
onf. Level 95
REGRESIÓN MÚLTIPLE
menor de 0.05 si existe
X1 X2 X3 Y
Este Sur Norte Temp. De Flux
n) y R2 (coeficiente de determinación) 33.53 40.55 16.66 271.8
36.5 36.19 16.46 264
34.66 37.31 17.66 238.8
predicción para el valor X = 8.2 33.13 32.52 17.5 230.7
35.75 33.71 16.4 251.6
34.46 34.14 16.28 257.9
34.6 34.85 16.06 263.9
35.38 35.89 15.93 266.5
35.85 33.53 16.6 229.1
tor (X) - Ajustes 35.68 33.79 16.41 239.3
splay Conf., Pred. Bands 35.35 34.72 16.17 258
al 95% 35.04 35.22 15.92 257.6
34.07 36.5 16.04 267.3
32.2 37.6 16.19 267
34.32 37.89 16.62 259.6
31.08 37.71 17.37 240.4
35.73 37 18.12 227.2
34.11 36.76 18.53 196
34.79 34.62 15.54 278.7
35.77 35.4 15.7 272.3
36.44 35.96 16.45 267.4
37.82 36.26 17.62 254.5
35.07 36.34 18.12 224.7
35.26 35.9 19.05 181.5
35.56 31.84 16.51 227.5
35.73 33.16 16.02 253.6
36.46 33.83 15.89 263
36.26 34.89 15.83 265.8
37.2 36.27 16.71 263.8
esidual St Resid
ndardized residual
mp. De Flux
APLICACIONES DEL MÓDULO 5
ARCHIVO COLCHONES.MTW
DATOS DE LA PRIMERA SEMANA DATOS DE LA SEGUNDA SEMANA
LONG1 HORA1 DIA1 LONG2 HORA2 DIA2
14.74 7 1 14.21 7 6
14.32 7 1 14.12 7 6
14.58 7 1 13.91 7 6
14.96 7 1 14.17 7 6
13.76 10 1 13.94 10 6
14.18 10 1 14.04 10 6
14.08 10 1 13.74 10 6
13.85 10 1 14.33 10 6
13.77 13 1 13.97 13 6
13.79 13 1 14.17 13 6
13.78 13 1 13.83 13 6
14.32 13 1 14.34 13 6
13.77 16 1 13.67 16 6
13.64 16 1 13.92 16 6
14.22 16 1 14.15 16 6
13.81 16 1 13.94 16 6
14.11 19 1 13.77 19 6
14.06 19 1 14.15 19 6
13.87 19 1 14.25 19 6
13.8 19 1 14.03 19 6
14.01 22 1 14.19 22 6
14.42 22 1 13.71 22 6
14.16 22 1 13.99 22 6
13.84 22 1 14.23 22 6
14.99 7 2 14.17 7 7
14.45 7 2 14 7 7
14.55 7 2 14.17 7 7
14.65 7 2 13.83 7 7
14.45 10 2 13.71 10 7
13.84 10 2 13.97 10 7
13.12 10 2 14.03 10 7
13.98 10 2 14.14 10 7
13.95 13 2 14.17 13 7
14.56 13 2 13.86 13 7
13.93 13 2 14.06 13 7
13 13 2 14.33 13 7
13.95 16 2 14.24 16 7
14.11 16 2 13.87 16 7
14.08 16 2 13.97 16 7
14 16 2 14.27 16 7
13.93 19 2 14.25 19 7
13.93 19 2 13.98 19 7
14.22 19 2 13.84 19 7
13.96 19 2 14.12 19 7
13.75 22 2 13.78 22 7
14.19 22 2 14.07 22 7
14 22 2 14.2 22 7
14.06 22 2 14.17 22 7
13.98 7 3 13.94 7 8
14.76 7 3 13.65 7 8
14.87 7 3 14.22 7 8
14.58 7 3 13.81 7 8
14.3 10 3 14.2 10 8
13.92 10 3 14.7 10 8
13.86 10 3 14.29 10 8
14.05 10 3 14.5 10 8
13.86 13 3 13.99 13 8
13.92 13 3 14.14 13 8
14.26 13 3 13.65 13 8
14.01 13 3 13.73 13 8
14.06 16 3 13.97 16 8
13.94 16 3 14.09 16 8
14.01 16 3 13.68 16 8
13.92 16 3 14.12 16 8
14.05 19 3 13.81 19 8
13.73 19 3 13.96 19 8
13.91 19 3 14.09 19 8
13.97 19 3 14 19 8
14.01 22 3 14.05 22 8
13.71 22 3 13.49 22 8
13.89 22 3 13.92 22 8
13.52 22 3 13.92 22 8
14.89 7 4 13.93 7 9
14.57 7 4 14.13 7 9
14.61 7 4 14.08 7 9
14.57 7 4 13.87 7 9
14.08 10 4 13.93 10 9
14.12 10 4 13.74 10 9
14.13 10 4 13.98 10 9
14.38 10 4 13.87 10 9
13.95 13 4 14.58 13 9
13.28 13 4 13.69 13 9
13.49 13 4 14.14 13 9
14.1 13 4 14.2 13 9
14.16 16 4 13.97 16 9
13.99 16 4 14.3 16 9
14.15 16 4 14.53 16 9
13.99 16 4 13.95 16 9
14.05 19 4 13.75 19 9
14.05 19 4 14.37 19 9
13.82 19 4 13.74 19 9
13.93 19 4 13.57 19 9
14.06 22 4 14.21 22 9
14.01 22 4 14.13 22 9
14.04 22 4 14.13 22 9
14.52 22 4 14.28 22 9
14.9 7 5 13.74 7 10
14.96 7 5 14.12 7 10
15.65 7 5 13.98 7 10
13.81 7 5 14.04 7 10
14.76 10 5 14.2 10 10
14.88 10 5 13.88 10 10
14.34 10 5 14.37 10 10
14.76 10 5 14.02 10 10
13.24 13 5 13.84 13 10
14.2 13 5 13.97 13 10
14.81 13 5 14.02 13 10
14.67 13 5 14.29 13 10
13.62 16 5 13.81 16 10
14.39 16 5 13.77 16 10
14.37 16 5 13.95 16 10
14.81 16 5 14.03 16 10
14.36 19 5 14.21 19 10
13.99 19 5 13.88 19 10
14.51 19 5 14.29 19 10
14.27 19 5 14.05 19 10
14.92 22 5 13.89 22 10
14.87 22 5 14.21 22 10
15.34 22 5 14.01 22 10
13.53 22 5 14.25 22 10
b) Dividir la carta en días para una mejor apreciación Stat > Control Charts > Variable Charts for subgroup
X bar - R Options: Stages: Define stages
c) Recalcular límites de control eliminando los Stat > Control Charts > Variable Charts for subgroup
puntos de las 7:00 AM que son los arranques X bar - R Options: Estimate: Omit the following subg
de la producción donde hay problemas
d) A pesar de que el proceso no está en control Stat > Quality Tools > Capability Analysis > Normal
hacer una determinación de la capacidad del proceso
preliminar y sacar conclusiones
UNA VEZ CORREGIDOS LOS PROBLEMAS PRESENTADOS SE TOMAN NUEVOS DATOS EN LA SEGUNDA
a) Construir una carta X Media - R Stat > Control Charts > Variable Charts for subgroup
b) Recalcular límites de control eliminando el Stat > Control Charts > Variable Charts for subgroup
punto fuera de control 14 X bar - R Options: Estimate: Omit the following subg
c) Hacer una determinación de la capacidad Stat > Quality Tools > Capability Sixpack > Normal
del proceso y concluir X bar - R Options: Display: Display last
d) Hace un análisis más detallado de capacidad Stat > Quality Tools > Capability Analysis > Normal
ARCHIVO PLASTICO_1.MTW
Se producen piezas de plástico con especificaciones de 462 ± 0.5 mm. Se decide controlar esta característica
con una carta de control X-R. Cada hora se toma una muestra de 4 piezas consecutivas, se trabaja de
7:00 a 15:00 Hrs, la primera muestra se toma a las 8AM.
Hora Longitud
8:00 452.04 a) Realizar una carta X - R y sacar conclusiones
8:00 451.97
8:00 451.94 Stat > Control Charts > Variable Charts for subgroups > X bar - R
8:00 452.02 All observations are in one column: Lomgitud, Subgroup sizes 4
9:00 451.91
9:00 451.98
9:00 452.22
9:00 451.9 a) Agregar la media y el rango de cada subgrupo
10:00 452.22
10:00 452.04 Calc > Make Patterned data > Simple Set of Numbers
10:00 451.97 Store patterned data in Dia
10:00 452 First value 1 To last value 5 In steps of 1 List each value 32 List whole
11:00 451.94
11:00 452.01 Stat > Basic statistics > Store descriptive statistics
11:00 451.99 Variables Longitud By Variables Dia Hora
11:00 452.08 Statistics Mean Range
12:00 452.16
12:00 452.12 Copiar las columnas C6 y C7 de PLASTICO_1 a PLASTICO_2
12:00 451.99 de Mean1 y Rango1
12:00 451.77
13:00 452 c) Analizar si existe relación entre las variables del proceso y entre
13:00 452.04 la media y el rango
13:00 452.06
13:00 452 Graph > Matrix Plot: Each Y versus each X: Simple
14:00 452.12 Y variables Mean1 Range1
14:00 452.18 X variables Presión Viscocidad Temperatura
14:00 452.02
14:00 452.03 d) Analizar con más detalle Mean1 vs temperatura
15:00 451.97 Range1 vs Presión
15:00 451.94
15:00 451.93 Graph > Scatterplot: Simple
15:00 451.88
8:00 452.15 e) Hacer una columna con datos que hacen el proceso estable
8:00 452.26 Temperatura entre 119 y 121
8:00 452.36 Presión mayor a los 818 Kg/cm2
8:00 452.29
9:00 452.13 Calc > Calculator
9:00 452.37 Store result in C8
9:00 452.19 Expression:
9:00 452.24 ('Temperatura' < 121) and (´Temperatura' > 119) and
10:00 452.28 ('Presión' > 810)
10:00 452.15
10:00 452.38 Print C8
10:00 452.24 Copiar los valores mostrados en la pantalla de sesión
11:00 452.22
11:00 452.19 En la hoja PLASTICO_1.MTW usamos:
11:00 452.31
11:00 452.09 Calc > Make Patterned Data > Arbitrary Set of Numbers
12:00 452.32 Store patterned data in C8
12:00 452.22 Pegar los valores copiados anteriomente
12:00 452.29
12:00 452.34 Copiar los valores de la longitud que en esta nueva columna tienen 1
13:00 451.93
13:00 451.95 Copy > Columns to columns, Condición C8 = 1
13:00 452.14
13:00 452.03 f) Hacer un estudio de capacidad en PLASTICO_1
14:00 451.95
14:00 452.02 Stat > Quality Tools > Capability Sixpack > Normal
14:00 451.89
14:00 451.85
15:00 452.08
15:00 451.96
15:00 452
15:00 451.96
8:00 452.02
8:00 451.82
8:00 452.23
8:00 451.96
9:00 451.94
9:00 451.81
9:00 451.89
9:00 452.08
10:00 452.07
10:00 451.94
10:00 451.96
10:00 452.12
11:00 452.21
11:00 452.15
11:00 451.96
11:00 451.84
12:00 452.01
12:00 452.04
12:00 451.99
12:00 452.1
13:00 451.98
13:00 452.18
13:00 451.94
13:00 451.97
14:00 452.18
14:00 452.02
14:00 451.86
14:00 451.9
15:00 451.87
15:00 452.05
15:00 451.87
15:00 451.97
8:00 451.88
8:00 451.95
8:00 451.9
8:00 451.84
9:00 451.86
9:00 451.84
9:00 451.82
9:00 451.91
10:00 451.87
10:00 451.78
10:00 451.85
10:00 451.98
11:00 451.9
11:00 451.87
11:00 451.71
11:00 451.7
12:00 452.15
12:00 452.14
12:00 451.9
12:00 451.96
13:00 451.92
13:00 451.92
13:00 451.99
13:00 451.91
14:00 451.98
14:00 451.85
14:00 452.03
14:00 452.19
15:00 451.91
15:00 451.79
15:00 452.01
15:00 451.9
8:00 451.97
8:00 452.07
8:00 452.24
8:00 452.44
9:00 452.29
9:00 452.36
9:00 451.95
9:00 451.82
10:00 452.01
10:00 452.07
10:00 452.14
10:00 452.02
11:00 452.08
11:00 451.91
11:00 451.96
11:00 452.01
12:00 451.85
12:00 451.85
12:00 451.99
12:00 451.79
13:00 451.98
13:00 451.71
13:00 451.82
13:00 451.84
14:00 451.91
14:00 451.99
14:00 452.05
14:00 451.88
15:00 451.85
15:00 451.83
15:00 451.84
15:00 451.85
Se hacen piezas con una dimensión crítica de 7.5 ± 0.1 mm, para med
de milésimas de milimetro. Se deben cumplir la norma de la variabilida
20% del intervalo de tolerancias.
ARCHIVO DIAMETRO_MEDIDA.MTW
a) Formar los datos para R&R, una sola columna para cada concepto:
Columna Mediciones
Columna Piezas
Columna Operario
ARCHIVO DIAMETRO_CAPACIDAD_1.MTW
a) ¿Se cumple el Cp > 1.33? Stat > Quality Tools > Capa
Opción: Data are arranged a
Especificaciones 7.4 a 7.6
ARCHIVO DIAMETRO_CAPACIDAD_2.MTW
50 valores
7.482 a) Está todo correcto?
7.491
7.536 Stat > Quality Tools > Capability Analysi
7.469 Opción: Data are arranged as - Single colu
7.52 Especificaciones 7.4 a 7.6
7.493
7.533 b) Analizar el comportamiento en carta de
7.514
7.483 Stat > Charts > Variable Charts for Indiv
7.485
7.522
7.53
7.49
7.521
7.535
7.499
7.484
7.503
7.498
7.49
7.464
7.54
7.494
7.558
7.516
7.512
7.469
7.505
7.487
7.496
7.458
7.506
7.478
7.479
7.486
7.503
7.516
7.493
7.509
7.53
7.484
7.513
7.533
7.494
7.508
7.503
7.476
7.506
iable Charts for subgroups > X bar - R 7.502
7.515
iable Charts for subgroups > X bar - R
Define stages DIA1
ARCHIVO PLASTICO_1.MTW
s en la pantalla de sesión
Set of Numbers
erarios miden 3 veces cada una en orden aleatorio sin ver sus datos anteriores.
ARCHIVO VISITAS_WEB.M
Describe el número de visitas
Mikel1 Mikel2 Mikel3 Pablo1 Pablo2 Pablo3 página Web durante octubre
7.473 7.472 7.463 7.471 7.468 7.464 indicando también la fecha y
7.487 7.477 7.476 7.479 7.473 7.473 Fecha
7.474 7.472 7.462 7.463 7.468 7.48 10/1/2002
7.484 7.467 7.471 7.471 7.475 7.483 10/2/2002
7.473 7.474 7.469 7.479 7.466 7.468 10/3/2002
7.487 7.454 7.462 7.479 7.472 7.473 10/4/2002
7.487 7.458 7.472 7.471 7.472 7.475 10/5/2002
7.463 7.456 7.468 7.455 7.453 7.462 10/6/2002
7.472 7.464 7.47 7.472 7.463 7.475 10/7/2002
7.471 7.472 7.447 7.456 7.462 7.467 10/8/2002
10/9/2002
olumna para cada concepto: 10/10/2002
10/11/2002
Data > Stack > Columns 10/12/2002
10/13/2002
Calc > Make Patterned Data > Text Values 10/14/2002
Carlos Mikel Pablo 10/15/2002
10/16/2002
Stat > Quality Tools > Gage Study > Gage Run Chart 10/17/2002
10/18/2002
10/19/2002
Stat > Quality Tools > Gage Study > Gage R&R Study (Crossed) 10/20/2002
Tolerancia del proceso = 0.2 Study variation = 5.15 10/21/2002
10/22/2002
10/23/2002
10/24/2002
10/25/2002
cliente que exige que el Cp sea de 1.33. Se fabrican 1920 piezas 10/26/2002
ora (32 muestras en total). 10/27/2002
10/28/2002
Valor 4 Valor 5 10/29/2002
7.503 7.493 10/30/2002
7.483 7.547 10/31/2002
7.503 7.526 11/1/2002
7.515 7.484 11/2/2002
7.518 7.47 11/3/2002
7.515 7.483 11/4/2002
7.526 7.502 11/5/2002
7.536 7.487 11/6/2002
7.544 7.53 11/7/2002
7.539 7.542 11/8/2002
7.501 7.512 11/9/2002
7.483 7.521 11/10/2002
7.517 7.504 11/11/2002
7.489 7.535 11/12/2002
7.533 7.546 11/13/2002
7.499 7.515 11/14/2002
7.505 7.509 11/15/2002
7.517 7.528 11/16/2002
7.558 7.516 11/17/2002
7.496 7.517 11/18/2002
7.5 7.512 11/19/2002
7.474 7.512 11/20/2002
7.531 7.489 11/21/2002
7.56 7.533 11/22/2002
7.545 7.515 11/23/2002
7.487 7.518 11/24/2002
7.541 7.513 11/25/2002
7.557 7.539 11/26/2002
7.53 7.551 11/27/2002
7.535 7.553 11/28/2002
7.528 7.541 11/29/2002
7.538 7.547 11/30/2002
ca la capacidad del proceso, los datos para un cierto día c) Hacer estudio de capacida
sacar conclusiones
) Hacer un análisis exploratorio de datos Stat > Time Series > Time series plot
) Eliminar los puntos 10 y de fines de semana Data > Copy > Columns to columns
Subset the data Rows that match "Dia semana" = "S" or "Dia semana"="D" or Fecha
Substituir valores fuera de control de anuncios por *
) Hacer estudio de capacidad por Poisson Stat > Quality Tools > Capability Analysis > Poisson
acar conclusiones
CARTAS DE CONTROL
Proveedor 1
598 599.4 598.8 599
599.8 599.4 598.8 599.8
600 600 599.8 600.8
599.8 598.8 599.2 598.8
600 599.2 599.4 598.2
600 599.4 600 600
598.8 599.6 600.2 599.2
598.2 599 600.2 599.8
599.4 599.2 599.6 601.2
599.6 600.6 599 600.4
D n
Defectivos Muestras
20 98
18 104
14 97
16 99
13 97
20 102
21 104
14 101
6 55
6 48
Promedio = 72
Defectos
2 4 3 4
4 3 2 2
1 5 4 3
1 2 3 6
4 1 2 4
5 1 3 0
2 2 5 1
1 3 1 2
2 2 4 3
4 4 3 1
600.5
UCL=600.3
Sample Mean
Opcional 599.5 Mean=599.5
LCL=598.8
grupo (5 comun)
3 UCL=2.876
dicar las Columnas de datos
Sample Range
2
R=1.36
1
0 LCL=0
601.5 1 1
UCL=601.2
Indiv idual Value
600.5
598.5
LCL=597.9
597.5 1
Subgroup 0 50 100
3
1
Mov ing Range
1
2 UCL=2.000
1
R=0.6121
0 LCL=0
CCION DEFECTIVA
muestra constante ó
maños de muestra variables
Proportion
0.2
P=0.1622
0.1
D n 0 10 20
Sample Number
Defectivos Muestras
7 50
7 53
9 56
5 49
8 56
9 53
9 52
10 51
NP Chart for Defectiv
9 52
10 47 1
UCL=20.89
20
Promedio = 72
Sample Count
O DE DEFECTIVOS
NP=11.55
10
de Productos defectivos
muestra constante LCL=2.208
omedio de las muestras 0
0 10 20
Sample Number
tra constante de 72
8
UCL=7.677
7
6
Sample Count
5
de Defectos 4
muestra constante 3 C=2.725
omedio de las muestras 2
1
0 LCL=0
0 10 20 30 40
Sample Number
Si se considera n = 2 se tiene:
4
UCL=3.839
3
Sample Count
U=1.363
1
0 LCL=0
0 10 20 30 40
Sample Number
Sample Count
2
U=1.363
1
0 LCL=0
de Defectos 0 10 20 30 40
muestra constante ó Sample Number
maños de muestra variables
APLICACIONES DEL MÓDULO 6. DISEÑO DE EXPERIMENTOS
CARTAS MULTIVARI
En Minitab c)
> Stat > Quality Tools > Multivari Charts Tiempo de Tipo de
Seleccionar Response = Columna de la variable de respuesta (Y) Templado Metal Resistencia
Seleccionar Factors 1 al 4 = Columnas de datos de los factores de interés (Xi's) 1 18 22
OK 1 21 20
1 21 19
a) b) 1 21 22
Tiempo de Tipo de Tiempo de Tipo de 2 15 18
Templado Metal Resistencia Templado Metal Resistencia 2 15 18
0.5 15 23 0.5 21 18 2 15 16
0.5 15 20 0.5 21 21 2 18 21
0.5 15 21 1 15 22 2 18 23
0.5 18 22 1 15 20 2 18 20
0.5 18 19 1 15 19 2 21 20
0.5 18 20 1 18 24 2 21 22
0.5 21 19 1 18 25 2 21 24
DISEÑOS DE EXPERIMENTOS
1. Se está estudiando el rendimiento para un proceso industrial, los dos factores de interés son
temperatura y presión. Se utilizan tres niveles de cada factor, con los resultados siguientes:
f) Si se quiere maximizar el rendimiento, ¿en que niveles conviene operar el proceso 60 270 93.7
g) Obtener las gráficas factoriales e identificar en cuales seleccionar los diferentes niveles
h) Para minimizar la desviación respecto al estándar, ¿en que niveles conviene operar el proceso?
3. Se realiza un diseño de experimentos para estudiar el efecto de los factores en el sabor de ciertas galletas
Las galletas se le presentan a 4 páneles de personas para su evaluación, quienes califican con un cuestionario.
Hacer un análisis del Diseño 2K y contestar las preguntas siguientes para un nivel de confianza del 95%:
a) Hacer una gráfica de probabilidad normal de los residuos con franjas en 95% y concluir
b) Determinar los efectos de los factores y sus interacciones. Indicar cuales son significativos en base al valor P
Efectos Coeficientes Valor P Conclusión
A
B
C
AB
AC
BC
ABC
e) Identificar en las graficas normal y Pareto de efectos principales e interacciones los que son significativos
f) Obtener las gráficas factoriales e identificar en qué niveles operar el proceso para maximizar la calificación
Indicar si se seleccionan los niveles de las gráficas de interacción o de faltores principales y por qué
Anexar las gráficas factoriales de Minitab donde se indiquen los niveles seleccionados
g) Obtener las gráficas de contornos y de superficie de respuesta e indicar hacia adonde seguir experimentando
Se usa un Router para hacer los barrenos de loc. de una placa de circuito impreso. La vibración es fuente principal de variación.
La vibración de la placa a ser cortada depende del tamaño de los barrenos (A1 = 1/16" y A2 = 1/8") y de la velocidad de corte
(B1 = 40 RPMs y B2 = 90 RPMs). La variable de respuesta se mide en tres acelerómetros A,Y,Z en cada uno de los circuitos impresos.
Los resultados se muestran a continuación.
Number of Factors 2
Number of replicates: 4
Number of Blocks 1 OK
Factors
Factor Name Type Low High
A Diametro Numeric 0.063 0.125
B Velocidad Numeric 40 90 OK
Factors
Factor Name Type Low High
A Diametro Numeric 0.063 0.125
B Velocidad Numeric 40 90 OK
Options
Results Seleccionar º! Full table of fits and residuals in addition to the above
a) CONCLUSIONES EN RESIDUALES 95
90
80
70
Percent
60
50
40
30
20
Residuales vs Y estimada 10
5
deben ser aleatorios
1
y apegarse a la linea de regresión -3 -2 -1 0 1 2 3
Standardized Residual
indicando que se distribuyen en forma
normal y el modelo es válido
-1
-2
15 20 25 30 35 40
Fitted Value
-1
-2
15 20 25 30 35 40
Fitted Value
Esta ecuación es válida en valores no codificados de los niveles es decir para A entre 1/16 y 1/8
y B entre 40 y 90, cualquier valor entre estos rangos.
Las gráficas de Efectos principales indican los factores significativos observando los que salen
de la recta normal e incluso se indican sus nombres como sigue (en este caso A, B y AB):
90 F actor N ame
A D iametro
80 A B V elocidad
70
Percent
60
50 AB
40
30
20 B
10
1
0 4 8 12 16
Standardized Effect
A
Term
AB
0 2 4 6 8 10 12 14
Standardized Effect
0 2 4 6 8 10 12 14
Standardized Effect
Los promedios de la vibración considerando cada uno de los niveles de los factores obtenidos
en el análisis del experimento son:
14.925 40.275
1
Velocidad
16.100 24.025
-1
-1 1
Diametro
30.0
f Vibración
27.5
25.0
Main Effects Plot (data means) for Vibración
Diametro Velocidad
32.5
30.0
Mean of Vibración
27.5
25.0
22.5
20.0
17.5
15.0
-1 1 -1 1
OK
0.0
-0.5
-1.0
-1.0 -0.5 0.0 0.5 1.0
Diametro
La gráfica de Superficie de respuesta nos indica el comportamiento del proceso es decir
como varia la respuesta Y = vibración en función de variaciones con Diametro y Velocidad
40
Vibración 30
20
1
0 Velocidad
-1
0 -1
Diametro 1
CORRIDA EN MINITAB DEL DISEÑO DE EXPERIMENTOS FRACCIONAL DE TAGUCHI
Taguchi ha desarrollado una serie de arreglos para experimentos con factores a dos niveles,
los más utilizados y difundidos según el número de factores a analizar son:
Entre 1 y 3 L4 4
Entre 4 y 7 L8 8
Entre 8 y 11 L12 12
Entre 12 y 15 L16 16
Entre 16 y 31 L32 32
Entre 32 y 63 L64 64
Taguchi sugiere utilizar un estadístico que proporcione información acerca de la media y de la variancia
denominado Relación Señal a Ruido (SNR), como la variable de respuesta, se consideran tres tipos principales:
n 2 1/ ¿ n 2 2
SNRs=−10 log ∑ Yi SNRl=−10 log ∑ Yi SNRt =−10 log s
n
i=1 n ¿
i=1
Una vez insertados los componentes en una placa de circuito impreso, esta se pasa a una máquina de soldar
donde por medio de un transportador pasa por un baño de flux para eliminar oxido, se precalienta para reducir
la torcedura y se solda. Se diseña un experimento para determinar las condiciones que dan el número mínimo de
defectos de soldadura por millón de uniones. Los factores de control y niveles se muestran a continuación:
Además se tienen otros factores denominados factores de ruido que no se pueden o no se quieren controlar
como el tipo de producto. También se pueden considerar factores de ruido las tolerancias de algunos de los
factores críticos en este proceso, en este caso la temperatura de la soldadura varia entre ±5ºF y la velocidad del
transportador entre ± 0.2 ft/min. Esta variabilidad también tiene influencia en la respuesta.
F -1 1 1 -1
Arreglo interno G -1 1 -1 1
H -1 -1 1 1
A B C D E SNR =-10*LOG10(SUMA.CUADRADOS(J69:M69)/4)
-1 -1 -1 -1 -1 186 187 105 104 -43.59
-1 -1 1 1 1 328 326 247 322 -49.76
-1 1 -1 -1 1 234 159 231 157 -45.97
-1 1 1 1 -1 295 216 204 293 -48.15
1 -1 -1 1 -1 47 125 127 42 -39.51
1 -1 1 -1 1 185 261 264 264 -47.81
1 1 -1 1 1 136 136 132 136 -42.61
1 1 1 -1 -1 194 197 193 275 -46.75
2 Level Design
Number of factors 5
Designs L8
OK
Options
Terms Seleccionar A, B, C, D , E y AB
OK
Los resultados se muestran a continuación
95
95
90
90
80
80
70
70
Percent
60
Percent
60 50
50 40
40 30
30
20
20
10
10
5
5
1
1 -3 -2 -1 0 1 2 3
-3 -2 -1 0 1 2 3 Standardized Residual
Standardized Residual
d) Las respuestas promedio y gráficas factoriales para relación Señal a Ruido son:
¿
Response Table for Signal to Noise Ratios
Smaller is better
Level A B C D E
1 -46.87 -45.17 -42.92 -46.03 -44.50
2 -44.17 -45.87 -48.12 -45.01 -46.54
Delta 2.70 0.70 5.20 1.02 2.04
Rank 2 5 1 4 3
-44
-46
Mean of SN ratios
-47
-1 1
d) Las respuestas promedio y gráficas factoriales para los factores principales son:
225
Se observan como factores significativos
200
A, C y E (considerados para alfa de 10%),
175
seleccionamos para una respuesta mínima:
Mean of Means
150
A=1
-1 1 -1 1 -1 1
D E C = -1
250 E = -1
225
150
-1 1 -1 1
250
M
225
200
200
A
180
No se observa interacción significativa
160 entre los factores A y B, las líneas
B
220 -1
están casi paralelas
1
200
B
180
160
-1 1
acciones
or es mejor
DISEÑO CENTRAL COMPUESTO DE SUPERFICIE DE RESPUESTA
Orig.
+10
10 4.20 85 177 80.3
Respuesta
9:M69)/4)
Pasos
Experimentales
k k k−1 k
Y=β 0+ ∑ β i X i + ∑ β ii X 2i + ∑ ∑ β ij X i X j +ε
i=1 i=1 i=1 j=2
Réplicas en (0,0)
para el error puro
1 80 170 -1 -1 76.5
2 80 180 -1 1 77.0
3 90 170 1 -1 78.0
4 90 180 1 1 79.5
5 85 175 0 0 79.9
6 85 175 0 0 80.3
7 85 175 0 0 80.0
8 85 175 0 0 79.7
9 85 175 0 0 79.8
8 85 175 0 0 79.7
9 85 175 0 0 79.8
Corrida en Minitab:
Stat> DOE > Surface Response > Create Response Surface Design
Run Blk A B
5 1 -1.41421 0.00000
7 1 0.00000 -1.41421
12 1 0.00000 0.00000
Alpha: 1.41421 13 1 0.00000 0.00000
Stat> DOE > Surface Response > Analyze Surface Response Design
La gráfica normal
Normal de residuos
Probability Plot of thees la siguiente:
Residuals
(response is Rendim)
99 El modelo es
adecuado
95
90
80
70
Percent
60
50
40
30
20
10
1
-0.50 -0.25 0.00 0.25 0.50
Residual
80
78
Rendim
76
74 1
0 B
-1 0 -1
A 1
Punto óptimo
A=0, B=0.5
0.0
B
< 74
74 - 75
1.0
75 - 76
76 - 77
77 - 78
0.5 78 - 79
79 - 80
> 80
0.0
B
-0.5
-1.0
0.5
0.0
B
-0.5
-1.0
Puntos óptimos
Optimal A B
Hi 1.4142 1.4142
D Cur [0.0] [0.1781]
1.0000 Lo -1.4142 -1.4142
Rendim
Targ: 80.0
y = 80.0000
d = 1.0000
x1
x
x 2
...
xk
bˆ1
bˆ2 0.995
b 0.515
...
bˆ
k
bˆ11 , bˆ12 / 2,..., bˆ1k / 2
bˆ / 2, bˆ22 , ....bˆ2 k / 2
1.376, 0.1250
B 12 0.1250, 1.001
matriz.simetrica, bˆ
kk
Contour Plot of Y
75
76
1
77
78
Contour Plot of Y
75
76
1
77
78
79
80
0
B
-1
-1 0 1
A
Surface Plot of Y
80.5
79.5
78.5
77.5
Y 76.5
75.5
74.5 1.5
1.0
73.5 0.5
-1.5 -0.5
0.0
B
-1.0 -0.5 -1.0
0.0 0.5 -1.5
A 1.0 1.5