Manual de Minitab

  • Otros
  • 38 minutos de lectura
3
Siga es ua edida de aiailidad. Idia ue ifoaió ae deto de los eueiietos de los lietes, ete ás
grande es la sigma del proceso, mayores son las salidas del proceso de los productos y servicios que reúnen los
requerimientos de los clientes
δ= Sigma
δ=Desviación estándar, mide la variación de datos
6δ = Es equivalente a cero defectos. Es un nivel de funcionamiento correcto del 99.9997 por 100; donde los defectos en
procesos y productos son prácticamente inexistentes.
El nivel de Sigma se determina de la diferencia de la Media (X) con los Límites superior (LS) e inferior (LI) entre la
desviación estándar, seleccionando el Resultado mayor.
Ejemplo
De los datos obtenidos de un proceso
Especificación = 100 +/-15
Limite Superior (LS) = 115
Límite Inferior (LI) = 85
Media (X) = 99.55
DesviaciónEstándar = 2.98
- LS (115)-X(99.55)/Desviación Estándar (2.98) = 15.55/2.98 = 5.22
- LI (85)-X(99.55)/DesviaciónEstándar (2.98) = 14.55/2.98 = 4.88
Nivel Sigma = 5
1.- NIVEL SIGMA
0$18$/'(0,1,7$%
4
- Para el cálculo de la media y la desviación estándar usando MINITAB, vaciar los datos obtenidos en la hoja de trabajo
MINITAB
- Seleccionar Histograma en el menú de Graficas
- Seleccionar la gáfia WithFit
- “eleioa la olua de datos e el apo Gaph Vaiales
- Obtener la Media y Desviación estándar de la gráfica resultante.
Datos
Frequency
106104102100989694
4
3
2
1
0
Mean 99.55
StDev 2.982
N20
Histogram of Datos
Normal
5
2.- PROMEDIO (MEDIA)
El promedio aritmético o media describe con un valor individual a todo un conjunto de observaciones, se conoce como la
medida de tendencia central de mayor utilidad.
se obtiene dividiendo la suma de los valores observados en una serie entre el número de lecturas.
La media de una muestra (unos cuantos) se representa con el símbolo
La media de una población (todo) se representa con el símbolo
Por ejemplo, el tiempo de espera (en minutos) de cinco clients en el banco fue de : 3, 2, 4, 1, y 2.
El tiempo promedio de espera es:
= 3 + 2 + 4 + 1 + 2
5
= 12
5
En promedio, un cliente espera 2.4 minutos por servicio en un banco.
6
3.-DESVIACION STANDARD
¿Que es desviación estándar (σ)?
La desviación Estándar, en un conjunto de datos es una medida de dispersión, que nos indica cuánto pueden alejarse los
valores respecto al promedio (media), por lo tanto es útil para buscar las probabilidades de que un evento ocurra
La desviación estándar puede ser interpretada como una medida de incertidumbre. Cuando se va a determinar si un grupo
de medidas está de acuerdo con el modelo teórico, la desviación estándar de esas medidas es de vital importancia: si la
media de las medidas está demasiado alejada de la predicción (con la distancia medida en desviaciones estándar),
entonces consideramos que las medidas contradicen la teoría. Esto es coherente, ya que las mediciones caen fuera del
rango de valores en el cual sería razonable esperar que ocurrieran si el modelo teórico fuera correcto. La desviación
estándar es uno de tres parámetros de ubicación central; muestra la agrupación de los datos alrededor de un valor central
(la media o promedio).
La fórmula es fácil: es la raíz cuadrada de la varianza. Así que, "¿qué es la varianza?"
Varianza
La varianza (que es el cuadrado de la desviación estándar: σ2) se define así:
Es la media de las diferencias con la media elevadas al cuadrado.
En otras palabras, sigue estos pasos:
1. Calcula la media (el promedio de los números)
2. Ahora, por cada número resta la media y eleva el resultado al cuadrado (la diferencia elevada al cuadrado).
3. Ahora calcula la media de esas diferencias al cuadrado.
*Nota: ¿por qué al cuadrado?
Elevar cada diferencia al cuadrado hace que todos los números sean positivos (para evitar que los números negativos
reduzcan la varianza)
Y también hacen que las diferencias grandes se destaquen. Por ejemplo 1002=10,000 es mucho más grande que 502=2,500.
Pero elevarlas al cuadrado hace que la respuesta sea muy grande, así que lo deshacemos (con la raíz cuadrada) y así la
desviación estándar es mucho más útil.
7
Formula de desviación estándar:
Curva de distribución Normal
La desviación estándar es un poderoso estadístico cuando es utilizado con modelos como la distribución Normal,
ya que nos permite hacer predicciones acerca de la variación esperada del proceso basadas en una muestra del
mismo.
Una de las propiedades de la curva normal es que si la curva se divide en desviaciones estándar, a partir del
promedio:
El 68.26 % del área bajo de la curva cae dentro de ± 1 desviacion estandar
El 95.45% del área bajo la curva cae dentro de ± 2 desviacion estandar
El 99.73% del área bajo la curva cae dentro de ± 3 desviacion estandar
A continuación mostraremos como obtener la desviación Estándar con el programa de minitab a partir de 100
datos
8
Paso #1
Una vez ingresados los datos en Minitab, nos vamos a la opción que dice Graph le damos click y seleccionamos
Histogram, de ahí le damos click en la opción With Fit como se muestra en la pantalla superior
9
Paso #2
Enseguida nos va aparecer la pantalla que dice Histogram-With Fit , de ahí nos vamos a la pantalla chica que dice Graph
variables y le damos dos click. Enseguida nos va aparecer en la pantalla larga el nombre de la columna donde tenemos las
fechas y los datos. En este caso vamos a darle doble click a la columna C2 Proceso 1, ya que es en donde tenemos los
datos. En la pantalla Graph variables os tiee ue apaee poeso  oo se uesta e la patalla supeio. Paso
seguido seleccionamos el botón OK
10
600550500450400
25
20
15
10
5
0
Proceso 1
Frequency
Mean 502.5
StDev 49.17
N 100
Histogram of Proceso 1
Normal
Por último obtendremos nuestra grafica en donde nos muestra la variación de nuestros datos bajo una curva normal con
respecto a la media de los 100 datos. En este caso nuestra media fue de 502.5 y por otro lado nuestra desviación estándar
fue de 49.17
11
4.-PRUEBA DE NORMALIDAD
Antes de realizar cualquier estudio estadístico, para determinar si los datos que se desean analizar son confiables, se debe
de realizar una prueba de normalidad. Una de las pruebas más utilizadas es la Anderson-Darling.
Esta prueba utiliza el ¨Normal Probability Plot¨ para verificar que los datos son normales. El grafico mostrara un Valor de
Probabilidad (¨P-Value¨), si este es mayor a 0.05, los datos son normales con un 95% de confiabilidad.
1- para generar el grafico, se abre el archivo que contiene los registros tomados.
2- Seleccione.... Stat > Basic Statics > Normality Test .
3- En el recuadro Variable, ingrese el dato que desee analizar y asegure que este seleccionada la opción Anderson Darling.
4- Oprima Ok para que se genere el grafico de la prueba de normalidad.
12
Interpretación: Si P-Value > 0.05, los datos son normales con un 95% de nivel de confianza, por lo tanto para
ejemplo mostrado del proceso 1 los datos mostrados son normales ya que P-Value es 0.656.
De manera visual se puede observar que los datos siguen la línea de referencia lo cual indica que vienen de una
distribución normal.
5.- GRAFICAS DE CONTROL
Las gráficas de control consisten en un diagrama en donde se registran sucesivamente los resultados de una
inspección durante un proceso.
Para mejorar el proceso utilizando las gráficas de control tienen que repetirse las siguientes fases.
1. Recolección.
Se toman los datos y se grafican.
2. Control.
Se calculan los limites en base en base a los datos obtenidos y se grafican.
Se identifican las causas especiales y se llevan a cabo las acciones correctivas necesarias.
3. Análisis y mejoramiento.
Se cualifica la variación debido a causes comunes y se llevan a cabo acciones para reducirla.
Estas tres fases se repiten para lograr un mejoramiento continuo del proceso.
Los beneficios de utilizar correctamente las graficas de control pueden ser entre otros:
Contribuir a que el proceso se desempeñe consistentemente y sea predecible.
Proporcionar información a los operadores para un control continuo del proceso.
Distingue las causas comunes de las especiales, como guía para llevar a cabo acciones locales o
en el sistema.
Los requisitos para el uso adecuado de las graficas de control son:
Tener definido el proceso.
Identificar las características a controlar.
Definir el sistema de medición.
Ajustar el proceso para reducir la variación innecesaria.
13
Graficas de Promedios, Rangos y Desviación Estándar.
Graficar y comprobar los promedios de las muestras no es suficiente, pues la media de un proceso puede
permanecer estable por cortos periodos de tiempo mientras que su dispersión o variación puede cambiar.
Por lo tanto es necesario utilizar junto con la grafica de promedios la gráfica de rangos. Esta gráfica se
basa en el concepto de que los rangos calculados para las muestras pequeñas tienden a estar distribuidos
normalmente.
La gráfica de desviación estándar nos sirve para ver cómo se comporta el grado de dispercion de los
datos con respecto a la media de las muestras.
Promedio: La media es el promedio. Esta se encuentra dividiendo la suma de los valores entre el número
total de los valores.
Rango:
Rango es una medida común de variación. Para determinar el rango reste el valor menor de una muestra
al valor mayor de la misma muestra.
‘ago = ‘
Xmax = Valor máximo
Xmin = Valor mínimo
R = Xmax Xmin
Desviación Estándar:
La desviación estándar es una medida del grado de dispersión de los datos con respecto al valor promedio.
14
Consideraciones para la obtención de datos.
La variación de los subgrupos a escogerse debe ser pequeña y pueden consistir de 4 o 5 piezas
consecutivas en el proceso.
La frecuencia en la recolección de datos debe ser tomada en periodos de tiempo relativamente
pequeños, esto con la intensión de detectar cualquier situación que cause una variación en nuestro
proceso.
El número de subgrupos debe ser suficiente de modo que nos permita que las fuentes de variación
tengan la oportunidad de verse reflejadas en nuestras gráficas.
Estas gráficas tienen una línea central que representa el promedio histórico de la característica que se esté
controlando además cuenta con otras dos líneas que representan los límites superior e inferior obtenidos
también de datos históricos. En el caso de minitab tanto la línea central como los límites se calculan
automáticamente con los datos ingresados.
Las gráficas de control pueden ser por variables o por atributos.
Por variables:
Una característica de calidad medible como dimensión, peso, volumen es una variable cuantitativa por eso se
unan las graficas de control por variables proporcionan información del rendimiento de los procesos.
Para subgrupo de datos
Ejemplo de subgrupos
Fecha
Proceso
1
proceso
2
proceso
3
08/01/2011
433.4305
433.4305
433.4305
08/01/2011
516.0579
516.0579
516.0579
08/01/2011
495.6135
49561.35
595.6135
08/02/2011
543.0888
543.0888
543.0888
08/02/2011
482.8317
482.8317
682.8317
08/02/2011
413.4687
413.4687
613.4687
08/03/2011
444.9185
444.9185
744.9185
08/03/2011
505.916
577.9224
705.916
08/03/2011
577.9224
503.9585
777.9224
Ejemplo de un Diagrama para 20 subgrupos
Subgrupos
1
2
3 etc.
15
Graficas x bar
Seguiríamos los siguientes pasos en Minitab
o Stat/Control Charts/Variables Charts for Subgroups/Xbar
En esta gráfica no se muestran puntos fuera de los límites de control.
Sample
Sample Mean
191715131197531
575
550
525
500
475
450
_
_
X=502.5
UCL=569.5
LCL=435.6
Xbar Chart of proceso1
La línea central nos
muestra el promedio
histórico.
Esta línea nos muestra el
límite superior de
control.
Esta línea nos muestra el
límite inferior de control.
16
Graficas R
Seguiríamos los siguientes pasos en Minitab
o Stat/Control Charts/Variables Charts for Subgroups/R
Sample
Sample Range
191715131197531
250
200
150
100
50
0
_
R=116.1
UCL=245.4
LCL=0
R Chart of proceso1
La línea central nos
muestra el promedio
histórico del Rango.
Esta línea nos muestra el
límite superior de
control.
Esta línea nos muestra el
límite inferior de control.
17
Graficas S
Seguiríamos los siguientes pasos en Minitab
o Stat/Control Charts/Variables Charts for Subgroups/S
Sample
Sample StDev
191715131197531
100
80
60
40
20
0
_
S=46.9
UCL=98.0
LCL=0
S Chart of proceso1
La línea central nos
muestra el promedio de
la desviación estándar.
Esta línea nos muestra el
límite superior de
control.
Esta línea nos muestra el
límite inferior de control.
18
Grafica Xbar - R
Seguiríamos los siguientes pasos en Minitab
o Stat/Control Charts/Variables Charts for Subgroups/Xbar-R
Sample
Sample M ean
191715131197531
10000
0
-10000
_
_
X=2087
UC L=14414
LC L=-10241
Sample
Sample Range
191715131197531
60000
45000
30000
15000
0
_
R=21372
UC L=45191
LC L=0
1
1
1
Xbar-R Chart of C3
19
Grafica Xbar S
Seguiríamos los siguientes pasos en Minitab
o Stat/Control Charts/Variables Charts for Subgroups/Xbar-S
Sample
Sample Mean
191715131197531
570
540
510
480
450
_
_
X=502.5
UC L=569.5
LC L=435.6
Sample
Sample StDev
191715131197531
100
75
50
25
0
_
S=46.9
UC L=98.0
LC L=0
Xbar-S Chart of proceso1
20
Graficas de control para observaciones individuales
Seguiríamos los siguientes pasos en Minitab
o Stat/Control Charts/Variables Charts for Individuals/Individuals
Se muestra que los procesos están estables en esta sección de datos
Observation
Individual Value
9181716151413121111
650
600
550
500
450
400
350
_
X=502.5
UCL=651.9
LCL=353.2
I Chart of proceso1
21
Clasificación de graficas por atributos
Son utilizados para contrastar las características cualitativas esto es características no cuantificables
numéricamente.
Seleccionar: stat - control chart - attributes chart - p, u, np, c
Graficas p (proporción de unidades defectuosas)
Ejemplo Datos
inspeccionadas
fallas
1245
34
1235
56
1342
45
1426
41
1456
12
1231
52
1457
57
1467
24
1256
34
1342
53
22
Graficas p (proporción de unidades defectuosas)
Las gáfias P ide la popoió de piezas defectuosas en un grupo de piezas
inspecionadas.
Es importante tener tomar en cuenta que cada componente, parte o articulo inspeccionado se
registra como conformante o no conformante sin considerar que un solo articulo tenga varios
defectos.
La gráfica nos muestra 6 puntos fuera de control.
Sample
Proportion
10987654321
1.1
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
_
P=0.7158
UCL=0.8950
LCL=0.5366
1
1
1
1
1
1
P Chart of fallas
23
Grafica Np
Esta gráfica nos mide el número de partes defectuosas en un lote inspeccionado. Es idéntica a
la gáfia P eepto ue se gafia el ueo de pates defetuosas  o la proporción,
ambas aplican para las mismas situaciones escogiendo la grafica np cuando:
a) El número real de piezas defectuosas tiene mayor significado o es mas fácil de reportar.
b) El tamaño de muestra permanece constante de periodo a periodo.
Sample
Sample Count
10987654321
60
50
40
30
20
10
__
NP=40.8
UCL=51.02
LCL=30.58
1
1
1
1
1
1
NP Chart of fallas
24
Grafica c
La grafica C mide el número de defectos en un lote de inspección. Esta grafica
requiere u tamaño de muestra constante. Aplica en dos tipos de situaciones de
inspección.
a) Cuando los defectos están dispersos a través de un flujo continuo del producto.
b) Cuando los defectos de diferentes fuentes potenciales pueden encontrarse en
una sola unidad.
Sample
Sample Count
10987654321
60
50
40
30
20
10
_
C=40.8
UCL=59.96
LCL=21.64
1
C Chart of fallas
25
Graficas U
La gráfica U mide el numero de defectos por unidad inspeccionada en subgrupos
que pueden tener distintos tamaños. Es similar a la gráfica Cexcepto que el
número de defectos es expresado en base unitaria. Las dos gráficas son adecuadas
para las mismas situaciones: sin embargo la gráfica U puede utilizarse si:
a) La muestra incluye mas de una unidad
b) El tamaño de la muestra puede variar de periodo a periodo.
Sample
Sample Count Per Unit
10987654321
1.1
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
_
U=0.7158
UCL=1.0520
LCL=0.3796
1
U Chart of fallas
26
6.- PROMEDIO Y DESVIACION STANDARD
Se obtiene dividiendo la suma de los valores observados en una serie entre el número de lecturas.
La media de una muestra (unos cuantos) se representa con el símbolo
Ejemplo sacar promedio de de una población de datos
1. 25
2. 36
3. 57
4. 89
5. 33
6. 47
7. 78
8. 16
9. 46
10. 79
11. 98
12. 34
13. 65
14. 73
15. 68
16. 35
17. 34
18. 57
19. 82
20. 35
21. 69
Para sacar el promedio y la deviación estándar se selecciona como se muestra
27
Descriptive Statistics: C1
Variable N N* Mean SE Mean StDev Minimum Q1 Median Q3 Maximum
C1 21 0 55.05 5.05 23.16 16.00 34.50 57.00 75.50 98.00
28
Seleccionando graph histogram whit fit se obtiene
Aquí se muestra la media y la desviación standar
7.-ONE-SAMPLE T-INTERVALO DE
CONFIANZA Y PRUEBA DE HIPOTESIS
Use 1-Sample t para calcular un intervalo de confianza y realizar una prueba de hipótesis de la media cuando la
desviación estándar de la población () es desconocida. Para una two-tailed-one-sample t(Prueba de dos colas):
H0: = hipótesis contra H1: hipótesis
C1
Frequency
100806040200
4
3
2
1
0
Mean 55.05
StDev 23.16
N21
Histogram of C1
Normal
29
donde es la media de la población.
Datos
Introduzca cada muestra en una columna numérica única. Puede generar una prueba de hipótesis o intervalo de
confianza para más de una columna al mismo tiempo.
MINITAB omite automáticamente los datos que faltan de los cálculos.
Para generar una t-Intervalo de confianza y Prueba de Hipótesis:
1. Stat / Basic Statistics / 1-Sample t
2. En Sample in columns, introduzca la columna(s) que contienen las muestras.
30
3. Realice una de las siguientes:
Para calcular el intervalo de confianza para la media, seleccione Options Confidense interval.
Para realizar una prueba de hipótesis, seleccione Test mean e introduzca el valor de la media.
31
4. Si desea, realizar alguna grafica seleccione Graphs…
Seleccione la población de datos que se requieren analizar y posteriormente regrese a las funciones de minitab
para el cálculo de One-Sample t-Test, en este caso se selecciona el Proceso 1.
32
Visualizar un histograma, diagrama de dispersión y diagrama de caja para cada columna. Las graficas muestran
la media de la muestra y un intervalo de confianza para la media y, además, el valor de la hipótesis nula de
prueba cuando se efectúa una prueba de hipótesis.
Interpretando los Resultados
One-Sample T: Proceso 1
Test of mu = 500 vs not = 500
Variable N Mean StDev SE Mean 95% CI T P
Proceso 1
Frequency
600550500450400
25
20
15
10
5
0
X
_
Ho
Histogram of Proceso 1
(with Ho and 95% t-confidence interval for the mean)
33
Proceso 1 100 502.527 49.171 4.917 (492.771, 512.284) 0.51 0.608
La prueba estadística, T, para H0: =500 es calculada como 0.51.
El p-value de esta prueba, o la probabilidad de obtener el valor más extremo de la prueba estadística para que la
hipótesis nula fuera cierta, es 0.608. Esto habla del nivel de confianza, o p-value. Por lo tanto, rechace H0 si su
iel de aeptailidad α es ao ue el p-value.
Un 95% de intervalo de confianza para la media de la población, , es (492.771, 512.284).
La capacidad de un proceso es la aptitud para generar un producto que cumpla con determinadas
especificaciones. En el mejor caso, es conveniente que los límites de tolerancia natural del proceso se
encuentren dentro de los límites de especificación del producto, para asegurar que toda la producción cumplirá
con las especificaciones. Para analizar la capacidad del proceso se utiliza un histograma de frecuencias, para lo
que es necesario tomar un cierto número de mediciones
600550500450400
25
20
15
10
5
0
Proceso 1
Frequency
Mean 502.5
StDev 49.17
N 100
Histogram of Proceso 1
Normal
Para medir la capacidad de un proceso se utilizan coeficientes que permiten comparar el rango de
especificaciones con la fluctuación natural del proceso. Uno de ellos es Cp:
8.- CAPACIDAD DEL PROCESO
LIE
LSE
Cp > 1
6 δ
34
Cp = ( LSE LIE)
6 δ
Donde:
LSE es el Límite Superior de Especificación
LIE es el Límite Inferior de Especificación
Si el proceso tiene capacidad para fabricar el producto, entonces Cp > 1. En general se exige Cp > 1.30 para mayor
seguridad.
Definiciones
Cp: Es el índice de capacidad el cual se define como la tolerancia dividida por la capacidad del proceso sin
importar si el proceso esta centrado.
Cp = ( LSE LIE)
6δ
Pp: Es el índice de desempeño el cual es definido como la tolerancia dividida entre el desempeño del proceso
sin importar si el proceso está centrado
Pp = ( LSE LIE)
6δ s
CPU: Es el índice superior de capacidad el cual se define como la dispersión de la tolerancia superior dividida
entre la dispersión superior real.
CPU = ( LSE X )
3δ
CPL: Es el índice inferior de capacidad el cual se define como la dispersión de la tolerancia inferior dividida entre
la dispersión inferior real.
CPL = ( X LIE)
3 δ
CPK: Es el índice de capacidad que considera si el proceso está centrado y es definido como el mínimo CPU y
CPL. Relaciona la distancia entre la media del proceso y el límite de especificación mas cercano dividido entre la
mitad de la variación total del proceso.
CpK = Min ( LSE X) o ( X LIE)
3δ 3δ
PpK: Es el índice de desempeño que considera si el proceso está centrado y es definido como el mínimo.
PpK = Min ( LSE X) o ( X LIE)
3δ s 3δ s
35
Este coeficiente tiene el inconveniente de que para poder aplicarlo, el centro de gravedad del rango de especificaciones
debe coincidir con la tendencia central de las mediciones del proceso. Cuando esto no ocurre se emplea el Cpk:
600550500450400
25
20
15
10
5
0
Proceso 1
Frequency
Mean 502.5
StDev 49.17
N 100
Histogram of Proceso 1
Normal
En este gráfico se observa que una buena parte del producto está por encima del Límite Superior de Especificación (LSE).
Aún así resulta Cp > 1, indicando erróneamente que el proceso tiene capacidad suficiente; en este caso se debe usar el
segundo coeficiente que muestra claramente que el proceso no tiene capacidad suficiente (Cpk < 1).
- Ejemplo:
Calculo de capacidad de proceso en MINITAB
Vaciar los datos obtenidos en la hoja de trabajo MINITAB
LIE
LSE
Cp > 1
3 δ
CpK < 1
Xp - LIE
LSE - Xp
36
Ya que los datos se capturaron en la hoja de trabajo en la barra del menú principal seleccionar:
stat > Quality Tools > Capability analysis > Normal
37
Se mostrara una tabla de datos donde se capturara lo siguiente:
1.-E el euado de  sigle olu:  seleioa olua  poeso 
2.- E el euado goup size seleioa olua  Feha
3.- E el euado de Loe spe  Uppe spe itodui los liites de espeifiaió ±
seleccionar ok para generar grafica y datos
En la grafica resultante podemos observar los valores obtenidos de nuestro proceso a analizar
Cp = 1 en este ejemplo 1.34 indica que el proceso es capaz de producir el 99.73 % de las piezas dentro de las
especificaciones de ingeniería
CPK= 1.3 en el ejemplo 1.33 indica que el proceso es capaz de producir partes buenas 99.73% de las piezas dentro de
las especificaciones
Referencias de para CPK
o CPK positivo < 1 indica que el promedio del proceso está dentro de especificación pero una de las 3 sigma
esta fuera de los limites de especificación (existen piezas malas o la posibilidad alta de que salgan)
o CPK = a cero indica que el proceso está centrado en alguno de los limitas de especificación
o CPK negativo indica que el promedio del proceso está fuera de alguno de los limitas de especificación
PPM = 50.81 partes defectuosas en un millón de partes fabricadas
38
675600525450375300
LSL USL
Process D ata
Sample N 100
StDev (Within) 49.8983
StDev (O v erall) 49.2954
LSL 300
Target *
US L 700
Sample M ean 502.527
Potential (Within) C apability
C C pk 1.34
O v erall C apability
Pp 1.35
PP L 1.37
PP U 1.34
Ppk
C p
1.34
C pm *
1.34
C PL 1.35
C PU 1.32
C pk 1.32
O bserv ed P erformance
PP M < LS L 0.00
PP M > US L 0.00
PP M Total 0.00
Exp. Within Performance
PP M < LSL 24.66
PP M > U S L 37.87
PP M Total 62.53
Exp. O v erall P erformance
PP M < LSL 19.92
PP M > U S L 30.89
PP M Total 50.81
Within
Overall
Process Capability of Proceso 1
9.- SIX PACK
Capacidad Sixpack (Distribución normal)
Se utiliza para generar reportes de capacidad del proceso cuando tus datos siguen una distribución normal.
Para confirmar la estabilidad del proceso el reporte incluye:
- Una gráfica Xbar (ó gráficas individuales para observaciones individuales)
- Una gráfica R ó una gráfica S (para subgrupos de tamaño mayor que 8)
- Una gráfica de corrida de los últimos 25 subgrupos (ó últimas 25 observaciones)
Para confirmar normalidad, el reporte incluye:
- Un histograma de los datos del proceso
- Un trazado ó plot de probabilidad normal (con 95% de intervalo de confianza, Anderson-Darling, y valores P)
Para evaluar capacidad, el reporte incluye:
- Un trazado ó plot de la capacidad del proceso
- Estadísticas generales de capacidad; Cp, Cpk, Cpm (si usted especifica una meta), Pp, Ppk, y comparación de valores Z.
Ejemplo de capacidad Sixpack (Modelo de probabilidad Normal)
Un fabricante de alambre quiere evaluar si el diámetro del alambre cumple con las especificaciones. El alambre debe de
ser 0.55 +/- 0.05 cm de diámetro para cumplir con las especificaciones de ingeniería. Los analistas evaluan la capacidad del
proceso para asegurar que se está cumpliendo el requerimiento del cliente de un Ppk de 1.33. Cada hora, los analistas
toman un subgrupo de 5 cables consecutivos de la línea de producción y registran el diámetro.
39
1- para generar el reporte, se abre el archivo que contiene los registros tomados.
2- Seleccione.... Stat > Quality Tools > Capability Sixpack > Normal.
3- E olua idiidual, igese Diáeto a ue es la olua ue otiee los egistos. En tamaño de subgrupo
ingrese el número 5.
4- Para registrar el límite superior, en el campo Upper spec, ingrese 0.60. y para señalar límite inferior en el campo Lower
spec, ingrese 0.50.
5- Hacer Click en Opciones. En el objetivo o Target (agregue Cpm a la tabla), ingrese 0.55 haga Click OK en cada cuadro de
diálogo.
La gráfica de salida se muestra a continuación
Interpretando los resultados
En ambas gráficas X y R, los puntos son distribuídos aleatoriamente entre los límites de control, implicando un proceso
estable. Sin embargo, usted debe además comparar los puntos en la gráfica R con los de la gráfica X para ver si los puntos
siguen unos a los otros. Éstos puntos no lo hacen, lo cuál otra vez más implican un proceso estable.
Los puntos en la gráfica de los últimos 20 subgrupos hacen una dispersión horizontal aleatoria, sin tendencias ni cambios,
lo cual además indica estabilidad en el proceso.
40
Si usted quiere interpretar las estadísticas de la capacidad del proceso, sus datos deberían aproximadamente seguir una
distribución normal. En el histograma de capacidad, los datos aproximadamente siguen la curva normal. En el trazado de
probabilidad normal, los puntos aproximadamente siguen una línea recta y caen dentro del intervalo de 95% de confianza.
Éstos patrones indican que los datos están normalmente distribuidos.
Pero, desde el trazado de capacidad, usted puede ver que la variación general del proceso es más ancha que el intervalo
para los límites de especificación. Ésto significa que algunas veces usted verá alambres con diámetro fuera de los límites
de tolerancia [0.50, 0.60]. Además, el valor de Ppk (0.80) está por debajo de la meta requerida de 1.33, indicando que el
fabricante necesita mejorar su proceso.
La regresión es una técnica estadística utilizada para simular la relación existente entre dos o más variables. Por lo tanto se puede
emplear para construir un modelo que permita predecir el comportamiento de una variable dada.
Regresion.
donde β0 es la intersección o término "constante", las son los parámetros respectivos a cada variable independiente,
y p es el número de parámetros independientes a tener en cuenta en la regresión
Términos y definiciones:
Variale respuesta Y= Variable independiente
Preditor X= Variable dependiente
S= Desviación típica
R-Sq= Coeficiente de determinación
R-Sq (adj)= Coeficiente de determinación ajustado
Existen cuatro tipos de regresión:
Regresión Lineal (y = A + Bx), Regresión logarítmica (y = A + BLn(x)), Regresión cuadrada (y = A + Bx +Cx2) y Regresión exponencial (y = Ae(Bx))
E dode la ‘egesió lieal, ‘egesió uadada  ‘egesió Epoeial so las oú ete utilizadas.
En Minitab Existen dos opciones:
o Stat/Regression/Regression: donde MINITAB proporciona una información sobre el análisis de regresión muy detallado.
o Stat/Regression/Ftted Line Plot: donde MNINITAB presenta el resultado menos detallado, pero muestra un diagrama de
dispersión de los datos, que completa gráficamente la información aportada.
10.- Regresión
41
Paa tee ua ejo idea de lo ue es egesió eeos el siguiete ejeplo:
Un fabricante de cañones para pelotas de tenis decidió investigar el uso de aire comprimido en lugar del clásico modelo
que utiliza una rueda de fieltro en su modelo de fricción, para lo cual realizo 30 disparos incrementando gradualmente la
presión (bares) del aire y medir el progreso de la distancia (mts) progresada. Al fabricante le interesa saber cuántos bares
serán necesarios para alcanzar una distancia de 60 mts.
Una vez capturados o copiados del excell y pegados en Minitab los datos de los disparos procedemos a elegir en el menú
“tat/‘egesio/Fitted lie plot… os apaeeá ua etaa e la ue dejaeos la opió Liea
Dispar0 Presion (Bares) Alcance (Metros)
1 0.5 10
2 1 13
3 1.5 14.5
4 2 23
5 2.5 17.3
6 3 18.6
7 3.5 24
8 4 24.5
9 4.5 30
10 5 25.9
11 5.5 28
12 622
13 6.5 31
14 7 32.3
15 7.5 16
16 8 33.2
17 8.5 35
18 9 36.9
19 9.5 48
20 10 38.7
21 10.5 39.4
22 11 15
23 11.5 42
24 12 43.6
25 12.5 39
26 13 44.1
27 13.5 46.7
28 14 60
29 14.5 47
30 15 49
42
Ua ez heho esto os apaeeá esta gafia dode podeos apeia e su pate supeio la euaió Baes = - 1.442 +
.9 Metos la ual podemos utilizar para predecir los bares que serán necesarios para distancias mayores.
E el siguiete ejeplo eeos óo idetifia si la ‘egesio es Lieal, Cuadada o epoeial.
Utilizando los datos del ejemplo anterior pero ahora con las distaias alteadas poedeos a gafia Fitted Lie Plot
o la opió de Liea eataete oo lo hiios e el ejeplo ateio  otedeos lo siguiete:
Como podemos observar R-Sq esta no está muy cerca del 100%, por lo tanto tendremos que seguir buscando la opción de
‘egesio ás adeuada paa aeaos lo áio posile al % Paa ello seleioaeos e el eú
“tat/‘egesio/Fitted lie plot… os apaeeá ua etaa e la ue dejaeos la opió Cuadati
Metros
Bares
605040302010
18
16
14
12
10
8
6
4
2
0
S 2.36864
R-Sq 72.0%
R-Sq(adj) 71.0%
Fitted Line Plot
Bares = - 1.442 + 0.2910 Metros
Alcance (Metros)
Presion (Bares)
70605040302010
16
14
12
10
8
6
4
2
0
S 2.95083
R-Sq 56.6%
R-Sq(adj) 55.1%
Fitted Line Plot
Presion (Bares) = - 0.333 + 0.2306 Alcance (Metros)
Este valor nos dice que
existe una muy buena
relación entre la variable
respuesta y la variable
predictor, donde 100% es
la relación perfecta y el
0% la ausencia de
relación.
Este valor nos dice que
existe una relación
moderada entre la
variable respuesta y la
variable predictor, donde
100% es la relación
perfecta y el 0% la
ausencia de relación.
43
Oteeos…
El valor de R-“ es de .%, po lo tato la ‘egesio uadada puede se ue o es lo ue estaos usado pues
necesitamos que este los mas cerca del 100% como sea posible.
‘epitaos la gafia peo ahoa e esta oasió elegieos la opió Cui
Alcance (Metros)
Presion (Bares)
70605040302010
16
14
12
10
8
6
4
2
0
S 2.75850
R-Sq 63.4%
R-Sq(adj) 60.7%
Fitted Line Plot
Presion (Bares) = - 5.776 + 0.5768 Alcance (Metros)
- 0.004687 Alcance (Metros)**2
44
Oteeos…
E esta gafia de ‘egesió Cuia el alo de ‘-“ es de .% ue está po eia del .% de la ‘egesió
Cuadada  del .% de la ‘egesió Lieal de las gafias ateioes. Ha ue tee u e lao ue al poa o las
tres opciones anteriormente vistas (Lineal, Cuadrada y Cubica o exponencial) se busca que opción nos acerca más al 100%,
y que entre más próximos estemos al 100% más confiable será la predicción que podamos calcular.
11.- CORRELACIÓN
Finalidad de conocer la relación que se puede dar entre dos o más variables
DEPENDIENTE: Hayman (1974) la define como propiedad o característica que se trata de cambiar mediante la
aipulaió de la aiale idepediete… Es el fato ue es oseado  edido paa deteia el efecto de la
variable independiente.
INDEPENDIENTE: Es manipulada por el investigador en un experimento con el objeto de estudiar cómo índice la expresión
de la variable dependiente.
Coeficiente de Correlación
Sote (2005), El coeficiente de correlación ( lo defie oo u Idiado estadístio ue os peite ooe el gado de
elaió, asoiaió o depedeia ue pueda eisti ete dos o ás aiales.
- Correlación simple: Cuando estudia la posible relación entre dos variables.
- Correlación múltiple: Cuando analiza la asociación o dependencia de más de dos variables.
- Correlación curvilínea: La variable presenta una tendencia distinta a la línea recta.
Alcance (Metros)
Presion (Bares)
70605040302010
16
14
12
10
8
6
4
2
0
S 2.73518
R-Sq 65.4%
R-Sq(adj) 61.4%
Fitted Line Plot
Presion (Bares) = 0.117 - 0.0197 Alcance (Metros)
+ 0.01244 Alcance (Metros)**2 - 0.000146 Alcance (Metros)**3
45
Tipos de Correlación
Correlación positiva o directamente proporcional r= (+)
Nos indica que al modificarse la variable en un sentido, la otra lo hace en la misma dirección.
Correlación negativa o inversamente proporcional r= (-)
Nos muestra que al cambiar una variable en una determinada dirección, la otra lo hace en sentido contrario u opuesto.
Incorrelaciónr= 0
Cuando la obtención de dicho indicador sea igual a cero, se dice que no existe alguna relación, asociación o dependencia
entre las variables estudiadas. Siendo por tanto ellas variables correlacionadas o faltas de alguna dependencia diferente.
Diferentes tipos de Correlación.
Coeficiente de correlación de Pearson:Índice que mide la relación lineal entre dos variables aleatorias cuantitativas.
Coeficiente de correlación de Spearman:Es una medida de la correlación (la asociación o interdependencia) entre dos
variables aleatorias continuas que mide la relación lineal entre dos variables aleatorias cuantitativas.
Otra manera de medir la correlación es calculando un coeficiente de correlación
Aplicación en Minitab
Una vez teniendo
la tabla con los
datos que
queremos
analizar:
1.- Dirigirse en el
menú principal a
Stat/Basic
Statistics/Corralac
ió…
46
2.- Seleccionas tus dos variables
3.- Fializaos o OK  oteeos el alo de ofiaza de la oelaió ete las dos aiales, así como el Valor de
Probabilidad (P-Value).
12.- TWO SAMPLE T-INTERVALO DE
CONFIANZA Y PRUEBA DE HIPOTESIS
En esta prueba se trata de comprobar la hipótesis de la no existencia de diferencias significativas entre las
medias de dos muestras distintas:
H0: 1 = 2 contra H1: 1 2
Donde es la media de la población.
Es decir, ahora se dispone de dos muestras procedentes de dos poblaciones distintas, supuestas distribuidas
normalmente e independientes y se trata de comprobar si existen o no diferencias significativas entre ambas.
47
Para generar una prueba Two-Sample t-Test:
1. Stat / Basic Statistics / 2-Sample t
2. Seleccione las poblaciones que necesita comparar en Sample in different columns:
48
3. Selecciona el nivel de confiabilidad de la prueba en Options.
4. Selecciones Graphs para generar una grafica e interpretar los resultados.
Interpretando Resultados:
49
Two-Sample T-Test and CI: Proceso 1, Proceso 3
Two-sample T for Proceso 1 vs proceso 3
N Mean StDev SE Mean
Proceso 1 100 502.5 49.2 4.9
Proceso 3 100 566 143 14
Difference = mu (Proceso 1) - mu (proceso 3)
Estimate for difference: -63.0000
95% CI for difference: (-92.9348, -33.0652)
T-Test of difference = 0 (vs not =): T-Value = -4.17 P-Value = 0.000 DF = 122
Se observa que existen diferiencias significativas entre ambos procesos, con un P-Value=0. 000 el cual se
interpreta que no existe correlacion entre ambos procesos.
Existe una Diferencia Estimada de 63 puntos.
El P-Value=0 indica que uno de los proceso no es normal.
Ademas la Desviacion Estandar de la Media de ambos procesos son muy diferentes. Se puede notar que existe
deferiencia entre los grupos y los experimentos. En otras palabras el Proceso 1 es mas capaz que el Proceso 2.
Definiciones:
Repetibilidad: Es la variación observada cuando el mismo operario mide el mismo elemento de forma repetida
usando el mismo aparato. Da una idea de la variación debida a dicho aparato de medida.
Reproductibilidad: Es la variación observada cuando distintos operarios miden el mismo elemento usando el mismo
aparato. Nos da una idea de la variación debida al operario.
Los estudios de Repetibilidad y Reproductibilidad de las mediciones determinan qué parte de la variación observada en el
proceso se debe al sistema de medición usado.
Minitab proporciona dos métodos para realizar este tipo de estudios: el método X-barra/R descompone la variación total
en tres categorías: elemento a elemento, repetibilidad, y reproductibilidad. El método ANOVA va un paso más allá y
descompone la reproductibilidad en dos subcategorías, el operario y el operario por elemento (por tal motivo este último
método es más exacto que el anterior):
13.- GAGE R&R
50
Con los estudios de Gages R&R se puede saber si las inconsistencias en las mediciones son demasiado grandes para pasar
por alto, ya sea debido a una herramienta defectuosa o al funcionamiento irregular de una herramienta.
Revelan una herramienta inconsistente
El R & R resultados muestran que incluso cuando la misma persona que pesa la misma caja en la misma escala, las medidas
pueden diferir en varios gramos, lo que indica que la escala se encuentra en grave necesidad de recalibración. La escala
defectuosa habría hecho el gráfico de control prácticamente inútil. Aunque el promedio de medidas no están muy
alejados, la difusión de las medidas es enorme!
Para satisfacer la creciente demanda, una empresa contrata a nuevos trabajadores para preparar cantidades
cuidadosamente medido de una solución costosa. La empresa utiliza un R & R estudio para comparar los nuevos
operadores a los operadores con experiencia.
El estudio revela que, cuando los trabajadores de medir la misma muestra, las mediciones de las nuevas contrataciones
son demasiado altos o demasiado bajos con mayor frecuencia que las mediciones de los trabajadores con experiencia. La
compañía decide llevar a cabo más formación para los nuevos empleados.
51
Como analizar un estudio de Gage R&R en minitab?
Conciencia de qué tan bien puede medir algo puede tener importantes beneficios económicos. Minitab hace que sea fácil
de analizar el grado de precisión sus medidas son.
Un restaurante de los planes para evaluar cómo se mide la temperatura de los alimentos para asegurar que la comida es lo
suficientemente caliente. Temperaturas incorrectas pueden dar lugar a descartar alimentos buenos, en su defecto a una
inspección sanitaria, o incluso hacer que un cliente enfermo.
Iniciando
Preparación para analizar su sistema de medición es fácil porque Gage Minitab Crear R & R Hoja de estudio puede generar
una hoja de recogida de datos para usted. El cuadro de diálogo le permite especificar rápidamente que toma las
mediciones (los operadores), el elemento que miden (las partes), y en qué orden los datos deben ser recogidos.
1. Seleccione Stat > Quality Tools > Gage Study > Create Gage R&R Study Worksheet.
2. Especifique el número de piezas, el número de operadores, y el número de veces que el mismo operador medirá
la misma parte
3. Asigne nombres descriptivos a las partes y los operadores para que sean fáciles de identificar en la salida.
4. Click OK
52
El evento principal
Después de introducir las medidas en la hoja de cálculo, puede utilizar Gage R & R Estudio (Cruzado) para analizar las
medidas
1. Seleccione Stat > Quality Tools > Gage Study > Gage R&R Study (Crossed).
2. En Part Numbers, coloque las Partes.
3. En Operators, coloque los Operadores.
4. En Measurement Data, coloque 'Food Temp'.
5. Click Options.
6. Entre sus limites de especificación. En este caso, coloque una especificación menor para la temperatura minima.
7. Click OK en cada cuadro de dialogo.
El estudio revela que las mediciones de Morgan son inferiores a Taylor o la de Robin. Identificar y eliminar la fuente de la
diferencia será mejorar el sistema de medición.
Morgan, Taylor, y Robin sugieren que la parte más difícil de medir la temperatura de la sopa de forma consistente es la
medición de la sopa de la misma profundidad en el pozo, por lo que las marcas se suman a la cuchara a fin de realizar
profundidad fácil de determinar
1
UNIVERSIDAD AUTONOMA
DEL NORESTE AC
GESTION DE NEGOCIOS DE MANUFACTURA
ACUÑA COAH. SEPT-2011
MATERIA.- ESTADISTICA APLICADA AL CONTROL DE CALIDAD Y 6 SIGMA.
MAESTRO.- ALEJANDRO GARZA.
PROYECTO FINAL.- MANUAL GENERAL MINITAB
--Integrantes del Grupo--
- Jazmín Sifuentes
- Alejandro Cervantes
- Francisco García
- Irving Ossiel Cruz
- Juan Barrera
- Lauro De Luna
- Manuel Martínez
- Mauro Martínez
- Omar Hernández
- Ricardo Daniel Adame
2
MANUAL MINITAB
Tema pg #
1.- SIGMAS...................................................................................................... 3
2.- PROMEDIO............................................................................................... 5
3.- DESVIACIÓN STD................................................................................... 6
4.- PRUEBA DE NORMALIDAD.............................................................. 11
5.- GRÁFICAS DE CONTROL................................................................... 12
6.- PROMEDIO Y DESVIACIÓN STANDARD.................................... 20
7.- 1 SAMPLE T-TEST............................................................................... 22
8.- ANÁLISIS DE CAPACIDAD CPK..................................................... 27
9.- SIX PACK............................................................................................... 32
10.- REGRESIÓN......................................................................................... 34
11.- CORRELACIÓN................................................................................... 38
12.- 2 SAMPLE T-TEST............................................................................ 40
13.- GAGES R y R....................................................................................... 43

Hazle saber al autor que aprecias su trabajo

Estás en libertad de marcarlo con "Me gusta" o no

Compártelo con tu mundo

Cita esta página
Hernández Omar. (2011, octubre 6). Manual de Minitab. Recuperado de http://www.gestiopolis.com/manual-de-minitab/
Hernández, Omar. "Manual de Minitab". GestioPolis. 6 octubre 2011. Web. <http://www.gestiopolis.com/manual-de-minitab/>.
Hernández, Omar. "Manual de Minitab". GestioPolis. octubre 6, 2011. Consultado el 4 de Septiembre de 2015. http://www.gestiopolis.com/manual-de-minitab/.
Hernández, Omar. Manual de Minitab [en línea]. <http://www.gestiopolis.com/manual-de-minitab/> [Citado el 4 de Septiembre de 2015].
Copiar
Imagen del encabezado cortesía de seeminglee en Flickr