Curso de Minitab Versión 15 Nivel Intermedio 1 Dr. Primitivo Reyes Aguilar Julio 2010 Cel. 55 52 17...
-
Upload
blas-rivero -
Category
Documents
-
view
242 -
download
14
Transcript of Curso de Minitab Versión 15 Nivel Intermedio 1 Dr. Primitivo Reyes Aguilar Julio 2010 Cel. 55 52 17...
Diapositiva 1
Curso de Minitab Versin 15Nivel Intermedio1Dr. Primitivo Reyes AguilarJulio 2010Cel. 55 52 17 49 12 [email protected] ContenidoParte A:1. Configuracin personalizada de Minitab2. Grficas especiales3. Manipulacin de datos4. Clculos y patrones de datos en columnas5. Distribuciones de probabilidad6. Estadstica inferencial Pruebas de hiptesis2ContenidoParte B:7. Tamao de muestra y potencia8. Anlisis exploratorio de datos9. Estadstica no paramtrica10. Tablas y pruebas no paramtricas11. Regresin lineal y cuadrtica12. Regresin mltiple3ContenidoParte C:13. Series de tiempo14. Diseo de experimentos factoriales Estudios de R&R Concordancia por atributos16. Capacidad de procesos por atributos17. Capacidad de procesos 18. Cartas de control ponderadas en el tiempo4Curso de Minitab Versin 15
Nivel Intermedio Parte A5ContenidoParte A:1. Configuracin personalizada de Minitab2. Grficas especiales3. Manipulacin de datos4. Clculos y patrones de datos en columnas5. Distribuciones de probabilidad6. Estadstica inferencial Pruebas de hiptesis61. Configuracin personalizada De Minitab7Configuracin personalizada del Minitab
Barras de tareas
Personalizacin
Opciones
Perfiles
Seguridad de archivos
8Barras de tareas: Tools > toolbars
9Barras de tareas: Tools > toolbars > Standard
Editar el ltimo dilogo Ctrl-EComando anteriorAlt-F2Comando siguienteF2
Buscar Ctrl-FBuscar siguienteCancelarAyuda10Tools > toolbars > Project ManagerMostrar folder de sesin
Mostrar folders de hojas Ctrl-Alt-DyGrficasCtrl-Alt-GMostrar Infor-MacinCtrl-Alt-I
Mostrar historialCtrl-Alt-HMostrar reporteCtrl-Alt-RBorrargrficasProjectMgr.Ctrl-IMostrar hoja deDatos Ctrl-DMostrar sesinCtrl-MMostrar documentosRelacionadosDatos Ctrl-Alt-LMostrar diseoCtrl-Alt-E11Tools > toolbars > WorksheetAsignarFrmulaa columnaInsertar celda rengln y columnaMovercolumnaBorrarMostrar Filas de Datos de Puntos Selec.Con Brush
12Tools > toolbars > Graph editingSeleccin BrushBorrarseleccin
13
Tools > toolbars > Graph annotation toolSeleccin Insertar dibujo de lnea o superficie
InsertarTexto
Insertar rectngulo crculo, lnea, punto
14Tools > toolbars > 3-D Graph toolsRotacin inversa y normal en el eje XRegreso a parmetros incialesZoom + y -
Rotacin inversa y normal en el eje YRotacin inversa y normal en el eje ZRotacin inversa y normal ligera en los ejes X, Y y Z
15
Tools > toolbars > Factorial designsCrear diseo factorial Modificar y mostrar diseoOptimi-zadorDefinir diseo factorialPreproceso de respuestas para anlisis de variabilidadAnalizar Diseo factorialSeleccionarDiseo ptimoAnalizar variabilidadGrficas factoriales
Grficas de contornos overlaidGrficas de contorno y superifice de respuesta16Tools > toolbars > Response surface designsCrear diseo de superficie de respuestaModificar y mostrar diseoOptimi-zadorDefinir diseo de superficie de respuestaAnalizar Diseo de Superficiede respuestaSeleccionarDiseo ptimoGrficas de contornos overlaidGrficas de contorno y superifice de respuesta
17Tools > toolbars > Mixture designsCrear diseo factorial Modificar y mostrar diseoOptimi-zadorDefinir diseo factorialGrfica Del diseo SimplexAnalizar Diseo factorialSeleccionarDiseo ptimoGrficasfactorialesGrficas de trazo de respuestaGrficas de contornos overlaidGrficas de contorno y superifice de respuesta18
Tools > toolbars > Taguchi designsCrear diseo de TaguchiModificar y mostrar diseoDefinir diseo de TaguchiAnalizar Diseo de TaguchiPredecir resultado19
Tools > CustomizePara personalizar las opciones de men, seleccionar y arrastrar el comando especfico, a una barra de men existente
Tools > OptionsPara personalizar las opciones por Default, de cada una de las opciones y mens de Minitab
Tools > ProfilesPara personalizar las opciones y mens de Minitab, definidos para un perfil especfico
2. Grficas especiales24Grficas especiales25 Grficas de dispersin de dos variables Grficas matriciales de dispersin Grficas tridimensionales Grficas de contornos Grficas de superficies de respuesta26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
3. Manipulacin de datos47Manipulacin de datos48 Extraer subconjuntos, dividir y reunir hojas de trabajo Copias diversas Apilado, desapilado y transposicin de columnas Ordenar datos de columnas y rangos Borrar renglones y columnas Codificacin y cambio de tipos de variables Extraccin de datos de fechas Concatenar columnas Despliegue de constantes de resultados y matrices49
50
51
52
5253
54
55
56
57
58
59
60
61
62
63
64
65
66
4. Clculos y patrones de Datos en columnas67Clculos y patrones de datos en columnas68 Calculadora Estadsticas de fila y de columna Formar patrones de datos en columnas Variables indicadoras para la regresin69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
5. Distribuciones deProbabilidad88Distribuciones de probabilidad89 Distribuciones de probabilidad comunes Generacin de nmeros aleatorios para simulacin Distribuciones de probabilidad La distribucin normal Prueba de normalidad90
Distribucin normal o de GaussEstadstico ZInferencia estadstica de los parmetros:
= mediaCuando n >= 30 y/o es conocida (de datos histricos)=proporcin Cuando n >= 30Estadstico tInferencia estadstica del parmetro:= media
Cuando n < 30 y desconocida (sin historial del proceso o prov.)
91
Estadstico 2Inferencia estadstica del parmetro: = desviacin estndar
Comprobar normalidad del procesoEstadstico FInferencia estadstica del parmetro:12/ 22 relacin de varianzas
Revisar normalidad de muestras92
93
94
95
96
97
98
99
100
101
102
103
104
6. Estadstica inferencialPruebas de hiptesis 105106Estadstica inferencial
Introduccin Intervalos de confianza Pruebas de hiptesis de una poblacin Pruebas de hiptesis de dos poblaciones Anlisis de varianza de una va (ANOVA One way) Anlisis de varianza de dos vas (ANOVA two ways) Anlisis de medias (ANOM) ANOVA balanceado107Poblacin, total de productos y servicios (N)Muestra(n)Intervalo de confianza (95%) , rango de valores para estimar los parmetros , , 2, EstadsticosX, s, pInferencia estadsticade los parmetros:= media= desviacin estndar 2= varianza =proporcinIC = Estadstico +- error muestral108
Distribucin normal o de GaussEstadstico ZInferencia estadstica de los parmetros:
= mediaCuando n >= 30 y/o es conocida (de datos histricos)=proporcin Cuando n >= 30Estadstico tInferencia estadstica del parmetro:= media
Cuando n < 30 y desconocida (sin historial del proceso o prov.)
109
Estadstico 2Inferencia estadstica del parmetro: = desviacin estndar
Comprobar normalidad del procesoEstadstico FInferencia estadstica del parmetro:12/ 22 relacin de varianzas
Revisar normalidad de muestras110Poblacin, total de productos y servicios (N)Muestra(n)Intervalo de confianza (95%) , rango de valores para estimar los parmetros , , 2, EstadsticosX, s, pEstadsticos utilizados:= media, Z o t =proporcin
= desviacin estndar, 2 12/ 22 Rel. de varianzasIC = Estadstico +- error muestral
Intervalo donde se encuentraLa media poblacional111
112
Prueba de hiptesisUna prueba de hiptesis es una afirmacin sobre el valor que se estima tiene un parmetro poblacional , , 2,
Si la afirmacin contiene el signo igual (=, >=, 100The assumed standard deviation = 5
95% Lower N Mean SE Mean Bound Z P20 110.00 1.12 108.16 8.94 0.000116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150Los resultados se muestran a continuacin:
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
Curso de Minitab Versin 15
Nivel Intermedio Parte B168ContenidoParte B:7. Tamao de muestra y potencia8. Anlisis exploratorio de datos9. Estadstica no paramtrica10. Tablas y pruebas no paramtricas11. Regresin lineal y cuadrtica12. Regresin mltiple1697. Tamao de muestray potencia170171Tamao de muestra y potencia
Introduccin Prueba de una y dos medias Prueba de una y dos proporciones Prueba de ANOVA de una va Diseo de experimentos de dos niveles
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
8. Anlisis exploratorio de datos (EDA)193194Anlisis exploratorio de datos (EDA)
Introduccin Prueba de una muestra por Poisson Prueba de dos muestras por Poisson Anlisis de medianas de dos vas Regresin resistente Suavizamiento resistente Prueba de normalidad con grfica de desviacionesIntroduccinLos mtodos de anlisis de datos exploratorio (EDA) se utilizan para explorar los datos antes de utilizar otros mtodos ms tradicionales, o para examinar los residuales de un modelo.
Permiten identificar observaciones anormales (Outliers) y violaciones a los supuestos tradicionales tales como no linealidad o varianza no constante. 195196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
9. Estadstica no paramtrica214215Estadstica no paramtrica
Introduccin Prueba de signos de la mediana Prueba de una mediana de Wilconox Prueba de rangos de dos muestra de Mann Whitney Prueba de igualdad de medianas de Kruskal Wallis Prueba de igualdad de medianas de Mood Experimentos aleatorizados bloqueados de Friedman Prueba de rachas216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
23110. Tablas y pruebas no paramtricas232Tablas y pruebas no paramtricas
Contador de eventos Estadstica descriptiva de tablas Tabulacin cruzada y Chi cuadrada Anlisis Chi cuadrada con tabulacin cruzada Tablas de contingencia
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
11. Regresin lineal y cuadrtica257258Regresin lineal y cuadrtica
Correlacin y regresin lineal Regresin simple por medio de grfica Regresin cuadrtica por medio de grfica
259
260
261
261262
Coeficiente de correlacin263Coeficiente de correlacin0.8 < r < 1.00.3 < r < 0.8-0.3 < r < 0.3-0.8 < r < -0.3-1.0 < r < -0.8RelacinFuerte, positivaDbil, positivaNo existeDbil, negativaFuerte, negativaReglas empricasAnlisis de Regresin264El anlisis de regresin es un mtodo estandarizado para localizar la correlacin entre dos grupos de datos, y, quiz ms importante, crear un modelo de prediccin.
Puede ser usado para analizar las relaciones entre: Una sola X predictora y una sola Y
Mltiples predictores X y una sola Y
Varios predictores X entre s264Modelo de regresin lineal simple265
Mnimos cuadrados
R^2 Coef. de determinacin266
267
268
269
270
271
12. Regresin Mltiple272273Regresin mltiple
Introduccin Regresin mltiple Regresin por pasos Regresin por mejores subconjuntos
274Introduccin275
276
Regresin mltipleCuando se usa ms de una variable independiente para predecir los valores de una variable dependiente, el proceso se llama anlisis de regresin mltiple, incluye el uso de ecuaciones lineales.
Se asume que los errores u tienen las caractersticas siguientes:Tienen media cero y varianza comn 2.Son estadsticamente independientes.Estn distribuidos en forma normal.277
Tamao de muestraTomar 5 observaciones para cada una de las variables independientes, si esta razn es menor de5 a 1, se tiene el riesgo de sobreajustar el modelo
Un mejor nivel deseable es tomar 15 a 20 observaciones por cada variable independiente278MulticolinealidadLa multicolinealidad implica una dependencia cercana entre regresores (columnas de la matriz X ), de tal forma que si hay una dependencia lineal exacta har que la matriz XX sea singular.
La presencia de dependencias cercanamente lineales impactan dramticamente en la habilidad para estimar los coeficientes de regresin.
La varianza de los coeficientes de la regresin son inflados debido a la multicolinealidad. Es evidente por los valores diferentes de cero que no estn en la diagonal principal de XX. Que son correlaciones simples entre los regresores.279MulticolinealidadUna prueba fcil de probar si hay multicolinealidad entre dos variables es que su coeficiente de correlacin sea mayor a 0.7
Los elementos de la diagonal principal de la matriz XX se denominan Factores de inflacin de varianza (VIFs) y se usan como un diagnstico importante de multicolinealidad. Para el componente j simo se tiene:
Si es mayor a 10 implica que se tienen serios problemas de multicolinealidad.280
Anlisis de los residuosLos residuos graficados vs la Y estimada, pueden mostrar diferentes patrones indicando adecuacin o no adecuacin del modelo:La grfica de residuos aleatorios cuya suma es cero (null plot) indica modelo adecuadoLa grfica de residuos mostrando una no linealidad curvilnea indica necesidad de transformar las variables
Si los residuos se van abriendo indica que la varianza muestra heteroestacidad y se requiere transformar las variables. Se puede probar con la prueba de Levene de homogeneidad de varianzas281Escalamiento de residuosEn algunos casos es difcil hacer comparaciones directas entre los coeficientes de la regresin debido a que la magnitud de bj refleja las unidades de medicin del regresor Xj. Por ejemplo:
Para facilitarla visualizacin de residuos ante grandes diferencias en los coeficientes, se sugiere estandarizar o estudentizar los residuos282
Escalamiento de residuosResiduos estandarizadosSe obtienen dividiendo cada residuo entre la desviacin estndar de los residuos
Despus de la estandarizacin, los residuos tienen una media de 0 y desviacin estndar de 1
Con ms de 50 datos siguen a la distribucin t, de manera que si exceden a 1.96 (lmite para alfa 0.05) indica significancia estadstica y son outliers
283
Escalamiento de residuosResiduos estudentizadosSon similares a los residuos donde se elimina una observacin y se predice su valor, pero adems se elimina la i-sima observacin en el clculo de la desviacin estndar usada para estandarizar la -sima observacin
Puede identificar observaciones que tienen una gran influencia pero que no son detectadas por los residuos estandarizados284
Escalamiento de residuosEl estadstico PRESS (Prediction Error Sum of Squares) es una medida similar a la R2 en la regresin. Difiere en que se estiman n-1 modelos de regresin. En cada modelo se omite una observacin en la estimacin del modelo de regresin y entonces se predice el valor de la observacin omitida con el modelo estimado. El residuo isimo ser:
El residuo PRESS es la suma al cuadrado de los residuos individuales e indica una medida de la capacidad de prediccin
285
Grficas parciales de regresinPara mostrar el impacto de casos individuales es ms efectiva la grfica de regresin parcial. Un caso outlier impacta en la pendiente de la ecuacin de regresin (y su coeficiente).
Una comparacin visual de la grfica de regresin parcial con y sin la observacin muestra la influencia de la observacin
El coeficiente de correlacin parcial es la correlacin de la variable independiente Xi y la variable dependiente Yi cuando se han eliminado de ambos Xi y Yi
La correlacin semiparcial refleja la correlacin entre las variables independiente y dependiente removiendo el efecto Xi 286287
288
289Regresin mltiple290
291
292
293
294
295
296
297Regresin por pasosy mejores subconjuntos298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
Curso de Minitab Versin 15
Nivel Intermedio Parte C323ContenidoParte C:13. Series de tiempo14. Diseo de experimentos factoriales Estudios de R&R Concordancia por atributos16. Capacidad de procesos por atributos17. Capacidad de procesos 18. Cartas de control ponderadas en el tiempo32413. Series de tiempo325326Series de tiempo
Introduccin Mtodo de Tendencia lineal y cuadrtica Mtodo de Promedio mvil Mtodo de Suavizacin exponencial simple Mtodo de Suavizacin exponencial doble Mtodo de Winters
327
328
329
330
331
332
333
334
335
336
ForecastsPeriod Forecast61 385.04562 386.20963 387.37464 388.53965 389.70466 390.86967 392.03468 393.19969 394.36370 395.52871 396.69372 397.858MAPE 1.8999MAD 6.6177MSD 67.4325337
338
MAPE 1.7076MAD 5.9566MSD 59.1305ForecastsPeriod Forecast61 391.81862 393.64963 395.50264 397.37665 399.27166 401.18867 403.12768 405.08769 407.06870 409.07171 411.09672 413.142339
340
341
MAPE 1.55036MAD 0.70292MSD 0.76433
342
343
344
MAPE 1.11648MAD 0.50427MSD 0.42956ForecastsPeriod Forecast 61 48.0560 62 48.0560 63 48.0560 64 48.0560 65 48.0560 66 48.0560 345
346
347
MAPE 1.19684MAD 0.54058MSD 0.46794ForecastsPeriod Forecast 61 48.0961 62 48.1357 63 48.1752 64 48.2147 65 48.2542 66 48.2937 348
349
350
351
Smoothing ConstantsAlpha (level) 0.2Gamma (trend) 0.2Delta (seasonal) 0.2MAPE 1.88377MAD 1.12068MSD 2.86696Period Forecast 61 57.8102 62 57.3892 63 57.8332 64 57.9307 65 58.8311 66 62.7415 35214. Diseos de experimentos353Diseo de experimentos
Introduccin
Diseos de experimentos 2K
Diseos de experimentos factoriales completos354IntroduccinDiseo de experimentos factorialesEs una prueba o serie de pruebas donde se inducen cambios deliberados en las variables de entrada de un proceso, para observar su influencia en la variable de salida o respuesta
355
Nmero de niveles356En Tres Niveles hay la necesidad de ejecutar ms pruebas, sin embargo, nos permite buscar la curvatura, es decir, los efectos cuadrticos. En Dos Niveles nos permite considerar nicamente los efectos lineares.
1 2y2 Niveles1 2 3
y3 NivelesPasos del DOE - generalesEstablecer objetivosSeleccionar variables del proceso
Seleccionar un diseo experimentalEjecutar el diseo
Asegurar que los datos sean consistentes con los supuestosAnalizar e interpretar los resultadosUsar / presentar los resultados (pueden orientar a corridas futuras)
357Pasos del DOE - detalladoProceso en control, evaluar capacidad
Determinar CTQ objetivo a mejorar
Definir como medir la variable de respuesta
Determinar los factores de influencia
Determinar los niveles de experimentacin358Pasos del DOE detalladoSeleccionar diseo experimental a utilizar
Verificar el error R&R del sistema de medicin
Planear y asignar recursos a los experimentos
Realizar los experimentos
Medir las unidades experimentales
359Pasos del DOE - detalladoDe resultados identificar factores significativos
Determinar la mejor combinacin de niveles de factores para lograr los objetivos
Correr un experimento de confirmacin
Establecer controles para mantener la solucin
Re evaluar la capacidad del proceso
360361
362
363
363364
365
366Diseos de experimentos 2KDiseos factoriales de dos niveles367El nmero de combinaciones de prueba para un factorial completo con factores k, cada uno en dos niveles es:
Por lo tanto, a estos diseos se les conoce como diseos .
Diseo factorial completo 2K368ABBAJOALTOALTOBAJOAB1--2+-3-+4++Representa-cin GrficaRepresenta-cin TabularALTOALTOALTOBAJOBAJOBAJOBAC Factor
PruebaABC
1---2+--3-+-4++-5--+6+-+7-++8+++368Diseo factorial completo 2K369FactoresNivelesBajo AltoVelocidad (seg.) 350 400Tiempo 1min. 2min.Todas las combinacionesVelocidad TiempoCorrida 1:3501min.Corrida 2:350 2min.Corrida 3:400 1min.Corrida 4:400 2min.370
Experimento sin interaccin371A = -1 A = +1RespuestaPromedioB = +1
B = -120304052Experimento sin interaccin372A = -1 A = +1B = +1
B = -1Respuesta20304052Modelo de regresin lineal373
El coeficiente 0.5 es muy pequeo dado que no hay interaccinGrfica de contornos Experimentos sin interaccin374X1 -1 -.6 -.4 -.2 0.0 +.2 +.4 +.6 +.8 +1X21
.5
0
-.5
-1222834404649DireccinDe ascensorpidoSuperficie de respuesta Experimentos sin interaccinX1X2Superficie de respuesta
Grfica del modelo de regresinY = respuesta375376
Interaccin de dos factores377
Experimento con interaccin378A = -1 A = +1RespuestaPromedioB = +1
B = -120405012Experimento con interaccin379A = -1 A = +1B = +1
B = -1Respuesta20504012Modelo de regresin lineal380
El coeficiente -29 es muy grande representando la interaccin380Grfica de contornos381X1 -1 -.6 -.4 -.2 0.0 +.2 +.4 +.6 +.8 +1X21
.5
0
-.5
-1252831344349DireccinDe ascensorpido40 Superficie de respuesta Experimentos con interaccin382Superficie de respuesta
Grfica del modelo de regresin383
Modelo de regresin384
Grficas factoriales de efectos principales e interacciones385
Grficas de contornos y de superficie de respuesta386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405Diseos de experimentosFactoriales completos406
407
408
409
410
411
412
413
414
415
41615. Estudios de R&R -Concordancia por atributos417Estudios de R&R Concordancia por atributos
Introduccin
Ejemplos418
419
420
421
422
423
424
Concordancia por AtributosEjemplo: comparacin pasa no pasa1. Selecciona un mnimo de 20 unidades del proceso. Estas unidades deben representar el espectro completo de la variacin del proceso (buenas, errneas y en lmites).2. Un inspector experto realiza una evaluacin de cada parte, clasificndola como Buena o No Buena.3. Cada persona evaluar las unidades, independientemente y en orden aleatorio, y las definir como Buenas o No Buenas.425GR&R por Atributos - Ejemplo426Legenda de AtributosG =BuenoNG = No BuenoCOND. DE PRUEBA:Poblacin ConocidaPersona #1Muestra #Atributo #1 #2% DE EFECTIVIDAD DE DISCRIMINACION(3) ->85.00%(4) ->85.00%1GGGGGYY2GGGGGYY3GGGGGYY4GGGGGYY5GGGGGYY6GNGGGGNN7GGGGGYY8GGGGGYY9NGGGNGNGNN10NGNGNGGGNN11GGGGGYY12GGGGGYY13NGNGNGNGNGYY14GGGGGYY15GGGGGYY16GGGGGYY17NGNGNGNGNGYY18GGGGGYY19GGGGGYY20GGGGGYY% DEL EVALUADOR(1) ->95.00%100.00%% VS. EL ATRIBUTO(2) ->90.00%95.00%Esta es la medida general de consistencia entre los operadores y el experto. 90% es lo mnimo!AcuerdoY=S N=No% DE EFECTIVIDAD DE DISCRIMINACION VS. EL ATRIBUTODatos en Minitab427
428
429
430
Resultados de Minitab431
Interpretacin de Resultados % del Evaluador es la consistencia de una persona. % Evaluador vs Atributo es el acuerdo entre la evaluacin del operador y la del experto. % de Efectividad de Seleccin es el acuerdo que existe entre los operadores. % de Efectividad de Seleccin vs. el Atributo medida general de la consistencia entre los operadores y el acuerdo con el experto. 432Estudio de Repetibilidad y Reproducibilidad de Atributos - Guas de Aceptabilidad433
16. Capacidad de procesos por atributos434435Estudios de capacidad por atributos
Introduccin
Capacidad de procesos con distribucin binomial
Capacidad de procesos con distribucin de Poisson436
Distribucin binomialSe usa este tipo de estudio de capacidad de proceso cuando los datos provienen de una distribucin binomial de nmero de defectivos entreUn total de elementos totales.
Se utiliza esta distribucin si los datos cumplen las condiciones siguientes: Cada elemento es resultado de condiciones idnticas Cada elemento puede resultar en dos resultados posibles (falla/no falla) La probabilidad de xito o falla es constante para cada elemento Los resultados de los elementos son independientes unos de otros437
Distribucin binomialSe obtienen los resultados siguientes: Carta de control P para verificar que el proceso est en control Carta de % defectivo acumulado, verifica que la cantidad demuestras es suficiente para tener un estimado estable del % defectivo Histograma de % defectivo, muestra la distribucin de los defectivos de las muestras colectadas Grfica de tasa de defectivos, verifica que el porcentaje de defectivos no es influenciada por los tamaos de muestra colectados438
Suponga que se evala la responsabilidad del rea de ventas telefnicas de la empresa. Se registran las llamadas no contestadas por los representantes de Ventas durante los ltimos 20 das. As como el total de llamadas :
Instrucciones de Minitab:
File > Open worksheet > BPCAPA.MTWStat > Quality tools > Capability analysis > BinomialDefectives Unavailable Use sizes in CallsOKDateUnavailableCalls8/5/9643219088/6/9639219128/7/9649719348/8/9645918898/9/964331922Etc.Etc.Etc.439
Test Results for P Chart of Unavailable TEST 1. One point more than 3.00 standard deviations from center line.Test Failed at points: 3La p acumuladaTiende al 22%.
Z de 0.75 es un valor muy bajo
El proceso requiere muchamejora
Process Z = - nomsinv(Pprom) 440
Distribucin de PoissonSe usa este tipo de estudio de capacidad de proceso cuando los datos provienen de una distribucin de Poisson del nmero de defectos por unidad de inspeccin (cuyo tamao puede variar).
Se utiliza esta distribucin si los datos cumplen las condiciones siguientes: La tasa de defectos por unidad de espacio o tiempo es la misma en cada Elemento El nmero de defectos observados en las unidades de inspeccinson independientes unos de otros441
Distribucin de PoissonSe obtienen los resultados siguientes: Carta de control U para verificar que el proceso est en control Carta de media acumulada de Defectos por Unidad (DPU) verifica que la cantidad de muestras es suficiente para tener un estimado estable de la media Histograma de DPU, muestra la distribucin de los defectos por unidadde las muestras colectadas Grfica de tasa de defectos (con subgrupos variables) verifica que el DPU no es influenciada por los tamaos de muestra colectados442
Suponga que se evala la efectividad del proceso de asilamiento en un cable. Se toman muestras de cable de longitudes aleatorias donde se prueban con alto voltaje para encontrar debilidades de aislamiento. Se registran los defectos y la longitud de la muestra:
Instrucciones de Minitab:
File > Open worksheet > BPCAPA.MTWStat > Quality tools > Capability analysis > BinomialDefects Week spots Use sizes in Lenght OKWeak SpotsLength213241303120112421385148Etc.Etc.443Poisson Capability Analysis of Weak Spots Test Results for U Chart of Weak Spots TEST 1. One point more than 3.00 standard deviations from center line. Test Failed at points: 36La DPU acumuladatiende a 0.0265
La tasa de DPU no parece ser afectado por la Longitud de cable tomado
44417. Capacidad de procesos445Capacidad de procesos
Procesos normales
Procesos no normales446Capacidad de procesosnormales447Capacidad de procesosnormales448
449
450
451
452
453454
455Capacidad de procesosNo normales456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
47618. Cartas de control ponderadas en el tiempo477Cartas de control ponderadas en el tiempo
Carta de sumas acumuladas
Carta EWMA
Carta de promedio mvil478Cartas de control especialesCarta de sumas acumuladas (CuSum)
479
480
AtoBDist-0.440255.900382.089650.099982.01594Etc.481
482
483
484
485
PorcentajeGua
De 90% a 100%
De 80% a 90%
Menos de 80%Aceptable
Marginal
Inaceptable