Trabajo Final Estadistica - Ing. Industrial UPC

UPC
Estadstica Aplicada II
Trabajo Final
Profesor:
FREUD MELGAR ALIAGA
Alumnos:
PAULA BALTAZAR CUEVAS (20141A104)
GRETTEL HUERTA VERGARAY (201316683)
JOSE LUIS LOVERA RAMIREZ (201312164)
GIANPIERRE PAJUELO MENDOZA (201217538)
JOSE ANTONIO MUOZ TAYA (201322076)
Seccin:
IX42
2015-01
Estadstica Aplicada II - 2015-1
Pg.1
UPC
Contenido
INTRODUCCION ............................................................................................... 2
DESCRIPCIN DEL PROBLEMA ...................................................................... 3
OBJETIVOS GENERALES...4
OBJETIVOS ESPECFICOS .............................................................................. 4
ANALISIS DEL CASO.......6
MARCO TERICO....7
IDENTIFICACIN, DEFINICIN, CLASIFICACIN Y ESCALA DE MEDICIN
DE LAS VARIABLES...10
CONTROL ESTADSTICO DE PROCESO.11
PRUEBA DE
HIPTESIS....17
CONCLUSIONES..39
SUGERENCIAS40
BIBLIOGRAFA..41
INTRODUCCION
Hoy en da las diferentes empresas no solo buscan incrementar sus ventas sino
tambin estableces lazos estrechos con sus clientes. Para esto los clientes
buscan productos que se diferencien del resto por sus propiedades o
caractersticas, a esto le llamamos un producto de calidad.
Pg.2
UPC
Dentro del mbito de produccin de bienes y servicios existe una norma muy
conocida llamada norma ISO 9001 que fue establecida por la Organizacin
Internacional de Normalizacin (ISO). Estas normas buscan ayudar a gestionar
y controlar de manera continua la calidad en todos los procesos. Permitiendo a
las empresas convertirse en un competidor ms consistente en el mercado;
mejorar la gestin de la calidad que ayuda a satisfacer las necesidades de sus
clientes; mtodos ms eficaces de trabajo que le ahorrarn tiempo, dinero y
recursos a la empresa; mejor desempeo operativo que reducir errores y
aumentar los beneficios.
Dentro del mercado de las empresas de mantenimiento mobiliario, cuya principal
funcin es de hacer reparaciones o dar mantenimiento preventivo, buscan
siempre mantener estndares de calidad altos para satisfacer a sus clientes e
incrementar sus ingresos.
DESCRIPCIN DEL PROBLEMA
El problema se da en una empresa de reparacin inmobiliaria, la cual ha tenido

problemas recientes con sus clientes. Los problemas informados son los
siguientes:
Un problema que afronta la empresa est enteramente ligado a la calidad

de los productos luego de pasar por el acabado final en el rea de pintura,
se refiere especficamente a las partes principales de las gndolas de
supermercados: las bandejas; tanto las que la empresa elabora, como las
que recibe para mantenimiento.
Estas partes son entregadas en el plazo acordado con el cliente que

solicita dichos productos, pero ltimamente algunas piezas han retornado
a la fbrica con sello de disconformidad, generndoles cierta incomodidad
a los clientes al no tener sus pedidos al 100% y poniendo a la empresa en
Pg.3
UPC
una situacin en la cual pone en riesgo su eficiencia y confianza con sus
clientes.
Otro problema que afronta es la falta de control en cuanto al consumo de

la materia prima e insumos de pintura. Al no tener un estricto control
logstico durante el turno nocturno, la empresa pone su entera confianza
en los trabajadores de dicho turno; aun as el Kardex refleja diferencias
en cuanto al inventario de los materiales.
Tambin afronta un sorpresivo incremento de mermas en el rea de

soldadura, que aparte de generar prdidas de material tambin se
desperdicia mucho gas de soldadura.
OBJETIVOS GENERALES
Brindar a las empresas manufactureras criterios para la mejora de la

productividad en el caso especfico de compactados pero aplicable a
cualquier tipo de estudio de produccin que muestre la situacin de una
empresa viendo puntos a corregir o mejorar, analizando para ello los
distintos factores que afectan a la productividad para sus posteriores
propuestas de mejoras que maximicen los beneficios de la empresa.
OBJETIVOS ESPECFICOS
1. Determinar si el proceso de horneado de las 100 muestras divididas en

20 sub-grupos se encuentran bajo de control.
2. Determinar si el proceso de pintado de las 100 muestras divididas en 20

subgrupos se encuentra bajo de control.
3. Determinar si el proceso de secado al horno de las 100 muestras
divididas en 20 sub-grupos se encuentra bajo control.
Pg.4
UPC
4. Determinar el nmero de defectos por turno.
5. El gerente de la empresa asignada afirma que se conoce que la media de
la longitud (en mm) de la mquina de hornear para el subgrupo 12 se
encuentra bajo control cual el promedio es de 600.072 mm, se recogen 5
muestras y el promedio fue de 599.32mm, desviacin estndar 1.48 mm
y nivel de significacin del 5%, Se puede afirmar que el proceso est
bajo control?
6. Se conoce que la media de la longitud (en mm) de la mquina que hornea

para el subgrupo 8 se encuentra bajo control cuando el promedio es de
600.072 mm, se recogen 5 muestras y el promedio fue de 598.24mm,
desviacin estndar 0.358 mm y nivel de significacin del 5%, Se puede
afirmar que el proceso est bajo control?
7. En el proceso de secado se requiere una desviacin estndar de 0,715.

Para controlar la variabilidad de este proceso. El jefe de control de calidad
selecciona el subgrupo 14 en base a esta informacin es posible afirmar
que el proceso est bajo control? Con un nivel de significacin del 5%
8. Durante el proceso se observa tipos de fallas. Un ingeniero de control de

calidad ha observado en una muestra aleatoria de 100 planchas de fierro
al someterse a prueba, 32 de ellos mostraron la falla del tipo 4. Al 5% de
significacin, se cumple con los estndares que la proporcin de fallas
encontradas debe ser menor al 7%?
9. Al operador 1 se le han hecho dos mediciones durante su turno de

trabajo. Con un nivel de significacin de 5%. Determinar si las medias de
las longitudes de cada medicin del operador1 son iguales.
Pg.5
UPC
12. Se ha tomado una muestra aleatoria de 5 tiempos observados (subgrupo
12) de dos mquinas distintas (horneado y secado) y ha registrado el
tiempo (en segundos). Con un nivel de significancia del 5% Se puede
afirmar que las varianzas de los tiempos de ambas mquinas son iguales?
13. Sabiendo que el tipo de falla ms recurrente es la del tipo 4, se podr
afirmar que en el turno 2 es mayor el nmero de fallas del tipo 4 que en el
turno 4.
14. A partir de la siguiente prueba de hiptesis encontramos la dependencia
entre tipos de fallas y turnos con un nivel de significacin del 5%
15. La gerencia desea probar si las mediciones son afectados por el tipo de
operador que presentan. Determinar cul de ellos les conviene hacer una
evaluacin al operador que presente una mayor medicin para enviar un
conjunto de supervisores para evaluar el desempeo de trabajo junto con
sus empleados o seguir con los mismos operadores sin hacer cambios.
= 0.005.
16. La gerencia desea comprobar si existe un interaccin entre la medidas de
las bandejas de cada operador y el subgrupo para hacer una evaluacin
del desempeo y tomar medidas.
17. El gerente de la empresa desea saber si el modelo sigue una regresin
lineal, donde la talla del hijo dependa de la talla del padre.
18. El gerente preocupado por la salud y bienestar de sus operarios, desea
saber si existe una relacin entre la cantidad de grasa con el peso, edad,
abdomen y cuello.
19. Se desea realizar un estudio entre el tiempo de horneado en funcin del
valor espesor de la pintura con un nivel de significacin del 5%.
ANALISIS DEL CASO
Pg.6
UPC
El horneado, secado y pintado son procesos estratgicos que tiene una alta
implicancia en la calidad del producto es por ello que deben ser vigilado al
detalle. Un equipo de trabajo formado por el gerente de operaciones est
evaluando los procesos para cada turno. Para poder realizar este anlisis se
debe evaluar los defectos encontrados en cada turno. Para obtener un anlisis
efectivo la empresa ha solicitado el servicio de los alumnos de ingeniera de la
UPC, mediante el uso de sus conocimientos estadsticos evaluar y pronosticar
los resultados de las hiptesis que se formulen a lo largo del proceso de
investigacin para las mejoras de esta fase de elaboracin.
Six Sigma es una metodologa de mejora de procesos, centrada en la eliminacin
de defectos o fallas en la entrega de un producto o servicio al cliente.
El proceso Seis Sigma se caracteriza por 5 etapas bien concretas:

1. Definir el problema o el defecto
2. Medir y recopilar datos
3. Analizar datos
4. Mejorar
5. Controlar
Por medio de esta herramienta se espera que reduzca la cantidad de defectos.
El proceso de fabricacin de planchas de fierro es el siguiente:

HORNEADO
PINTADO
SECADO
Gndolas
Pg.7
UPC
Plancha Fierro
La empresa es una de las ms importantes de mantenimiento mobiliario,

dedicada al mantenimiento y reposicin, cuenta con tres operadores distintos los
cuales miden la longitud del valor de espesor. Esta empresa subdivide el proceso
de elaboracin de sus productos en tres actividades principales:
Evaluando los procesos de horneado, pintado y secado, analizando las fallas y

sus repercusiones en el proceso productivo como parte de su poltica de mejora
continua.
MARCO TERICO
Prueba de hiptesis: Pruebas que nos permiten verificar una afirmacin

elaborada a partir de ciertos parmetros de la poblacin. (ITCH 2003)
Ho (hiptesis nula): hiptesis que planteamos segn nuestra estimacin

del parmetro de poblacin y cual contrastamos. (ITCH 2003)
H1 (hiptesis alternante): hiptesis opuesta al Ho que usamos para

realizar la prueba de hiptesis. (ITCH 2003)
Decisin estadstica: Si se rechaza el Ho, se aprueba la hiptesis

alternante. En contraste, si no se rechaza el Ho, la informacin es
insuficiente para aprobar la H1. (CUADROS 2014)
Error tipo 1: Se comete cuando, en la realidad, el Ho es verdadera y en

nuestra prueba la rechazamos. (TRIOLAS 2004)
Error tipo 2: Se comete cuando, en la realidad, el Ho es falsa y en nuestra

prueba de hiptesis no la rechazamos. (TRIOLAS 2004)
Nivel de significancia (): probabilidad de cometer el error tipo 1.

(Thompson 1995)
Prueba de hiptesis para una variable: se usa para verificar nuestras

hiptesis con respecto a un parmetro. Existen tres casos:
Pg.8
UPC
o Prueba de media poblacional() y con varianza poblacional(o2)
conocida
o Prueba de media poblacional() y con varianza poblacional(o 2)
desconocida
o Prueba de hiptesis para una proporcin(p) (UNAM 2014)
Prueba de hiptesis para dos variables: se usa para verificar nuestras

hiptesis con respecto a dos parmetros. (UNAM 2014)
En una empresa de reparacin inmobiliaria podemos encontrar:
Horneado: El horneado es el proceso de coccin por medio de calor seco

que generalmente se efecta en un horno. Consiste en someter la pieza
a la accin del calor sin mediacin de ningn elemento lquido.
Pintado: El primer paso o fase del proceso de pintura es la preparacin de

superficies la cual se define como el conjunto de operaciones que tienen
por objeto la eliminacin de cualquier contaminante que pudiera
encontrase en la superficie a pintar, as como la creacin de anclajes
mecnicos y/o qumicos (rugosidad, aumento de energa superficiales,
etc...) los cuales favorezcan la adherencia de las futuras capas de pintura.
Secado al horno: La pintura de esmalte secada en un horno le proporciona

a una superficie una capa resistente, aunque si se aplica de forma
incorrecta, el recubrimiento puede salirse fcilmente. Los trabajos de
artesana utilizan mucho este tipo de secado de esmalte.
Soldadura TIG: Se caracteriza por el empleo de un electrodo permanente

de tungsteno. La gran ventaja de este mtodo de soldadura es,
bsicamente, la obtencin de cordones ms resistentes, ms dctiles y
menos sensibles a la corrosin que en el resto de procedimientos, ya que
el gas protector impide el contacto entre el oxgeno de la atmsfera y el
bao de fusin. El cordn obtenido es por lo tanto de un buen acabado
Pg.9
UPC
superficial, que puede mejorarse con sencillas operaciones de acabado,
lo que incide favorablemente en los costes de produccin. Adems, la
deformacin que se produce en las inmediaciones del cordn de
soldadura es menor.
Pintura electrosttica: Tambin llamado pintura en polvo, es un tipo de

recubrimiento que se aplica como un fluido, de polvo seco, suele ser
utilizado para crear un acabado duro que es ms resistente que la pintura
convencional. El proceso se lleva a cabo en instalaciones equipadas que
proporcionen un horno de curado, cabinas para la aplicacin con pistolas
electrostticas y por lo general una cadena de transporte areo, donde se
cuelgan las piezas.
Arenado: Es la operacin de propulsar a alta presin un fluido, que puede

ser agua o aire o arena de ro, o una fuerza centrfuga con fuerza abrasiva,
contra una superficie a alta presin para alisar la superficie o la rugosidad
de la superficie o eliminar materiales contaminantes de la superficie.
Prensado: es un proceso de fabricacin utilizado para reducir la porosidad

de los metales y la influencia de la densidad de muchos materiales
cermicos. Esto mejora las propiedades mecnicas del material y la
viabilidad.
Torneado: El torneado genera formas cilndricas y redondeadas con una

herramienta de un solo filo. La herramienta es estacionaria y la pieza es
la que gira.
Fresado: El fresado consiste principalmente en el corte del material que

se mecaniza con una herramienta rotativa de varios filos, que se llaman
dientes, labios o plaquitas de metal duro, que ejecuta movimientos en casi
cualquier direccin de los tres ejes posibles en los que se puede desplazar
la mesa donde va fijada la pieza que se mecaniza.
Escariado: El escariado es una operacin de acabado realizada con una

herramienta multifilo que ofrece agujeros de gran precisin. Ofrece un
excelente acabado superficial, agujeros de calidad superior y estrechas
tolerancias dimensionales gracias a su gran velocidad de penetracin y a
sus reducidas profundidades de corte.
Pg.10
UPC
IDENTIFICACIN,
DEFINICIN,
CLASIFICACIN
ESCALA
DE
MEDICIN DE LAS VARIABLES.
Poblacin: Todas las fallas registradas durante el ao 2015 en los tres

turnos
Muestra: 100 fallas registradas durante los momentos de la inspeccin

de los equipos de mejora continua.
Unidad elemental: Una falla en cada proceso (horneado, secado y

pintado) de cada uno de los turnos.
Variables
Tipo
Escala
Tipo de falla
Cuantitativa continua
Razn
Tipo de horneado
Cuantitativa
Razn
Tiempo de pintado
Cuantitativa
Razn
Tiempo de secado
Cuantitativa
Razn
Tipo de operador
Cualitativa
Nominal
Nmero de operarios
Cuantitativa Discreta
Razn
Medicin por tipo de operador
Cuantitativa continua
Razn
CONTROL ESTADSTICO DE PROCESOS

Para realizar el estudio estadstico se determin una muestra de 100 unidades
distribuidas en 20 sub-grupos de 5 unidades. El muestreo realizado fue
sistemtico debido a que el proceso es continuo.
Para el horneado:
Pg.11
UPC
Test Results for Xbar Chart of Mquina de horneaado
TEST 1. One point more than 3,00 standard deviations from center line.
Test Failed at points: 8
TEST 5. 2 out of 3 points more than 2 standard deviations from center line (on
one side of
CL).
TEST 6. 4 out of 5 points more than 1 standard deviation from center line (on
one side of
CL).
Test Failed at points: 12; 13; 19; 20
Mquina de horneado
Longuitudes de planchas de fierro
UCL=601,641
Sample Mean
601
6
6
__
X=600,072
600
6
599
LCL=598,503
598
11
13
15
17
19
Subgrupos
Sample Range
UCL=5,751
_
R=2,72
2
0
LCL=0
1
11
13
15
17
19
Subgrupos
Fuente: Empresa inmobiliaria
El test 1 evala el patrn de la estabilidad de la actividad. En este caso nos

provee evidencia que existe falta de control en el subgrupo 8.
El test 5 evala el patrn de la variabilidad para pequeos cambios en el proceso
a ms de 2 desviaciones estndar y nos indica que el subgrupo 17 se puede
encontrar fuera de control.
El test 6 nos indica el patrn de la variabilidad para pequeos cambios en el
proceso a ms de 1 desviacin estndar y nos indica que los subgrupos 12,13
,19 y 20 se pueden encontrar fuera de control.
Para el pintado:
Pg.12
UPC
Pintado
Longuitud de planchas de fierro
Sample Mean
600,5
UCL=600,332
600,0
__
X=599,548
599,5
599,0
LCL=598,764
1
11
13
15
17
19
Subgrupo
Sample Range
UCL=2,876
_
R=1,36
1
0
LCL=0
1
11
13
15
17
19
Subgrupo
Se puede observar que la actividad de pintado no se encuentra fuera de control

por lo tanto no ser analizada.
Para secado al horno:
Xbar-R Chart of Mquina que seca al horno
Test Results for Xbar Chart of Mquina secado al horno
Test Failed at points: 2; 14
TEST 6. 4 out of 5 points more than 1 standard deviation from center line (on
one side of
CL).
* WARNING * If graph is updated with new data, the results above may no
* longer be correct.
Pg.13
UPC
Secado al horno
Longuitud de planchas de fierro
1
Sample Mean
UCL=602,376
602
__
X=600,23
600
598
LCL=598,084
11
13
15
17
19
Sample
UCL=7,866
Sample Range
7,5
5,0
_
R=3,72
2,5
0,0
LCL=0
1
11
13
15
17
19
Sample

provee evidencia que existe falta de control en los subgrupos 2 y 14.
El test 6 nos indica el patrn de la variabilidad para pequeos cambios en el
proceso a ms de 1 desviacin estndar y nos indica que el subgrupo 9 se puede
encontrar fuera de control.
Tenemos los datos de defectos por unidad en la muestra de 100 bandejas para
esto realizamos un grfico NP
Pg.14
UPC
Grfico NP para defectos por unidad por lotes
18
UCL=16,69
16
14
12
Defectos
1
1
10
__
NP=8,25
8
6
22
2
2
3
0
1
11
21
31
41
51
61
71
81
LCL=0
91
Identificador
Tests performed with unequal sample sizes
Test Results for NP Chart of Defectuos

Test Failed at points: 3; 4; 12; 15; 16; 36; 37; 49; 82
TEST 2. 9 points in a row on same side of center line.
Test Failed at points: 91; 92; 93; 94; 95
TEST 3. 6 points in a row all increasing or all decreasing.

provee evidencia que existe falta de control en las planchas 1, 4,12, 15, 16, 36,
37, 49, 82.
El test 2 es complementario al test 1 donde se evala el patrn de cambio de la
estabilidad de la habilidad. Nos indica que las planchas de fierro 91, 93, 94, 95
pueden estar fuera de control.
El test 3 nos indica los giros o movimientos constantes de arriba hacia abajo.
Este test busca series largas donde no hay cambios de movimiento. Esto se ve
en la plancha de fierro nmero 9.
Pg.15
UPC
Es importante saber cul es la falla ms recurrente en la empresa, por este
motivo se decidi hacer un conteo y grfica para poder hacer un mejor estudio.
El resultado obtenido fue el siguiente:
Tally for Discrete Variables: Tipo Falla
Tipo
Falla Count
1
20
2
28
3
20
4
32
N=
100
Tipos de falla
35
30
Count
25
20
15
10
5
0
Tipo Falla
Fuente: Empresa mobiliaria
Y al mismo tiempo vemos cual es la falla ms frecuente por cada subgrupo:
Pg.16
UPC
Tipos de falla vs Subgrupos
4
Tipo de falla
0
Tipo Falla
ID de Sub grupo
1 234 123 4 1 234 12 34 1234 1 234 123 4 1 234 12 34 1234 12 34 123 4 1 234 123 4 1 234 12 34 123 4 1 234 123 4 1 234
1
10
11
12
13
14
15
16
17
18
19
20
Fuente: Empresa Inmobiliaria
PRUEBA DE HIPTESIS
1. El gerente de la empresa asignada afirma que se conoce que la media de

la longitud (en mm) de la mquina de hornear para el subgrupo 12 se
encuentra bajo control cual el promedio es de 600.072 mm, se recogen 5
muestras y el promedio fue de 599.32mm, desviacin estndar 1.48 mm
bajo control?
Planteo de hiptesis:
{
: = 600.072
1 : 600.072
Con un nivel de significacin = 5%
Pg.17
UPC
One-Sample T
Test of = 600,072 vs 600,072
N
5
Mean
599,320
StDev
1,480
SE Mean
0,662
95% CI
(597,482; 601,158)
T
-1,14
P
0,319
El p-valor > 0.05 por lo tanto no se rechaza la hiptesis nula.

Conclusin: Con 5% de significacin, no existe evidencia estadstica
para afirmar que el proceso est bajo control.
2. Se conoce que la media de la longitud (en mm) de la mquina que hornea

para el subgrupo 8 se encuentra bajo control cuando el promedio es de
600.072 mm con una desviacin estndar de 0,2735, se recogen 5
muestras y el promedio fue de 598.24 mm, desviacin estndar 0.358 mm
bajo control?
Planteo de hiptesis:
: = 600.072
1 : 600.072

One-Sample T
Test of = 600,072 vs 600,072
N
5
Mean
598,240
StDev
0,358
SE Mean
0,160
95% CI
(597,795; 598,685)
T
-11,44
P
0,000
El p-valor < 0.05 por lo tanto se rechaza la hiptesis nula.

Conclusin: Con 5% de significacin, no existe evidencia estadstica
para afirmar que el proceso est bajo control.
Pg.18
UPC
3. En el proceso de secado al horno se requiere una desviacin estndar de
0,715. Para controlar la variabilidad de este proceso. El jefe de control de
calidad selecciona el subgrupo 14 en base a esta informacin es posible
afirmar que el proceso est bajo control? Con un nivel de significacin del
5%
: 2 = 0,715
{ 2
1 : 0,715
Test and CI for One Variance: Secado al Horno
Method
Null hypothesis
Alternative hypothesis
= 0,715
0,715
The chi-square method is only for the normal distribution.

The Bonett method is for any continuous distribution.
Statistics
Variable
Secado al Horno
N
5
StDev
0,974
Variance
0,948
95% Confidence Intervals

Variable
Secado al Horno
Method
Chi-Square
Bonett
CI for StDev
(0,583; 2,798)
(0,603; 2,584)
Method
Chi-Square
Bonett
Test
Statistic
7,42
CI for
Variance
(0,340; 7,828)
(0,364; 6,679)
Tests
Variable
Secado al Horno
DF
4
P-Value
0,231
0,131

Conclusin: Con 5% de significacin, existe evidencia estadstica para
afirmar que el proceso est bajo control.
Pg.19
UPC
4. Durante el proceso se observa tipos de fallas. Un ingeniero de control de
calidad ha observado en una muestra aleatoria de 100 planchas de fierro
al someterse a prueba, 32 de ellos mostraron la falla del tipo 4. Al 5% de
significacin, se cumple con los estndares que la proporcin de fallas
encontradas debe ser menor al 7%?
: 0.7
1 : < 0.7
Test and CI for One Proportion

Test of p = 0,07 vs p < 0,07
Sample
1
N
32
Sample p 95% Upper Bound Z-Value P-Value

100 0,320000
0,396728
9,80
1,000
Using the normal approximation.

afirmar que el proceso da igual o ms de 7% de defectos del tipo 4.
5. Al operador 1 se le han hecho dos mediciones durante su turno de trabajo.
Con un nivel de significacin de 5%. Determinar si las medias de las
longitudes de cada medicin del operador 1 son iguales.
: = 2
{ 1
1 : 1 2

Paired T-Test and CI: medicin 1 (m); medicin 2 (m)
Paired T for medicin 1 (m) - medicin 2 (m)
medicin 1 (m)
medicin 2 (m)
N
100
100
Mean
25,618
25,478
StDev
3,517
3,554
SE Mean
0,352
0,355
Pg.20
UPC
Difference
100
0,140
4,809
0,481
95% CI for mean difference: (-0,814; 1,094)

T-Test of mean difference = 0 (vs 0): T-Value = 0,29
P-Value = 0,772

afirmar que el operador 1 trabaj con la misma eficiencia durante las dos
mediciones.
6. Al operador 2 se le han hecho dos mediciones durante su turno de trabajo.

Con un nivel de significacin de 5%. Determinar si las medias de las
longitudes de cada medicin del operador 2 son iguales.
{
: 1 = 2
1 : 1 2

Paired T-Test and CI: medicin 1 (m)_1; medicin 2 (m)_1
Paired T for medicin 1 (m)_1 - medicin 2 (m)_1
medicin 1 (m)_1
medicin 2 (m)_1
Difference
100
100
N
Mean
StDev
25,707 3,513
0,351
25,503 3,534
0,353
100
0,204
4,686
0,469

SE
Mean
P-Value = 0,664

mediciones.
Pg.21
UPC
trabajo. Con un nivel de significacin de 5%. Determinar si las medias
de las longitudes de cada medicin del operador 3 son iguales.
: = 2
{ 1
1 : 1 2
Paired T-Test and CI: medicin 1 (m)_2; medicin 2 (m)_2
Paired T for medicin 1 (m)_2 - medicin 2 (m)_2
medicin 1 (m)_2
medicin 2 (m)_2
Difference
N
100
100
100
Mean
25,455
25,419
0,036
StDev
3,596
3,575
4,360
SE Mean
0,360
0,357
0,436

P-Value = 0,934

mediciones.
8. Se ha tomado una muestra aleatoria de 5 tiempos observados (subgrupo
12) de dos mquinas distintas (horneado y secado) y ha registrado el
tiempo (en segundos). Con un nivel de significancia del 5% Se puede
afirmar que las varianzas de los tiempos de ambas mquinas son iguales?
{
: 12 = 22
1 : 12 22

Tests
Method
F
DF1
4
DF2
4
Test
Statistic
43.28
P-Value
0.003
Pg.22
UPC
El p-valor < 0.05 por lo tanto se rechaza la hiptesis nula.
Conclusin: Con un nivel de significacin del 5% existe evidencia
estadstica para afirmar que la varianza de los tiempos de duracin de
ambas mquina no son iguales.
9. Sabiendo que el tipo de falla ms recurrente es la del tipo 4, se podr

afirmar que en el turno 2 es mayor el nmero de fallas del tipo 4 que en
el turno 4. Con un nivel de significacin del 5%.
0 : 2 1
0 : 2 > 1

Test and CI for Two Proportions
Sample
1
2
X
9
10
N
25
25
Sample p
0,360000
0,400000
Difference = p (1) - p (2)

Estimate for difference: -0,04
95% upper bound for difference: 0,185627
Test for difference = 0 (vs < 0): Z = -0,29
P-Value = 0,385
Fishers exact test: P-Value = 0,500

Conclusin: Con un nivel de significacin del 5% existe evidencia
estadstica para afirmar que en el turno 2 existe mayor nmero de
defectos del tipo 4 que en el turno 4.
Pg.23
UPC
10. A partir de la siguiente prueba de hiptesis encontramos la dependencia
entre tipos de fallas y turnos con un nivel de significacin del 5%.
Fallas encontradas durante las inspecciones en los 4
turnos
Tipo de Falla Turno 1 Turno 2 Turno 3 Turno 4
Tipo 1
6
4
6
4
Tipo 2
7
8
6
7
Tipo 3
8
3
4
5
Tipo 4
4
10
9
9
Ho: El tipo de falla no est relacionada con el turno.

H1: El tipo de falla est relacionada con el turno.
Tabulated Statistics: Tipo de Falla; Worksheet columns
Rows: Tipo de Falla
Columns: Worksheet columns
Turno 1
Turno 2
Turno 3
Turno 4
All
Tipo 1
6
5
4
5
6
5
4
5
20
Tipo 2
7
7
8
7
6
7
7
7
28
Tipo 3
8
5
3
5
4
5
5
5
20
Tipo 4
4
8
10
8
9
8
9
8
32
25
25
25
25
100
All
Cell Contents:
Count
Expected count
Pearson Chi-Square = 6,636; DF = 9; P-Value = 0,675

Likelihood Ratio Chi-Square = 6,920; DF = 9; P-Value = 0,645
Como Valor P > 0.05 entonces no se rechaza la hiptesis nula.

Conclusin: Con un nivel de significacin del 5% , el tipo de falla es
independiente con el turno.
Pg.24
UPC
11. Prueba de anova de dos factores
La empresa tiene 3 diferentes operadores para obtener los valores de
espesor de pintura. Se realiz un estudio de las mediciones por cada
operador respecto al ID de sub grupo de una muestra de n datos.
La gerencia desea probar si las mediciones son afectados por el tipo de
operador que presentan. Determinar cul de ellos les conviene hacer una
evaluacin al operador que presente una mayor medicin para enviar un
conjunto de supervisores para evaluar el desempeo de trabajo junto con
sus empleados o seguir con los mismos operadores sin hacer cambios.
= 0.005.
Hiptesis de ANOVA para operadores:
Ho: 1 = 2 = 3
H1: Al menos un promedio es diferente.
Nivel de significacin: 0.005
Supuestos:
Prueba de normalidad de errores:
Ho: Los errores siguen una distribucin normal
H1: Los errores no siguen una distribucin normal
Pg.25
UPC
Como Valor P = 0.149> = 0.005 entonces No se rechaza Ho
Conclusin: Con un nivel de significancia del 0.5%, no existe suficiente
informacin para decir que los errores no siguen una distribucin normal.
Por lo tanto, estos siguen una distribucin normal.
Homogeneidad de varianzas:
Ho: 1 = 2 = 3
H1: Al menos una varianza es diferente
Prueba de Levene (cualquier distribucin continua)

Estadstica de prueba = 0.23, valor p = 0.948
Como Valor P = 0.948> = 0.005 entonces Ho no se rechaza
Conclusin: Con un nivel de significancia del 5%, no existe suficiente
informacin para decir que una varianza es diferente. Por lo tanto, las
varianzas son iguales.
Pg.26
UPC
Analysis of Variance
Source
operario
medicion
operario*medicion
Error
Total
S
3.86708
R-sq
9.89%
DF
2
1
2
24
29
Adj SS
17.353
18.252
3.798
358.904
398.307
R-sq(adj)
0.00%
Adj MS
8.676
18.252
1.899
14.954
F-Value
0.58
1.22
0.13
P-Value
0.567
0.280
0.881
R-sq(pred)
0.00%

Agrupar informacin utilizando el mtodo de Tukey y una confianza de

95%
operario*medicion
2 1
1 1
2 2
3 1
N
5
5
5
5
Mean
27.54
25.60
25.14
25.00
Grouping
A
A
A
A
Las medias que no comparten una letra son significativamente diferentes.

Con un nivel de significancia del 5%, no existe suficiente informacin para
decir que un promedio es diferente. Por lo tanto, los promedios son
iguales.
Conclusin: Con un nivel de significancia del 5%, la empresa debe
decidir seguir con los mismos operarios de trabajo sin hacer cambios y
con la misma cantidad de personal dedicada a la reparacin de fallas,
debido a que no existe una diferencia significativa entre los promedios de
mediciones al evaluar el espesor.
Pg.27
UPC
12. Prueba de dos factores
Hiptesis de ANOVA para operadores:
Ho: 1 = 2 = 3
H1: Al menos un promedio es diferente.
Nivel de significacin: 0.005
Supuestos:
Prueba de normalidad de errores:
Ho: Los errores siguen una distribucin normal
H1:
Los
= 0.005
errores
no
siguen
una
distribucin
normal

informacin para decir que los errores no siguen una distribucin normal.
Por lo tanto, estos siguen una distribucin normal.
Pg.28
UPC
Ho: 1 = 2 = 3
H1: Al menos una varianza es diferente
Tests
Method
Multiple comparisons
Levene
Test
Statistic
0.93
P-Value
0.012
0.501
Test for Equal Variances: med vs id, maq

Multiple comparison intervals for the standard deviation, = 0.05
id
maq
10
Multiple Comparisons
P-Value
2
3
15
0.012
Levenes Test
P-Value
0.501
1
2
3
18
1
2
3
0
10
15
20
If intervals do not overlap, the corresponding stdevs are significantly different.
Prueba de Levene (cualquier distribucin continua)

Estadstica de prueba = 0.93, valor p = 0.501
informacin para decir que una varianza es diferente. Por lo tanto, las
varianzas son iguales.
Pg.29
UPC
Prueba de interaccin ANOVA
Source
id
maq
id*maq
Error
Total
DF
2
2
4
36
44
Adj SS
5.176
4.175
7.156
51.114
67.372
Adj MS
2.588
2.088
1.789
1.420
F-Value
1.82
1.47
1.26
P-Value
0.176
0.243
0.304
Model Summary
S
1.19157
R-sq
24.13%
R-sq(adj)
7.27%
R-sq(pred)
0.00%
Ho:No existe interaccin

H1:Existe interaccin
Como Valor P = 0.304 > = 0.005 entonces Ho NO se rechaza
Como Valor P = 0.176 > = 0.005 entonces Ho NO se rechaza
Como Valor P = 0.243> = 0.005 entonces Ho NO se rechaza
Conclusin: con un nivel de significacin de 5% podemos concluir que
no existe suficiente evidencia estadstica para decir que existe interaccin.
Por lo tanto No existe interaccin.
Agrupar informacin utilizando el mtodo de Tukey y una confianza de
95%
Tukey Pairwise Comparisons: Response = mes, Term = id*maq
Grouping Information Using the Tukey Method and 95% Confidence
id*maq
15 1
15 3
18 3
10 2
18 1
10 3
10 1
15 2
18 2
N
5
5
5
6
5
4
5
5
5
Mean
601.36
600.76
600.76
599.90
599.84
599.75
599.68
599.68
599.60
Grouping
A
A
A
A
A
A
A
A
A
Las medias que no comparten

una letra son significativamente diferentes.
Pg.30
UPC
Con un nivel de significancia del 5%, no existe suficiente informacin para
decir que un promedio es diferente. Por lo tanto, los promedios son
iguales.
Conclusin: Con un nivel de significancia del 5%, la empresa debe
decidir seguir con la misma medida de bandeja para la produccin, sin
hacer cambios, debido a que no existe una diferencia significativa entre
los promedios de medida de las bandejas.
13. ANALISIS DE REGRESION LINEAL:

El gerente de la empresa desea saber si el modelo sigue una regresin
lineal, donde la talla del hijo dependa de la talla del padre.
Test for Equal Variances: Y: HIJO, X1: PADRE

Method
Null hypothesis
Significance level
All variances are equal

At least one variance is different
= 0.05
95% Bonferroni Confidence Intervals for Standard Deviations

Sample
Y: HIJO
X1: PADRE
N
StDev
CI
100 2.10578 (1.75998, 2.57729)
100 2.10318 (1.72977, 2.61582)
Individual confidence level = 97.5%

Tests
Test
Method
Levene
0.00
Statistic P-Value
0.992
0.04
0.851
Pg.31
UPC
Regression Analysis: Y: HIJO versus X1: PADRE

Source
Regression
X1: PADRE
Error
Lack-of-Fit
Pure Error
Total
DF Adj SS
Adj MS
F-Value P-Value
1 426.136 426.136
3247.44
0.000
1 426.136 426.136
3247.44
0.000
98
12.860 0.131
58
9.097
0.157
1.67
0.045
40
3.763
0.094
99 438.996
Model Summary
S
0.362246
R-sq
97.07%
R-sq(adj)
97.04%
R-sq(pred)
96.87%
Coefficients
Term
Constant
X1: PADRE
Coef SE Coef
1.08
1.21
0.9865
0.0173
T-Value
0.90
56.99
P-Value
0.372
0.000
VIF
1.00
Regression Equation
Y: HIJO = 1.08 + 0.9865 X1: PADRE
Fits and Diagnostics for Unusual Observations

Obs
20
34
83
89
R
X
Y: HIJO
75.1000
74.9000
76.9000
69.3000
Fit
74.6726
76.2510
76.7442
67.8660
Resid
0.4274
-1.3510
0.1558
1.4340
Std Resid
1.22
-3.95
0.46
4.00
X
X
X
Large residual
Unusual X
Durbin-Watson Statistic =
0.541862
Pg.32
UPC
VERIFICACION DE SUPUESTOS
Normalidad de errores
=
1 =
p-valor = 0.01 < =0.05

Decisin: RHo
Conclusin: Con un nivel de significacin del 5% se puede afirmar que
los errores no siguen una distribucin normal.
Homogeneidad de varianzas
=
1 =
p-valor = 0.851 > =0.05
Decisin: NRHo
las varianzas son homogneas.
Supuestos de no correlacin
=
1 =
Durbin-Watson Statistic = 0.541862
Como el Durbin-Watson se encuentra entre el intervalo de 0 a 1,

entonces existe una autocorrelacin positiva.
Pg.33
UPC
Validacin del modelo
0 : 0 = 0
1 : 0 0
p-valor = 0.00 < =0.05
Decisin: Rho
Conclusin: Con un nivel de significacin del 5%, el modelo sigue una
regresin lineal.
14. ANALISIS DE REGRESION MULTIPLE
X1
X2
X3
X4
Edad
Peso
Cuello
Abdomen
Y Grasa
0.336
0.555
0.448
0.806
X1 Edad
X2 Peso
X3 Cuello
-0.058
0.058
0.200
0.845
0.885
0.759
Variables
Correlaciones Xi
Correlaciones de Y con
predictoras
y Xj
cada Xi
X1 vs. X2
rX1X2=0.058
rYX1=0.336
No existe
rYX2=0.555
multicolinealidad
rYX1=0.336
No existe
rYX3=0.448
multicolinealidad
rYX1=0.336
No existe
rYX4=0.448
multicolinealidad
rYX2=0.555
Existe
rYX3=0.448
multicolinealidad
rYX2=0.555
Existe
rYX4=0.806
multicolinealidad
rYX3=0.448
Existe
rYX4=0.806
multicolinealidad
X1 vs. X3
X1 vs. X4
X2 vs. X3
X2 vs. X4
X3 vs. X4
rX1X3=0.058
rX1X4=0.200
rX2X3=0.845
rX2X4=0.885
rX3X4=0.759
Anlisis
Pg.34
UPC
Determinacin del mejor modelo de regresin lineal mltiple
YX1X4
PRUEBA CONJUNTA
PRUEBA INDIVIDUAL
Ho: B1=B4=0
Ho: B1= 0
H1: Al menos un Xi 0
H1: B1 0
Pvalor = 0.000 < 0.05
Pvalor = 0.002< 0.05
Se rechaza Ho
se rechaza Ho
El modelo es vlido
La variable X1 es significativa para el

modelo, sale del modelo.
Ho: B4= 0
H1: B4 0
Pvalor = 0.000 < 0.05

Se rechaza Ho
La variable X4 es significativa para el
modelo.
Conclusin: Con un nivel de significacin del 5% se concluye que el

mejor modelo es el YX1X4 y sigue la siguiente ecuacin:
Grasa (Y) = -41,11 + 0,1157 Edad (x1) + 0,5909 Abdomen (x4)
Pg.35
UPC
15. ANALISIS DE REGRESION NO LINEAL
Test for Equal Variances: X1 TIEMPO HORNEADO, Y ESPESOR

Method
Null hypothesis
Significance level
All variances are equal

At least one variance is different
= 0.05
95% Bonferroni Confidence Intervals for Standard Deviations

Sample
X1 TIEMPO HORNEADO
SPESOR
N
100
100
StDev
7.91402
0.70026
CI
(6.77956, 9.45013)
(0.58895, 0.85168)
Individual confidence level = 97.5%

Tests
Test
Method
Levene
231.45
Statistic
0.000
56.45
P-Value
0.000
Regression Analysis: LNY versus LNX

Source
Regression
LNX
DF
1
1
Adj SS
6,5663
6,5663
Adj MS
6,56627
6,56627
F-Value
606,49
606,49
P-Value
0,000
0,000
Pg.36
UPC
Error
Lack-of-Fit
Pure Error
Total
98
19
79
99
1,0610
0,3699
0,6911
7,6273
0,01083
0,01947
0,00875
2,23
0,007
Model Summary
S
0,104051
R-sq
86,09%
R-sq(adj)
85,95%
R-sq(pred)
85,55%
Coefficients
Term
Constant
LNX
Coef
-0,7566
0,5735
SE Coef
0,0625
0,0233
T-Value
-12,10
24,63
P-Value
0,000
0,000
VIF
1,00
Regression Equation
LNY = -0,7566 + 0,5735 LNX
Fits and Diagnostics for Unusual Observations
Obs
30
46
71
R
LNY
0,2773
1,0009
1,0465
Fit
0,9012
0,5328
0,6442
Resid
-0,6239
0,4681
0,4022
Std Resid
-6,04
4,54
3,89
R
R
R
Large residual
Durbin-Watson Statistic
Durbin-Watson Statistic =
1,91390
Verificacin de supuestos:
Normalidad de errores
=
1 =
p-valor = 0.01 < =0.05
Decisin: RHo
los errores no siguen una distribucin normal.
Pg.37
UPC
=
1 =
p-valor = 0.00 < =0.05
Decisin: RHo
Conclusin: con un nivel de significacin del 5% se puede afirmar que
las varianzas no son homogneas.
Validacin del modelo:
0 : 1 = 0 (El modelo no es vlido)
1 : 1 0 (El modelo es vlido)
Pvalor = 0.000 < 0.05

Decisin: Se rechaza Ho
Conclusin: Al 5% de significacin, el modelo exponencial es
significativo o vlido.
Por lo tanto el modelo estimado no lineal es:

LNY = -0,7566 + 0,5735 LNX
Pg.38
UPC
CONCLUSIONES
Para el horneado los test del minitab nos indica que los subgrupos 8,17,
12,13 ,19 y 20 se pueden encontrar fuera de control.
El pintado no se encuentra fuera de control segn los test del minitab

pero eso no quiere decir que se los excluya de estudios.
Para el secado al horno los test del minitab nos indica que los subgrupos
2 y 14 subgrupo 9 se puede encontrar fuera de control.
El NP Chart nos provee evidencia que existe falta de control en las

planchas 1, 4,12, 15, 16, 36, 37, 49, 82, 91, 93, 94, 95,9.
Con 5% de significacin, no existe evidencia estadstica para afirmar que

el proceso que realiza la mquina de hornear del subgrupo 12 este bajo
control.
Con 5% de significacin, existe evidencia estadstica para afirmar que el

proceso que realiza la mquina de hornear del subgrupo 8 este bajo
control.
Con 5% de significacin, no existe evidencia estadstica para afirmar que

el proceso de secado al horno del subgrupo 14 este bajo control.

proceso da igual o ms de 7% de defectos del tipo 4.

operador 1 trabaj con la misma eficiencia durante las dos mediciones.


Con un nivel de significacin del 5% existe evidencia estadstica para

afirmar que la varianza de los tiempos de duracin de ambos proveedores
no son iguales.
Con un nivel de significacin del 5% existe evidencia estadstica para

afirmar que en el turno 2 existe mayor nmero de defectos del tipo 4 que
en el turno 4.
Pg.39
UPC
Con un nivel de significacin del 5% , el tipo de falla es independiente con

el turno.
La falla ms recurrente durante la produccin es la del tipo 4.
Con un nivel de significancia del 5%, la empresa debe decidir seguir con
los mismos operarios de trabajo sin hacer cambios y con la misma
cantidad de personal dedicada a la reparacin de fallas, debido a que no
existe una diferencia significativa entre los promedios de mediciones al
evaluar el espesor.
Con un nivel de significancia del 5%, la empresa debe decidir seguir con
la misma medida de bandeja para la produccin, sin hacer cambios,
debido a que no existe una diferencia significativa entre los promedios de
medida de las bandejas.
Con un nivel de significacin del 5%, el modelo sigue una regresin

lineal.
Con un nivel de significacin del 5% se concluye que el mejor modelo es
el YX1X4 y sigue la siguiente ecuacin:
Grasa (Y) = -41,11 + 0,1157 Edad (x1) + 0,5909 Abdomen (x4)
SUGERENCIAS
Con los datos obtenidos vemos que le turno 2 presenta el mayor nmero
de tipos de falla 4, por lo tanto sugerimos que se realice un mejor estudio
de la posible causa.
Viendo que los operadores trabajan con la misma eficiencia durante sus
mediciones, sugerimos que existe un problema de mquina que es el
causante de la merma reportada por la empresa.
Las varianzas en los tiempos fueron diferentes por lo tanto sugerimos que
se analice el proceso y sus restricciones para encontrar el cuello de botella
para que el proceso sea continuo y eficiente.
Pg.40
UPC
BIBLIOGRAFA
CUADROS Gonzalo, CARDENAS Celia, RAMIEZ Raul (2014) Estadstica

Aplicada 2 (Consulta: 26 de Abril 2015) (ISBN: 782-23-2541-9)
DEPARTAMENTO
DE
MATEMTICAS
(DM)
(2013)
(http://dm.udc.es/asignaturas/estadistica2/sec6_8.html) (Consulta: 26 de
Abril de 2015)
INSTITUTO
TECNOLOGICO
DE
CHIHUAHUA
(ITCH)
(2003)
(http://www.itch.edu.mx/academic/industrial/estadistica1/cap02.html)
(Consulta: 26 de Abril de 2015)
THOMPSON, Bruce (1995) The Concept of Statistical Significance

Testing. ERIC/AE Digest. (http://www.ericdigests.org/1995-1/testing.htm)
(Consulta: 4 de Mayo de 2015)
http://www.bsigroup.com/es-ES/Gestion-de-Calidad-ISO-9001/
(Consulta: 4 de Mayo de 2015)
http://support.minitab.com/en-us/minitab/17/topic-library/qualitytools/control-charts/basics/using-tests-for-special-causes/ (Consulta: 4
de Mayor de 2015)
Pg.41

Trabajo Final Estadistica - Ing. Industrial UPC

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Trabajo Final Estadistica - Ing. Industrial UPC

Caricato da

Copyright:

Formati disponibili

UPC

Estadstica Aplicada II - 2015-1

Estadstica Aplicada II - 2015-1

El problema se da en una empresa de reparacin inmobiliaria, la cual ha tenido

Un problema que afronta la empresa est enteramente ligado a la calidad

Estas partes son entregadas en el plazo acordado con el cliente que

Estadstica Aplicada II - 2015-1

Otro problema que afronta es la falta de control en cuanto al consumo de

Tambin afronta un sorpresivo incremento de mermas en el rea de

Brindar a las empresas manufactureras criterios para la mejora de la

1. Determinar si el proceso de horneado de las 100 muestras divididas en

2. Determinar si el proceso de pintado de las 100 muestras divididas en 20

Estadstica Aplicada II - 2015-1

6. Se conoce que la media de la longitud (en mm) de la mquina que hornea

7. En el proceso de secado se requiere una desviacin estndar de 0,715.

8. Durante el proceso se observa tipos de fallas. Un ingeniero de control de

9. Al operador 1 se le han hecho dos mediciones durante su turno de

Estadstica Aplicada II - 2015-1

ANALISIS DEL CASO

Estadstica Aplicada II - 2015-1

El proceso Seis Sigma se caracteriza por 5 etapas bien concretas:

El proceso de fabricacin de planchas de fierro es el siguiente:

Estadstica Aplicada II - 2015-1

La empresa es una de las ms importantes de mantenimiento mobiliario,

Evaluando los procesos de horneado, pintado y secado, analizando las fallas y

Prueba de hiptesis: Pruebas que nos permiten verificar una afirmacin

Ho (hiptesis nula): hiptesis que planteamos segn nuestra estimacin

H1 (hiptesis alternante): hiptesis opuesta al Ho que usamos para

Decisin estadstica: Si se rechaza el Ho, se aprueba la hiptesis

Error tipo 1: Se comete cuando, en la realidad, el Ho es verdadera y en

Error tipo 2: Se comete cuando, en la realidad, el Ho es falsa y en nuestra

Nivel de significancia (): probabilidad de cometer el error tipo 1.

Prueba de hiptesis para una variable: se usa para verificar nuestras

Estadstica Aplicada II - 2015-1

Prueba de hiptesis para dos variables: se usa para verificar nuestras

En una empresa de reparacin inmobiliaria podemos encontrar:

Horneado: El horneado es el proceso de coccin por medio de calor seco

Pintado: El primer paso o fase del proceso de pintura es la preparacin de

Secado al horno: La pintura de esmalte secada en un horno le proporciona

Soldadura TIG: Se caracteriza por el empleo de un electrodo permanente

Estadstica Aplicada II - 2015-1

Pintura electrosttica: Tambin llamado pintura en polvo, es un tipo de

Arenado: Es la operacin de propulsar a alta presin un fluido, que puede

Prensado: es un proceso de fabricacin utilizado para reducir la porosidad

Torneado: El torneado genera formas cilndricas y redondeadas con una

Fresado: El fresado consiste principalmente en el corte del material que

Escariado: El escariado es una operacin de acabado realizada con una

Estadstica Aplicada II - 2015-1

MEDICIN DE LAS VARIABLES.

Poblacin: Todas las fallas registradas durante el ao 2015 en los tres

Muestra: 100 fallas registradas durante los momentos de la inspeccin

Unidad elemental: Una falla en cada proceso (horneado, secado y

Medicin por tipo de operador

CONTROL ESTADSTICO DE PROCESOS

Fuente: Empresa inmobiliaria

El test 1 evala el patrn de la estabilidad de la actividad. En este caso nos

Fuente: Empresa inmobiliaria

Se puede observar que la actividad de pintado no se encuentra fuera de control

Estadstica Aplicada II - 2015-1

Fuente: Empresa inmobiliaria

El test 1 evala el patrn de la estabilidad de la actividad. En este caso nos

Estadstica Aplicada II - 2015-1

Test Results for NP Chart of Defectuos

El test 1 evala el patrn de la estabilidad de la actividad. En este caso nos