Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
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
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
Pg.3
UPC
una situacin en la cual pone en riesgo su eficiencia y confianza con sus
clientes.
OBJETIVOS GENERALES
OBJETIVOS ESPECFICOS
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?
Pg.5
UPC
11. Al operador 3 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 operador3 son iguales.
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%.
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.
PINTADO
SECADO
Gndolas
Pg.7
UPC
Plancha Fierro
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)
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.
Pg.10
UPC
IDENTIFICACIN,
DEFINICIN,
CLASIFICACIN
ESCALA
DE
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
Cuantitativa continua
Razn
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 Failed at points: 17
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
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
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
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
Fuente: Empresa inmobiliaria
Tests performed with unequal sample sizes
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
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
PRUEBA DE HIPTESIS
Planteo de hiptesis:
{
: = 600.072
1 : 600.072
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
Planteo de hiptesis:
: = 600.072
1 : 600.072
Mean
598,240
StDev
0,358
SE Mean
0,160
95% CI
(597,795; 598,685)
T
-11,44
P
0,000
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
Con un nivel de significacin = 5%
Test and CI for One Variance: Secado al Horno
Method
Null hypothesis
Alternative hypothesis
= 0,715
0,715
N
5
StDev
0,974
Variance
0,948
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
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
N
32
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
P-Value = 0,772
: 1 = 2
1 : 1 2
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
Pg.21
UPC
7. Al operador 3 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 3 son iguales.
: = 2
{ 1
1 : 1 2
Con un nivel de significacin = 5%
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
: 12 = 22
1 : 12 22
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.
0 : 2 1
0 : 2 > 1
X
9
10
N
25
25
Sample p
0,360000
0,400000
P-Value = 0,385
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
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
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.
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
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%
N
5
5
5
5
Mean
27.54
25.60
25.14
25.00
Grouping
A
A
A
A
Pg.27
UPC
12. Prueba de dos factores
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
Pg.28
UPC
Homogeneidad de varianzas:
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
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
Pg.29
UPC
Prueba de interaccin ANOVA
Analysis of Variance
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%
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
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.
N
StDev
CI
100 2.10578 (1.75998, 2.57729)
100 2.10318 (1.72977, 2.61582)
0.00
Statistic P-Value
0.992
0.04
0.851
Pg.31
UPC
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
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 =
Supuestos de no correlacin
=
1 =
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
Se rechaza Ho
se rechaza Ho
El modelo es vlido
Ho: B4= 0
H1: B4 0
Pg.35
UPC
15. ANALISIS DE REGRESION NO LINEAL
N
100
100
StDev
7.91402
0.70026
CI
(6.77956, 9.45013)
(0.58895, 0.85168)
231.45
Statistic
0.000
56.45
P-Value
0.000
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
Conclusin: Con un nivel de significacin del 5% se puede afirmar que
los errores no siguen una distribucin normal.
Pg.37
UPC
Homogeneidad de varianzas:
=
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)
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.
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.
Pg.39
UPC
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.
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
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)
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