Manual de Minitab SPC V4 Agosto
Manual de Minitab SPC V4 Agosto
Manual de Minitab SPC V4 Agosto
MANUAL DE PRÁCTICAS
NOTA: Adicionalmente a las prácticas, durante el curso se realizaran 3 evaluaciones del manejo
de minitab, cuyo resultado tendrá un valor del 20% de la calificación de los alumnos por unidad.
Para tener derecho a esta evaluación los alumnos deberán entregar todos los problemas
trabajados en las sesiones y algunos adicionales propuestos por el profesor, adecuadamente
resueltos e interpretados. Esto consumirá otras 6 horas adicionales, es decir, otras tres sesiones
de 2 horas cada una.
SOFTWARE REQUERIDO
+MINITAB
+ OFFICE (WORD, ECXEL)
OBSERVACIONES-COMENTARIOS
1.- INTRODUCCIÓN:
3.- TEORÍA:
• Introducción a MINITAB
4.- DESCRIPCIÓN
A) PROCEDIMIENTO Y DURACION DE LA PRÁCTICA:
1. Encendido del equipo de cómputo.
2. Entrar al correo del grupo
3. Descargar los problemas previamente enviados por el profesor
4. Acceso al programa MINITAB
5. Explicación de las funciones básicas de estadística en el software minitab
6. Sesión de solución y análisis de problemas de acuerdo a las salidas de minitab
7. Duración de la práctica 2 hrs.
B) CÁLCULOS Y REPORTE:
Para la evaluación de la unidad los alumnos deberán entregar en equipos de tres esta
práctica
C) RESULTADOS:
D) CONCLUSIONES:
5.- BIBLIOGRAFÍA:
• Control Estadística de Calidad y Seis Sigma, Gutiérrez Pulido & De la
Vara
6.- ANEXOS:
SOFTWARE REQUERIDO
+MINITAB
+ OFFICE (WORD)
OBSERVACIONES-COMENTARIOS
1.- INTRODUCCIÓN:
3.- TEORÍA:
Histograma: Es un diagrama de barras donde la altura de cada barra indica el número de veces
que el número dado aparece en la serie, o el número de valores que caen de un intervalo.
Para hacer un histograma, se usa el eje horizontal para presentar la escala de medición y para
trazar los límites de los intervalos de clase. El eje vertical representa la escala de la frecuencia. El
histograma es una representación gráfica de los datos en la que es más sencillo ver tres
propiedades:
1: Forma
2: Localización o tendencia central
3: Dispersión o expansión
Diagrama de Tallo y Hoja: Es una forma adecuada de obtener una representación visual
informativa de un grupo de datos X 1 , X 2 ,... X n , donde cada número X i tiene al menos dos
dígitos. Para construir un diagrama de tallo y hoja, cada número X i se divide en dos partes: un
tallo compuesto por uno o más de los primeros dígitos y una hoja compuesta por los dígitos
restantes. En general deberán elegirse relativamente pocos tallos en comparación con el número
de observaciones. La mejor elección suele ser entre 5 y 20 tallos. Una vez que se ha elegido un
conjunto de tallos, se enlistan en el margen izquierdo del diagrama. Enseguida de cada tallo se
enlistan todas las hojas correspondientes a los valores de los datos observados en el orden en que
se van encontrando en el conjunto de datos.
En algunas ocasiones se ordenan las hojas de menor a mayor en cada tallo. A esta forma de
presentación suele llamarse representación ordenada de tallo y hoja, la cual hace relativamente
sencillo determinar características de los datos tales como los percentiles, los cuartiles y la
mediana.
4.- DESCRIPCIÓN
A) PROCEDIMIENTO Y DURACION DE LA PRÁCTICA:
3: Escoger la opción de With Fit para que minitab sobreponga una curva en forma de la
distribución normal sobre el histograma
4: Al oprimir el botón OK, en el paso anterior se muestra la ventana Histogram with Fit y se
debe pasar la columna en la que se encuentran los datos al recuadro en blanco con el encabezado
Graph variable.
5: Después de entrar a LABEL, se muestra una nueva ventana en la que aparece la opción de
TITLE: En este renglón se le puede poner nombre al gráfico (OK).
15
10
0
80 120 160 200 240
C1
Esta figura aún se puede modificar usando el botón derecho del mouse. Por ejemplo si se quiere
editar el número de barras se da clic derecho sobre ellas y se muestra el menú en donde aparece
la opción Edit Bars y entrando a ella se pueden hacer modificaciones como por ejemplo a la
cantidad de barras o si se desea que aparezcan los límites o las marcas de clase.
El menú que se muestra al escoger Edit Bars es el que se muestra abajo. En este por ejemplo si
se desea cambiar para que en el eje X, ahora aparezcan los límites de clase se escoge Cutpoint
(Midpoint sería para trabajar con la marca de clase). Por otra parte si lo que se requiere es
cambiar el número de barras se debe posicionar en Number of intervals y teclear la cantidad
adecuada. Estas dos modificaciones se harían dentro de la opción Binning que se encuentra
dentro de este menú.
25
Frequency
20
15
10
0
60 90 120 150 180 210 240 270
C1
2: Pasar la columna en la que se encuentran los datos al recuadro en blanco de Graph Variabels,
en este caso es la columna 1 (C1). Después hacer click en OK. El resultado es el que se muestra
abajo como Steam and leaf.
1 7 6
2 8 7
3 9 7
5 10 15
8 11 058
11 12 013
17 13 133455
25 14 12356899
37 15 001344678888
(10) 16 0003357789
33 17 0112445668
23 18 0011346
16 19 034699
10 20 0178
6 21 8
5 22 189
2 23 7
1 24 5
La leyenda Leaf Unit que aparece en el encabezado del diagrama de tallo y hoja indica por
cuanto se debe multiplicar cada número que se forma al unir los tallos con sus respectivas hojas
por ejemplo si se toma el tallo 8 y su hoja 7 que aparecen en la fila 2 del diagrama anterior se
forma el 87, el cual se debe multiplicar por 1.0 según la unidad de hoja, por lo que se debe
interpretar como 87, lo cual indicaría que en el grupo de datos que estamos representando
podremos encontrar un 87. En algunas ocasiones cuando se trabaje con números con decimales
la unidad de hoja puede ser 0.1 por lo que si este hubiera sido el caso en el ejemplo citado
anteriormente el 87 se tendría que multiplicar por 0.1 y el número resultante sería 8.7 y esto
indicaría que en el grupo de datos que estamos representando podremos encontrar un 8.7.
Si se selecciona la opción de Trim outlier, minitab automáticamente encontrará los outliers de
haberlos y los separa del resto de los datos como se puede apreciar enseguida:
LO 76, 87
3 9 7
5 10 15
8 11 058
11 12 013
17 13 133455
25 14 12356899
37 15 001344678888
(10) 16 0003357789
33 17 0112445668
23 18 0011346
16 19 034699
10 20 0178
6 21 8
5 22 189
HI 237, 245
Por otra parte si se desea controlar las subdivisiones en los tallos, se debe utilizar el campo de
increment. Para el ejemplo anterior si se quiere que cada tallo tenga dos divisiones se deberá
utilizar increment igual a 5, es decir, si tomamos el tallo 14 como ejemplo, en su primera
división se encontrarán las hojas 0,1,2,3,4 (5 dígitos) y en la segunda división se encontrarán las
hojas 5,6,7,8,9 (5 dígitos). Esta opción se utilizará cuando la cantidad de tallos es pequeña
(menor a 5). Cuando se esté trabajando con números con cifras decimales se podrá utilizar un
increment igual a 0.5 y en su primera división se encontrarán las hojas 0.0, 0.1, 0.2, 0.3, 0.4 (5
valores) y en la segunda división se encontrarán las hojas 0.5, 0.6, 0.7, 0.8, 0.9 (5 valores). Para
el ejemplo anterior si se utiliza increment igual a 5 como se muestra en la figura el resultado
sería el siguiente:
Stem-and-leaf of C1 N = 80
Leaf Unit = 1.0
1 7 6
1 8
2 8 7
2 9
3 9 7
4 10 1
5 10 5
6 11 0
8 11 58
11 12 013
11 12
15 13 1334
17 13 55
20 14 123
25 14 56899
31 15 001344
37 15 678888
(5) 16 00033
38 16 57789
33 17 011244
27 17 5668
23 18 001134
17 18 6
16 19 034
13 19 699
10 20 01
8 20 78
6 21
6 21 8
5 22 1
4 22 89
2 23
2 23 7
1 24
1 24 5
B) CÁLCULOS Y REPORTE:
Para la evaluación de la unidad los alumnos deberán entregar en equipos de tres, todas
las prácticas realizadas en la unidad, incluyendo tanto la redacción de cada problema,
las gráficas (si es que se requirieron) y la interpretación de los resultados obtenidos.
C) RESULTADOS:
D) CONCLUSIONES:
5.- BIBLIOGRAFÍA:
• Montgomery, D. C., 2005. Control Estadístico de la Calidad. Editorial
Limusa Wiley. Tercera Edición.
• Montgomery, D. C. y Runger G. C., 2005. Probabilidad y Estadística
aplicadas a la Ingeniería. Editorial Limusa Wiley, segunda edición.
6.- ANEXOS:
SOFTWARE REQUERIDO
+MINITAB
+ OFFICE (WORD)
OBSERVACIONES-COMENTARIOS
1.- INTRODUCCIÓN:
Diagrama de Caja
El diagrama de tallo y hoja y el histograma proporcionan una impresión visual acerca de
un conjunto de datos, mientras que el promedio y la desviación estándar muéstrales
proporcionan información cuantitativa acerca de las características especificas de los
datos. El diagrama de caja es una representación gráfica que muestra simultáneamente
varias características importantes de los datos, tales la localización o la tendencia central,
la dispersión o variabilidad, el apartamiento de la simetría y la identificación de
observaciones que se localizan inusualmente lejos del grueso de los datos (a estas
observaciones se les conoce como puntos atípicos).
Un diagrama de caja muestra los tres cuartiles, el mínimo y el máximo de los datos, en
una caja rectangular alineada sea horizontal o verticalmente. La caja abarca el rango
intercuartílico con el lado izquierdo (o inferior) en el primer cuartil q1 y el lado derecho
(o superior) en el tercer cuartil q 3 . Se traza una línea por la caja en el segundo cuartil
(que es quincuagésimo percentil o la mediana).Se extiende una línea de ambos extremos
hasta los valores más lejanos. Estas líneas suelen llamarse “bigotes”. En algunos
programas de computadora los bigotes solo se extienden a lo sumo una distancia de
1.5(q 3 − q1 ) de los extremos de la caja y la observaciones que se localizan después de
estos límites se marcan como puntos atípicos potenciales. Esta variante del procedimiento
básico se conoce como el diagrama de caja modificado.
Diagrama de Pareto
Es sabido que más del 80% de la problemática en una organización es común, es decir, se
debe a problemas, causas o situaciones que actúan de manera permanente sobre el
proceso. Sin embargo, en todo proceso existen unos cuantos problemas o situaciones
vitales que contribuyen en gran medida a la problemática global de un proceso o una
empresa. Lo anterior es la premisa del diagrama de Pareto, que es un gráfico especial de
barras cuyo campo de análisis o aplicación son los datos categóricos, y tiene como
objetivo ayudar a localizar el o los problemas vitales, así como sus causas más
importantes. La idea es que cuando se quiere mejorar un proceso o atender sus
problemas, no se den “palos de ciego” y se trabaje en todos los problemas al mismo
tiempo y se ataquen todas sus causas a la vez, sino que, con base en los datos e
información aportados por un análisis de Pareto, se establezcan prioridades y se enfoquen
los esfuerzos donde puedan tener mayor impacto. En este sentido, el diagrama de Pareto
encarna mucho de la idea del pensamiento estadístico.
La variabilidad y utilidad general del diagrama esta respaldada por el llamado principio
de Pareto, conocido como “Ley 80-20” o “Pocos vitales, muchos triviales”, el cual
reconoce que unos pocos elementos (20%) generan la mayor parte del efecto (80%), y el
resto de los elementos generan muy poco efecto total. El nombre del principio es en
honor del economista italiano Wilfredo Pareto (1843-1923), quien reconoció que pocas
personas (20%) poseían gran parte de los bienes (80%), y afirmaba: pocos tienen mucho,
y muchos tienen poco. Fue Joseph Juran, uno de los clásicos de la calidad de la primera
generación y que desempeñó un papel crucial en el movimiento mundial por la calidad,
quien reconoció que el principio de Pareto también se aplicaba a la mejora de la calidad;
como ejemplo mostraba la clasificación del tipo de defectos de diferentes productos,
Desarrollar las habilidades para utilizar el software MINITAB tanto para la alimentación
adecuada de los datos, así como para la correcta interpretación de los resultados
obtenidos al construir gráficos de caja sencillos o múltiples y Gráficos de Pareto.
3.- TEORÍA:
• Conocimiento básico de EXCEL
• Introducción a MINITAB
4.- DESCRIPCIÓN
A) PROCEDIMIENTO Y DURACION DE LA PRÁCTICA:
En esta ventana también aparecen la opción de Scale y Labels con una función similar a
la que se explicaba en el histograma. Aquí también se encuentra una opción importante
que se utiliza para darle forma gráfico o para indicar que información es la que queremos
que despliegue, esta pestaña es Data View, la cual aparece de la siguiente manera:
200
C1
150
100
Este gráfico muestra los cuartiles que conforman la caja y también se puede apreciar un
dato atípico hacia arriba y dos hacia abajo.
En algunas ocasiones el gráfico de caja se puede aplicar aunque el tamaño de la muestra
sea pequeño y nos proporciona información adicional como se puede observar en el
siguiente ejemplo:
40% para que la tela resultante tenga otras características de calidad que se desean (como
capacidad para recibir un tratamiento de planchado permanente). El ingeniero decide
probar muestras a cinco niveles de porcentaje de algodón: 15, 20, 25, 30 y 35%.
Asimismo, decide ensayar cinco muestras a cada nivel de contenido de algodón. Los
resultados se muestran en la siguiente tabla:
Porcentaje de Observaciones
algodón 1 2 3 4 5
15 7 7 15 11 9
20 12 17 12 18 18
25 14 18 18 19 19
30 19 25 22 19 23
35 7 10 11 15 11
Con esta información construir el diagrama de caja para cada porcentaje de algodón y
decidir que porcentaje es el que debe utilizarse.
Antes de introducir estos datos en el minitab se deben modificar. Esta modificación
puede ser de varias formas. Dos de ellas pueden ser las siguientes:
FORMA 1 FORMA 2
Porcentaje de algodón Resistencia Porcentaje de algodón Resistencia
15 7 15 7
20 12 15 7
25 14 15 15
30 19 15 11
35 7 15 9
15 7 20 12
20 17 20 17
25 18 20 12
30 25 20 18
35 10 20 18
15 15 25 14
20 12 25 18
25 18 25 18
30 22 25 19
35 11 25 19
15 11 30 19
20 18 30 25
25 19 30 22
30 19 30 19
35 15 30 23
15 9 35 7
20 18 35 10
25 19 35 11
30 23 35 15
35 11 35 11
Lo importante aquí es que el software sepa que resistencias hubo cuando se trabajó con
los distintos porcentajes de algodón, ya sea que se pongan todos los resultados para un
mismo porcentaje seguidos o en cualquier orden, pero siempre anotando los mismos
resultados para cada porcentaje.
Para este ejemplo también se debe seguir la secuencia Graph – Boxplot, pero después se
debe escoger la opción One Y With Groups, ya que se tiene una sola variable de
respuesta denominada como Y (la resistencia, que es lo que se le mide a cada pedazo de
tela), pero agrupada de acuerdo a los porcentajes de algodón utilizados (los cuales serían
los Grupos). Esto se puede ver en la siguiente ventana:
25
20
Resistencia
15
10
5
15 20 25 30 35
%aje de algodon
1: Pegar los datos, en este caso son los del ejemplo de los defectos en las botas
Porcentaje
500
60
400
300 40
200
20
100
0 0
Tipos de defectos el as a a
pi tur tad gad
de os on rr
u
do C
al
m a
ta la
s el
e n M Pi
ev en
R s
lla
Fa
Frecuencias 369 135 135 99
Porcentaje 50.0 18.3 18.3 13.4
% acumulado 50.0 68.3 86.6 100.0
B) CÁLCULOS Y REPORTE:
Para la evaluación de la unidad los alumnos deberán entregar en equipos de tres, todas
las prácticas realizadas en la unidad, incluyendo tanto la redacción de cada problema,
las gráficas (si es que se requirieron) y la interpretación de los resultados obtenidos.
C) RESULTADOS:
D) CONCLUSIONES:
5.- BIBLIOGRAFÍA:
• Montgomery, D. C., 2005. Control Estadístico de la Calidad. Editorial Limusa
Wiley. Tercera Edición.
• Montgomery, D. C. y Runger G. C., 2005. Probabilidad y Estadística aplicadas a
la Ingeniería. Editorial Limusa Wiley, segunda edición.
• Gutiérrez, P. H., 2004. Control Estadístico de la Calidad y Seis Sigma. Editorial
Mc Graw Hill.
• Escalante, V. E. J., 2003. Seis Sigma Metodología y Técnicas. Editorial Limusa.
• Carot A. V., 2001.Control Estadístico de la calidad. Editorial Alfaomega.
• Grant. L., 2002. Control Estadístico de Calidad. Editorial Continental.
• Ryan B., Joiner B. y Creer J. 2005. MINITAB Handbook Updated for Release 14.
6.- ANEXOS:
SOFTWARE REQUERIDO
+MINITAB
+ OFFICE (WORD)
OBSERVACIONES-COMENTARIOS
1.- INTRODUCCIÓN:
Desarrollar las habilidades para utilizar el software MINITAB tanto para la alimentación
adecuada de los datos, así como para la correcta interpretación de los resultados
obtenidos al construir un diagrama de Ishikawa o al construir un diagrama de dispersión
ampliando este último con la regresión lineal simple.
3.- TEORÍA:
• Introducción a MINITAB
4.- DESCRIPCIÓN
1 2 4
3
4: Cuando aparece esta ventana lo hace como se muestra arriba, con todos los campos en
blanco y sin mostrar en el espacio marcado con el número uno las celdas en las que se
capturaron las seis M’s y sus causas. Para que esta información aparezca en uno se debe
posicionar el cursor en el espacio marcado con dos (Causas) y dar un click, con lo cual
esta ventana aparece ya con la información disponible para ser seleccionada, como se
muestra en la figura que aparece abajo:
S uperv isión
Inadecuado
C alibración Inspección
F uera de
especificación A lta rotación
Boca de tina
ov alada
S ubensambles de chasis
Ruido
M al mantenimiento
H umedad Transporte
D esajustado
C alor
M alas condiciones
debe de entrar a Sub a la derecha de Personal con lo que aparece la siguiente ventana y
se muestra como debiera de llenarse. Se hace lo mismo con trasporte dentro de
Métodos.
S uperv isión
Inadecuado
N
Ir
o
re
ca
pos
pa
C alibración
ns
c
ita
a
bl
da
e
F uera de Inspección
especificación
A lta rotación
Boca de tina
ov alada
S ubensambles de chasis
Ruido
M al mantenimiento
M
H umedad
an
ej
D esajustado
o
In
de
ad
m
C alor
ec
at
M alas condiciones
ua
er
do
ia
Transporte
l
98
Pureza del oxígeno, y
96
94
92
90
88
86
0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5 1.6
Porcentaje de hidrocarburos, x
En esta grafica se puede apreciar que existe una correlación positiva entre ambas
variables, es decir, al aumentar el porcentaje de hidrocarburos (x), la pureza del oxigeno
también aumenta, por lo que de requerirse una mayor pureza en el resultado, deberá
aumentarse el porcentaje de hidrocarburos en el proceso.
Puede también requerirse para hacer un análisis más preciso construir un modelo que
relacione ambas variables, el cual se conocería en este caso como modelo de regresión
lineal simple. Este modelo puede obtenerse con la secuencia
Estadísticas>>Regresión>>Regresión, toda vez que los datos ya han sido alimentados,
como se indica en la siguiente figura:
Después de esta secuencia aparecerá la siguiente tabla en donde las variables deberán
alimentarse entendiendo que la variable de respuesta es la variable dependiente, mientras
que la variable independiente deberá ir en el espacio de predictores según se indica:
Análisis de regresión
La ecuación de regresión es
Pureza del oxígeno, y = 74.3 + 14.9 Porcentaje de hidrocarburos, x
R-cuad. = 87.7%
Una vez alimentadas las columnas con la información, hacer clik en Aceptar, después de
lo cual se desplegará el coeficiente de correlación como se muestra a continuación:
B) CÁLCULOS Y REPORTE:
Para la evaluación de la unidad los alumnos deberán entregar en equipos de tres, todas
las prácticas realizadas en la unidad, incluyendo tanto la redacción de cada problema,
las gráficas (si es que se requirieron) y la interpretación de los resultados obtenidos.
C) RESULTADOS:
D) CONCLUSIONES:
5.- BIBLIOGRAFÍA:
• Montgomery, D. C., 2005. Control Estadístico de la Calidad. Editorial Limusa
Wiley. Tercera Edición.
• Montgomery, D. C. y Runger G. C., 2005. Probabilidad y Estadística aplicadas a
la Ingeniería. Editorial Limusa Wiley, segunda edición.
• Gutiérrez, P. H., 2004. Control Estadístico de la Calidad y Seis Sigma. Editorial
Mc Graw Hill.
• Escalante, V. E. J., 2003. Seis Sigma Metodología y Técnicas. Editorial Limusa.
6.- ANEXOS:
Ejercicio 1: Las siguientes son lecturas tomadas de la dimensión de un slot del base plate
6025, el cual es una placa metálica utilizada como base en la que posteriormente se
soldan pequeños transformadores:
Ejercicio 2: Las siguientes son lecturas tomadas de la dimensión de un slot del base plate
7125, el cual es una placa metálica utilizada como base en la que posteriormente se
soldan pequeños transformadores:
Porcentaje de Observaciones
algodón 1 2 3 4 5
15 7 7 15 11 9
20 12 17 12 18 18
25 14 18 18 19 19
30 19 25 22 19 23
35 7 10 11 15 11
Con esta información construir el diagrama de caja para cada porcentaje de algodón y
decidir qué porcentaje es el que debe utilizarse.
Construir el diagrama de caja y bigotes para tener una impresión gráfica de cuál mortero
proporciona una mayor fuerza de la resistencia de la adhesión. Si a mayor resistencia
No. de horas 2 4 6 8 10 12
Recubrimiento 1.8 1.5 1.4 1.1 1.1 0.9
Defecto Frecuencia
Ralladura 12
Golpes 3
Poca adherencia 25
Exceso 1
Falta de pintura 7
Catalizador 1 Catalizador 2
57.9 62.6 66.4 69.6
66.2 67.6 71.7 68.6
65.4 63.7 70.3 69.4
65.4 67.2 69.3 65.3
65.2 71.0 64.8 68.8
Construir el diagrama de caja y bigotes para tener una impresión gráfica de cuál
catalizador proporciona una mayor concentración del ingrediente activo. Si a mayor
concentración del ingrediente activo, mejor el catalizador, ¿Qué catalizador recomendaría
usted que se utilizara?, ¿Existe evidencia de datos atípicos en alguno de los catalizadores?
Gastos 40 20 25 20 30 50 40 20 50 40 25 50
Ventas 385 400 395 365 475 440 490 420 560 525 480 510
EQUIPO-HERRAMIENTA CANTIDAD
REQUERIDO
Equipo de cómputo 1 por alumno
SOFTWARE REQUERIDO
+MINITAB
+ OFFICE (WORD, ECXEL)
OBSERVACIONES-COMENTARIOS
1.- INTRODUCCIÓN:
3.- TEORÍA:
GRÁFICOS DE CONTROL POR VARIABLES
• Gráfico X , R
• Gráfico X , S
• Gráfico para mediciones individuales
Gráficos de control para atributos: los datos utilizados por este gráfico se
generan por calibradores pasa-no pasa o por conteos, entre estos gráficos se
encuentran:
• El gráfico p
• El gráfico np
• El gráfico C
• El gráfico U
4.- DESCRIPCIÓN
A) PROCEDIMIENTO Y DURACION DE LA PRÁCTICA:
4 horas/dos sesiones
Para construir los gráficos de control utilizando minitab, existen diferentes formas
de hacerlo, obteniendo información adicional en algunos casos como los índices
de capacidad del proceso, los PPM’s, el nivel de calidad en sigmas del proceso
(SQL). En este caso primeramente se ilustrará como construir únicamente los
gráficos de control, que nos ayudarán a saber si el proceso estuvo dentro de
control a la hora de recolectar los datos. A continuación se ilustra la secuencia a
seguir en el minitab 15.
1: Primero capturar o pegar los datos en una hoja de trabajo del minitab. Es
importante mencionar que solamente se deben capturar los datos originales, sin
los promedios y los rangos que se muestran en la tabla anterior, ya que si
minitab requiere de esos cálculos minitab los realizará. Entonces solo se deben
pegar las 25 muestras de tamaño 5 cada una (125 datos en total), quedando los
5 datos para cada muestra en la misma fila, como se muestra en la siguiente
figura.
4: Una vez que se ha realizado el paso anterior dar click en la opción Opciones
de Xbarra-R con lo que se desplegara la siguiente ventana:
ellos con la barra espaciadora, con lo cual minitab no las considera a la hora de
estimar los limites de control y los parámetros del proceso (media y desviación
estándar). Es importante mencionar que los puntos de estas muestras seguirán
apareciendo en el gráfico, pero los valores de los límites serán diferentes. La
ventana de estimar es la siguiente:
Es aquí en donde se deben seleccionar las pruebas que se quiere que haga el
software sobre el gráfico. Recordar que la primera es la más importante un
punto más allá de 3 desviaciones estándar con respecto a la línea central.
De estas pruebas se pueden seleccionar solo las que se requieran con un click
en el recuadro en blanco a la izquierda de cada prueba. En este caso
seleccionar todas, escogiendo la opción Realizar todas las pruebas para
causas especiales. Dejar los valores de k que aparecen en automático. Dar
click en Aceptar.
Después de omitir las muestras que violan la regla uno tanto en el gráfico X
como en el gráfico R resulta el siguiente gráfico en el que se puede ver que
siguen apareciendo los puntos que se pretendió eliminar, de hecho si se
eliminaron pero solo de los cálculos, ya que como puede verse los valores de
los límites son diferentes. Y como con estos nuevos límites ningún otro punto
violó alguna regla, se dice que el proceso está bajo control estadístico con estos
nuevos valores para los límites, por lo que pueden utilizarse para monitorear la
producción futura de esta pieza.
El Gráfico de Control X , S
Se ilustrará la construcción de estos gráficos utilizando los mismos datos de los
gráficos X , R .
5: Dar click en Aceptar en la ventana del paso anterior y luego Aceptar de nuevo
en la ventana Gráfica Xbarra-S (paso 2). El gráfico de control X-S resultante es
el siguiente en el que se puede ver el mismo comportamiento que el caso X-R
para el mismo grupo de datos, es decir, el proceso también muestra control
estadístico.
B) CÁLCULOS Y REPORTE:
Para la evaluación de la unidad los alumnos deberán entregar en equipos de tres, todas
las prácticas realizadas en la unidad, incluyendo tanto la redacción de cada problema,
las gráficas (si es que se requirieron) y la interpretación de los resultados obtenidos.
C) RESULTADOS:
D) CONCLUSIONES:
5.- BIBLIOGRAFÍA:
• Montgomery, D. C., 2005. Control Estadístico de la Calidad. Editorial
Limusa Wiley. Tercera Edición.
• Montgomery, D. C. y Runger G. C., 2005. Probabilidad y Estadística
aplicadas a la Ingeniería. Editorial Limusa Wiley, segunda edición.
• Gutiérrez, P. H., 2004. Control Estadístico de la Calidad y Seis Sigma.
Editorial Mc Graw Hill.
• Escalante, V. E. J., 2003. Seis Sigma Metodología y Técnicas. Editorial
Limusa.
• Carot A. V., 2001.Control Estadístico de la calidad. Editorial Alfaomega.
6.- ANEXOS:
EQUIPO-HERRAMIENTA CANTIDAD
REQUERIDO
Equipo de cómputo 1 por alumno
SOFTWARE REQUERIDO
+MINITAB
+ OFFICE (WORD, ECXEL)
OBSERVACIONES-COMENTARIOS
1.- INTRODUCCIÓN:
3.- TEORÍA:
Una vez que se calculan límites de control y se determina que el proceso se
encuentra estable se puede proceder a la fase II de los gráficos de control, la
cual consiste en el monitoreo en línea de la producción en tiempo real
utilizando estos valores. Cuando se ha pasado a la fase II y se ha determinado
que el proceso está estable éste se puede caracterizar, es decir, calcular los
parámetros del proceso como la media y la desviación estándar, los cuales se
requieren para estimar el PPM, el Yiel y el nivel de sigmas del proceso.
4.- DESCRIPCIÓN
A) PROCEDIMIENTO Y DURACION DE LA PRÁCTICA:
(Una sesión de dos horas)
B) CÁLCULOS Y REPORTE:
Para la evaluación de la unidad los alumnos deberán entregar en equipos de tres, todas
las prácticas realizadas en la unidad, incluyendo tanto la redacción de cada problema,
las gráficas (si es que se requirieron) y la interpretación de los resultados obtenidos.
C) RESULTADOS:
D) CONCLUSIONES:
5.- BIBLIOGRAFÍA:
• Montgomery, D. C., 2005. Control Estadístico de la Calidad. Editorial
Limusa Wiley. Tercera Edición.
• Montgomery, D. C. y Runger G. C., 2005. Probabilidad y Estadística
aplicadas a la Ingeniería. Editorial Limusa Wiley, segunda edición.
• Gutiérrez, P. H., 2004. Control Estadístico de la Calidad y Seis Sigma.
Editorial Mc Graw Hill.
• Escalante, V. E. J., 2003. Seis Sigma Metodología y Técnicas. Editorial
Limusa.
• Carot A. V., 2001.Control Estadístico de la calidad. Editorial Alfaomega.
• Grant. L., 2002. Control Estadístico de Calidad. Editorial Continental.
• Ryan B., Joiner B. y Creer J. 2005. MINITAB Handbook Updated for
Release 14.
6.- ANEXOS:
EQUIPO-HERRAMIENTA CANTIDAD
REQUERIDO
Equipo de cómputo 1 por alumno
SOFTWARE REQUERIDO
+MINITAB
+ OFFICE (WORD, ECXEL)
OBSERVACIONES-COMENTARIOS
1.- INTRODUCCIÓN:
3.- TEORÍA:
4.- DESCRIPCIÓN
A) PROCEDIMIENTO Y DURACION DE LA PRÁCTICA:
Duración: Dos sesiones de dos horas
Una forma alternativa de visualizar los índices de capacidad del proceso así
como sus PPM’s es mediante la secuencia Estadísticas >> Herramientas de
calidad >> Análisis de capacidad >> Normal, la cual se muestra a
continuación:
EQUIPO-HERRAMIENTA CANTIDAD
REQUERIDO
Equipo de cómputo 1 por alumno
SOFTWARE REQUERIDO
+MINITAB
+ OFFICE (WORD, ECXEL)
OBSERVACIONES-COMENTARIOS
1.- INTRODUCCIÓN:
3.- TEORÍA:
n
P{D = x} = p x (1 − p )
n− x
x = 0,1,...n
x
D
pˆ =
n
Además la media y la varianza de p̂ son:
p (1 − p )
µ=p y σ p2ˆ = respectivamente.
n
4.- DESCRIPCIÓN
Tabla de datos:
Número Número de Fracción Número Número de Fracción
de botes disconforme de botes disconforme
disconformes,
muestra Di Pi muestra disconformes, D i Pi
1 12 0.24 16 8 0.16
2 15 0.30 17 10 0.20
3 8 0.16 18 5 0.10
4 10 0.20 19 13 0.26
5 4 0.08 20 11 0.22
6 7 0.14 21 20 0.40
7 16 0.32 22 18 0.36
8 9 0.18 23 24 0.48
9 14 0.28 24 15 0.30
10 10 0.20 25 9 0.18
11 5 0.10 26 12 0.24
12 6 0.12 27 7 0.14
13 17 0.34 28 13 0.26
14 12 0.24 29 9 0.18
15 22 0.44 30 6 0.12
347 0.2313
0.4 UCL=0.4102
0.3
Proporción
_
P=0.2313
0.2
0.1
LCL=0.0524
0.0
1 4 7 10 13 16 19 22 25 28
Muestra
Tabla de datos:
Numero de Fraccion
Numero de Tamaño de unidades disconforme Desviacion Limites de control
la muestra la muestra disconformes muestral estandar LIC LSC
1 100 12 0.120 0.029 0.007 0.183
2 80 8 0.100 0.033 0.000 0.194
3 80 6 0.075 0.033 0.000 0.194
4 100 9 0.090 0.029 0.007 0.183
5 110 10 0.091 0.028 0.011 0.179
6 110 12 0.109 0.028 0.011 0.179
7 100 11 0.110 0.029 0.007 0.183
8 100 16 0.160 0.029 0.007 0.183
9 90 10 0.111 0.031 0.002 0.188
10 90 6 0.067 0.031 0.002 0.188
11 110 20 0.182 0.028 0.011 0.179
12 120 15 0.125 0.027 0.015 0.176
13 120 9 0.075 0.027 0.015 0.176
14 120 8 0.067 0.027 0.015 0.176
15 110 6 0.055 0.028 0.011 0.179
16 80 8 0.100 0.033 0.000 0.194
17 80 10 0.125 0.033 0.000 0.194
18 80 7 0.088 0.033 0.000 0.194
19 90 5 0.056 0.031 0.002 0.188
20 100 8 0.080 0.029 0.007 0.183
21 100 5 0.050 0.029 0.007 0.183
22 100 8 0.080 0.029 0.007 0.183
23 100 10 0.100 0.029 0.007 0.183
24 90 6 0.067 0.031 0.002 0.188
25 90 9 0.100 0.031 0.002 0.188
2450 234 0.095
subgrupos, es por esto que se deben utilizar dos columnas, una para los
tamaños de muestra y la otra para la cantidad de productos disconformes en
cada una de ellas. Cuando el tamaño de muestra es constante también se
pueden utilizar 2 columnas para capturar los datos, solo que en todas las filas de
la primera se escribiría el mismo valor, para el ejemplo visto en el caso de
tamaño de la muestra constante se escribiría 50 en todas las filas. Los datos
para este caso de tamaño de muestra variable se deben capturar de la siguiente
forma:
0.15
Proporción
_
0.10 P=0.0955
0.05
0.00 LCL=0.0026
1 3 5 7 9 11 13 15 17 19 21 23 25
Muestra
Las pruebas se realizaron con tamaños de la muestra desiguales
GRÁFICO DE CONTROL nP
Tabla de datos:
Número Número de Fracción Número Número de Fracción
de botes disconforme de botes disconforme
disconformes,
muestra Di Pi muestra disconformes, D i Pi
1 12 0.24 16 8 0.16
2 15 0.30 17 10 0.20
3 8 0.16 18 5 0.10
4 10 0.20 19 13 0.26
5 4 0.08 20 11 0.22
6 7 0.14 21 20 0.40
7 16 0.32 22 18 0.36
8 9 0.18 23 24 0.48
9 14 0.28 24 15 0.30
10 10 0.20 25 9 0.18
11 5 0.10 26 12 0.24
12 6 0.12 27 7 0.14
13 17 0.34 28 13 0.26
14 12 0.24 29 9 0.18
15 22 0.44 30 6 0.12
347 0.2313
1: Pegar o capturar los datos. Debido a que este gráfico se usa cuando el
tamaño de muestra es constante, esto se hace utilizando una sola columna para
la cantidad de defectuosos en la muestra, como se ilustra a continuación:
20 UCL=20.51
Conteo de muestras
15
__
NP=11.57
10
5
LCL=2.62
0
1 4 7 10 13 16 19 22 25 28
Muestra
En los valores de estos límites se puede ver que son iguales a los que resultaron
en el gráfico P solo que multiplicados por 50 que es el tamaño de cada muestra
(verificarlo) debido a que los datos de este ejercicio son los mismos. En este
gráfico también dentro de la ventana anterior se puede entrar a la pestaña
Estimado con la cual se pueden calcular los limites de control sin considerar las
muestras que mostraron alguna posible causa asignable utilizando la opción
Omitir los siguientes subgrupos cuando se estimen parámetros como se
hizo en los gráficos de control para variables. Hacer este ejercicio eliminando las
muestras 15 y 23.
B) CÁLCULOS Y REPORTE:
Para la evaluación de la unidad los alumnos deberán entregar en equipos de tres, todas
las prácticas realizadas en la unidad, incluyendo tanto la redacción de cada problema,
las gráficas (si es que se requirieron) y la interpretación de los resultados obtenidos.
C) RESULTADOS:
D) CONCLUSIONES:
5.- BIBLIOGRAFÍA:
• Montgomery, D. C., 2005. Control Estadístico de la Calidad. Editorial
Limusa Wiley. Tercera Edición.
6.- ANEXOS:
EQUIPO-HERRAMIENTA CANTIDAD
REQUERIDO
Equipo de cómputo 1 por alumno
SOFTWARE REQUERIDO
+MINITAB
+ OFFICE (WORD, ECXEL)
OBSERVACIONES-COMENTARIOS
1.- INTRODUCCIÓN:
3.- TEORÍA:
Totaldedefectos
µci = C =
Totaldesubgrupos
σ Ci2 = C
LSC = C + 3 C
LSC = C
LIC = C − 3 C
x
U =
n
Donde: X= Disconformidades totales en la muestra
n= Tamaño de la muestra
U
LSC = U + 3
n
LC = U
U
LSC = U − 3
n
4.- DESCRIPCIÓN
A) PROCEDIMIENTO Y DURACION DE LA PRÁCTICA:
1: Pegar los datos en una sola columna. Para utilizar este gráfico se requiere
que el tamaño de muestra sea constante.
UCL=33.21
30
Conteo de muestras
_
20 C=19.85
10
LCL=6.48
1
0
1 4 7 10 13 16 19 22 25
Muestra
Ejemplo:
Un fabricante de computadoras personales desea establecer una carta de control
para las disconformidades por unidad en la línea de ensamblaje final. El tamaño de la
muestra se selecciona de 5 computadoras. En la siguiente tabla se muestran los datos del
número de disconformidades en 20 muestras de tamaño 5 cada una. Realizar el gráfico de
control para disconformidades por unidad.
Número promedio
Número de Tamaño de Número de de disconformidades
muestra la muestra disconformidades (Xi) X
Por unidad µi = i
n
1 5 10 2.0
2 5 12 2.4
3 5 8 1.6
4 5 14 2.8
5 5 10 2.0
6 5 16 3.2
7 5 11 2.2
8 5 7 1.4
9 5 10 2.0
10 5 15 3.0
11 5 9 1.8
12 5 5 1.0
13 5 7 1.4
14 5 11 2.2
15 5 12 2.4
16 5 6 1.2
17 5 8 1.6
18 5 10 2.0
19 5 7 1.4
20 5 5 1.0
Totales: 193 38.6
_
2 U=1.93
0 LCL=0.066
1 3 5 7 9 11 13 15 17 19
Muestra
B) CÁLCULOS Y REPORTE:
Para la evaluación de la unidad los alumnos deberán entregar en equipos de tres, todas
las prácticas realizadas en la unidad, incluyendo tanto la redacción de cada problema,
las gráficas (si es que se requirieron) y la interpretación de los resultados obtenidos.
C) RESULTADOS:
D) CONCLUSIONES:
5.- BIBLIOGRAFÍA:
• Montgomery, D. C., 2005. Control Estadístico de la Calidad. Editorial
Limusa Wiley. Tercera Edición.
• Montgomery, D. C. y Runger G. C., 2005. Probabilidad y Estadística
aplicadas a la Ingeniería. Editorial Limusa Wiley, segunda edición.
6.- ANEXOS: