Beruflich Dokumente
Kultur Dokumente
CURSO TALLER DE
APLICACIÓN DE MINITAB
Página 1
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
CONTENIDO
MÓDULO 1. INTRODUCCIÓN
1. Cálculo de probabilidades
2. Pruebas de hipótesis de una población
3. Pruebas de hipótesis de dos poblaciones
4. Tamaño de muestra y potencia
5. Análisis de varianza (ANOVA)
6. Correlación y Regresión lineal y cuadrática simple
7. Aplicaciones
Página 2
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
1. Cartas Multivari
2. Diseño de experimentos factoriales completos
3. Diseño de experimentos factoriales de dos niveles
4. Diseño de experimentos fraccionales
5. Diseño de experimentos de Taguchi
6. Superficies de respuesta
7. Aplicaciones
1. Series de tiempo
2. Regresión múltiple
3. Análisis multivariado
4. Confiabilidad
5. Operaciones especiales
6. Aplicaciones
Página 3
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
MÓDULO 1. INTRODUCCIÓN
Objetivo: Familiarse y realizar aplicaciones con el paquete estadístico Minitab
Todos las líneas de comando tendrán el formato siguiente (> separa menús):
Data > Change Data Type > Numeric to Text.
Captura de datos
File > New
Se puede importar
Para hojas de trabajo una hoja de cálculo
(worksheets) sólo la de Excel en forma
parte de hoja tipo Excel directa con
Open Worksheet
Página 5
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Columna donde
Columnas aparecerá el
que contienen resultado
los datos
Expresión a
calcular
Store result in C8
Expresion: C1*C2
Cálculos
disponibles
1.5 Aplicaciones
Página 6
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Se utiliza el archivo de hoja de trabajo PULSE.MTW de la carpeta DATA de Minitab como ejemplo.
Se coleccionan datos de 92 estudiantes, su peso, estatura, peso, sexo, si fuma o no, nivel de
actividad física y pulso en reposo. Todos tiran una moneda y los que les salío sol corren durante
un minuto, después se vuelve a tomar su pulso.
50
40
Count
30
20
10
0
Activity 0 1 2 3
Se puede usar la
misma columna
u otra para los
valores una vez
transformados
Una vez cambiados los valores la gráfica se actualiza en forma automática colocándose
en la gráfica y con botón derecho del ratón seleccionar Update Graph Now
Página 7
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Para separar un sector: Click sobre la gráfica, click sobre el sector y doble click y
en Explode indicar Explode Slice
Diagrama de Pareto
Se utiliza el archivo PARETO anexo con estadísticas de los defectos en un producto
Copiar los datos de este archivo de datos para el módulo 2 en Minitab
Stat > Quality Tools > Pareto Chart
Página 8
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
80
150
60
Percent
Count
100
40
50
20
0 0
Defectos Rayas Sopladura Forma Terminación Other
Count 124 42 19 6 4
Percent 63.6 21.5 9.7 3.1 2.1
Cum % 63.6 85.1 94.9 97.9 100.0
Miniatab coloca nombre en las barras hasta que se cumple el % acumulado, después
acumula todos los demás conceptos y los agrupa en la barra de otros.
0
Operario = C Operario = D
80
60
40
20
y as ra rm
a
ió n e r
Ra du ac th
pla Fo in O
So r m
Te
Defectos
Página 9
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Causas primarias:
AMBIENTE MATLS. PERSONAL MÉTODO MAQUINAS
Polvo Forma Salud Ajuste Mantto.
Vibraciones Dureza Habilidad Velocidad Deformación
Humedad Amacen Humor Abrasión
Temperatura Herramental
Causas secundarias:
FORMA ALMACEN HABILIDAD HUMOR
Diámetro Tiempo Selección Horas
Curvatura Ambiente Formación Moral
Experiencia Cansancio
S alud
ur
iá
los títulos y
v
m
at
et
E
ur
F o ció n
ro
xp ión
F orma
Se
a
rm
er
le
seleccionar otro
ie
c
ac
nc
ia
D ureza H abilidad
tamaño de letra
Ca
A
m
Tie
ns
H
bie
a
m
or
or
nc
nt
po
as
al
io
A macen H umor
e
Temperatura H erramental
V elocidad
H umedad A brasión
V ibraciones D eformación
A juste
P olv o M antto.
200
180
Weight
160
140
120
100
60 62 64 66 68 70 72 74 76
Height
Página 10
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Se puede agregar otra variable para estratificar haciendo doble click en cualquiera
de los puntos y seleccionando la pestaña Groups e indicando la variable
categórica Sex.
180
Weight
160
140
120
100
60 62 64 66 68 70 72 74 76
Height
Para cambiar el tipo se símbolo por categoría para impresión en blanco y negro:
Página 11
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
40000000
30000000
PVP
20000000
10000000
0
0 100 200 300 400 500
Pot.(CV)
Con el gráfico seleccionado con un click, seleccionar Editor > Brush, se pueden
seleccionar los puntos uno a uno o con un cuadro seleccionar varios a la ve,.
manteniendo presionado el botón izquierdo del ratón mientras se seleccionan.
Otra forma de activar Brush es con la barra de herramientas Graph Editing llamada
desde: Tools > Tool Bars > Graph Editing
Con Brush activado y con la ventana de gráfica activa, en el Menu Editor seleccionar
Set ID Variables indicar Marca y Modelo seleccionar Include (row numbers)
Para hacer un Zoom de una zona del diagrama hay que cambiar los valores mínimo y
máximo de los ejes, seleccionar cada uno y en Scale Range poner los adecuados.
OPEL FIA T
SEA T C ITROEN
1700000 MA ZDA
PEUGEOT FORD
SEA T
VO LKSW A GEN SEA T ROVER
VO LKSW A GEN HYUNDA I
1600000 OPEL
PEUGEOT C ITROEN
FORD SUZUKI
1500000
50 60 70 80 90 100
Pot.(CV)
Página 13
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
2
Quality
0
Temp = 425 Temp = 450 Temp = 475
8
0
25 30 35 25 30 35 25 30 35
Time
50000000
40000000
30000000
PVP
20000000
10000000
0
Marginal Plot of PVP vs Pot.(CV) 0 100 200 300 400 500
Pot.(CV)
50000000
40000000
50000000
30000000
PVP
40000000
20000000
30000000
10000000
PVP
20000000
0
0 100 200 300 400 500 10000000
Pot.(CV)
0
0 100 200 300 400 500
Pot.(CV)
Página 14
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Permite seleccionar
toda la matriz o
solo la parte inferior
o superior de la
misma
40000000
20000000 PVP
0
12
8
Num.C il.
400
200 P ot.( C V )
0
0 20000000 40000000 0 200 400
Matriz bivariante solo entre las variables seleccionadas: En este caso se seleccionan:
Página 15
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
40000000
En esta gráfica si en el
30000000
Editor se selecciona la
PVP
20000000
opción Brush y manualmente 10000000
seleccionamos una serie de 0
12
puntos en una ventana,
10
en forma automática se
Consumo
8
seleccionan en las otras
6
ventanas.
4
45000000
30000000
PVP
15000000
450
0 300
0 150 Pot.(CV)
2000
4000 6000 0
Cil.(cc)
Con la herramienta Tools > Tool Bars > 3D Graph tools se puede modificar la gráfica:
Página 16
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
45000000
30000000
PVP
15000000
450
0 300
150 P ot.( C V )
0 2000
4000 6000 0
C il.( cc)
Generar datos para la superficie por medio de una función ya establecida con:
Página 17
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Columnas donde
se guardan los
datos generados
Datos para un
sombrero vaquero
C3 0
5
-1
0 C2
-5
0 -5
C1 5
0.4
0.0
C2
0.8
0.8
-2.5
0.0
Página 18
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
NOTA: Para que las columnas no se desplazen al copiar de Minitab a Excel cambiar a letra COURIER
Descriptive Statistics: Peso en gr
Variable Línea N N* Mean SE Mean StDev Minimum Q1 Median
Peso en gr 1 250 0 3999.6 3.14 49.6 3877.0 3967.8 3999.5
2 250 0 4085.6 3.32 52.5 3954.0 4048.8 4087.0
Variable Línea Q3 Maximum
Peso en gr 1 4040.0 4113.0
2 4121.5 4202.0
Página 19
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
30 N 250
20
10
0
3900 3960 4020 4080 4140 4200
Peso en gr
Panel variable: Línea de llenado
4200
4150
4100
Peso en gr
4050
4000
3950
3900
1 2
Línea de llenado
4200
4150
4100
Peso en gr
4050
4000
3950
3900
1 2
Línea de llenado
Diagrama de caja
Página 20
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
100
90
80
Pulse1
70
60
50
40
30
Incremento
20
10
-10
-20
Sex 1 2 1 2
Ran 1 2
Página 21
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Variable
Diagrama de puntos
Se tienen varias alternativas para estos diagramas desde el simple hasta estratificado.
Identificando el incremento en el pulso para quienes han corrido o no y por sexo.
Página 22
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Ran Sex
1 1
2
2 1
2
-9 0 9 18 27 36 45
Incremento
Histogram of Pulse1
25
20
15
Frequency
10
0
50 60 70 80 90 100
Pulse1
Se pueden hacer cambios en la escala de los ejes horizontal y vertical haciendo click
sobre estos, de la misma forma para el marco del histograma.
Para cambiar los intervalos del histograma, se da doble click sobre la escala horizontal
del histograma y se selecciona la pestaña Binning
Página 23
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Histogram of Pulse1
30
25
Frequency 20
15
10
0
48.00 56.66 65.33 74.00 82.66 91.33 100.00
Pulse1
Una vez creada esta gráfica, se puede hacer otra muy similar dejando el histograma
original como ventana activa, por ejemplo para Pulse2:
Histogram of Pulse2
30
25
20
Frequency
15
10
0
60 80 100 120 140
Pulse2
Página 24
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Histogram of Pulse1
50 60 70 80 90 100
1 2
16
14
12
Frequency
10
0
50 60 70 80 90 100
Pulse1
Panel variable: Ran
Da la ordenada de probabilidad
en un punto del eje horizontal
Da la probabilidad acumulada
o área desde menos infinito hasta
los valores indicado en Input
Column o el valor indicado en
Input Constant
Densidad de probabilidad
Página 25
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Probabilidad acumulada
Calc > Probability distributions > Normal
Seleccionar Cumulative Probability
En Input Constant poner 1.5
Primer valor
Último valor
Incremento
Página 26
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Indicar en Y C1 y en X C1
En la gráfica quitar los puntos dejando solo la línea con doble click sobre la curva:
Attributes Symbols > seleccionar Custom y en Type None
Scatterplot of C2 vs C1
0.4
0.3
0.2
C2
0.1
0.0
-5 -4 -3 -2 -1 0 1 2 3 4
C1
Scatterplot of C2 vs C1
0.4
0.3
0.2
C2
0.1
0.0
-5 -4 -3 -2 -1 0 1 2 3 4
C1
Para las distribuciones de densidad de Weibull se tiene (entre 0 y 4 con incrementos de 0.01):
Página 27
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
1.0
Y-Data
0.8
0.6
0.4
0.2
0.0
0 1 2 3 4
C1
K1 Minitab Excel
K2 K1 Área Área
Área entre ± Z = 1 sigmas 0,933193 0,0668072 0,8663858 0,866385597
Página 28
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
60
50
40 P Value indica la probabilidad
30
20 de equivocarnos al rechazar el
10
5 supuesto de normalidad cierto
1
0.1
3800 3900 4000 4100 4200 4300
Un valor P de menos de 0.05
Peso en gr indica que los datos no son
normales, en este caso si lo son.
60
50
40
30
una distribución normal
20
10
5
0.1
3800 3900 4000 4100 4200 4300
Peso en gr
3.6 Aplicaciones
Página 29
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Estadístico t (valor a partir del cual inicia el área bajo la curva alfa)
Media = 0
1- Alfa Estadístico t Estadístico t
Datos Alfa Minitab en Minitab Excel
10 0,05 0,95 1,83311 1,833112933
10 0,1 0,9 1,38303 1,383028738
Distribución F de Fisher (para probar hipótesis de comparación de varianzas entre dos muestras)
Estadístico F (valor a partir del cual inicia el área bajo la curva alfa)
S12
Fc S1 debe ser mayor a S2
0 S 22
Sólo valores positivos en eje horizontal
curva no simétrica
Página 30
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Estadístico Chi (valor a partir del cual inicia el área bajo la curva alfa)
S12
Fc
0 S 22
Sólo valores positivos en eje horizontal
curva no simétrica
Referirse a los materiales sobre Pruebas de hipótesis para la teoría de estas pruebas
MinitabPruebaHipótesis.doc InterConfPruHipo1P.xls Pruebas Hipotesis 2 pob1.xls
Caso 1. Prueba de una media poblacional cuando se conoce la varianza de la población (en base a datos históricos)
Ejemplo: Una línea de llenado de paquetes debe llenar 4 kg en cada uno. Se toman
20 muestras y se pesan en gramos:
4035 3949 3969 3955 3969
3928 4017 3979 3984 3995
3974 4009 3970 4034 3991
4024 3983 3997 3964 3988
Página 31
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Nivel de confianza
_
X Si la Ho queda fuera de la línea
Ho
azul, entonces se rechaza la
hipótesis nula Ho y se acepta la
3920 3940 3960 3980 4000 4020 4040 hipótesis alterna Ha indicando
Pesos
que los pesos son menores a
los 4 Kgs.
One-Sample Z: Pesos
Test of mu = 4000 vs not = 4000
The assumed standard deviation = 25
Página 32
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Caso 2. Prueba de una media poblacional cuando no se conoce la varianza y el número de datos es menor a 30
One-Sample T: Pesos
Test of mu = 4000 vs not = 4000
Variable N Mean StDev SE Mean 95% CI T P
Pesos 20 3985.70 28.18 6.30 (3972.51, 3998.89) -2.27 0.035
Ejemplo: Un producto tiene accesorios que se piensa nadie usa, se hace una encuesta
a 200 usuarios y 17 si usan los accesorios.
Página 33
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Es válido decir que sólo el 10% de los usuarios utilizan los accesorios
Método A Método B
24,3 24,4
25,6 21,5
26,7 25,1
22,7 22,8
24,8 25,2
23,8 23,5
25,9 22,2
26,4 23,5
25,8 23,3
25,4 24,7
¿Se puede decir que los dos métodos producen resistencias a la tracción diferentes?
Usar un nivel de confianza del 95%.
Página 34
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
26
25
Data
24
23
22
21
Método A Método B
Caso 2. Muestras pareadas - Prueba si las diferencias entre sujetos son iguales.
Página 35
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
_
X
Ho
Como el valor de Ho no se
encuentra en el intervalo de
confianza de la diferencia de las
-1.2 -1.0 -0.8 -0.6 -0.4 -0.2 0.0
Differences dos medias, se rechaza Ho
y se acepta Ha indicando que el
deterioro es diferentes en los dos
Paired T-Test and CI: Lente A, Lente B métodos.
Potencia: Es la capacidad de una prueba para detectar una diferencia cuando realmente existe.
Hipótesis Nula
Desición Verdadera Falsa
No rechazar Desición correcta Error tipo II
p=1-a p=b
Rechazar Error tipo I Desición correcta
p=a p=1- b
Potencia
Página 37
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
* Tamaños de muestra
* Diferencias - un corrimiento significativo de la media que se desea detectar
* Valores de potencia - La probabilidad deseada de rechazar Ho cuando es falsa
Ejemplo: Se tiene una población normal con media de 365 y límites de especificación
de 360 y 370. Si la media se desplaza 2.5 gramos por arriba de la media, el número de
defectos sería inaceptable, la desviación estándar histórica es de 2.403:
0.12
0.10
Y-Data
0.08
0.06
0.04
0.02
0.00
Página 38
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
1-Sample t Test
Sample Target
Difference Size Power Actual Power
2.5 10 0.80 0.832695
2.5 11 0.85 0.873928
2.5 12 0.90 0.905836
2.5 15 0.95 0.962487
Página 39
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Sample Target
Difference Size Power Actual Power
1 17 0.8 0.807037
1 23 0.9 0.912498
* Tamaños de muestra
* La proporción - una proporción que se desea detectar con alta probabilidad
* Valores de potencia - La probabilidad deseada de rechazar Ho cuando es falsa
Suponiendo que se desea detectar una proporción de 0.04 con el 0.8 y 0.9 de niveles
de Potencia:
Por tanto con un tamaño de muestra de 500, la potencia de la prueba para detectar
un corrimiento de 2% a 4% es del 86.6%
Página 40
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
H 0
1 2 3 .... k
A B C
1,9 1,6 1,3
1,8 1,1 1,6
2,1 1,3 1,8
1,8 1,4 1,1
1,1 1,5
1,1
A un 95% de nivel de confianza, ¿hay alguna variedad que produzca más fenoles que otra?
50 0.0
10 -0.2
1 -0.4
-0.50 -0.25 0.00 0.25 0.50 1.4 1.6 1.8
Residual Fitted Value
0
-0.3 -0.2 -0.1 0.0 0.1 0.2 0.3 0.4
Residual
Página 41
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
One-way ANOVA: A, B, C
Como el valor P value es menor
Source DF SS MS F P a 0.05 existe una diferencia
Factor 2 0.9000 0.4500 8.44 0.005 significativa entre algunas medias
Error 12 0.6400 0.0533
Total 14 1.5400
B subtracted from:
Lower Center Upper -----+---------+---------+---------+----
C -0.2728 0.1000 0.4728 (---------*--------)
-----+---------+---------+---------+----
-0.80 -0.40 -0.00 0.40
ANOVA de una vía con datos de tratamientos en una sola columna Respuesta Factor
1,9 A
Los datos del ejemplo anterior arreglados en una 1,8 A
sola columna se muestran a continuación: 2,1 A
1,8 A
1,6 B
1,1 B
1,3 B
1,4 B
1,1 B
1,3 C
1,6 C
1,8 C
1,1 C
1,5 C
1,1 C
Página 42
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Los resultados son similares a los anteriores excepto que se obtiene una grafica de
4 en uno en vez de 3 en uno.
50 0.0
10 -0.2
1 -0.4
-0.50 -0.25 0.00 0.25 0.50 1.4 1.6 1.8
Residual Fitted Value
0.2
Frequency
2
Residual
0.0
1
-0.2
0 -0.4
-0.3 -0.2 -0.1 0.0 0.1 0.2 0.3 0.4 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Residual Observation Order
Coeficiente de Correlación
La correlación es una prueba fácil y rápida para eliminar factores que no influyen
en la predicción, para una respuesta dada.
Página 43
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
15 15
10
Y
Y
10
5
5
0
0 5 10 15 20 25
Sin Correlación 0
0 5 10 15 20 25
X 25 X
20
15
Correlación
Y
10
5
Correlación
25
Positiva 0 Negativa
0 5 10 15 20 25 25
20
X 20
15
15
Y
10
Y
10
5
5
0
0 5 10 15 20 25 0
0 5 10 15 20 25
X
X
Ejemplo:
Se utiliza el archivo PULSE.MTW campos Peso (Weight) y Altura (Height)
File > Open Worksheet > Pulse.Mtw o copiar los datos del archivo anexo
200
180
Weight
160
140
120
100
60 62 64 66 68 70 72 74 76
Height
Ahora se calcula el coeficiente de Correlación que mide el grado de relación que existe
entre dos variables, como sigue:
Página 44
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Ecuación de
Fitted Line Plot Regresión
Weight = - 204.7 + 5.092 Height
220
S Desv. Estandar de
200
los residuos
180
(valor real-estimado
por la regresión)
Weight
160 S 14.7920
R-Sq 61.6%
140 R-Sq(adj) 61.2% R-Sq Coeficiente
de Determinación
120
en porcentaje de
100 variación explicada
por la ecuación de
60 62 64 66 68 70 72 74 76
Height regresión
Regresión simple:
Efectúa un análisis de regresión simple:
Página 45
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Source DF SS MS F P
Regression 1 31592 31592 144.38 0.000 Regresión significativa
Residual Error 90 19692 219
Total 91 51284
Unusual Observations
En algunos casos hay puntos que están muy alejados de la mayoría de los puntos
se marcan con X y pueden sesgar los resultados, se sugiere investigarlos.
Por ejemplo:
50
40
Y
30
20
10
0 2 4 6 8 10 12
X
Unusual Observations
Página 46
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Por ejemplo usando los datos del archivo CEREBRO.MTW anexo que tiene los pesos
del cerebro y los pesos del cuerpo en 62 especies de mamíferos se tiene:
5000
4000
Peso cerebro (g)
3000
2000
1000
En este caso los pesos de los elefantes pueden sesgar la ecuación de la recta
no se pueden eliminar como anómalos y se intentará transformarlos en forma
logarítmica:
Página 47
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
S 0.301528
en base a una X
1000.00
Peso cerebro (g)
R-Sq 92.1%
R-Sq(adj) 91.9%
100.00
Intervalo de
10.00 predicción de Y para
1.00 valores individuales
0.10
en base a una X
0.01
1 0 0 0 00 0 00 0 Coeficiente de
00 01 10 00 .0 00 .0 00
0. 0. 0. 1. 10 0. 00 0. determinación
10 10 000
1
Peso total (kg)
muy cercano a uno
Usar el archivo RESIDUOS.MTW anexo o copiar los datos de las columnas X, Y a Minitab
Stat > Regression > Fitted line Plot
Seleccionar en Response (Y) Y, Predictor (X) X
Seleccionar modelo Linear
En Options seleccionar Display Confidence Interval y Prediction Interval:
En Graphs seleccionar Residuals vs Fits
0.5
Residual
0.0
-0.5
-1.0
15 20 25 30 35
Fitted Value
Regression
35 95% C I
95% PI
S 0.228822
30 R-Sq 99.9%
R-Sq(adj) 99.9%
25
Y
20
15
0 1 2 3 4 5
X
Página 48
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
0.25
Residual
0.00
-0.25
-0.50
15 20 25 30 35
Fitted Value
4.7 Aplicaciones
Página 49
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Se utilizan cuando no interesa la forma de la distribución o cuando los datos no son normales
Prueba de Hipótesis
Variables Atributos
No Normales Tablas de
Contingencia de
Varianzas Medianas
Correlación
Correlación
Homogeneidad
Prueba de signos
de Varianzas
de Levene Wilcoxon
Normal
Mann-
Whitney Variancia Medias
Kruskal-
Chi Pruebas de t
Wallis
Prueba-F Muestra-1
Residuos
Prueba de Mood Muestra-2
Homogeneidad distribuidos
Friedman de la Variación ANOVA
de Bartlett Una vía normalmente
Dos vías
Correlación
Regresión
Página 50
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Prueba de Rachas:
Calcula la probabilidad de que un X número de puntos o rachas de referencia,
estén por encima o por debajo del promedio aleatoriamente.
Se tiene pruebas paramétricas y no paramétricas.
Pruebas de Varianzas
Homogeneidad de la varianza de Levene:
Compara dos o más varianzas de muestras de la misma población.
Pruebas de la Mediana
Prueba de signos: Prueba si el promedio de la mediana de la muestra
es igual a un valor conocido o a un valor a alcanzar.
Pruebas de la Mediana
Prueba Mann-Whitney: Prueba si dos medianas de muestras son iguales.
Comprueba el rango de dos muestras, por diferencia entre dos medianas del universo.
Pruebas de la Mediana
Prueba de la mediana de Mood: Otra prueba para más de dos medianas.
Prueba más firme para los valores atípicos contenidos en la información.
Página 51
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
45
40
Membrane
35
30
25
20
1 2 3 4 5 6 7 8 9 10
Sample
Number of runs about median: 3 Number of runs up or down: 5
Expected number of runs: 6.00000 Expected number of runs: 6.33333
Longest run about median: 5 Longest run up or down: 3
A pprox P-Value for C lustering: 0.02209 A pprox P-Value for Trends: 0.13455
A pprox P-Value for Mixtures: 0.97791 A pprox P-Value for Oscillation: 0.86545
Interpretación de resultados
Como el P value de Clustering es menor a 0.05 indica que este patrón es significativo
y se deben investigar las posibles causas.
H0: Las rachas son aleatorias H1: Las rachas siguen un patrón no aleatorio
Un entrevistador encuesta a 30 personas al azar y les hace una pregunta con 4 posibles
respuestas (0, 1, 2 y 3). Se quiere probar si hay una respuesta aleatoria en el orden de
las respuestas o que no haya sesgo en el entrevistado.
Ejemplo: Se evaluan los índices de precios de 29 casas. Los datos históricos indican
que el índice ha sido de 115. Probar a un alfa de 0.10 si el alfa se ha incrementado.
Página 52
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
N
for Wilcoxon Estimated
N Test Statistic P Median
Achievement 9 8 19.5 0.889 77.50
Se asume que las muestras provienen de dos poblaciones con la misma forma y varianza
Página 53
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
H0: Las medianas poblacionales son todas iguales versus H1: Al menos hay una diferente
H = 8.63 DF = 2 P = 0.013
H = 8.64 DF = 2 P = 0.013 (adjusted for ties)
Interpretación de resultados:
Como el valor P de la prueba es < 0.05 hay evidencia suficiente para rechazar Ho y las
medianas son diferentes estadísticamente.
La mediana 1 difiere menos de la mediana general
Las medianas 2 y 3 tienen una mayor diferencia respecto a la mediana general.
Página 54
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
H0: h1 = h2 = h3, versus H1: no todas las h's son iguales con h's medianas poblacionales .
de OTIS para los tres niveles educacionales.
Página 55
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Ejemplo: Se tiene interés de probar si la afiliación política depende del sexo y del
partído político, para lo cual se encuestan a 100 personas.
Del Archivo EXH_TABL.MTW de la carpeta de Minitab o anexo se toman los datos siguientes:
Total 50 45 5 100
5.9 Aplicaciones
Página 56
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Carta X - R Carta de Medias Rangos, funciona mejor para subgrupos menores a 10.
CAMSHAFT
Ejemplo: En una planta automotríz una flecha debe tener 600 mm ± 2 mm de longitud
sin embargo ha habido dificultades con dar esta dimensión con problemas de ensamble
que resultan en un alto porcentaje de retrabajo y desperdicio. Se dese monitorear esta
característica con una carta X media - R durante un mes se colectan 100 mediciones
(20 muestras de 5 flechas cada una) de todas las flechas utilizadas en la planta de los dos
proveedores que las surten SUPP1 y SUPP2, primero se analiza al SUPP2.
Stat > Control Charts > Variables Charts for Subgroups > Xbar-R.
Seleccionar All observations for a chart are in one column, seleccionar Supp2.
Existe otra alternativa Observations for a subgroup are in a row of columns
Estimate Para omitir subrupos con los que el proceso sale de control
Omit the following subroup when est. parameters (2 14)
Method for estimating standar deviation seleccionar R bar
Página 57
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
En este caso:
Sample Mean _
_
X=600.23
600
598 LC L=597.986
2 4 6 8 10 12 14 16 18 20
Sample
8 U C L=8.225
Sample Range
_
4 R=3.890
0 LC L=0
2 4 6 8 10 12 14 16 18 20
Sample
TEST 1. One point more than 3.00 standard deviations from center line.
Test Failed at points: 2, 14
Stat > Control Charts > Variables Charts for Subgroups > Xbar-R.
Seleccionar All observations for a chart are in one column, seleccionar Supp2.
En Subgroup sizes, poner 5 .
En X bar R Options seleccionar Estimate Omit the following subgroups 2 14 sel. R bar
Click OK OK.
601
Sample Mean
_
_
600 X=599.938
599
598
LC L=597.629
2 4 6 8 10 12 14 16 18 20
Sample
U C L=8.465
8
Sample Range
_
4 R=4.003
0 LC L=0
2 4 6 8 10 12 14 16 18 20
Sample
Crearemos dos columnas adicionales: Una para la hora de toma de muestra y otra para el
número que identifique al operario de la máquina.
Página 58
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Calc > Make Patterned Data > Simple Set of Data / Time Values
Hora de la primera y
última muestra
Incremento de 15 minutos
Respecto al operario se asume que las primeras 25 muestras las toma el operario A y las
otras 15 el operario B
3.28
_
_
X=3.2671
Sample Mean
3.26
6
3.24 LCL=3.2402
3.22
3.20
1
1
8:00 9:00 10:00 11:00 12:00 13:00 14:00 15:00 16:00 17:00
Hora
Página 59
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
TEST 1. One point more than 3.00 standard deviations from center line.
Test Failed at points: 22, 23
TEST 5. 2 out of 3 points more than 2 standard deviations from center line (on
one side of CL).
Test Failed at points: 23
TEST 6. 4 out of 5 points more than 1 standard deviation from center line (on
one side of CL).
Test Failed at points: 5
R Chart of Peso
0.10 UCL=0.1020
0.08
Sample Range
0.06
_
R=0.0483
0.04
0.02
0.00 LCL=0
4 8 12 16 20 24 28 32 36 40
Sample
0.03
Sample StDev
_
0.02 S=0.01950
0.01
0.00 LCL=0
4 8 12 16 20 24 28 32 36 40
Sample
Página 60
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
600
_
X=599.548
599
598 LC L=597.920
1
1 10 20 30 40 50 60 70 80 90 100
O bser vation
2.4
1
U C L=2.000
Moving Range
1.8
1.2
__
0.6 M R=0.612
0.0 LC L=0
1 10 20 30 40 50 60 70 80 90 100
O bser vation
Stat > Control Charts > Variables Charts for Individuals > I-MR.
En Variables seleccionar SUPP1
En Data Options seleccionar Specify which rows to exclude
Seleccionar Row Numbers 34 39 55 56 82
Click OK OK. I-MR Chart of Supp1
601 U C L=600.943
Individual Value
600
_
X=599.531
599
LC L=598.118
598
1
1 10 20 30 40 50 60 70 80 90 100
O bser v ation
2.0
1 1 1
U C L=1.735
1.5
Moving Range
1.0
__
0.5 M R=0.531
0.0 LC L=0
1 10 20 30 40 50 60 70 80 90 100
O bser v ation
Página 61
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
600.0
_
599.5 X=599.536
599.0
598.5
LC L=598.251
1 1
1 10 20 30 40 50 60 70 80 90 100
O bser vation
1.6 U C L=1.579
1.2
Moving Range
0.8
__
M R=0.483
0.4
0.0 LC L=0
1 10 20 30 40 50 60 70 80 90 100
O bser vation
Ejemplo: En una industria química se toma una muestra cada 15 minutos y se mide
el pH y la concentración de cloro de la solución, los datos se muestran en el archivo
CLORO.MTW anexo de este módulo.
12
11
Individual Value
10
_
9 X=9.128
7
Uso de la función Stamp
6
LCL=5.413
5
Hora V 6:45 7:30 8:15 9:00 9:45 10:30 11:15 12:00 12:45 13:30
Cl V 21 21 20 19 20 18 19 18 20 20
Página 62
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Como hay un punto que se sale de control se puede omitir como sigue:
Stat > Control Charts > Variable charts for individuals
Variable pH V
Scale > Time: Stamp 'Hora V' 'Cl V'
Data Options seleccionar Specify wich rows to exclude Row numbers 25
I Chart Options en These multiples of the standar deviation poner 1 2 3
OK
I Chart of pH V
13
+3SL=12.366
12
+2SL=11.244
11
Excluye el punto fuera de
Individual Value
10 +1SL=10.122
_
control y muestra los
9 X=9 límites de control a
8 -1SL=7.878
una, dos y tres sigmas
7
-2SL=6.756
6
-3SL=5.634
5
Hora V 6:45 7:30 8:15 9:00 9:45 10:30 11:15 12:00 12:45 13:30
Cl V 21 21 20 19 20 18 19 18 20 20
Para mostrar el comportamiento por día, se usa Stages por Fecha en dos cartas para
mejor claridad
I Chart Options:
Define stages (historical group) within this variable Fecha
When to start a new value seleccionar With each new value
Display seleccionar Each Segment Contains 80 Subgroups
OK
I Chart of pH by Fecha
04/11/2002 05/11/2002 06/11/2002
14
12 UCL=12.370
10 _
X=8.981
8
Individual Value
6 LCL=5.592
Hora V 6:15 8:00 10:00 12:00 14:00
Cl V 19 20 21 18 20
07/11/2002 08/11/2002
14 1
UCL=12.843
12
10 _
X=9.128
8
6
LCL=5.413
Hora V
Cl V
Página 63
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Moving Range 3
2
__
MR=1.397
1
0 LCL=0
3 6 9 12 15 18 21 24 27 30
Observation
10 _
X=9.128
8
6
LC L=5.413
3 6 9 12 15 18 21 24 27 30
O bse r v ation
U C L=4.564
4
Moving Range
2
__
M R=1.397
1
0 LC L=0
3 6 9 12 15 18 21 24 27 30
O bse r v ation
Stat > Control Charts > Variables Charts for Subgroups > Xbar-S.
Seleccionar All observations for a chart are in one column, seleccionar Supp2.
Existe otra alternativa Observations for a subgroup are in a row of columns
601
Sample Mean
_
_
X=600.23
600
599
LC L=598.552
1 2 3 4 5 6 7 8 9 10
Sample
3 U C L=2.952
Página 64
Sample StDev
2 _
S =1.720
1
X=600.23
Sample
600
3 U C L=2.952
Sample StDev
2 _
S =1.720
LC L=0.488
1 2 3 4 5 6 7 8 9 10
Sample
601
Sample Mean
_
_
600 X=600.042
599
LC L=598.349
598
1 2 3 4 5 6 7 8 9 10
Sample
3 U C L=2.979
Sample StDev
2 _
S =1.736
LC L=0.492
1 2 3 4 5 6 7 8 9 10
Sample
Error de reproducibilidad
Causado por diferencias entre operadores al revisar las mediciones
1. Gage Run Chart: Análisis gráfico de los resultados como primeras conclusiones
2. Gage Linearity and Bias Study: ¿es igual el error en todo el rango de magnitudes a medir?
Diseños Cruzados (Crossed): Los operadores miden todas las piezas dos o tres veces
normalmente características dimensionales
Diseños anidados (Nested): Cada pieza es medida por un solo operador para el caso de
pruebas destructivas, debe medir varias piezas muy parecidas entre si
(normalmente piezas producidas en forma consecutiva) casi sin variabilidad.
Para los ejemplos se usa el archivo RR_Cruz.MTW anexo, contiene datos para la realización
de un estudio R&R en el que 3 operadores han medido 10 piezas distintas, 3 veces cada
una de manera aleatoria y sin saber cual estaban midiendo en cierto tiempo.
Stat > Quality Tools > Gage Study > Gage Run Chart
Part Numbers - Pieza; Operators - Operario; Measurement data - Medición
Trial Numbers - Orden (indica el orden en que se hicieron las mediciones).
Options - Permite poner título al estudio
Gage Info: Para información adicional del estudio
1 2 3 4 5 O perario
16 1
2
3
Las piezas son diferentes
Mean
12 ver pieza 2 y 3 versus la
8y9
Medicion
6 7 8 9 10
16
El operario 2 tiene más
12
variabilidad en sus
Mean
mediciones y además
8
tiende a tener valores por
Operario
debajo de los otros 2
Panel variable: Pieza
Stat > Quality Tools > Gage Study > Gage R&R Study (Crossed)
Part Numbers - Pieza; Operators - Operario; Measurement data - Medición
Seleccionar Method of Análisis - ANOVA
Options - Study variation 5.15 (99% nivel de conf.) Tolerance - 15 Tolerancia de las piezas
Gage Info: Para información adicional de identificación del estudio
Página 66
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Varianza %Contribution
Source VarComp (of VarComp)
Total Gage R&R 2.08017 38.10
Repeatability 1.36510 25.00 Varianza relevante debida al equipo
Reproducibility 0.71507 13.10 Menor varianza debida al operador
Operario 0.71507 13.10
Part-To-Part 3.37959 61.90
Total Variation 5.45976 100.00
Usada cuando el equipo es para control del proceso
Tabla de análisis de la Variación
Usada cuando el equipo es para liberar producto
raiz (Varianza) Study Var %Study Var %Tolerance
Source StdDev (SD) (5.15 * SD) (%SV) (SV/Toler)
Total Gage R&R 1.44228 7.4277 61.73 49.52
Repeatability 1.16838 6.0171 50.00 40.11
Reproducibility 0.84562 4.3549 36.19 29.03
Operario 0.84562 4.3549 36.19 29.03
Part-To-Part 1.83837 9.4676 78.68 63.12
Total Variation 2.33661 12.0336 100.00 80.22
Ventana de gráficas
Página 67
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Percent
% Tolerance
40 12
0 6
Gage R&R Repeat Reprod Part-to-Part 1 2 3 4 5 6 7 8 9 10
Pieza
R Chart by Operario
Medicion by Operario
1 2 3
UCL=5.257 18
Sample Range
4
12
Operario 2 tiene una
_
2 R=2.042
Media más baja
0 LCL=0 6
1 2 3
Operario
Xbar Chart by Operario
1 2 3 Operario * Pieza Interaction
15.0 15.0 Operario
Si no hay interacción
Sample Mean
1
UCL=13.383
Average
2
12.5 _ 12.5
_ 3
10.0
X=11.293
10.0 significativa, estas
LCL=9.204
1 2 3 4 5 6 7 8 9 10 líneas son paralelas
Pieza
Carta de rangos: Muestra al operario 2 con mayor variabilidad que los demás
pero aun así estan dentro de control, de otra forma repetir las mediciones
Cartas de Medias: Debe tener al menos el 50% de sus puntos fuera de control para
indicar que el sistema de medición discrimina las partes adecuadamente
Stat > Quality Tools > Gage Study > Gage R&R Study (crossed)
Seleccionar columnas de parts, operators y measurement data
Seleccionar Method of Analysis ANOVA
En gage info introducir la información general del equipo y del estudio
En options introducir lo siguiente:
Study variation 5.15 (estándar industrial, corresp. al 99% de NC)
Process Tolerance 2
a) si hay dos especs. inferior y superior, introducir el rango
b) si solo hay una espec. superior introducirla en Upper spec
c) si solo hay una espec. inferior introducirla en Lower spec.
OK
Los resultados son los siguientes:
Source DF SS MS F P
Part 9 2.05871 0.228745 39.7178 0.000
Operator 2 0.04800 0.024000 4.1672 0.033
Part * Operator 18 0.10367 0.005759 4.4588 La0.000
interacción si es
Repeatability 30 0.03875 0.001292 significativa, el operador
Total 59 2.24913 tiene interacción con las
partes
Gage R&R
%Contribution
Source VarComp (of VarComp)
Total Gage R&R 0.0044375 10.67
Repeatability 0.0012917 3.10
Página 68
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
% Tolerance
0.75
50
0.50
0
Gage R&R Repeat Reprod Part-to-Part 1 2 3 4 5 6 7 8 9 10
Part
R Chart by Operator
Response by Operator
1 2 3
UCL=0.1252 1.00
Sample Range
0.10
0.75
0.05 _
R=0.0383
0.50
0.00 LCL=0
1 2 3
Operator
Xbar Chart by Operator
1 2 3 Operator * Part Interaction
1.00 1.00 Operator
Sample Mean
_
UCL=0.8796
_
1
Average
2
X=0.8075
0.75 LCL=0.7354 0.75 3
0.50
0.50 Si hay interacción entre
1 2 3 4 5
Part
6 7 8 9 10
operadores y partes,
debe revisarse el método
La carta R esta dentro de control de medición
La carta de medias tiene más del 50% de puntos fuera de control, lo que es adecuado
Se trata de un diseño anidado ya que cada operador solo mide una parte de las piezas.
Stat > Quality Tools > Gage Study > Gage R&R Study (Nested)
Seleccionar columnas de part or batch numbers, operators y measurement data
En gage info introducir la información general del equipo y del estudio
En options introducir lo siguiente:
Study variation 5.15
Process Tolerance 10 Errores mayores a lo permitido
OK
Study Var %Study Var %Tolerance
Source StdDev (SD) (5.15 * SD) (%SV) (SV/Toler)
Total Gage R&R 1.37317 7.07181 97.92 70.72
Repeatability 1.13529 5.84676 80.95 58.47
Página 69
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
% Tolerance
22
50
20
0
Gage R&R Repeat Reprod Part-to-Part Pieza 1 2 3 4 5 6 7 8 9 10 11 12
Operario A B C
R Chart by Operario
Medicion by Operario
A B C
UCL=5.170 24
Sample Range
4
22
_
2 R=2.008
20
0 LCL=0
A B C
Operario
Xbar Chart by Operario
A B C
24 UCL=24.196
Sample Mean
_
_
22 X=22.142
20 LCL=20.087
Estudios de linealidad
Amplitud de la
variabilidad del proceso
G age Linearity
P redictor C oef S E C oef P
Regression
C onstant 0.73667 0.07252 0.000
95% CI
1.0 Data
Avg Bias
S lope -0.13167 0.01093 0.000 Ecuación
S 0.23954 R-S q 71.4%
Linearity 1.86889 % Linearity 13.2
-0.5
Percent of Process Variation
10
Percent
-1.0 5
2 4 6 8 10
Reference Value 0
Linearity Bias
Página 70
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
La capacidad del proceso es la capacidad que tiene para cumplir especificaciones una
vez que muestra estabilidad o esta dentro de control estadístico.
Especificaciones
Página 71
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
LSL USL
P rocess D ata W ithin
LS L 3.08750 Ov erall
Target *
USL 3.41250 P otential (Within) C apability
S ample M ean 3.24312 Cp 2.54
C PL 2.43
S ample N
S tD ev (Within)
200
0.02136 C PU 2.64 Cp y Cpk a partir de
C pk 2.43
S tD ev (O v erall) 0.02917
C C pk 2.54
Std. Dev. Within
O v erall C apability
Pp 1.86
PPL 1.78 Pp y Ppk a partir de
PPU 1.94
P pk 1.78 Std. Dev. Overall
C pm *
Partes por millón fuera observadas, en base a Std. Dev. Within, en base a Std. Dev. Overall
13 2 10
14 2
15 2
5
6 3
7 3
8 3 0
1.0 1.5 2.0 2.5 3.0
10 3 Subgrupo
Página 72
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
LSL USL
P rocess Data Within
LSL 6.00000 Overall
Target *
U SL 12.00000 P otential (Within) C apability
Cp 0.86
Sample M ean 10.85938
C PL 1.39
El Cpk es menor a 1
Sample N 32
StDev (Within) 1.16392 C P U 0.33 el proceso no es
StDev (O v erall) 1.43526 C pk 0.33
C C pk 0.86 capaz para cumplir
O v erall C apability
Pp 0.70
con especificaciones
PPL 1.13
PPU 0.26
P pk 0.26
C pm *
12 _
X=10.859
9
LCL=7.368
1
3 6 9 12 15 18 21 24 27 30 8.0 9.6 11.2 12.8
2 __
MR=1.313
0 LCL=0
3 6 9 12 15 18 21 24 27 30 8 10 12 14
Cp 0.86 Overall
Pp 0.70
10
C pk 0.33 P pk 0.26
8 C C pk 0.86 C pm *
Specs
10 15 20 25 30
Observation
Página 73
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Accuracy Measures
12 MAPE 8.53237
MAD 0.88705
%Humedad
MSD 1.31670
11
Se observa que el %
10
ha ido aumentando con
el tiempo por alguna 9
razón a lo largo del día 8
7
3 6 9 12 15 18 21 24 27 30
Index
Identifica la potencia lamda a la que hay que elevar los datos para que sigan una distribución
normal.
Ejemplo: Se mide la torcedura que tienen los ladrillos en un horno, los datos se encuentran
en el archivo TILES.MTW anexo
LB* U S L*
P rocess D ata transformed data Within
LB 0.00000 O v erall
Target *
USL 8.00000 P otential (Within) C apability
S ample M ean 2.92307 Cp *
S ample N 100 C PL * Cpk = 0.78 el proceso
S tDev (Within) 1.68898 C P U 0.78
S tDev (O v erall) 1.79048 C pk 0.78 no es capaz de cumplir
C C pk 0.78
LB*
A fter Transformation
0.00000
O v erall C apability especificaciones.
Target* * Pp *
U S L* 2.82843 PPL *
PPU 0.74
S ample M ean*
S tDev (Within)*
1.62374
0.51337 P pk 0.74 Ppk es igual a 0.74
S tDev (O v erall)* 0.53934 C pm *
Página 74
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
LB USL
P rocess Data O v erall C apability
LB 0.00000 Pp *
Target * PPL *
USL 8.00000 PPU 0.73
S ample M ean 2.92307 P pk 0.73
S ample N 100
Ppk es igual a 0.73
E xp. O v erall P erformance
S hape 1.69368
P P M < LB *
S cale 3.27812
P P M > U S L 10764.5
O bserv ed P erformance P P M Total 10764.5
P P M < LB 0
P P M > U S L 20000
P P M Total 20000
Se usan estas cartas para cuando las características se juzgan como pasa o no pasa
P Chart of Defectuosos
1 1
0.055
UCL=0.05316 Se tienen límites de
0.050 control variables por
0.045 ser el tamaño de muestra
variable
Proportion
0.040 _
P=0.03812
0.035
0.030
0.025
LCL=0.02308
0.020
3 6 9 12 15 18 21 24 27 30
Sample
Tests performed with unequal sample sizes
Página 75
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
TEST 1. One point more than 3.00 standard deviations from center line.
Test Failed at points: 3, 26
P Chart of Defectuosos
0.055 UCL=0.05441
0.050
0.045
Proportion
0.040 _
P=0.03867
0.035
0.030
0.025
LCL=0.02292
0.020
3 6 9 12 15 18 21 24 27 30
Sample
NP Chart of Defectuosos
14
1
12 UCL=12.16
10
Sample Count
6 __
NP=5.39
0 LCL=0
1 7 14 21 28 35 42 49 56 63 70
Sample
Página 76
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
TEST 1. One point more than 3.00 standard deviations from center line.
Test Failed at points: 18
La causa aparente del punto fuera de control en la carta es un lote defectivo de materia prima
por lo que es razonable no considerarlo y recalcular los límites de control
NP Chart of Defectuosos
12 UCL=11.98
10
8
Sample Count
6 __
NP=5.28
0 LCL=0
1 7 14 21 28 35 42 49 56 63 70
Sample
C Chart of Visitas
160
1
140
120 1
Sample Count
100
1 1
UCL=87.3
80
_
C=63.4
60
40 LCL=39.5
1 1
11 11
20 1 1
1 6 12 18 24 30 36 42 48 54 60
Sample
Página 77
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
TEST 1. One point more than 3.00 standard deviations from center line.
Test Failed at points: 5, 6, 10, 11, 22, 26, 33, 37, 40, 41, 54, 55
El punto del día 10 representa un pico debido a un anuncio especial anunciando la página
los otros puntos que salen de control se presentan los fines de semana.
Para eliminar los puntos correspondientes a sábados y domingos usar el botón Data Options
para recalcular los límites de control de nuevo:
Stat > Control Charts > Attributes chart > C
Variables Visitas
Data Options
C Chart OptionsData Options
C Chart of Visitas
120 1
110
100
UCL=94.20
Sample Count
90
80
_
70 C=69.24
60
50
LCL=44.28
40
1 6 12 18 24 30 36 42 48 54 60
Sample
15
que el tamaño de muestra
_ es variable
10 U=9.87
0 LCL=0.30
3 6 9 12 15 18 21 24 27 30
Sample
Tests performed with unequal sample sizes
Estudio de capacidad para variables que siguen una distribución binomial (fracción defectiva)
Ejemplo: Se usa el archivo BANCO.MTW anexo que contiene por diferentes agencias
bancarias, el número de clientes no satisfechos de entrevistas a 50 en cada una.
0.6 1 30
P r opor tion
0.4 U C L=0.3983 20
_
0.2 P =0.222 10
LC L=0.0457
Puntos fuera de control
0.0 1 0
3 6 9 12 15 18 21 24 27 30 0 15 30
Sample O bser ved Defectives
Página 79
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Meta 0 defectuosos
La gráfica acumulativa debe
acabar estabilizandose cerca Intervalos de confianza y ppm de defectuosos
del valor medio para indicar
que el tamaño de muestra La Z del proceso es 0.75 que es muy baja,
es representativo debe mejorarse
Seleccionando la carta de control P y con Editor > Brush y Editor > Set ID variables a Agencia
se identifican las agencias 112 y 212 como las que más influyen en las quejas.
Colocando asteriscos en los datos de estas agencias se tiene:
Expected Defectives
0.3 15
P r opor tion
_
0.2 P =0.1929 10
0.1 5
LC L=0.0255
0.0 1 0
3 6 9 12 15 18 21 24 27 30 0 10 20
Sample O bser ved Defectives
Low er C I: 17.25
21.0 U pper C I: 21.45
5.0
Target: 0.00
19.5
P P M D ef: 192857
Low er C I: 172495 2.5
18.0
U pper C I: 214517
P rocess Z: 0.8674 0.0
5 10 15 20 25 30 0 5 10 15 20 25 30 35
Low er C I: 0.7908
Sample
U pper C I: 0.9444
TEST 1. One point more than 3.00 standard deviations from center line.
Test Failed at points: 28
Estudio de capacidad para variables que siguen una distribución de Poisson (número de defectos)
Página 80
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Expected Defects
7.5 6
5.0 4
_
U =3.15
2.5 2
0.0 LC L=0 0
4 8 12 16 20 24 28 32 36 40 0.0 2.5 5.0
Sample O bser ved Defects
C umulative DP U Dist of DP U
Tar
4 S ummary S tats 16
(using 95.0% confidence)
M ean D ef: 3.1500 12
3 Low er C I: 2.6240
U pper C I: 3.7505
DP U
8
M ean D P U : 3.1500
2
Low er C I: 2.6240
U pper C I: 3.7505 4
M in D P U : 0.0000
1
M ax D P U : 6.0000 0
10 20 30 40 0 1 2 3 4 5 6
Targ D P U : 0.0000
Sample
Para crear la carta Cusum se colectan m subgrupos de muestras, cada una de tamaño n y
se calcula la media de cada muestra Xi-media. Después se determina Sm o S’m como sigue:
m
Sm (X i
0 )... 0 m e d ia .e n .c o n tr o l .e s tim a d a
i 1
m
1
S m 0 )... d e s v .e s ta n d a r .d e .la s .m e d ia s
'
(X
i X
X i 1
Ejemplo: Variaciones de una flecha respecto a una línea de referencia, los datos se
encuentran en el archivo CRANKSH.MTW anexo.
Stat > Control Charts > Variables Charts for Subgroups > Xbar
Página 81
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Seleccionar All observations for a chart are in one column, seleccionar AtoBDist
En Subgroup sizes, poner 5 .
OK
_
0.0
_
X=0.44 o esté fuera de control
-2.5
LC L=-3.82
-5.0
2 4 6 8 10 12 14 16 18 20 22 24
Sample
16 U C L=15.61
12
Sample Range
8 _
R=7.38
0 LC L=0
2 4 6 8 10 12 14 16 18 20 22 24
Sample
Stat > Control Charts > Time Weighted Charts > Cusum
Seleccionar All observations for a chart are in one column, seleccionar AtoBDist
En Subgroup sizes, poner 5 . Target 0.0
OK
10.0
Los puntos 4-10 estan
fuera de límite superior
7.5 de control, el proceso
5.0
UCL=5.68 está fuera de control
Cumulative Sum
2 4 6 8 10 12 14 16 18 20 22 24
Sample
La carta de control CuSum se obtiene graficando los valores de Sm o S’m como función de m.
Si el proceso se corre gradualmente hacia arriba o hacia abajo, será indicado en la carta.
Su sensibilidad está determinada por los parámetros k y h.
Una forma de identificar si el proceso sale de control es con una mascara en V cuyo origen
se coloca en el último punto de suma acumulada determinado y observando que ninguno de
los puntos anteriores se salga, de otra forma tomar acción
Página 82
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Stat > Control Charts > Time Weighted Charts > Cusum
Seleccionar All observations for a chart are in one column, seleccionar AtoBDist
En Subgroup sizes, poner 5 . Target 0.0
en Cusum Options: Seleccionar two sided V mask Center on subgroup 6 o 8
OK Vmask Chart of AtoBDist
25
Vmask Chart of AtoBDist
25 20
Cumulative Sum
20 15
Cumulative Sum
10
15
5
10
0 Target=0
5 2 4 6 8 10 12 14 16 18 20 22 24
Sample
0 Target=0
2 4 6 8 10 12 14 16 18 20 22 24
Sample
Indica situación fuera
de control en el punto
de medición actual
30
Cumulative Sum
20
10
0 Target=0
-10
2 4 6 8 10 12 14 16 18 20 22 24
Sample
Monitorea un proceso promediando los datos de tal forma que les da cada vez menos
peso conforme son removidos en el tiempo. Tiene sensibilidad simlar a la de la Cusum
Es más sensible que la carta X al movimiento de separación gradual de la media del proceso.
Stat > Control Charts > Time Weighted Charts > EWMA
Seleccionar All observations for a chart are in one column, seleccionar AtoBDist
En Subgroup sizes, poner 5 . Weight of EWMA 0.2
OK
Página 83
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
1.5
1.0
_
EWMA
_
0.5 X=0.442
0.0
-0.5
-1.0 LCL=-0.978
2 4 6 8 10 12 14 16 18 20 22 24
Sample
Tiene una sensibilidad intermedia entre las cartas X-R y la Cusum y EWMA
Stat > Control Charts > Time Weighted Charts > Moving average
Seleccionar All observations for a chart are in one column, seleccionar AtoBDist
En Subgroup sizes, poner 5 . Lenght of MA 3
OK
3 UCL=2.900
2
Moving Average
1 _
_
X=0.442
0
-1
-2 LCL=-2.017
-3
-4
2 4 6 8 10 12 14 16 18 20 22 24
Sample
Página 84
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
p Pa = b
Curva OC con
0,005 0,98969 Pa
n = 89, c = 2
0,010 0,93969
0,020 0,73658
0,030 0,49848
0,040 0,30416
0,050 0,17208
0,060 0,09187
0,070 0,04682
0,080 0,02296
0,090 0,01089
0,100 0,00501
0,110 0,00225
0,120 0,00098 Fracción def. en lote - p
Página 85
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
p Pa AOQ = Pa . P
0,005 0,98969 0,00495
0,01 0,93969 0,00940
0,02 0,73658 0,01473
0,03 0,49848 0,01495
0,04 0,30416 0,01217
0,05 0,17208 0,00860
0,06 0,09187 0,00551
0,07 0,04682 0,00328
0,08 0,02296 0,00184
AOQ
AOQL = 1.55%
0.03 p
6.8 Aplicaciones
Página 86
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
2.500
2.495
2.490
1 2 3 1 2 3 1 2 3
Eje
Panel variable: Hora
Página 87
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
2.500
2.495
2.490
1 2 3 1 2 3 1 2 3
Eje
Panel variable: Hora
El aspecto de la carta Multivari depende del orden en que se ingresen los factores
El tercer factor va en el eje horizontal por tanto aquí es donde conviene introducir el tiempo
El último factor introducido es el que divide a la carta en dos partes.
Página 88
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
2.495
Diametro 2.490
Izq, 08:00 Izq, 09:00 Izq, 10:00 Izq, 11:00 Izq, 12:00
2.510
2.505
2.500
2.495
2.490
Página 89
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Term Coef
Constant -893.750
Caudal 102.625
Corriente 3.75000
Velocidad 186.250
Caudal*Corriente -0.425000
Caudal*Velocidad -30.0000
Corriente*Velocidad -0.750000
Caudal*Corriente*Velocidad 0.125000
C
Term
BC
ABC
Normal Probability Plot of the Effects
AC
(response is Y, Alpha = .05)
99
0 1 2 3 4 5 6 7 8 9 Effect Ty pe
Effect Not Significant
95 Significant
Lenth's PSE = 1.5
90 A F actor N ame
A C audal
80 B C orriente
70 C V elocidad
Percent
60
50
40
30
20
10 AB
5
1
-5.0 -2.5 0.0 2.5 5.0 7.5 10.0
Effect
Lenth's PSE = 1.5
Página 90
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Los efectos se pueden guardar en una columna y después graficarlos para que sean claros:
Stat > DOE > Factorial > Analize Facorial Design ..... Storage: Effects
Graph Dot Plot: Simple Effe1
EFFE1
9
-1
1,5
-6,5
-0,5
1
0,5
Paso 4. Obtener las gráficas factoriales para seleccionar los mejores niveles de operación
16
Mean of Y
14
8 12 230 240
Velocidad
22
20
18
16
14
0.6 1.0
26
8 La interacción significativa
12
es AB
24
18
Corriente = 230
Caudal = 12
16
14
12
10
230 240
Corriente
Página 91
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 92
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Tabla de confusiones (los efectos de los factores principales se confunden con interacciones)
I + ABD + ACE + BCDE
A + BD + CE + ABCDE
B + AD + CDE + ABCE
C + AE + BDE + ABCD
D + AB + BCE + ACDE
E + AC + BCD + ABDE
BC + DE + ABE + ACD
BE + CD + ABC + ADE
Term Coef
Constant -36.0000
Cola -2.00000
Temp Cola 0.600000
Cantidad 0.500000
Temp secado 0.450000
Presion 5.00000
Temp Cola*Cantidad 1.58579E-16
Temp Cola*Presion -0.200000
B
Term
BE
BC
0 1 2 3 4 5
Effect
Lenth's PSE = 0.75
Página 93
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
10 A
5
1
-4 -3 -2 -1 0 1 2 3 4 5
Effect
Lenth's PSE = 0.75
Paso 4. Obtener las gráficas factoriales para seleccionar los mejores niveles de operación
23
La mejor respuesta es
22
con:
21
Cola = X
Mean of Y
20
Temp Cola = 40
X Y 30 40 Temp Sec = 90
Temp secado
24
23
22
21
20
80 90
24.0
23.5
40
Temp secado
Después de este
16.0 experimento de filtración
30 80 se puede hacer otro más
X Y
Cola completo sólo con los
factores A, B, D
Página 94
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
INTRODUCCIÓN
Definición de serie de tiempo: Es una secuencia ordenada de valores de una
variable en intervalos de tiempo periódicos y consecutivos.
Análisis de tendencias
Modelan componentes en una serie que normalmente son fáciles de ver en una serie de tiempo.
Las instrucciones de Minitab son las siguientes:
Se utiliza el archivo EMPLOY.MTW anexo que contiene los datos de empleo de los últimos 60 meses.
Accuracy Measures
MAPE 1.7076
MAD 5.9566
MSD 59.1305
Página 95
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Se muestra una tendencia creciente aunque no es muy exacta por la estacionalidad, se sugiere
utilizar el método de descomposición:
Método de Descomposición
Se usa para pronosticar cuando hay un componente de estacionalidad en la serie de tiempo o si se quiere
analizar la naturaleza de los componentes. Separa las series de tiempo en componentes de tendencia lineal
y estacionalidad así como el error. Se puede usar componente de estacionalidad en modo aditivo o
multiplicativo con la tendencia.
0 MSD 11.899
2 -13.3368
3 -11.4410
4 -5.8160 -10
5 0.5590
6 3.5590
-20
7 1.7674 1 7 14 21 28 35 42 49 56 63 70
8 3.4757 Index
9 3.2674
10 5.3924 Component Analysis for RESI1
11 8.4965 Additive Model
12 12.5590 Original Data
10
Accuracy Measures
Data
0
MAPE 881.582
-10
MAD 2.802
-20
MSD 11.899 1 6 12 18 24 30 36 42 48 54 60
Index
Forecasts Seasonally Adjusted Data
Period Forecast
Seas. Adj. Data
10
0
61 -8.4826
-10
62 -13.3368
-20
63 -11.4410
1 6 12 18 24 30 36 42 48 54 60
64 -5.8160 Index
65 0.5590
Página 96
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
66 3.5590
67 1.7674 Seasonal Analysis for RESI1
Additive Model
68 3.4757
69 3.2674 Seasonal Indices Original Data, by Seasonal Period
70 5.3924 10
10
71 8.4965
0
72 12.5590 0
-10
-10
-20
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
5
8
0
4
-5
0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
A ccuracy Measures
MA PE 881.582
MA D 2.802
RESI1
0 MSD 11.899
-10
-20
1 2 3 4 5 6 7 8 9 10 11 12
Index
Página 97
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Una gráfica de serie de tiempo mostrando los datos originales con la línea de tendencia ajustada,
valores estimados y pronósticos
Un análisis de componentes con gráficas separadas para la serie, datos sin tendencia, datos ajustados
con estacionalidad y los datos ajustados estacionalmente y sin tendencias (los residuos).
Un análisis estacional, mostrando los índices estacionales y la variación porcentual dentro de cada
estación respecto a la suma de la variación por estación y gráficas de caja de los residuos por
periodo estacional.
METODO DE WINTERS
Instrucciones de Minitab
55
50
1 7 14 21 28 35 42 49 56 63 70
Index
Página 98
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
La gráfica muestra los valores de la serie y los valores estimados (un periodo adelante) y 12 pronóst.
8
Num.Cil.
4
5000
Cil.(cc)
2500
0
400
Pot.(CV) 200
320 0
240
Velo.max
160
4 8 12 0 200 400
Página 99
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Regresión múltiple
Stat > Regression > Regression
Response Velo.max Predictors Num.Cil, Cil.(cc), Pot.(CV)
Graphs: Four in One Residuals versus variables Pot.(CV)
Options: Prediction intervals for new observations 4 1124 100
Página 100
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Residual
Percent
0
50
10 -20
1
-40
0.1
-40 -20 0 20 40 150 200 250 300
Residual Fitted Value
Residual
0
40
-20
20
-40
0
-40 -30 -20 -10 0 10 20 1 20 40 60 80 100 120 140 160 180 200 220 240
Residual Observation Order
20
10
0
Residual
-10
-20
-30
-40
-50
0 100 200 300 400 500
Pot.(CV)
Página 101
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
90
0
Residual
Percent
50
10 -20
1
0.1 -40
-40 -20 0 20 150 200 250 300
Residual Fitted Value
0
Residual
30
20
-20
10
0 -40
-30.0 -22.5 -15.0 -7.5 0.0 7.5 15.0 1 20 40 60 80 100 120 140 160 180 200 220 240
Residual Observation Order
20
10
0
Residual
-10
-20
-30
-40
5.0 7.5 10.0 12.5 15.0 17.5 20.0 22.5
Pot2
N C P
u i o
m l t
. . .
C ( ( P
i c C o
Mallows l c V t
Vars R-Sq R-Sq(adj) C-p S . ) ) 2
1 92.5 92.5 109.0 8.0783 X Buenos modelos
1 86.6 86.5 385.3 10.813 X
2 94.3 94.2 29.3 7.0849 X X Incluye sólo Cil.(cc) y Pot2
2 93.6 93.6 58.0 7.4544 X X
3 94.8 94.8 3.9 6.7261 X X X
3 94.4 94.3 26.5 7.0355 X X X Incluye Num.Cil, Cil.(Cc), Pot2
4 94.9 94.8 5.0 6.7269 X X X X
Se usa cuando el número de variables es muy grande mayor a 31, antes da los
mismos resultados que el método anterior:
Variable de respuesta
Página 103
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Pot.(CV) -0.206
T-Value -5.23
P-Value 0.000
Página 104
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Componentes principales:
Todas
Gráfica de Pareto de los valores propios que permite visualizar la importancia de cada
uno de los componentes
5
La primera componente representa el 50%
4
y la segunda el 18.6% de la variación total
Eigenvalue
1 2 3 4 5 6 7 8 9 10 11
Component Number
TAMAÑO
DESARROLLO
Página 106
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
4
Second Component
2 México
A rgentina
1
Perú
Boliv ia España
Venezuela
C olombia Portugal
0 Ecuador
C hile
Guatemala Rep. Dominicana C uba Puerto Rico
El Salv
Nicaragua Paraguay
Honduras ador
Uruguay
PanamáC osta Rica
-1
-2
-4 -3 -2 -1 0 1 2 3 4 5
First Component
0.5
Second Component
0.4
0.3
0.2
Tasa de mortalidad infan
% PIB Industria
PIB $/hab
0.1
México
2
C olombia
Tercer Componente
Uruguay
C osta Rica A rgentina
1 C hile
El Salv ador España
Guatemala
Paraguay
0 Brasil
Rep. Dominicana
Perú
Boliv ia
Ecuador Puerto Rico
-1 Nicaragua Honduras
Venezuela
C uba
Portugal
-2
-4 -3 -2 -1 0 1 2 3 4 5
Primer Componente
Página 107
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Columna de Pais
variables Población (miles)
Superficie (km2)
% menores 15 años
Esperanza vida al nacer
Tasa de mortalidad infan
Teléfonos por 1.000 hab
Usuarios Internet por 1000 hab
PIB $/hab
% PIB Agricultura
% PIB Industria
% PIB Servicios
0.50
0.25
Pais % menores 15 años
C18
Para agregar líneas a la gráfica, insertar celdas de ceros en las columnas corresponientes a los
coeficientes del tercer y primer componentes (entre cada una de sus celdas):
Seleccionar la gráfica y agregar líneas con: Add > Calculated Line; Y tercer comp; X primer comp
Comp 1 Comp 3
0,0156420 0,1498280
Scatterplot of Comp 3 vs Comp 1
0,0000000 0,0000000 % PIB Industria
-0,0238230 0,0764970 0.75
0,0000000 0,0000000
-0,3978570 0,0080330 0.50
Servicios Industrai
0,0000000 0,0000000
0,3576520 0,1395810 0.25
Pais % menores 15 años
Población (miles)
0,0000000 0,0000000 Superficie (k m2)
Teléfonos por 1.000 hab
-0,3701140 -0,1109600 0.00 PIB $/hab Usuarios Internet por 1000 hab
Tasa de mortalidad infan
0,0000000 0,0000000 Esperanza v ida al nacer
-0.25
0,3873530 0,0098170
0,0000000 0,0000000
-0.50 % PIB A gricultura
0,3095390 0,0527510
0,0000000 0,0000000 -0.4 -0.3 -0.2 -0.1 0.0 0.1 0.2 0.3 0.4
0,3799270 0,0179240 Desarrollo
0,0000000 0,0000000
-0,3335910 -0,0616860
0,0000000 0,0000000
Página 108
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
0,2722960 -0,5545960
0,0000000 0,0000000
0,0191980 0,7907320
0,0000000 0,0000000
Análisis de Clusters
Se trata de distribuir las observaciones en grupos afines inicialmente no conocidos.
Ahora se trata de dividir los países en grupos similares (conglomerados) de acuerdo con la
información disponible:
81.25
87.50
Similarity
100.00
1 2 14 9 5 8 18 11 6 15 7 12 3 16 4 13 17 20 10 19 22 21
Observations
Fila del País
1er
Con esto se puede hacer una gráfica de dispersión para analizar los clusters, por ejemplo para
Esperanza de vida y PIB por habitante se tiene:
Seleccionando la gráfica y editando los símbolos por grupos correspondientes a los clusters.
Panamá
Venezuela Uruguay A rgentina
México
Rep. Dominicana
C olombia
Ecuador
70 Paraguay
El Salv ador
Nicaragua Perú
Brasil
Honduras
65 Guatemala
Boliv ia
60
0 2000 4000 6000 8000 10000 12000 14000 16000
PIB $/hab
Number of obs.
of Similarity Distance Clusters New in new
Step clusters level level joined cluster cluster
Página 109
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Cluster Centroids
Grand
Variable Cluster1 Cluster2 Cluster3 centroid
% menores 15 años 34.50 23.0 16.0 32.09
Esperanza vida al nacer 70.59 74.5 77.9 71.45
Tasa de mortalidad infan 32.31 13.2 5.5 28.48
Teléfonos por 1.000 hab 78.78 284.3 385.0 120.73
Usuarios Internet por 1000 hab 2.78 8.0 31.0 4.77
PIB $/hab 2442.39 10251.0 14350.0 4048.45
% PIB Agricultura 14.09 2.9 5.9 12.19
% PIB Industria 29.71 43.6 37.8 31.96
% PIB Servicios 56.57 53.6 56.3 56.15
En Storage poner C13 - Para tener identificado a que cluster corresponde cada observación
OK
59.47
72.98
Similarity
86.49
100.00
P )
cc
) il. o
ng
.
ch
.
so e. ax tu
. e.
PV CV l .( .C m
Pe et Al el
t.( su Lo An al o.
m
Ac
Po Ci Nu
m
on M e l
C V
Variables
Cluster 1 formado por 6 variables afines Los otros 6 clusters se forman de una variable cada uno
indicados con un color diferente
Análisis discriminante
Este análisis se aplica cuando ya se sabe a que grupo pertenece cada observación y lo que se desea
saber es cómo la variables disponibles afectan a la clasificación para poder asignar una nueva
observación de la que se conocen los valores de las variables pero no el grupo al que pertenece.
Ejemplo: Con los datos del archivo COCHES.MTW se usan los primeros 150 coches y considerando
solo los de 4, 6 y 8 cilindros:
Página 111
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Se van a aplicar estas funciones de discriminación de los primeros 150 coches a los 97 restantes:ç
Copiar columnas C15, C16 y C17 de la hoja COCHES 1:150 que corresponden a las funciones de
discriminación a la hoja COCHES 151:247.
2. Crear la matriz de datos y las matrices con los coeficientes de las funciones de discriminación
Editor > Enable comands
MTB > copy c3 c4 c6-c15 m1 - c5 (no. cil.) se excluye ya que es el valor que se trata de predecir.
MTB > copy c16 m2
MTB > copy c17 m3 Matrices de coeficientes de las tres funciones de discriminación
MTB > copy c18 m4 para 4, 6 y 8 cilindros
4. Pasar los valores de las matrices del paso 3 a las columna C19, C20 y C21
Editor Enable comands
MTB > copy m5 c19 MTB > copy c3 c4 c6-c15 m1
MTB > copy m6 c20 MTB > copy c16 m2
MTB > copy m7 c21 MTB > copy c17 m3
MTB > copy c18 m4
5. Identificar cual es la función que da el valor máximo para MTB > multi m1 m2 m5
cada coche MTB > multi m1 m3 m6
MTB > rmax c19-c21 c22 (Calc > Row Statistics) MTB > multi m1 m4 m7
MTB > copy m5 c19
MTB > let c23=c19=c22 MTB > copy m6 c20
MTB > let c24=c20=c22 MTB > copy m7 c21
MTB > let c25=c21=c22 MTB > rmax c19-c21 c22
MTB > let c23=c19=c22
6. Colocar en c26 el número de cilindros asignado MTB > let c24=c20=c22
MTB > let c25=c21=c22
MTB > let c26=4*c23+6*c24+8*c25 MTB > let c26=4*c23+6*c24+8*c25
MTB > code (18) '*' c26 c26
Para poner * en los valores missing de las funciones MTB > .
discriminantes en C26
Página 112
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
De los 89 coches se han acertado a clasificar como de 4 cilindros 80. De los 6 de 6 cilindros
se han clasificado bien 5 y el de 8 cilindros no se clasificaron 2. La mejor discriminación
fue con los de 4 por tener mas coches en la muestra.
8.4 Confiabilidad
La confiabilidad permite determinar la probabilidad de funcionamiento de un sistema
bajo condiciones establecidas
Ejemplo: Una empresa fabrica bombas de inyección diesel, los datos se encuentran
el el archivo INYECCION.MTW anexo, que contiene datos de funcionamiento de 40 bombas.
Datos censurados se refieren a algunos elementos que todavía funcionaban cuando se paró elç
experimento.
Análisis no paramétrico
Modelo para estimar la confiabilidad y sus funciones para datos completos o censurados
por la derecha y sin suponer ningún modelo teórico.
Stat > Relibility/survival > Distribution Analysis (Right Censoring) > Nonparamtric Distribution Analysis
Variables: Duración
Censor: Si los datos son completos no tocar, si no especificar cuantos hay censurados por la derecha
Graphs: Surival Plot Hazard Plot
60
Percent
40
20
0
0 50000 100000 150000 200000 250000 300000
Duracion
Página 113
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
0.6
Rate
0.4
0.2
0.0
0 50000 100000 150000 200000 250000 300000
Duracion
Resultados
Distribution Analysis: Duracion
Censoring Information Count
Uncensored value 40
Nonparametric Estimates
Characteristics of Variable
Standard 95.0% Normal CI
Mean(MTTF) Error Lower Upper
71060.1 10634.4 50216.9 91903.2
Median = 51710
IQR = 84266 Q1 = 12504 Q3 = 96770
Kaplan-Meier Estimates
Página 114
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Stat > Reliability/survival > Distribution Analysis (Right censoring) > Distribution ID Plot
Variables: Duración
Seleccionar Use all distributions
OK
Goodness-of-Fit
Anderson-Darling Correlation
Distribution (adj) Coefficient
Weibull 0.776 0.977
Lognormal 1.072 0.977
Exponential 0.654 *
Loglogistic 1.337 0.968
3-Parameter Weibull 0.653 0.992
3-Parameter Lognormal 0.849 0.982
2-Parameter Exponential 0.670 *
3-Parameter Loglogistic 1.117 0.971
Smallest Extreme Value 7.328 0.839
P er cent
50 *
10 Loglogistic
0.968
10
1 1
1000 10000 100000 1000000 1000 10000 100000 1000000
Dur acion Dur acion
E xponential Loglogistic
99
90
90
50
P er cent
P er cent
50
10
10
1 1
1000 10000 100000 1000000 1000 10000 100000 1000000
Dur acion Dur acion
Página 115
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
La gráfica que muestra los puntos más alineados es la que mejor se adapta
a los datos
Análisis paramétrico
Stat > Reliability/survival > Distribution Analysis (Right censoring) > Parametric Distr. Analysis
Variables: Duración
Assumed Distribution: Exponential
Graphs: Probability Plot All Points Display confidence intervals
OK
20
10
3
2
1
1000 10000 100000 1000000
Duracion
Table of Percentiles
Página 116
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
95.0% Normal CI
Time Probability Lower Upper
40000 0.576619 0.470865 0.668669
Forma rápida
Una forma rápida de ver la confiabilidad y riesgo es a través de:
Stat > Reliability/survival > Distribution Analysis (Right censoring) > Distrib. Overview Plot
Variables: Duración
Seleccionar: Parametric Distribution Exponential o Nonnparametric analysis
OK
C ensor 0
10 A D* 0.654
0.000005
0.000000
1
0 100000 200000 300000 1000 10000 100000 1000000
Dur acion Dur acion
0.0000150
Rate
50
0.0000125
0.0000100
0
0 100000 200000 300000 0 100000 200000 300000
Dur acion Dur acion
80 0.8
60 0.6
Percent
Rate
40 0.4
20 0.2
0 0.0
0 100000 200000 300000 0 100000 200000 300000
Duracion Duracion
Página 117
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Preguntas frecuentes
Una columna debe ser numérica sin embargo se muestra como texto
Convertirla con: Data > Change Data Type > Text to Numeric
Change text column C1 Store numeric column C1
otra opción
Manip > Rank
Rank data in total Store ranks in C13
NOTA. Si dos clientes coinciden les pone el número promedio de ellos
Personalización de Minitab
Opciones de configuración Tools > Options
Página 119
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Gráficas personalizadas
Hacer todos los cambios necesarios a las gráficas y copiar
las instrucciones una vez seleccionada la gráfica:
Editor > Copy Command Language
Pegar las instrucciones en un archivo desde el que se puedan accesar
Minitab contiene un lenguaje de programación sencillo para elaborar programas hechos a la medida
incluye instrucciones de control generales IF/ELSEIF/ELSE/ENDIF, DO/ENDO, WHILE/ENDWHILE
EXIT devuelve el control a la ventana del Minitab
Simulador de media muestral
Macros globales GMACRO GMACRO
Nombre MacroG_SimulaMedia.txt (archivo)
Cuerpo de la macro Let k2=1
ENDMACRO #
WHILE k2<=5000
Ejecución: Random 100 c1;
Indicar el directorio donde está integer 1 6.
almacenada la macro Mean c1 k1
Tools > Options > General Let c2(k2) = k1
indicar carpeta en Initial directory Let k2=k2 +1
Let c3(1)=k2
Ejecución MTB > %Macrog_SimulaMedia.txt ENDWHILE
#
ENDMACRO
Macros locales
Permiten tener varias variables de entrada / salida de cualquier nombre
MACRO
Ident. Nombre + variables de entrada y salida
Declaración de variables: constantes, vectores y matrices
Cuerpo de la macro
ENDMACRO
MACRO
Local_SimulMedia # Nombre
itera n c_med
+ Variables
c_conta
de Entrada/Salida
#
# Significado de las variables utilizadas:
#
# itera: Núm. de iteraciones
# n: Tamaño de las muestras
# c_med: columna (vector) donde se van almacenando las medias
# c_conta: Columna donde aparece el contador
# i: número de iteración
# media: valor de la media de la muestra
# c_mues: nombre del vector que contiene la muestra generada
#
#
MCONSTANT itera n i media # Declaración de constantes
MCOLUMN c_mues c_med c_conta # Declaración de vectores
#
Página 120
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Ejecución de la Macro
MTB > %Local_SimulaMedia.txt 5000 100 c1 c2
Página 121
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 122
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 123
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 124
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 125
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 126
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 127
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 128
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 129
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 130
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 131
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 132
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 133
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 134
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 135
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 136
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 137
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 138
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 139
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 140
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 141
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 142
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 143
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 144
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 145
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 146
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 147
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 148
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 149
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 150
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 151
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 152
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 153
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 154
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 155
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 156
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 157
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 158
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 159
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 160
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 161
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 162
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 163
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 164
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 165
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 166
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 167
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 168
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 169
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 170
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 171
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 172
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 173
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 174
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 175
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 176
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 177
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 178
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 179
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 180
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 181
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 182
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 183
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 184
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 185
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 186
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 187
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 188
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 189
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 190
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 191
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 192
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 193
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 194
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 195
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 196
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 197
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
Página 198
TALLER DE APLICACIÓN DE MINITAB Dagoberto Salgado Horta
PARA LA MEJORA Y SOLUCIÓN DE PROBLEMAS
TE("10/10/2002")
Página 199