Beruflich Dokumente
Kultur Dokumente
EO / Marzo - 2009
www.fcx.com
S-P-A-C-E-R
Seguridad
Propósito
Agenda
Código de Conducta
Expectativas
Roles
Propósito del curso
- Participación ordenada
- Una sola reunión
- Proteja la integridad de la persona
- Todos contribuyen, nadie domina
- No emails, buscadores o celulares durante el taller,
el taller se detendrá
- Sea puntual
- Mantenga un enfoque positivo
- La regla de 3- Impactos
- PÀSELO BIEN !!!
Expectativas
- …
- …
- …
- …
- …
- …
Variabilidad
Vamos, no
podemos fallar
todas...
Y = f (x’s)
Propósito de análisis de Multi-Vari
son el prom. 5
de mediciones 100.5
Within
por unidad
99.5
- Rombo Azul:
son el prom. 98.5
del tiempo
97.5
1 2 time 3 4
Posicional o Dentro de Pieza
arriba a abajo,
1
102.5 2
lado a lado, 3
etc.
4
101.5
5
Posicional: La 100.5
Dentro
más grande
99.5
variación se
tiene dentro de 98.5
la pieza
97.5
1 2 tiempo 3 4
Cíclico o Pieza a Pieza
operadores, desgaste
2
de herramientas o 4
Entre
plantillas
5
102
Cíclico: La más
grande variación
se tiene de pieza
a pieza 92
1 2 tiempo 3 4
Temporal o Tiempo a Tiempo
La variación temporal es el resultado de un proceso que
contiene variables X que cambian lentamente a través del
tiempo
Gráfica Multi-Vari a través del tiempo por repet-tiempo
- La presencia de una unidad repe t
tendencia indica un 11 5 1
el desgaste o la
5
disolución de un 10 5
químico
Temporal: La más
grande variación se 95
encuentra entre 3
1 2 tiempo 3 4
intervalos de tiempo
Ejemplo de análisis de Multi-Vari
Al analizar los datos se debe observar lo siguiente:
- Análisis de capacidad
- "Boxplots"s
- Análisis de Multi-Vari
Stat> Quality Tools > Multi-Vari Chart
Esquemas de Multi-Vari
Multi-Vari Chart Volume By Board Location - Machine
Panel
Board Location
1 2 1 2 1 2 1 2
1
2
0.05
0.04
0.03
Volume
0.02
0.01
0.00
1 2 3 4
Machine
Ejercicio de Multi - vari
F/N Overfill.mtw)
Estadística Inferencial
Población – Todos los estadísticos que existen ahora sobre un proceso
mas los que existirán en el futuro
Muestra – Un extracto de la población tomada durante el tiempo o en
una sola muestra
Observación – Una medición individual incluida en una muestra
Hipótesis – La teoría sobre la naturaleza de las relaciones entre
variables de entrada y salida
Hipótesis Nula (Ho) – Declaración de no cambio, no diferencia o no
relación
- La declaración se asume verdadera hasta tener suficiente evidencia (datos de
la muestra) presentada para rechazarla
Hipótesis Alterna (Ha) – Declaración de cambio, diferencia o relación
- Esta declaración es considerada verdadera si Ho es rechazada
Definiciones
Error Tipo I – Es el error en rechazar Ho cuando en realidad es verdadera
(ejem., decir que hay una diferencia cuando no la hay)
Riesgo Alfa – La oportunidad o probabilidad de cometer el Error Tipo I
- Esta probabilidad es usualmente mayor a cero
- El experimentador establece un riesgo máximo aceptable, usualmente 5%, en la
decisión de rechazar Ho cuando en realidad es verdadera
Error Tipo II – El error de fallar en rechazar Ho cuando en realidad es falsa
(ejem.,decir que no hay diferencia cuando sí la hay)
Riesgo Beta – La oportunidad o probabilidad de cometer en el Error Tipo II
- Esta probabilidad es usualmente mayor a cero
- El experimentador establece un riesgo máximo aceptable, usualmente 10%, de
pasar por alto un tratamiento efectivo para el problema, o de pasar por alto la
fuente de la variación
Poder – Es la sensibilidad de una prueba estadística para detectar
diferencias cuando realmente las hay, o la probabilidad de estar en lo
correcto cuando se rechaza Ho. Poder = 1 - Beta
Definiciones
Datos Continuos:
- Análisis de Capacidad – un mínimo de 30 muestras
- Prueba de Hipótesis – Depende de la diferencia práctica para ser
detectada y de la variación inherente del proceso
Datos de Atributos:
- Análisis de Capacidad - Muchas muestras
- Prueba de Hipótesis - Muchas, Depende de la diferencia práctica
para ser detectada
¿Cómo Debe Ser Hecho?
Repita este
comando para
2. Tome 4 muestras aleatorias, las muestras 2
cada muestra teniendo 5 a la 4
observaciones individuales (Tip: use Ctrl-E
Calc> Random Data> Sample from Columns para repetir la
última ventana
de diálogo )
Error de la Muestra
3. Calcule la media y la desviación estándar y compare los
estadísticos de la muestra
Repita este
comando para
calcular la media
de C1-C10, y
guarde los
resultados en
mean10 2. Para cada renglón, calcule la
media de cinco columnas
Calc> Row Statistics
Diferentes Distribuciones
Individuals Sample Means
200 100
n=5
Freq uen c y
F req u en c y
50
100
0
0
0 1 2 3 4 5 6
0 1 2 3 4 5 6
80
C1
70
60
n = 10
F re q u e n c y 50
40
30
20
Seleccione “Same X 10
facilitar la comparación 0 1 2 3 4 5 6
Graph> Histogram
Frame> Multiple Graphs
Resumen de la Simulación
Individuals
Sample
Means, n=5
Sample
Means,
n=10
1. La variación decrece
2. La forma de la distribución cambia, tiende a
hacerse normal
Teorema del Límite Central
Con media μx μ
σ
Con stdev σx
n
Normalmente distribuida cuando la distribución padre es
normalmente distribuida, o será aproximadamente normal para
muestras de tamaño 30 ó más cuando la población padre no está
normalmente distribuida
1.74
Para n 5 : x 0.78
n 5
1.74
Para n 10 : x 0.55
n 10
Aplicación Práctica
Análisis del Sistema de Medición
Usualmente nos basamos en una lectura de un sistema de
medición para estimar los valores de la variable de entrada o
salida. Una manera fácil de reducir el error en el sistema de
medición es promediando dos o más lecturas
σ MS
σ MS
n
En un Gage R&R reducimos la variación por: 1 n
La precisión del sistema de medición se incrementa con un factor
de la raíz cuadrada del tamaño de muestra usado para
determinar la media.
Tamaño de Muestra y la Media
m
Error estándar de la Media
La amplitud de la distribución de la media decrece con tamaños
de muestras mayores
Dónde
Sx Sx: Error estándar
Sx Sx: Desviación estándar
n
de los individuales
n : Tamaño de muestra
m
Error Estándar
La velocidad del cambio en el error estándar se aproxima a cero con
alrededor de 30 muestras
Esto es el porque 30 muestras son frecuentemente recomendadas
cuando se generan estadísticos como la media y la desviación
estándar
Esto es también el punto en el cual las distribuciones t y Z se vuelven
casi equivalentes
Error estándar
Sx
Sx
n
0 5 10 20 30
Tamaño de la muestra
Intervalos de Confianza
El error estándar también se utiliza para generar intervalos de
confianza sobre la media
El 95% en los intervalos de confianza implica que el 95% de las
medias, no individuales, caen entre los limites superior e inferior
m
- Si 100 muestras fueran
tomadas cada una con dos Población Distribución con n=2
observaciones podríamos
esperar encontrar que el 95 Distribución con n=20
de las 100 muestras caen
dentro del intervalo de
confianza del 95%
95% Intervalo de
Confianza
Intervalos de Confianza
Ecuación general para calcular intervalos de confianza:
Dónde :
x : media
sx s x : desviación estándar de los individual es
x t critical n : tamaño de muestra
n t critical : t α/2, ν de la tabla t con un
riesgo alfa α (0.05 de 95%) y
grados de libertad ν (n - 1)
A/N Adhesive.mtw
s s
Método manual: x - t α/2,n -1 μ x + t α/2,n -1
n n
1.004 1.004
11.71 - 2.093 μ 11.71 + 2.093
20 20
De la tabla:
t = 2.093 11.24 μ 12.18
One-Sample T: Adhesive
s 1.004
Variable N Mean StDev SE Mean 95.0 % CI
Adhesive 20 11.710 1.004 0.225 ( 11.240, 12.180) n 20
Meta la variable y
oprima OK
La prueba de media
no se requiere para
los intervalos de
confianza
Diferencia Significativa
¿Existe una diferencia significativa entre las dos muestras de
abajo?
¿Cómo lo sabes?
¿Qué confianza tendremos en la decisión de concluir que las dos
son iguales o diferentes?
Muestra 1 Muestra 2
correctamente
El entendimiento del problema,
la diferencia práctica deberá ser
alcanzada y debe coincidir con d
la diferencia estadística Problema Varianza
Curva Mejorada
La diferencia d puede ser también un
cambio en la media o en la varianza LSL USL
Actual
La detección de las diferencias es
lograda con el uso de estadísticos
de hipótesis de prueba
Prueba de Hipótesis
Paso 1:
Mantenga el
problema
práctico y la
diferencia (d)
a ser
detectada d5
Ejemplo
De la descripción del problema, la desviación de la muestra es 3.5
libras
Comparando la Media al Objetivo
Paso 2: 16.1 Libras Objetivo = 21.1
Estimar la
desviación
S=3.5 libras
estándar
de la
muestra
Paso 3:
Establecer
el riego d5
Alfa y Beta
No Normal Normal
Dos o mas muestras Una muestra Dos o mas muestras Una muestra
F/N phone.mtw
Ejemplo
-
Analizar los datos con Minitab
a) Revise la normalidad de los datos:
Paso 6:
Analizar i. Datos Normales – Prueba F o Prueba estadística de
los datos Bartlett.
usando
Minitab ii. Datos No Normales – Prueba de Levene Valores P >
b) Compare las varianzas 0.05 ambos
grupos de
Stat> Basic Statistics > Normality Test datos son
Normal Probability Plot Normal Probability Plot normales
.999 .999
.99 .99
.95 .95
Probability
Probability
.80 .80
.50 .50
.20 .20
.05 .05
.01 .01
.001 .001
Phone A tienen
B
mayor variabilidad
0.5 1.0 1.5
que Phone B
Paso 7: F-Test Levene's Test
Draw Test Statistic: 3.263 Test Statistic: 5.476
practical
P-Value : 0.013 P-Value : 0.025 El F-test debe ser
usado cuando las
conclusions Boxplotsof RawData
dos muestras son
A
normales.
B
12 13 14 15 16 17
Phones
Comparación de Medias
d d
Pasos para la Comparación de Medias
Paso 4:
Establecer la
diferencia - El manejo de la una diferencia práctica ha indicado
práctica (d) que será significativo:
como se d = 20
estableció en
el enunciado
del problema
práctico
Stat> Power and Sample Size> 1Sample t
Paso 5:
Calcular el
tamaño de
muestra
Ejemplo Media y Objetivo
Paso 5: Power and Sample Size
Calcular 1-Sample t Test
el taming
de la Testing mean = null (versus not = null)
muestra Calculating power for mean = null + difference
Alpha = 0.05 Sigma = 14
c) Haga la comparación .9 9 9
.9 9
.9 5
Probab ility
.8 0
.5 0
.2 0
Stat> Basic Statistics> Normality Test .0 5
.0 1
.0 0 1
Pow er
Ejemplo Media y Objetivo
Calculos Manuales
Ho: m1 Objetivo
Paso 7:
Analizar Ha: m1 Objetivo
los x - objetivo Desde que to es menor
datos to que la tcritical fallamos en
con S/ n rechazar la nula y
Minitab concluimos que la planta
249.56 - 240 de energía esta corriendo
to a 240 unidades
14.15/ 10
Estas son las mismas
Paso 8: conclusiones mostradas
Obtener t o 2.14 por Minitab
conclusiones
prácticas tcritica= ta/2, = 2.262
De la tabla T(a=0.05, = 9)
Si to > ta/2, Entonces rechace la Nula
Comparando Dos Medias
Paso 1:
Enunciar
- Una empresa de comunicaciones está considerando una
el mejorara a todas sus líneas de ensamble para reducir costo
problema sin afectar su desempeño
Práctico - Para asegurar que esa mejora es justificada, una línea de
ensamble ha sido mejorada y comparada con una línea
existente
F/N Yield.mtw
- Un análisis de la historia de los datos indican una desviación
estándar de 3.5
- La gerencia considera un cambio de un 5 % sería
Paso 2: prácticamente significativo.
Enunciar el
problema
Ho: m1= m2
estadístico Ha: m1 m2
Paso 3:
Establecer
- La gerencia ha manifestado que desean estar un 95 %
el riesgo seguros de la decisión que se tome.
Alpha y - Riesgos Alfa y Beta (a =0.05, =0.10)
Beta
Comparando Dos Medias
Paso 4: - El manejo práctico de la diferencia indica que es
Establecer significativo:
la diferencia
práctica (d) d = 5%
que usted
Stat> Power and Sample Size> 2 Sample t
quiere
detectar
como se
enunció en
el problema
práctico
Paso 5:
Calcular el
tamaño de
muestra
Comparando Dos Medias
Paso 5: - La respuesta de Minitab para el cálculo de el tamaño de
Calcular el muestra
tamaño de
muestra
Power and Sample Size
2-Sample t Test
Testing mean 1 = mean 2 (versus not =)
Calculating power for mean 1 = mean 2 + difference
Alpha = 0.05 Sigma = 3.5
.8 0 .80
.5 0 .50
.2 0 .20
.0 5 .05
.0 1 .01
.0 0 1 .0 01
83 84 85 86 87 88 89 90 80 85 90
New Line O ld Line
Average: 86.8705 Anderson-DarlingNormality Test A verage: 84.9554
StDev: 1.96598 Anderson-Darling Normality Test
A-Squared: 0.401 S tDev: 3.30639 A-Squared: 0.394
N: 12 P-Value: 0.305 N: 12 P-Value: 0.317
Comparando Dos Medias
a) Revise la normalidad de los datos
Paso 7: • Si dos o más medias van a ser comparadas, cada
Analizar muestra individual será revisada
los datos b) Revisar la homogeneidad de varianza si más de dos
con muestras serán comparadas
Minitab c) Haga la comparación Test for Equal Variances for Yield
95% Confidence Intervals for Sigmas Factor Levels
New Line
Old Line
varianzas son
iguales Old Line
80 85 90
Yield
Comparando Dos Medias
• Análisis con Minitab
Paso 7: a)Revisando la normalidad de los datos
Analizar • Si dos o más medias son comparadas, entonces
los datos deberán de ser revisadas cada una de las muestras
con b)Revisar la homogeneidad de varianza si más de dos
Minitab muestras serán comparadas
c) Haga la comparación
Paso 8:
Obtener Los resultados son 85
verificados usando
conclusiones Boxplots
prácticas 80
12 _
X=11.71
Estadísticas ➤ Gráficas de 10
control ➤ Gráficas de variables LC L=8.938
individuales ➤ I - MR 1 3 5 7 9 11 13 15 17 19
O bser vation
U C L=3.405
3
M oving Range
__
1 M R=1.042
0 LC L=0
1 3 5 7 9 11 13 15 17 19
O bser vation
Gráfica Z - MR
Cree una gráfica con sub grupos de pequeñas corridas, que se colocan en una
columna adicional, esta gráfica es usada cuando se tiene un número limitado
de datos por sub grupo o corrida y se tienen diferentes corridas para el
mismo proceso. La gráfica de estandarización se obtiene sustrayendo a cada
valor individual el valor promedio.
Z-MR Chart of Adhesive
A B C E
U C L=3
Standar dized Data 2
0 0
Estadísticas ➤ Gráficas de -2
control ➤ Gráficas de variables LC L=-3
individuales ➤ Z- MR 1 3 5 7 9 11 13 15 17 19
O bser vation
A B C E
U C L=3.686
3
M oving Range
2
__
1 M R=1.128
0 LC L=0
1 3 5 7 9 11 13 15 17 19
O bser vation
Gráfica X - s
Cree una gráfica X y una gráfica S con la cual puede monitorear
simultáneamente la media y la variabilidad del proceso. Use gráficas X y S
cuando tenga subgrupos de tamaño 9 o más.
Sample M ean
12 _
_
X=11.71
10
Estadísticas ➤ Gráficas de LC L=9.636
2
Sample StDev
1 _
S =0.780
0 LC L=0
1 2 3 4 5 6 7 8 9 10
Sample