Documente Academic
Documente Profesional
Documente Cultură
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
En Subgroup sizes, poner 5. Click OK.
Usar (Chart) Options si se desea algo de lo siguiente:
Parameters Para lmites de la media o rango en base a datos histricos
de la Mean y/o Standar Deviation
Estimate
S limits
Tests
Stages
Box Cox
Display
Pgina 1 de 47
Mintab V15
Store
En este caso:
Xbar-R Chart of Supp2
1
Sample Mean
UC L=602.474
602
_
_
X=600.23
600
598
LCL=597.986
2
10
Sample
12
14
16
18
20
UC L=8.225
Sample Range
8
6
_
R=3.890
4
2
0
LCL=0
2
10
Sample
12
14
16
18
20
TEST1.Onepointmorethan3.00standarddeviationsfromcenterline.
TestFailedatpoints:2,14
Se tiene los subgrupos 2 y 14 fuera de control y el proceso no es estable y normal
Eliminando estos subgrupos DE LOS CLCULOS se tiene:
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 (Recalcula limites)
En Data Options seleccionar Specify which rows to exclude row numbers 6:10 66:70 (quita puntos)
Click OK OK.
El proceso ahora est dentro de control
Xbar-R Chart of Supp2
UCL=602.247
Sample Mean
602
601
599
598
2
10
Sample
12
14
16
18
20
UCL=8.465
Sample Range
Se pueden eliminar
fsicamente los datos
de los puntos que
salen de control con
LCL=597.629
Delete Cells en Minitab
iniciando por los ltimos
y al final los primeros
_
_
X=599.938
600
6
_
R=4.003
4
2
0
LCL=0
2
10
Sample
12
14
16
18
20
Carta de Control X-R usando el archivo VITA_C. MTW que contiene pesos de comprimidos
tomando 5 muestras cada 15 minutos durante un periodo de 10 horas (200 datos).
Crearemos dos columnas adicionales: Una para la hora de toma de muestra y otra para el
nmero que identifique al operario de la mquina.
Calc > Make Patterned Data > Simple Set of Date / Time Values
Pgina 2 de 47
Mintab V15
Hora de la primera y
ltima muestra
Incremento de 15 minutos
Repetir cada valor 5 veces para
cada muestra
Respecto al operario se asume que las primeras 25 muestras (125 datos) las toma el operario A y las
otras 15 (75 datos) el operario B
Habilitar comandos en la ventana de Sesin con Editor > Enable Commands
MTB > Set c3
DATA> 125 (1)
DATA> 75 (2)
DATA> end
En C3 poner
125 unos
75 doces
fin
. E Intro
Stat > Control Charts > Variables Charts for Subgroups > Xbar
Seleccionar All observations for a chart are in one column, seleccionar Peso
En Subgroup sizes, poner 5.
Seleccionar las opciones siguientes:
Scale > Time: marcar Stamp y poner como variable Hora
Xbar Options > Tests: Marcar Perform all tests for special causes
Xbar Options > Stages: Define stages: Operario
Click OK OK.
La carta obtenida es la siguiente:
Xbar Chart of Peso by Operario
3.30
2
UCL=3.2939
Sample Mean
3.28
_
_
X=3.2671
3.26
6
LCL=3.2402
3.24
3.22
3.20
1
8:00
Hora
Pgina 3 de 47
Mintab V15
onesideofCL).
TestFailedatpoints:5
Carta de control de rangos usando archivVITA_C.MTW
Stat > Control Charts > Variables Charts for Subgroups > R
Seleccionar All observations for a chart are in one column, seleccionar Peso
En Subgroup sizes, poner 5.
OK
R Chart of Peso
UCL=0.1020
0.10
Sample Range
0.08
0.06
_
R=0.0483
0.04
0.02
0.00
LCL=0
4
12
16
20
24
Sample
28
32
36
40
Stat > Control Charts > Variables Charts for Subgroups > S
Seleccionar All observations for a chart are in one column, seleccionar Peso
En Subgroup sizes, poner 5.
S Chart of Peso
OK
UCL=0.04073
0.04
Sample StDev
0.03
_
S=0.01950
0.02
0.01
0.00
LCL=0
4
12
16
20
24
Sample
28
32
36
40
CAMSHAFT.MTW
Stat > Control Charts > Variables Charts for Individuals > I-MR.
En Variables seleccionar SUPP1. Click OK
UCL=601.176
I ndividual Value
601
600
_
X=599.548
599
598
LC L=597.920
1
10
20
30
40
50
60
Observation
70
80
90
100
Moving Range
2.4
1
UCL=2.000
1.8
1.2
__
MR=0.612
0.6
0.0
LC L=0
1
10
20
30
Pgina 4 de 47
40
50
60
Observation
70
80
90
100
Mintab V15
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 ndividual Value
601
UCL=600.943
600
_
X=599.531
599
598
LCL=598.118
1
2.0
10
20
30
40
50
60
Observation
70
80
90
100
Moving Range
UCL=1.735
1.5
1.0
__
MR=0.531
0.5
0.0
LCL=0
1
10
20
30
40
50
60
Observation
70
80
90
100
I ndividual Value
LCL=598.251
10
20
30
40
50
60
Observation
70
80
90
100
Moving Range
1.6
UCL=1.579
1.2
0.8
__
MR=0.483
0.4
0.0
LCL=0
1
10
20
30
40
50
60
Observation
70
80
90
100
CLORO.MTW
Ejemplo: En una industria qumica se toma una muestra cada 15 minutos y se mide
el pH y la concentracin de cloro de la solucin, los datos se muestran en el archivo
CLORO.MTW anexo de este mdulo.
Separando las muestras del ltimo da viernes se tiene:
Pgina 5 de 47
Mintab V15
Stat > Control Charts > Variable charts for individuals > I-MR
Variable pH V
Scale > Time: Stamp 'Hora V' 'Cl V'
OK
I Chart of pH V
14
1
13
UCL=12.843
Individual Value
12
11
10
_
X=9.128
9
8
7
6
LCL=5.413
5
Hora V
Cl V
6:45
21
7:30
21
8:15
20
9:00
19
9:45
20
Como hay un punto que se sale de control se puede omitir como sigue:
Stat > Control Charts > Variable charts for individuals > I-MR
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 S limits seleccionar These multiples of the standar deviation poner 1 2 3
OK
I Chart of pH V
13
+3SL=12.366
12
+2SL=11.244
Individual Value
11
+1SL=10.122
10
9
_
X=9
-1SL=7.878
-2SL=6.756
-3SL=5.634
5
Hora V
Cl V
6:45
21
7:30
21
8:15
20
9:00
19
Para mostrar el comportamiento por da, se usa Stages por Fecha en dos cartas para
mejor claridad (quitar todas las selecciones anteriores)
Stat > Control Charts > Variable charts for individual > I-MR
Variable pH Original
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
Pgina 6 de 47
Mintab V15
I Chart of pH by Fecha
04/11/2002
14
05/11/2002
06/11/2002
12
UCL=12.370
10
_
X=8.981
Individual Value
8
6
LCL=5.592
07/11/2002
14
08/11/2002
1
UCL=12.843
12
_
X=9.128
10
8
6
LCL=5.413
Hora V
Cl V
Stat > Control charts > Variable chart for individuals > Moving range
Variable 'pH V'
Moving Range
2
__
MR=1.397
1
LCL=0
3
12
15
18
21
Observation
24
27
30
Stat > Control charts > Variable chart for individuals > I-MR
Variable 'pH V'
OK
I -MR Chart of pH V
14
I ndividual Value
UC L=12.843
12
10
_
X=9.128
8
6
LCL=5.413
3
12
15
18
Observation
21
24
27
30
UC L=4.564
Moving Range
4
3
2
__
MR=1.397
1
0
LCL=0
3
12
15
18
Observation
21
24
27
30
CAMSHAFT.MTW
Pgina 7 de 47
Mintab V15
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
Sample Mean
602
UCL=601.908
601
_
_
X=600.23
600
599
LCL=598.552
1
10
Sample StDev
Sample
3
UCL=2.952
_
S=1.720
1
LCL=0.488
1
10
Sample
Sample Mean
602
UC L=601.735
601
_
_
X=600.042
600
599
LC L=598.349
598
1
10
Sample StDev
Sample
3
UC L=2.979
_
S=1.736
1
LC L=0.492
1
10
Sample
Mintab 15
Grficas Mltiples
Pgina 8 de 47
Mintab V15
Moving Range
5
4
3
1
1
UCL=2.000
__
MR=0.612
LCL=0
1
11
21
31
41
51
61
Observation
71
81
91
UCL=6.284
Moving Range
5
4
3
__
MR=1.923
2
1
0
LCL=0
1
11
21
31
41
51
61
Observation
71
81
91
Pgina 9 de 47
Mintab V15
Gage name:
Date of study:
0.05
Diameter
12.305
Ref
12.300
12.295
1
11
Basic Statistics
Reference
12.305
Mean
12.30269
StDev
0.003631
6 * StDev (SV) 0.021783
Tolerance (Tol) 0.05
16
21
26
Observation
31
Bias
Bias
-0.00231
T
4.506892
PValue
0.000
(Test Bias = 0)
36
41
46
Capability
Cg
0.46
Cgk
0.25
% V ar(Repeatability)
43.57%
% V ar(Repeatability and Bias) 81.10%
Pgina 10 de 47
Mintab V15
Para los ejemplos se usa el archivo RR_Cruz.MTW anexo, contiene datos para la realizacin
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 - Medicin
Trial Numbers - Orden (indica el orden en que se hicieron las mediciones).
Options - Permite poner ttulo al estudio
Gage Info: Para informacin adicional del estudio
Gage Run Chart of Medicion by Pieza, Operario
Reported by:
Tolerance:
Misc:
Gage name:
Date of study:
5
16
12
Medicion
Mean
Operario
1
2
3
8
6
10
16
12
Mean
Operario
El operario 2 tiene ms
variabilidad en sus
mediciones y adems
tiende a tener valores por
debajo de los otros 2
Minitab 15
Pgina 11 de 47
Mintab V15
1 Stat > Quality Tools > Gage Study > Create Gage R&R Study Worksheet.
2 En Number of parts, poner 15.
3 En Number of operators, poner 3.
4 En Number of replicates, poner 2. Click OK.
5 En Options seleccionar Randomize run with operators
StdOrder
34
28
1
37
25
43
Etc.
RunOrder
1
2
3
4
5
6
Etc.
Parts
12
10
1
13
9
15
Etc.
Operators
1
1
1
1
1
1
Etc.
Cada operador mide las 15 partes de manera aleatoria, en rondas poesteriores se completan los
otros intentos
Estudio R&R (Crossed)
Stat > Quality Tools > Gage Study > Gage R&R Study (Crossed)
Part Numbers - Pieza; Operators - Operario; Measurement data - Medicin
Seleccionar Method of Anlisis - ANOVA
Options - Study variation 5.15 (99% nivel de conf.) Tolerance - 15 Tolerancia de las piezas
Gage Info: Para informacin adicional de identificacin del estudio
Pgina 12 de 47
Mintab V15
Stat > ANOVA > Two way Response:Medicin Row Factor:Pieza Column Factor:Operario
TwoWayANOVATableWithInteraction
SourceDFSSMSFP
Pieza9286.03331.78143Pieza significativa
Operario245.63522.81732Operario significativo
Pieza*Operario1817.2610.9589Interaccion no significativa
Repeatability6089.2171.4869
Total89438.145
TwoWayANOVATableWithoutInteraction
SourceDFSSMSFP
Pieza9286.03331.781423.28140.000
Operario245.63522.817316.71470.000
Repeatability78106.4781.3651
Total89438.145
Tabla de componentes de la Varianza (informativa)
Varianza
SourceVarComp(ofVarComp)
TotalGageR&R2.0801738.10
Repeatability1.3651025.00Varianza relevante debida al equipo
Reproducibility0.7150713.10Menor varianza debida al operador
Operario0.7150713.10
PartToPart3.3795961.90
TotalVariation5.45976100.00
Usada cuando el equipo es para control del proceso
Tabla de anlisis de la Variacin
Usada cuando el equipo es para liberar producto
raiz (Varianza)
SourceStdDev(SD)(5.15*SD)(%SV)(SV/Toler)
TotalGageR&R1.442287.427761.7349.52
Repeatability1.168386.017150.0040.11
Reproducibility0.845624.354936.1929.03
Operario0.845624.354936.1929.03
PartToPart1.838379.467678.6863.12
TotalVariation2.3366112.0336100.0080.22
El % de error total debe ser de cuando ms el
NumberofDistinctCategories=10% o hasta 30% si la caracterstica no es crtica.
En algunas industrias se toma 25% como aceptable
Este nmero debe ser de al
menos 4 indicando que el equipo discrimina las partes
Se tiene las siguientes variaciones:
Repetibilidad: Variacin debida al aparato o equipo de medicin
Reproducibilidad: Variacin introducida por los operarios
Error R&R
<10% crtica
<30% no crtica
Pgina 13 de 47
Mintab V15
Gage name:
Date of study:
Components of Variation
Medicion by Pieza
Percent
80
18
% Contribution
%StudyVar
% Tolerance
12
40
6
Gage R&R
Repeat
Reprod
Part-to-Part
R Chart by Operario
Sample Range
10
UCL=5.257
18
_
R=2.042
12
4
2
0
LCL=0
2
Operario
10.0
15.0
UCL=13.383
__
X=11.293
Average
12.5
15.0
Sample Mean
5
6
Pieza
Medicion by Operario
Operario
1
2
3
12.5
10.0
LCL=9.204
1
5 6
Pieza
10
Si no hay interaccin
significativa, estas
lneas son paralelas
Carta de rangos: Muestra al operario 2 con mayor variabilidad que los dems
pero aun as estan dentro de control, de otra forma debera repetir las mediciones
Cartas de Medias: Debe tener al menos el 50% de sus puntos fuera de control para
indicar que el sistema de medicin discrimina las diferentes partes adecuadamente
Ejemplo de estudio R&R (Crossed) usando el archivo de Minitab Gageaiag.Mtw
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 informacin general del equipo y del estudio
En options introducir lo siguiente:
Study variation
5.15 (estndar 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:
TwoWayANOVATableWithInteraction
SourceDFSSMSFP
Part92.058710.22874539.71780.000
Operator20.048000.0240004.16720.033
Part*Operator180.103670.005759La interaccin si es
Repeatability300.038750.001292
significativa, el operador
Total592.24913
tiene interaccin con las
partes
GageR&R
%Contribution
SourceVarComp(ofVarComp)
TotalGageR&R0.004437510.67
Repeatability0.00129173.10
Reproducibility0.00314587.56
Operator0.00091202.19
Operator*Part0.00223385.37
PartToPart0.037164489.33
TotalVariation0.0416019100.00
Pgina 14 de 47
Mintab V15
NumberofDistinctCategories=4
Gage R&R (ANOVA) for Response
Reported by :
Tolerance:
Misc:
Gage name:
Date of study:
Components of Variation
Response by Part
Percent
100
% Contribution
1.00
%Study Var
% Tolerance
50
0.75
0.50
Gage R&R
Repeat
Reprod
Part-to-Part
Sample Range
10
Response by Operator
3
UCL=0.1252
0.10
1.00
0.75
0.05
_
R=0.0383
0.00
LCL=0
0.50
1
2
Operator
1.00
_
UCL=0.8796
_
X=0.8075
0.75
LCL=0.7354
0.50
Average
Sample Mean
6
Part
R Chart by Operator
1.00
Operator
0.75
2
3
0.50
1
5
6
Part
10
La carta de medias tiene ms del 50% de puntos fuera de control, lo que es adecuado
Minitab 15
Operator
3
3
3
2
2
2
1
1
1
3
3
3
2
2
2
1
1
1
3
3
3
2
2
2
Response
413.75
268.75
420.00
426.25
471.25
432.50
368.75
270.00
398.75
386.25
478.75
436.25
406.25
531.25
435.00
408.75
608.75
443.75
383.75
373.75
446.25
388.75
157.50
456.25
Trial
3
2
1
3
2
1
3
2
1
3
2
1
3
2
1
3
2
1
3
2
1
3
2
1
Pgina 15 de 47
Mintab V15
1
1
1
2
3
4
5
6
7
1
1
1
405.00
273.75
476.25
3
2
1
Stat > Quality Tools > Gage Study > Gage R&R Study (Crossed).
En Part numbers, seleccionar Part.
En Operators, seleccionar Operator.
En Measurement data, seleccionar Response.
En Method of Analysis, seleccionar ANOVA
Click OK.
Resultsfor:Gage2.MTW
GageR&RStudyANOVAMethod
TwoWayANOVATableWithInteraction
SourceDFSSMSFP
Part23899019495.22.906500.166
Operator2529264.30.039400.962
Part*Operator4268306707.40.9Si el P value de la interaccin es mayor a
Repeatability181338737437.4
0.25 se hace otra corrida de ANOVA sin
Total26200222
interaccin.
Alphatoremoveinteractionterm=0.25
TwoWayANOVATableWithoutInteraction
SourceDFSSMSFP
Part23899019495.22.668870.092
Operator2529264.30.036180.965
Repeatability221607037304.7
Total26200222
GageR&R
%Contribution
%Contribution
SourceVarComp(ofVarComp)
TotalGageR&R7304.6784.36
Porcentaje de contribucin a la varianza
Repeatability7304.6784.36
total observada por el R&R es del 84.36%
Reproducibility0.000.00
Operator0.000.00
PartToPart1354.5015.64
Porcentaje de contribucin por la varianza
TotalVariation8659.17100.00
de las partes 15.64%
StudyVar%StudyVar
SourceStdDev(SD)(6*SD)(%SV)
TotalGageR&R85.4673512.80491.85
El error total R&R de 91.85% es
Repeatability85.4673512.80491.85
inadecuado para el sistema de medicin
Reproducibility0.00000.0000.00
Operator0.00000.0000.00
PartToPart36.8036220.82139.55
TotalVariation93.0547558.328100.00
Una categora de 1 quiere decir que no
NumberofDistinctCategories=1
puede distinguir diferencia entre partes
Gage R&R (ANOVA) for Response
Reported by:
Tolerance:
Misc:
Gage name:
Date of study:
Components of Variation
Response by Part
100
% Contribution
600
Percent
% Study Var
400
50
200
0
Gage R&R
Repeat
Reprod
Part-to-Part
R Chart by Operator
Sample Range
400
3
UCL=376.5
200
_
R=146.3
600
400
200
LCL=0
400
_
X=406.2
Operator
Average
500
2
Operator
UCL=555.8
Sample Mean
2
Part
Response by Operator
450
2
3
400
350
300
LCL=256.5
2
Part
Pgina 16 de 47
Mintab V15
LCL=0
2
3
Mdulo1 6. Control
Estadstico
del Proceso
Operator
Average
Sample Mean
UCL=555.8
500
_
X=406.2
400
450
2
3
400
350
300
LCL=256.5
2
Part
CartaXinadecuada,solohayvariacinaleatoria
Estudio R&R (Nested) para pruebas destructivas
Se usa el archivo RR_ANID.MTW con datos de medicin de 12 piezas realizadas
por 3 operarios. Las piezas se subdividieron en 3 grupos de 4 unidades y cada operario
midi 3 veces la pieza de un grupo, en orden aleatorio y sin saber que pieza estaba midiendo
Se trata de un diseo 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 informacin general del equipo y del estudio
En options introducir lo siguiente:
Study variation 5.15
Process Tolerance 10
Errores mayores a lo permitido
OK
StudyVar%StudyVar%Tolerance
SourceStdDev(SD)(5.15*SD)(%SV)(SV/Toler)
TotalGageR&R1.373177.0718197.9270.72
Repeatability1.135295.8467680.9558.47
Reproducibility0.772463.9781855.0839.78
PartToPart0.284751.4664420.3014.66
TotalVariation1.402387.22225100.0072.22
Variacin de partes muy
pequea vesus la de
operario y equipo, el
sistema de medicin
no es adecuado
Gage name:
Date of study:
Components of Variation
Percent
100
24
% Contribution
% Study Var
% Tolerance
22
50
20
0
Gage R&R
Repeat
Reprod
Pieza
Operario
Part-to-Part
Sample Range
10 11 12
C
UCL=5.170
24
4
2
_
R=2.008
LCL=0
A
Sample Mean
Medicion by Operario
22
20
Mintab 15
3
A
R Chart by Operario
A
B
Operario
24
UCL=24.196
22
_
_
X=22.142
20
LCL=20.087
En este ejemplo, tres operadores cada uno mide cinco partes, para un total de 30 mediciones.
Cada parte es nica a cada operador; nunca miden dos operadores la misma parte. Se decide realizar
un estudio R&R (anidado) para determinar cuanta variacin de la observada en el proceso se debe a
la variacin del sistema de medicin.
Part
1
1
2
2
3
3
4
4
5
5
Operator
Steve
Steve
Steve
Steve
Steve
Steve
Steve
Steve
Steve
Steve
Response
15.4257
16.8677
15.5018
15.1628
15.7251
12.8191
15.1429
13.8563
14.1119
16.5675
Part
8
9
9
10
10
11
11
12
12
13
Operator
Billie
Billie
Billie
Billie
Billie
Nathan
Nathan
Nathan
Nathan
Nathan
Response
14.325
15.1448
14.5478
16.3736
17.5779
14.0156
16.0597
14.7948
14.8448
14.2155
Pgina 17 de 47
Mintab V15
6
6
7
7
8
1
2
3
4
5
6
7
Billie
Billie
Billie
Billie
Billie
13.1025
15.5494
13.8316
14.2388
16.8403
13
14
14
15
15
Nathan
Nathan
Nathan
Nathan
Nathan
13.7057
16.4566
16.2174
15.0697
16.3231
Resultsfor:Gagenest.MTW
GageR&RStudyNestedANOVA
GageR&R(Nested)forResponse
SourceDFSSMSFP
Operator20.01420.007080.003850.996
Part(Operator)1222.05521.837941.425490.255
Repeatability1519.34001.28933
Total2941.4094
GageR&R
%Contribution
SourceVarComp(ofVarComp)
TotalGageR&R1.2893382.46Error de R&R muy alto
Repeatability1.2893382.46
Reproducibility0.000000.00
PartToPart0.2743017.54
TotalVariation1.56364100.00
Processtolerance=10
StudyVar%StudyVar%Tolerance
SourceStdDev(SD)(6*SD)(%SV)(SV/Toler)
TotalGageR&R1.135496.8129390. El error de R&R es muy
Repeatability1.135496.8129390. alto
Reproducibility0.000000.000000.000.00
PartToPart0.523743.1424341.8831.42
TotalVariation1.250457.50273100.0075.03
NumberofDistinctCategories=1
Gage R&R (Nested) for Response
Reported by:
Tolerance:
Misc:
Gage name:
Date of study:
Components of Variation
Percent
100
18
% Contribution
% Study Var
16
% Tolerance
50
14
0
Gage R&R
Repeat
Reprod
Part
Operator
Part-to-Part
8 9 10
Billie
R Chart by Operator
Sample Range
Billie
Nathan
Steve
UCL=4.290
3 4
Steve
18
16
_
R=1.313
LCL=0
14
Billie
Sample Mean
11 12 13 14 15
Nathan
Response by Operator
16
Billie
Nathan
Nathan
Operator
Steve
Steve
UCL=17.617
_
_
X=15.147
14
LCL=12.678
Pgina 18 de 47
Mintab V15
Estudios de linealidad
La linealidad se refiere a los diferentes % de error durante todo el recorrido de la escala
Se usa el archivo GAGELIN.MTW anexo
En este archivo se muestran las mediciones hechas con el patrn (Master) y
con el sistema en estudio (Response), en distintos niveles de la escala
Se puede obtener una ecuacin de
regresin de la dif. De Resp. - Master vs
Master Stat>Regression>Fitted line plot
Fitted Line Plot
Dif = 0.7367 - 0.1317 Master
S
R-Sq
R-Sq(adj)
1.0
0.239540
71.4%
70.9%
Dif
0.5
Amplitud de la
variabilidad del proceso
0.0
-0.5
-1.0
1
5
6
Master
10
Gage name:
Date of study:
Predictor
Constant
Slope
Regression
95% CI
1.0
Data
Avg Bias
S
Linearity
0.23954
1.86889
Bias
0.5
0.0
Reference
Av erage
2
4
6
8
10
Gage Linearity
Coef SECoef
0.73667 0.07252
-0.13167 0.01093
R-Sq
% Linearity
Gage Bias
Bias % Bias
-0.053333
0.4
0.491667
3.5
0.125000
0.9
0.025000
0.2
-0.291667
2.1
-0.616667
4.3
P
0.000
0.000
Ecuacin
71.4%
13.2
P
0.040
0.000
0.293
0.688
0.000
0.000
Datos de promedios
-0.5
-1.0
2
6
Reference Value
10
Percent
Linearity
Bias
Pgina 19 de 47
Mintab V15
En estas situaciones, las caractersticas de calidad son difciles de definir y evaluar. Para obtener
clasificaciones significativas, se utiliza ms de un evaluador para clasificar la medicin de la respuesta.
Si los evaluadores concuerdan, existe la posibilidad de que las calificaciones sean exactas. Si no
hay acuerdo, la utilidad de las calificaciones es limitada.
Por ejemplo: Una institucin evaluadora est capacitando a cinco nuevos evaluadores de la parte
escrita de una prueba. La habilidad de los evaluadores para calificar la prueba y que sea consistente
con estndares debe evaluarse. Cada evaluador califica quince reactivos en una escala de cinco puntos
(-2, -1, 0, 1, 2)
Appraiser
Simpson
Montgomery
Holmes
Duncan
Hayes
Simpson
Montgomery
Holmes
Duncan
Etc.
2
3
4
5
6
7
Sample
1
1
1
1
1
2
2
2
2
Etc.
Rating
2
2
2
1
2
-1
-1
-1
-2
Etc.
Attribute
2
2
2
2
2
-1
-1
-1
-1
Etc.
AttributeAgreementAnalysisforRating
EachAppraiservsStandard
AssessmentAgreement
Appraiser#Inspected#MatchedPercent95%CI
Duncan15853.33(26.59,78.73)
Hayes151386.67(59.54,98.34)
Holmes1515100.00(81.90,100.00)
Montgomery1515100.00(81.90,100.00)
Simpson151493.33(68.05,99.83)
#Matched:Appraiser'sassessmentacrosstrialsagreeswiththeknownstandard.
Fleiss'KappaStatistics
AppraiserResponseKappaSEKappaZP(vs>0)
Duncan20.583330.2581992.259240.0119
10.166670.2581990.645500.2593
00.440990.2581991.707960.0438
10.440990.2581991.707960.0438
20.423080.2581991.638570.0507
Overall0.411760.1309243.145080.0008
Hayes20.629630.2581992.438550.0074
10.813660.2581993.151310.0008
01.000000.2581993.872980.0001
10.760000.2581992.943470.0016
20.813660.2581993.151310.0008
Overall0.829550.1341646.183070.0000
Holmes21.000000.2581993.872980.0001
11.000000.2581993.872980.0001
01.000000.2581993.872980.0001
11.000000.2581993.872980.0001
21.000000.2581993.872980.0001
Pgina 20 de 47
Mintab V15
Overall1.000000.1313057.615840.0000
Montgomery21.000000.2581993.872980.0001
11.000000.2581993.872980.0001
01.000000.2581993.872980.0001
11.000000.2581993.872980.0001
21.000000.2581993.872980.0001
Overall1.000000.1313057.615840.0000
Simpson21.000000.2581993.872980.0001
11.000000.2581993.872980.0001
00.813660.2581993.151310.0008
10.813660.2581993.151310.0008
21.000000.2581993.872980.0001
Overall0.915970.1309246.996190.0000
Kendall'sCorrelationCoefficient
AppraiserCoefSECoefZP
Duncan0.875060.1924504.497440.0000
Hayes0.948710.1924504.880160.0000
Holmes1.000000.1924505.146670.0000
Montgomery1.000000.1924505.146670.0000
Simpson0.966290.1924504.971510.0000
BetweenAppraisers
AssessmentAgreement
#Inspected#MatchedPercent95%CI
15640.00(16.34,67.71)
#Matched:Allappraisers'assessmentsagreewitheachother.
Fleiss'KappaStatistics
ResponseKappaSEKappaZP(vs>0)
20.6803980.08164978.33310.0000
10.6027540.08164977.38220.0000
00.7076020.08164978.66630.0000
10.6424790.08164977.86870.0000
20.7365340.08164979.02070.0000
Overall0.6729650.041233116.32100.0000
Kendall'sCoefficientofConcordance
CoefChiSqDFP
0.96631767.6422140.0000
AllAppraisersvsStandard
AssessmentAgreement
#Inspected#MatchedPercent95%CI
15640.00(16.34,67.71)
#Matched:Allappraisers'assessmentsagreewiththeknownstandard.
Fleiss'KappaStatistics
ResponseKappaSEKappaZP(vs>0)
20.8425930.1154707.29710.0000
10.7960660.1154706.89410.0000
00.8509320.1154707.36930.0000
10.8029320.1154706.95360.0000
20.8473480.1154707.33830.0000
Overall0.8314550.05891114.11360.0000
Kendall'sCorrelationCoefficient
CoefSECoefZP
0.9580120.086066311.10900.0000
NOTE*Singletrialwithineachappraiser.Nopercentageofassessment
agreementwithinappraiserisplotted.
Pgina 21 de 47
Mintab V15
Date of study:
Reported by:
Name of product:
Misc:
Assessment Agreement
Appraiser vs Standard
100
95.0% CI
Percent
Percent
80
60
40
20
0
Duncan
Hayes
Holmes
Appraiser
Montgomery
Simpson
Se muestran tres tablas de concordancia: Cada evaluador contra el Estndar, entre evaluadores, y
todos los evaluadores contra el estndar. Se incluyen las estadsticas de Kappa y Kendall en cada una.
En general los estadsticos sugieren un buen acuerdo. El coeficiente de Kendall entre evaluadores es
0.966317 (p=0.0000). El coeficiente de Kendall para todos los evaluadores contra el estndar es
0.958012 (p=0.0000).
La tabla de cada evaluador contra el estndar indica que Duncan y Hayes tienen baja concordancia
contra el estndar, Holmes y Montgomery concordaron en 15 de 15.
La grfica de evaluadores contra el estndar proporciona una vista de la tabla de concordancias de
cada uno de los evaluadores contra el estndar.
Con base en esto, Duncan, Hayes y Simpson requieren capaciacin adicional.
Minitab 15
Estudio de sistemas de medicin por atributos (mtodo analtico)
Los estudios de gages por atributos calculan la cantidad de sesgo y repetibilidad de un sistema
de medicin cuando la respuesta es una variable binaria por atributos. Para obtener una buena
estimacin del sesgo y la repetibilidad, se deben seguir las reglas para seleccionar las partes con
valores de referencia conocidos. El valor de referencia es la medicin continua conocida y correcta
asociada con cada parte.
Por ejemplo: un fabricante quiere medir el sesgo y la repetibilidad de un sistema de medicin por
atributos. El sistema tiene un lmitge inferior de tolerancia de -0.020 y un lmite superior de tolerancia
de 0.020.
El fabricante mide 10 partes, con valores de referencia en intervalos desde -0.050 a -0.005, a travs
del gage 20 veces.
1
Stat > Quality Tools > Gage Study > Attribute Gage Study (Analytic Method).
En Part numbers, seleccionar Part number.
En Reference values, seleccionar Reference.
Pgina 22 de 47
Mintab V15
5
6
Gage name:
Date of study:
Bias:
Pre-adjusted Repeatability:
Repeatability:
99
0.0097955
0.0494705
0.0458060
95
50
Probability of Acceptance
Percent of Acceptance
20
-0.05
-0.04
-0.03
-0.02
-0.01
L Limit
1.0
0.5
0.0
-0.050
-0.025
0.000
Especificaciones
Boundary se usa cuando
es imposible tener piezas
fuera de este lmite
Los resultados se muestran a continuacin:
Sigma = R medio / d2 (constante)
El proceso debe estar en control
USL
Within
Overall
Process Data
LSL
3.08750
Target
*
USL
3.41250
Sample Mean
3.24312
SampleN
200
StDev(Within)
0.02136
StDev(O verall) 0.02917
Cp y Cpk a partir de
Std. Dev. Within
Overall Capability
Pp
PPL
PPU
Ppk
Cpm
3.10
3.15
3.20
3.25
3.30
3.35
3.40
1.86
1.78
1.94
1.78
*
Pgina 23 de 47
Mintab V15
USL
Within
Overall
Process Data
LSL
3.08750
Target
*
USL
3.41250
Sample Mean
3.24312
SampleN
200
StDev(Within)
0.02136
StDev(O verall) 0.02917
1.86
1.78
1.94
1.78
*
Pp y Ppk a partir de
Std. Dev. Overall
3.15
3.20
3.25
3.30
3.35
3.40
2
4
5
6
12
13
14
15
6
7
8
10
C4 = 4(n - 1) / (4n - 3)
1
1
1
1
2
2
2
2
3
3
3
3
20
15
Medidas
Medidas
10
0
1.0
1.5
Var 1=2.92
Desv. Std. Overall = raiz (17.91) = 4.23
Se aplica una constante de correccin
C4 que en este caso es 0.9776
2.0
Subgrupo
Var 2=1.67
2.5
Var 3 = 2.92
USL
Within
Overall
Process Data
LSL
6.00000
Target
*
USL
12.00000
Sample Mean
10.85938
SampleN
32
StDev(Within)
1.16392
StDev(Overall) 1.43526
6.4
Observed Performance
PPM<LSL
0.00
PPM>USL 156250.00
PPMTotal
156250.00
8.0
9.6
11.2
3.0
El Cpk es menor a 1
el proceso no es
capaz para cumplir
con especificaciones
0.70
1.13
0.26
0.26
*
12.8
Pgina 24 de 47
Mintab V15
OK
I Chart
Capability Histogram
I ndividual Value
15
UCL=14.351
12
_
X=10.859
9
3
LCL=7.368
12
15
18
21
24
27
30
8.0
Moving Range
9.6
12.8
__
MR=1.313
LCL=0
3
12
15
18
21
24
27
30
10
Last 25 Observations
Values
11.2
12
14
Capability Plot
Within
StDev 1.16392
Cp
0.86
Cpk
0.33
CCpk
0.86
12
10
8
Within
Overall
Overall
StDev 1.43526
Pp
0.70
Ppk
0.26
Cpm
*
Specs
10
15
20
Observation
25
30
Variable
Actual
Fits
13
AccuracyMeasures
MAPE
8.53237
MAD
0.88705
MSD
1.31670
%Humedad
12
11
10
9
Se observa que el %
ha ido aumentando con
el tiempo por alguna
razn a lo largo del da
Minitab 15
LinearTrendModel
Yt = 9.42198 + 0.0871151* t
14
8
7
3
12
15
18
Index
21
24
27
30
USL
Process Data
LSL
47
Target
*
USL
53
Sample Mean
49.8829
Sample N
75
StDev(Between) 0.685488
StDev(Within)
0.40608
StDev(B/W)
0.79674
StDev(O verall)
0.838488
B/W
Overall
B/W Capability
Cp
1.26
CPL 1.21
CPU 1.30
Cpk 1.21
Overall Capability
Pp
PPL
PPU
Ppk
Cpm
47
O bserved Performance
PPM < LSL 0.00
PPM > USL 0.00
PPM Total
0.00
48
49
50
51
52
1.19
1.15
1.24
1.15
*
53
Pgina 25 de 47
Mintab V15
Cpm
*
Mdulo 6. Control Estadstico
del Proceso
47
O bserved Performance
PPM < LSL 0.00
PPM > USL 0.00
PPM Total
0.00
48
49
50
51
52
53
El Cpk es de 1.21 indicando que el proceso es justamente capaz pero puede ser mejorado.
El total de PPM es de 193.4 indicando que todava se puede mejorar el proceso.
Capacidad de proceso para mltiples variables (normal)
Por ejemplo se quiere evaluar el espesor durante la maana y tarde. Se miden 5 muestras de 10 cajas
producidas en cada turno. El espesor debe estar entre 10.44 y 10.96 mm.
1
2
3
4
5
6
ProcessCapabilityofThicknessbyShift
ProcessData
ShiftLSLTargetUSLSampleMeanSampleNStDev(Within)
110.44*10.9610.8948500.0234052
210.44*10.9610.8892500.0234052
ShiftStDev(Overall)
Capability Histograms of Thickness by Shift
10.0218753
Shift = 1
LSL
USL
20.0225732
10.0
Within
Within
Overall
Potential(Within)Capability Cp 3.703 7.5
Overall
CPL 6.477
ShiftCpCPLCPUCpk
5.0
Pp
3.962
CPU 0.929
PPL
6.930
Cpk 0.929
13.7036.4770.9290.929
2.5
PPU 0.994
23.7036.3971.0081.008
Ppk
0.994
0.0
10.495 10.565 10.635 10.705 10.775 10.845 10.915
Cpm
*
OverallCapability
Shift = 2
ShiftPpPPLPPUPpkCpm LSL
USL
Within
Within
13.9626.9300.9940.994*
10.0
Overall
Cp
3.703
23.8396.6331.0451.045*
7.5
Overall
CPL 6.397
Pp
3.839
CPU 1.008
5.0
ObservedPerformance
PPL
6.633
Cpk 1.008
PPU 1.045
ShiftPPM<LSLPPM>USLPPMTotal2.5
Ppk
1.045
0.0
10.000.000.00
10.495 10.565 10.635 10.705 10.775 10.845 10.915
Cpm
*
20.000.000.00
Probability Plots of Thickness by Shift
Exp.WithinPerformance
Shift = 1
ShiftPPM<LSLPPM>USLPPMTotal
Normal - 95% CI, AD: 0.527, P: 0.171
10.002670.582670.58
99
90
20.001243.301243.30
50
Exp.OverallPerformance
10
ShiftPPM<LSLPPM>USLPPMTotal
1
10.82
10.84
10.86
10.88
10.90
10.92
10.94
10.96
10.001438.771438.77
20.00855.01855.01
Shift = 2
Normal - 95% CI, AD: 0.556, P: 0.144
99
90
50
10
1
10.82
10.84
10.86
10.88
10.90
10.92
10.94
10.96
Transformacin de Box Cox (para datos agrupados en subgrupos de tamao n >1 y con valor positivo)
Identifica la potencia lamda a la que hay que elevar los datos para que sigan una distribucin normal.
Ejemplo: Se mide la torcedura que tienen los ladrillos en un horno, los datos se encuentran
en el archivo TILES.MTW anexo. Se miden 10 ladrillos diarios por 10 das.
Pgina 26 de 47
Mintab V15
Histogram of Warping
14
12
Frequency
10
8
6
4
2
0
4
Warping
40
Upper CL
Lambda
(using 95.0% confidence)
StDev
30
Estimate
0.43
Lower CL
Upper CL
0.20
0.65
Rounded Value
0.50
20
10
Limit
0
-2
-1
1
2
Lambda
Por tanto el exponente al que hay que elevar los datos es 0.5 o sacar raz cuadrada.
Haciendo el anlisis conisderando esta transformacin de datos se tiene:
USL*
transformed data
Process Data
LSL
0
Target
*
USL
8
Sample Mean
2.92307
Sample N
100
StDev(Within)
1.75687
StDev(O verall) 1.78597
Within
Overall
After Transformation
LSL*
Target*
USL*
Sample Mean*
StDev(Within)*
StDev(O verall)*
0
*
2.82843
1.62374
0.52794
0.537984
PPL 1.01
PPU 0.75
Ppk 0.75
Cpm
*
0.0
Observed Performance
PPM < LSL
0.00
PPM > USL 20000.00
PPM Total 20000.00
0.4
0.8
1.2
1.6
2.0
2.4
2.8
Pgina 27 de 47
Target*
USL*
Sample Mean*
StDev(Within)*
StDev(O verall)*
Pp
0.88
Mdulo 6. Control Estadstico
del Proceso
PPL 1.01
0
*
2.82843
1.62374
0.52794
0.537984
PPU 0.75
Ppk 0.75
Cpm
*
0.0
Observed Performance
PPM < LSL
0.00
PPM > USL 20000.00
PPM Total 20000.00
0.4
0.8
1.2
1.6
2.0
2.4
2.8
N
100
AD
1.028
P-Value 0.010
99
Percent
90
50
10
1
Select a Transformation
0.6
0.8
0.6
0.4
0.2
Ref P
0.0
0.2
0.1
-5
0.8
Z Value
(P-Value = 0.005 means <= 0.005)
10
0.4
0.6
1.0
1.2
99.9
N
100
AD
0.231
P-Value 0.799
99
Percent
90
50
10
1
0.1
-2
Pgina 28 de 47
Mintab V15
BoxCoxTransformation0.3010.574
Lognormal1.477<0.005
3ParameterLognormal0.523*0.007
Exponential5.982<0.003
2ParameterExponential3.892<0.0100Cuando varias distribuciones ajustan
Weibull0.248>0.250
los datos, hacer lo siguiente:
3ParameterWeibull0.3590.4670Seleccionar la distribucion con el valor
SmallestExtremeValue3.410<0.010
mas alto de P, o que se ha usado antes
LargestExtremeValue0.5040.213
con este tipo de datos o la que de la
Gamma0.4890.238
capacidad de proceso mas conservadora.
3ParameterGamma0.547*0.763
Logistic0.879Prueba P de mxima verosimilitud (ML R) para comparar si
Loglogistic1.239<0.005
con dos parmetros se
3ParameterLoglogistic0.692*0.085
obtiene lo mismo que con
JohnsonTransformation0.2310.799
tres parmetros para
diversas distribuciones
MLEstimatesofDistributionParameters
DistributionLocationShapeScaleThreshold
Normal*2.923071.78597
BoxCoxTransformation*1.623740.53798
Lognormal*0.844290.74444
3ParameterLognormal1.378770.418431.40015
Exponential2.92307
2ParameterExponential2.667880.25518
Weibull1.6936Esta distribucin ajusta mejor a los datos
3ParameterWeibull1.504912.99693 por maxima verosimilitud
SmallestExtremeValue3.864131.99241
LargestExtremeValue2.095751.41965
Gamma2.342801.24768
3ParameterGamma2.127681.332080.08883
Logistic2.795901.01616
Loglogistic0.909690.42168
3ParameterLoglogistic1.304330.269971.09399
JohnsonTransformation*0.011200.99495
*Scale:AdjustedMLestimate
Probability Plot for Warping
2-Parameter Exponential - 95% CI
99.9
99.9
90
90
50
50
Percent
Percent
Exponential - 95% CI
10
1
0.1
0.001
0.010
0.100
1.000
10.000 100.000
Weibull - 95% CI
99.9
99.9
90
90
50
50
Percent
Percent
2-Parameter Exponential
AD = 3.892
P-V alue < 0.010
Warping
10
1
0.1
0.01
Exponential
AD = 5.982
P-V alue < 0.003
10
0.1
0.001
Weibull
AD = 0.248
P-V alue > 0.250
3-Parameter Weibull
AD = 0.359
P-V alue = 0.467
10
1
0.10
1.00
Warping
10.00
0.1
0.1
1.0
10.0
Warping - Threshold
Pgina 29 de 47
Mintab V15
USL
Process Data
LB
0.00000
Target
*
USL
8.00000
Sample Mean 2.92307
SampleN
100
Shape
1.69368
Scale
3.27812
O verall Capability
Pp
*
PPL
*
PPU
0.73
Ppk
0.73
Observed Performance
PPM<LB
0
PPM>USL 20000
PPMTotal 20000
0.0
1.5
3.0
4.5
6.0
7.5
0.1
LCL=0.0255
Binomial Plot
15
10
Cumulative Sum
Generalized
Variance
Tsquared
Proportion
90 10
7.5
0.8
DPU
Generalized
Variance
% Defective
0
75
20
0.050
3
6
9
12 15 18 21 24 27 30
1.2
50
1.2 0 Observed10
UCL=13.61
100 3.5547
Defectives
Sample
201.5
_
0.045
0.8
0.8
7.5
104 3.5547
-2.5
7
P=0.222
15
Cumulative 1
% Defective
0.2
10 Dist of % Defective
10
5.0
120
3
4
0.6 15 50
25
100
15000000
0.6
UCL=2.900
50 10
UCL=5.68
Tar
LCL=-3.82
ProcessCapabilityofWeightbyMachine
0.045
Summary
_ Stats
24.0
5.0
5.0
10.0
0.8
n sample size
0.040
_
20
LCL=0.0457
(using 95.0% confidence)
-5.0
10
6815
U=3.15
0 P=0.03812 UCL=94.20
1
22.5
50.0
151.0
% Defective:
19.29
0 7.522 0 24_
k critical distance
2.5
2 32 6 94 12 615 18 8 21 2410 27 30
12
14 0.016
18
200.0
22.5
UCL=13.61
Distribution:LargestExtremeValue
15
30
90
0.1 100
Lower C I :
17.25
25
8
0.6
21.00.6
Upper C I :
_3630010 Median=1.36
10
1 30Sample
010
10
00
150520 Defectives
45015
600 20
0.6
5
Observed
U=9.87
0.035
0.040
Sample
26
28
32
121.45
5.0 34
2.5
Target:
0.00
0 6
ProcessData
19.5
P=0.03867
I ncoming Lot Percent Defective
0.0
__
1
PP M Def:
192857
_
0.0
LCL=0
Incoming
Lot
0
Defectives
Per
Million
10000000
UCL=87.3
10
_
Incoming
Lot
Percent
Defective
2.5
_ 26.75
16 80
Lower C I :
172495
UCL=15.61
28.25
29.75
31.25
0
18.0
1
4
7
10
13
16
19
22
25
28
31
NP=5.28
10
4
__
Cumulative
%
Defective
Dist
of
%
Defective
60.5
10 4 8 12 16 20 24 28 32Machine
Upper C I :
X=0.442
0.0
2.5
5.0
80
=5214517
2
0.030
36 40
MachineLSLTargetUSLSampleMeanSampleNLocationScale
X=0.442
0.6
0.0
Process
Z:
0.8674
Sample
0.0
010TI15
ACI,
verage
Total
nspection
0 200
5(A
)Total
Curve
20 _
25 NP=5.39
30 35
5
10
15
20
25
30
00.035
0 I P:
400
600
Tar
Lower
CI :
0.7908
12
Observed
Largest
Extreme
Value
- 95%
AD:
> 0.250
Average
I nspection
(ATI
) Curve
Summary
Stats 0.341,
Sample
50.4
Sample
_ I nspection
Average
Total
(ATI
)Defects
Curve
Machine
=2
4
Upper C I :
0.9444
0.4
3
70
C=69.24
127*3530.57665029.94091.12097
0.4
I ncoming
Lot Defectives
Per Million
5000 confidence)
(using 95.0%
99
0
Target=0
C=63.4
30.0
16
0.025
4
_
LSL UCL=19.71
208 60
5000
-1
50.0
Target=0
5000000 Cumulative DPU
R=7.38
LCL=0.02308
0.030
% Defective: 0 22.20 2200
2-2.5
Dist of DPU
12
227*3530.36865029.79411.04393
27.5 605
Lower CI :
20.12
12
2
I nspection
A T I 16
) Curve
9040.020
2Average
4
6T otal
8LCL=0.30
10
12 (14
18 20 22
24
150
-2
Upper CI :
24.39
LCL=-2.017
1700 Stats
0.4
2
9Tar
Summary
OverallCapability
1
-10
40
0.2
LCL=39.5
0.2
4
16
-5.0
Sam
ple
3
6
9
12
15 Target:
18 3000
21
24
27
30
25.0
0.00
| S|
=1711331
8
00.025
Target=0
3000
-0.5
50
118
LCL=-5.68
5000.2
3
9
12
15Sam
21
24
27
30
16
LCL=0
95.0%
confidence)1
ple
PPM Def: (using
222000
1200
LCL=0.02292
6
MachinePpPPLPPUPpk
10 00
2200
-3
1 1 20
1
LCL=0
Median=1.36
0 4 6 6 8 8 1010Sample
LCL=0
22.5
10
4
12
14
16
18
22 4 24
24
LCL=44.28
:
201196
12 Lower
14 CI
16
18
20 22
22
0 2 222 with
66 sample
88 10
12
14
18
1 4
Mean
Def:
116
12LCL=0
4unequal
10
14
16
18
2020
22 3.1500
2424
Tests performed
sizes12
20
Sample
0
0.020
0.1 340
Upper1000
CI13
:
243898
10.841.330.660.66
3
Sample
3 unequal
5 sample
7 sizes
9 Sample
11
15 CI700
17 2.6240
19
Sam
ple
Tests
Lower
1700
20.0
5performed
-4 111 with
7
35
5648
63
70
LCL=-0.978
1 14
2 21
3
428
5 31
6 Z:42
7
849
9:1000
100 34
11
12
-1.0
0.0
6
12
18
24
30
36
42
54
60
27
28
29
30
32
33
35
36 | S| =4.22
Process
0.7655
0.0
3
6
9
12
15
18
21
24
27
30
14
35
42 Upper
49
563.7505
63 2060
7040 50 60
Sample
0.2
6
12 20 21
1825 28
24
30
36
42
54
CI200
: 48
0 10
70
0.0 1511 7
10 4 15
30 Sample
20.901.350.740.74
Lower
CI :
0.6938 22
16
19
25 22
2824 30 31
Sample
8 0
Sample
2
4Sample67 8 10 10 13Sample
12
14
16
18
20
Sample
Sample
Mean
3.1500
1200DPU:
Upper
CI
:
0.8374
26.75 LCL=0 28.25
29.75
31.25
2
4
6
8
10
12
14
16
18
20
22
24
0
0
150
300
450
600
Sam
ple
0
10
20
0
10
0
150
20
300
450
600
2
Sample
ObservedPerformance
Lower
CI
:
2.6240
0
5
10
15
20
0 25 Lot5Defectives
10
20
Lot Defectives
Lot Percent
1
4
7Defective
10Per Million
13 Sample
16
19 Lot Percent
22 Defective
28 4
31
Per Million 15
0.0
USL
Overall
Pp
0.84
PPL 1.33
PPU 0.66
Ppk 0.66
Expected Defects
_
P=0.1929
Sample Count T
Per
Unit
squared
Sample Mean
% Defective Count
Sample
Per Unit
Sample
Range
Proportion
Probability
of
Acceptance
Proportion
Sample
Count
Cumulative
SumProportion
Sample
Count
Sam
ple
Count
Probability
of
Acceptance
Probability
Sample
of
Acceptance
Count
Cumulative
Sum
MEWMA
Cum
ulative
Sum
Probability
of
Acceptance
EWMA
Moving
Average
0.2
UC L=0.3602
Expected Defectives
Expected Defectives
P Char t
0.3
700CI :
Upper
3.7505
Lot Percent Defective
Sample
Lot Percent Defective
MachinePPM<LSLPPM>USLPPMTotal
Min DPU:
0.0000
Sam
ple
0.0
1 Size = 104, Critical Distance = 3.55750
200
0
10.000.000.00
Max
DPU:
6.0000
Sample Size = 52, Acceptance Number = 2
0 1
2 3
10
20
30
40
Targ DPU:
0.0000
0
200 Sample
400
600
20.000.000.00
0
200
400
600
Lot Defectiv es Per Million
Lot Defectives Per Million
Exp.OverallPerformance
MachinePPM<LSLPPM>USLPPMTotal
11.0310904.0210905.06
20.496803.716804.19
Pgina 30 de 47
32.75
34.25
USL
Overall
Pp
0.90
PPL 1.35
PPU 0.74
Ppk 0.74
32.75
34.25
Mintab V15
Tambin en este caso los Ppks no cumplen con el criterio de al menos 1.33.
Se tienen lmites de
control variables por
ser el tamao de muestra
variable
TestResultsforPChartofDefectuosos
TEST1.Onepointmorethan3.00standarddeviationsfromcenterline.
TestFailedatpoints:3,26
Aproximando el tamao de muestra a su promedio se tiene n = 1350
Pgina 31 de 47
Mintab V15
TestResultsforNPChartofDefectuosos
TEST1.Onepointmorethan3.00standarddeviationsfromcenterline.
TestFailedatpoints: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 lmites de control
Pgina 32 de 47
Mintab V15
TestResultsforCChartofVisitas
TEST1.Onepointmorethan3.00standarddeviationsfromcenterline.
TestFailedatpoints:5,6,10,11,22,26,33,37,40,41,54,55
El punto del da 10 representa un pico debido a un anuncio especial anunciando la pgina
los otros puntos que salen de control se presentan los fines de semana.
Para eliminar los puntos correspondientes a sbados y domingos usar el botn Data Options
para recalcular los lmites de control de nuevo:
Pgina 33 de 47
Mintab V15
Excludingrowswhere'Diasemana'="S"or'Diasemana'="D"orFecha=DATE("10/10/2002")
18rowsexcluded
Minitab 15
Leave gaps for excluded points: Seleccionar para dejar un espacio en la grfica
para los puntos excluidos
Pgina 34 de 47
Mintab V15
Ejemplo: Se usa el archivo BANCO.MTW anexo que contiene por diferentes agencias
bancarias, el nmero de clientes no satisfechos de entrevistas a 50 en cada una.
Meta 0 defectuosos
La grfica acumulativa debe
acabar estabilizandose cerca
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 ms influyen en las quejas.
Colocando asteriscos en los datos de estas agencias se tiene:
Asi el porcentaje de clientes insatisfechos por agencia se encuentra
entre el 18 al 22% para un nivel de confianza del 95%.
Es importante identificar las causas asignables que distinguen a las agencias.
TEST1.Onepointmorethan3.00standarddeviationsfromcenterline.
TestFailedatpoints:28
Estudio de capacidad para variables que siguen una distribucin de Poisson (nmero de defectos)
Pgina 35 de 47
Mintab V15
Ejemplo: Variaciones de una flecha respecto a una lnea de referencia, los datos se
encuentran en el archivo CRANKSH.MTW anexo.
Pgina 36 de 47
Mintab V15
Stat > Control Charts > Variables Charts for Subgroups > Xbar
En Subgroup sizes, poner 5.
OK
No se observa que el
proceso tenga corrimiento
o est fuera de control
Stat > Control Charts > Time Weighted Charts > Cusum
En Subgroup sizes, poner 5. Target 0.0
OK
TestResultsforCUSUMChartofAtoBDist
TEST.Onepointbeyondcontrollimits.
TestFailedatpoints:4,5,6,7,8,9,10
Carta de Sumas acumuladas con Mascara en V
La carta de control CuSum se obtiene graficando los valores de Sm o Sm como funcin de m.
Si el proceso permanece centrado, la carta tender hacia el valor de la media 0
Si el proceso se corre gradualmente hacia arriba o hacia abajo, ser indicado en la carta.
Su sensibilidad est determinada por los parmetros 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 ltimo punto de suma acumulada determinado y observando que ninguno de
los puntos anteriores se salga, de otra forma tomar accin
Stat > Control Charts > Time Weighted Charts > Cusum
En Subgroup sizes, poner 5. Target 0.0
en Cusum Options: Seleccionar two sided V mask Center on subgroup 6 o 8
Pgina 37 de 47
Mintab V15
OK
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
Puntos fuera de control
Pgina 38 de 47
Mintab V15
TestResultsforEWMAChartofAtoBDist
TEST.Onepointbeyondcontrollimits.
TestFailedatpoints:5,6
Carta de promedios mviles
Tiene una sensibilidad intermedia entre las cartas X-R y la Cusum y EWMA
Stat
> Control
> Time Weighted
Moving
average
Seleccionar
AllCharts
observations
for a chartCharts
are in >
one
column,
seleccionar AtoBDist
En Subgroup sizes, poner 5. Lenght of MA 3
OK
TEST.Onepointbeyondcontrollimits.
TestFailedatpoints:5,6
Minitab 15
Carta T2
Stay
1/01/01
Satisfaction TestResultsforTsquaredChartofStay,Satisfaction
PointVariablePValue
5
1/01/01
6.5
GreaterThanUCL18Stay0.0010
1/01/01
5.2
Satisfaction0.0002
1/01/01
19Satisfaction0.0000
1/01/01
1/02/01
Etc.
Pgina 39 de 47
Mintab V15
Stat > Control Charts > Multivariate Charts > Tsquared-Generalized Variance.
TestResultsforTsquaredChartofStay,Satisfaction
PointVariablePValue
GreaterThanUCL18Stay0.0010
Satisfaction0.0002
19Satisfaction0.0000
Pgina 40 de 47
Mintab V15
Se miden el pulso, presin sanguinea y peso de 5 pacientes cada semana durante tres meses.
Se trata de investigar si se mantiene en control la variabilidad conjunta de las tres variables:
1
Stat > Control Charts > Multivariate Charts > Generalized Variance.
Click Labels. En Title, teclear Generalized Variance Chart for Effects of Heart Drug.
No hay puntos fuera de control, indicando que la variabilidad conjunta de los signos
de las cinco personas est en control
Carta MEWMA para monitoreo simultaneo de varias variables correlacionadas
Por ejemplo en un secador por aspersin, para controlar el tamao de partcula, se puede
monitorear la temperatura de alimnetacin y la temperatura en la cmara.
Por ejemplo un fabricante de juguetes quiere monitorear el peso en gramos y la longitud en cms.
de un juguete. Se colectan 4 muestras cada da por 20 das. Como estas variables
estan correlacionadas, se quiere detectar pequeos corrimientos en estas variables.
1
Seleccionar Stat > Control Charts > Multivariate Charts > Multivariate EWMA.
Pgina 41 de 47
Mintab V15
Minitab
Pa =
p
0.005
0.010
0.020
0.030
0.040
0.050
0.060
0.070
0.080
0.090
0.100
0.110
0.120
0.98969
0.93969
0.73658
0.49848
0.30416
0.17208
0.09187
0.04682
0.02296
0.01089
0.00501
0.00225
0.00098
p
0.005
0.01
0.02
0.03
0.04
0.05
0.06
0.07
Pa
0.98969
0.93969
0.73658
0.49848
0.30416
0.17208
0.09187
0.04682
AOQ = Pa . P
0.00495
0.00940
0.01473
0.01495
0.01217
0.00860
0.00551
0.00328
Pgina 42 de 47
Mintab V15
0.08
0.02296
0.00184
a) Crear un plan de muestreo para determinar el tamao de muestra y hacer una decisin sobre si
aceptar o rechazar el lote, con base en el nmero de defectivos o nmero de defectos encontrados
en la muestra.
b) Comparar varios planes de muestreo para determinar el efectos de variar el tamao de muestra o
el nmero de aceptacin.
Por ejemplo: un proveedor enva un lote de 5000 productos con varios defectivos. Se implementa un
plan de muestreo de modo que se acepte o rechace el lote completo. Se acuerda un AQL del 1.5% y
RQL de 10%.
Caso a)
Pgina 43 de 47
Mintab V15
Averageoutgoingqualitylimit(AOQL)=2.603at4.300percentdefective.
Caso b
Pgina 44 de 47
Mintab V15
Para cero defectos solo hay una probabilidad de aceptar de 45.6% lotes con un AQL de 1.5% defectivo
en vez de una probabilidad de acepacin del 95% cuando el criterio es aceptar hasta con dos defectos.
Minitab 15
a) Crear un plan de muestreo para determinar el tamalo de muestra y hacer una decisin sobre si
aceptar o rechazar el lote, con base en las mediciones.
b) Comparar varios planes de muestreo para determinar el efectos de variar el tamao de muestra o
distancia crtica
Caso a)
Por ejemplo: un proveedor enva un lote de 2500 tubos de 2". Se implementa un plan de muestreo
para verificar el espesor de la pared. El lmite inferior es de 0.09". Se acuerda un AQL de 100 ppm
RQL de 300 ppm o defectos por milln.
1 Stat > Quality Tools > Acceptance Sampling by Variables
2 Create a sampling plan.
3 En Units for quality levels, seleccionar Defectives per million
4 En Acceptable quality level (AQL), enter 100.
En Rejectable quality level (RQL or LTPD), poner 300
5 En Producer's risk (Alpha), poner 0.05. En Consumer's risk (Beta), poner 0.10.
6 En Lower spec, poner 0.09
7 En Historical standard deviation, poner 0.025.
8 En Lot size, poner 5000.
9 Click OK.
El plan generado es el siguiente:
AcceptanceSamplingbyVariablesCreate/Compare
Lotqualityindefectivespermillion
LowerSpecificationLimit(LSL)0.09
HistoricalStandardDeviation0.025
LotSize2500
AcceptableQualityLevel(AQL)100
Producer'sRisk(Alpha)0.05
RejectableQualityLevel(RQLorLTPD)300
Consumer'sRisk(Beta)0.1
GeneratedPlan(s)
Plan de muestreo generado
SampleSize104
CriticalDistance(kValue)3.55750
Z.LSL=(meanlowerspec)/historicalstandarddeviation
AcceptlotifZ.LSL>=k;otherwisereject.
DefectivesProbabilityProbability
PerMillionAcceptingRejectingAOQATI
1000.9500.05091.1223.2
3000.1000.90028.62261.4
Pgina 45 de 47
Mintab V15
Averageoutgoingqualitylimit(AOQL)=104.6at140.0defectivespermillion.
Caso b)
Por ejemplo: un proveedor enva un lote de 2500 tubos de 2". Se implementa un plan de muestreo
para verificar el espesor de la pared. El lmite inferior es de 0.09". Se acuerda un AQL de 100 ppm
RQL de 300 ppm defectos por milln. Se quieren comparar los planes de muestreo con 50 75 100 104
1 Stat > Quality Tools > Acceptance Sampling by Variables > Create / Compare
2 Compare user defined sampling plans
3 En Units for quality levels, seleccionar Defectives per million
4 En Acceptable quality level (AQL), enter 100.
En Rejectable quality level (RQL or LTPD), poner 300
5 En Sample sizes, poner 50 75 100 104. En Critical distance (k values), poner 3.55750.
6 En Lower spec, poner 0.09
7 En Historical standard deviation, poner 0.025.
8 En Lot size, poner 5000.
9 Click OK.
Los resultados son los siguientes:
AcceptanceSamplingbyVariablesCreate/Compare
Lotqualityindefectivespermillion
LowerSpecificationLimit(LSL)0.09
HistoricalStandardDeviation0.025
LotSize2500
AcceptableQualityLevel(AQL)100
RejectableQualityLevel(RQLorLTPD)300
CompareUserDefinedPlan(s)
SampleCriticalDefectivesProbabilityProbability
Size(n)Distance(k)PerMillionAcceptingRejectingAOQATI
503.55471000.8770.12386.0350.5
503.55473000.1920.80856.52029.5
753.55471000.9230.07789.5262.6
753.55473000.1430.85741.72152.7
1003.55471000.9500.05091.2220.4
1003.55473000.1090.89131.42237.9
1043.55471000.9530.04791.3216.4
1043.55473000.1050.89530.12249.1
SampleCriticalAtDefectives
SizeDistance(k)AOQLPerMillion
Pgina 46 de 47
Mintab V15
503.554797.9149.9
753.5547102.1143.4
1003.5547105.3141.6
1043.5547105.8141.5
Z.LSL=(meanlowerspec)/historicalstandarddeviation
AcceptlotifZ.LSL>=k;otherwisereject.
6.9 Aplicaciones
Realizar los ejercicios del Mdulo 5 incluidos en el archivo CursoTallerMinitabEjercicios
Pgina 47 de 47