Actividad 2 - Ejercicios de Regresion - Rivera Melgar 18211132

Descargar como docx, pdf o txt
Descargar como docx, pdf o txt
Está en la página 1de 62

TECNOLÓGICO NACIONAL DE MÉXICO

INSTITUTO TECNOLÓGICO DE TIJUANA

HERRAMIENTAS ESTADÍSTICAS PARA LA CALIDAD

“Actividad 2.- Ejercicios de regresión, correlación y gráficos de


control”

QUE PRESENTA:

Rivera Melgar Anayeli


18211132

INGENIERÍA INDUSTRIAL
PROFESOR:
Jesús Manuel Moreno Lozano
TIJUANA, B.C. 18 OCTUBRE, 2021
Actividad 2.- Ejercicios de regresión, correlación y gráficos de control

Ejercicio 1. Carta P
Ejercicio 1. En una empresa del ramo alimenticio, mediante ciertas máquinas se empaquetan
salchichas en sobres o paquetes. Un problema que se ha tenido es que dentro del sobre queda aire
(falta de vacío). El problema se detecta mediante inspección visual; los paquetes con aire son
segregados y después se abren para recuperar las salchichas y volverlas a empaquetar. El atributo
de "falta de vacío" es importante debido a que, si un paquete con aire llega al mercado, la vida de
anaquel se acorta, por lo que después de algunos días la salchicha empieza a cambiar de color y a
perder su frescura; y eso puede ocurrir en el refrigerador del distribuidor o del consumidor. Esta
situación repercute en clientes insatisfechos y genera una mala imagen de la compañía. Por lo
anterior, a los operadores de las diferentes máquinas continuamente se les recordaba la
importancia de no dejar pasar paquetes con aire. Sin embargo, como no se llevaba un registro de
la magnitud del problema, no existían bases tangibles para detectar cambios en el desempeño de
las máquinas, ni había forma de saber si las medidas tomadas para reducir el problema habían
dado resultado. De ahí surgió la necesidad de registrar los resultados y analizarlos mediante una
carta de control. Cada hora se registra el número de paquetes detectados con aire di y del
contador de la máquina se obtiene el total de paquetes ni durante esa hora. Los datos obtenidos
durante tres días en una máquina se muestran en la tabla.

Paquetes
Paquetes Proporción
Subgrupo con aire
ni pi
di
1 590 15 0.38
2 605 9 0.23
3 601 15 0.38
4 594 17 0.43
5 597 16 0.40
6 601 7 0.18
7 604 20 0.50
8 602 7 0.18
9 590 18 0.45
10 591 9 0.23
11 597 11 0.28
12 593 15 0.38
13 599 8 0.20
14 602 23 0.58
15 602 6 0.15
16 599 27 0.68
17 606 11 0.28
18 596 8 0.20

Página | 2
19 594 9 0.23
20 598 22 0.55
21 591 26 0.65
22 599 10 0.25
23 602 24 0.60
24 595 18 0.45
25 600 9 0.23
26 593 22 0.55
27 603 3 0.08
28 594 14 0.35
29 600 12 0.30
30 605 8 0.20
31 598 19 0.48
32 605 21 0.53
33 596 15 0.38
34 605 16 0.40
35 597 9 0.23
36 599 23 0.58
37 595 21 0.53
38 596 7 0.18
39 602 9 0.23
40 604 9 0.23

Resuelto en Excel
 Se identifica el tamaño de muestras n = 40
 Se obtiene la proporción por cada subgrupo, mediante la formula

Página | 3
 Se obtiene los datos del límite de control: límite de control superior, limite central y
límite inferior de control con las fórmulas:

o En el formato Excel queda la formula:

 Se colocan los límites de control superior, limite central y límite inferior de control en la
tabla, estos son agregados como valores absolutos.

Página | 4
Paquetes
Paquetes Proporción
Subgrupo con aire LSC LC LIC
ni pi
di
1 590 15 0.38 0.128 0.3550 0.582
2 605 9 0.23 0.128 0.3550 0.582
3 601 15 0.38 0.128 0.3550 0.582
4 594 17 0.43 0.128 0.3550 0.582
5 597 16 0.40 0.128 0.3550 0.582
6 601 7 0.18 0.128 0.3550 0.582
7 604 20 0.50 0.128 0.3550 0.582
8 602 7 0.18 0.128 0.3550 0.582
9 590 18 0.45 0.128 0.3550 0.582
10 591 9 0.23 0.128 0.3550 0.582
11 597 11 0.28 0.128 0.3550 0.582
12 593 15 0.38 0.128 0.3550 0.582
13 599 8 0.20 0.128 0.3550 0.582
14 602 23 0.58 0.128 0.3550 0.582
15 602 6 0.15 0.128 0.3550 0.582
16 599 27 0.68 0.128 0.3550 0.582
17 606 11 0.28 0.128 0.3550 0.582
18 596 8 0.20 0.128 0.3550 0.582
19 594 9 0.23 0.128 0.3550 0.582
20 598 22 0.55 0.128 0.3550 0.582
21 591 26 0.65 0.128 0.3550 0.582
22 599 10 0.25 0.128 0.3550 0.582
23 602 24 0.60 0.128 0.3550 0.582
24 595 18 0.45 0.128 0.3550 0.582
25 600 9 0.23 0.128 0.3550 0.582
26 593 22 0.55 0.128 0.3550 0.582
27 603 3 0.08 0.128 0.3550 0.582
28 594 14 0.35 0.128 0.3550 0.582
29 600 12 0.30 0.128 0.3550 0.582
30 605 8 0.20 0.128 0.3550 0.582
31 598 19 0.48 0.128 0.3550 0.582
32 605 21 0.53 0.128 0.3550 0.582
33 596 15 0.38 0.128 0.3550 0.582
34 605 16 0.40 0.128 0.3550 0.582
35 597 9 0.23 0.128 0.3550 0.582
36 599 23 0.58 0.128 0.3550 0.582
37 595 21 0.53 0.128 0.3550 0.582
38 596 7 0.18 0.128 0.3550 0.582
39 602 9 0.23 0.128 0.3550 0.582
40 604 9 0.23 0.128 0.3550 0.582

Página | 5
 Se procede a realizar el grafico de control P seleccionando primero los datos de proporción y
después la graficas de dispersión

 Se agregan los límites de control al gráfico y se visualizan los puntos que están fuera de
control:

Página | 6
Conclusión: existen 4 puntos fuera del límite de control, los cuales se debe prestar
atención y realizar una inspección al 100% en los subgrupos 16, 21, 23 y 27.

Resuelto en Minitab
Existen dos formas de realizarlo, por medio del asistente o directamente seleccionando el
grafico P
 Se agregan los valores de la tabla al archivo de Minitab: Subgrupo, paquetes y
paquetes con aire

Página | 7
 Se selecciona del menú de estadística  graficas de control  Graficas de control
por atributos  Grafica P

 En pantalla de gráfica P seleccionamos en variables los datos de “paquete con aire” y


en el tamaño de muestras agregamos 40  OK

Página | 8
 Observamos el resultado del grafico P y los límites de control superior, inferior y limite
central son obtenidos de forma sistemática, dando los mismos resultados que Excel.

Conclusión: al igual que en Excel, observamos que existen 4 puntos fuera de los límites de
control, los cuales los cuales se debe prestar atención y realizar una inspección al 100% en los
subgrupos 16, 21, 23 y 27.

Página | 9
Ejercicio 2. Gráfico P. Se tienen los siguientes datos:

Unidades Unidades Fracción


examinadas defectuosas defectuosos

Muestra ni np p LSCi LC LICi


1 980 32
2 800 15
3 550 21
4 950 20
5 1200 36
6 480 17
7 500 21
8 680 20
9 500 32
10 480 28
11 700 25
12 1100 21
13 800 12
14 350 18
15 400 12
16 580 20
17 400 16
18 800 13
19 1000 15
20 500 21
21 670 20
22 400 31
23 760 17
24 1200 21
25 960 20

Resuelto en Excel
 Se identifica el tamaño de muestras n = 25

 Se obtiene la proporción por cada subgrupo, mediante la formula

Página | 10
 Se obtiene los datos del límite de control: límite de control superior, limite central y
límite inferior de control con las fórmulas:

o En el formato Excel queda la formula:

Página | 11
 Se colocan los límites de control superior, limite central y límite inferior de control en la
tabla, estos son agregados como valores absolutos.

Resultados:

Unidades Unidades Fracción


examinadas defectuosas defectuosos

Muestra ni np p LSCi LC LICi


1 980 32 1.280 1.059 0.838 0.618 N 25
2 800 15 0.600 1.059 0.838 0.618 LSC = 1.0593
3 550 21 0.840 1.059 0.838 0.618 LC = 0.8384
4 950 20 0.800 1.059 0.838 0.618 LIC = 0.6175
5 1200 36 1.440 1.059 0.838 0.618
6 480 17 0.680 1.059 0.838 0.618
7 500 21 0.840 1.059 0.838 0.618
8 680 20 0.800 1.059 0.838 0.618
9 500 32 1.280 1.059 0.838 0.618
10 480 28 1.120 1.059 0.838 0.618
11 700 25 1.000 1.059 0.838 0.618
12 1100 21 0.840 1.059 0.838 0.618
13 800 12 0.480 1.059 0.838 0.618
14 350 18 0.720 1.059 0.838 0.618
15 400 12 0.480 1.059 0.838 0.618

Página | 12
16 580 20 0.800 1.059 0.838 0.618
17 400 16 0.640 1.059 0.838 0.618
18 800 13 0.520 1.059 0.838 0.618
19 1000 15 0.600 1.059 0.838 0.618
20 500 21 0.840 1.059 0.838 0.618
21 670 20 0.800 1.059 0.838 0.618
22 400 31 1.240 1.059 0.838 0.618
23 760 17 0.680 1.059 0.838 0.618
24 1200 21 0.840 1.059 0.838 0.618
25 960 20 0.800 1.059 0.838 0.618

 Se procede a realizar el grafico de control P seleccionando primero los datos de


proporción y después la graficas de dispersión

 Se agregan los límites de control al gráfico y se visualizan los puntos que están fuera de
control:

Página | 13
Conclusión: El proceso no es estable, existen 4 puntos fuera del límite de control, los cuales se
debe prestar atención y realizar una inspección al 100% en los subgrupos 16, 21, 23 y 27.

Página | 14
Problemáticas extras de Grafico P

Ejercicio 1. Control Estadístico de la Calidad y Seis Sigma, página 246. Autor: Humberto
Gutiérrez Pulido y Román de la Vara Salazar. Segunda Edición, 2009

Resuelto en Excel
 Se identifica el tamaño de muestras n = 21

 Se obtiene la proporción por cada subgrupo, mediante la formula

Página | 15
 Se obtiene los datos del límite de control: límite de control superior, limite central y
límite inferior de control con las fórmulas:

o En el formato Excel queda la formula:

Página | 16
 Se colocan los límites de control superior, limite central y límite inferior de control en la
tabla, estos son agregados como valores absolutos.

Resultados:

Tamaño de
Lote lote Defectuosas Proporción LCS LC LCI
1 300 15 0.7143 0.8352 0.5079 0.1807 N 21
2 300 12 0.5714 0.8352 0.5079 0.1807 LCS 0.8352
3 300 15 0.7143 0.8352 0.5079 0.1807 LC 0.5079
4 300 7 0.3333 0.8352 0.5079 0.1807 LCI 0.1807
5 300 16 0.7619 0.8352 0.5079 0.1807
6 300 6 0.2857 0.8352 0.5079 0.1807
7 300 18 0.8571 0.8352 0.5079 0.1807
8 280 10 0.4762 0.8352 0.5079 0.1807
9 290 9 0.4286 0.8352 0.5079 0.1807
10 300 15 0.7143 0.8352 0.5079 0.1807
11 300 9 0.4286 0.8352 0.5079 0.1807
12 300 4 0.1905 0.8352 0.5079 0.1807
13 300 7 0.3333 0.8352 0.5079 0.1807
14 300 9 0.4286 0.8352 0.5079 0.1807
15 305 5 0.2381 0.8352 0.5079 0.1807
16 295 15 0.7143 0.8352 0.5079 0.1807
17 300 19 0.9048 0.8352 0.5079 0.1807
18 300 7 0.3333 0.8352 0.5079 0.1807
19 300 12 0.5714 0.8352 0.5079 0.1807
20 300 10 0.4762 0.8352 0.5079 0.1807
21 300 4 0.1905 0.8352 0.5079 0.1807

Página | 17
 Se procede a realizar el grafico de control P seleccionando primero los datos de
proporción y después la graficas de dispersión

 Se agregan los límites de control al gráfico y se visualizan los puntos que están fuera de
control:

Conclusión: El proceso no es estable, ya que cuentan con puntos fuera del límite de control,
esos puntos se consideran como defectos especiales, se recomienda inspeccionar los lotes 7 y 17
al 100% para descartas defectos y eliminar los lotes 7 y 17 para tener un proceso estable.

Página | 18
Resuelto en Minitab
Existen dos formas de realizarlo, por medio del asistente o directamente seleccionando el
grafico P
 Se agregan los valores de la tabla al archivo de Minitab: Lote, tamaño de lote,
defectuosas

 Se selecciona del menú de estadística  graficas de control  Graficas de control


por atributos  Grafica P

Página | 19
 En pantalla de gráfica P seleccionamos en variables los datos de “defectuosas” y en el
tamaño de muestras agregamos 21  OK

 Observamos el resultado del grafico P y los límites de control superior, inferior y limite
central son obtenidos de forma sistemática.

Conclusión: El proceso no es estable, ya que cuentan con puntos fuera del limite de control,
esos puntos se consideran como defectos especiales, se recomienda inspeccionar los lotes 7 y 17
al 100% para descartas defectos y eliminar los lotes 7 y 17 para tener un proceso estable.

Página | 20
Ejercicio 2. Control Estadístico de la Calidad. Autor: Hernán Darío Rendon. Página 26. Un
proceso produce un promedio de 1% defectuoso. Se toman muestras de 100 artículos cada día,
registrando el número de defectos durante 12 días, tal como se muestra en la siguiente tabla:
Numero de muestras Numero defectos
1 4
2 0
3 1
4 2
5 8
6 5
7 1
8 0
9 4
10 8
11 5
12 2

Resuelto en Excel
 Se identifica el tamaño de muestras n = 12
 Se obtiene la proporción por cada subgrupo, mediante la formula

Página | 21
 Se obtiene los datos del límite de control: límite de control superior, limite central y
límite inferior de control con las fórmulas:

o En el formato Excel queda la formula:

 Se colocan los límites de control superior, limite central y límite inferior de control en la
tabla, estos son agregados como valores absolutos.

Página | 22
Resultados:

Numero de Numero
muestras defectos Proporción
 Se procede a realizar el grafico de LCS
control P seleccionandoLCprimeroLCI
los datos de N 12
1 4 0.3333
proporción y después la graficas de dispersión 0.6657 0.2778 0.0000 LCS 0.6657
2 0 0.0000 0.6657 0.2778 0.0000 LCS 0.2778
3 1 0.0833 0.6657 0.2778 0.0000 LCI -0.1101
4 2 0.1667 0.6657 0.2778 0.0000
5 8 0.6667 0.6657 0.2778 0.0000
6 5 0.4167 0.6657 0.2778 0.0000
7 1 0.0833 0.6657 0.2778 0.0000
8 0 0.0000 0.6657 0.2778 0.0000
9 4 0.3333 0.6657 0.2778 0.0000
10 8 0.6667
0.6657 0.2778 0.0000
11 5 0.4167
0.6657 0.2778 0.0000
12 2 0.1667
0.6657 0.2778 0.0000

 Se agregan los límites de control al gráfico y se visualizan los puntos que están fuera de
control:

Página | 23
Conclusión: El proceso no es estable, ya que cuentan con puntos fuera del límite de control,
esos puntos se consideran como defectos especiales, se recomienda inspeccionar los lotes 5 y 10
al 100% para descartas defectos. Se recomienda eliminar los lotes 5 y 10 para tener un proceso
estable.

Resuelto en Minitab
Existen dos formas de realizarlo, por medio del asistente o directamente seleccionando el
grafico P

Página | 24
 Se agregan los valores de la tabla al archivo de Minitab: Lote, tamaño de lote,
defectuosas

 Se selecciona del menú de estadística  graficas de control  Graficas de control


por atributos  Grafica P

 En pantalla de gráfica P seleccionamos en variables los datos de “defectuosas” y en el


tamaño de muestras agregamos 12  OK

Página | 25
 Observamos el resultado del grafico P y los límites de control superior, inferior y limite
central son obtenidos de forma sistemática.

Conclusión: El proceso no es estable, ya que cuentan con puntos fuera del límite de control,
esos puntos se consideran como defectos especiales, se recomienda inspeccionar los lotes 5 y 10
al 100% para descartas defectos. Se recomienda eliminar los lotes 5 y 10 para tener un proceso
estable.

Página | 26
Ejercicio 2. Regresión y correlación
Ejercicio 1. Un investigador cree que la inteligencia de los niños, medida a través del
Coeficiente intelectual (CI en puntos), depende del número de hermanos. Para esto, toma una
muestra aleatoria de 15 niños, y en la siguiente tabla se muestran los datos obtenidos.

No. de
CI
hermanos
110 0
115 1
120 1
118 1
110 2
108 2
105 2
104 3
98 3
99 4
98 4
100 5
90 5
93 5
90 6

Resuelto en Excel
 Identificar las variables X y Y en el problema
X  Variable independiente  No de hermanos
Y  Variable dependiente  Coeficiente Intelectual

Página | 27
 Seleccionar las variables X y Y e insertar un gráfico de dispersión

 Agregar la línea de tendencia, dando click derecho a uno de los puntos  Agregar la
línea de tendencia  Lineal  Presente la ecuación en el gráfico y el valor de R²

Página | 28
 Teniendo la línea recta ya podemos pronosticar

 Obtener el valor de Pearson mediante la formula =Pearson(Array1,Arra2)


Pearson = r = -0.9357  Negativo

Conclusión: Existe correlación, es una relación inversa fuerte al tener el grafico cuando la x
crece la y decrece, lo que significa que al tener un mayor número de hermanos el coeficiente
intelectual disminuye.

Página | 29
Resulto en Minitab
 Se agregan los datos de X y Y en minitab

 Obtener el valor de Pearson seleccionando  Estadística – Estadística básica 


Correlación

Página | 30
 En la ventana de correlación seleccionar las dos variables (no importan el orden, en
Minitab no se ve afectado el valor de r al seleccionar primero una variable)  Método
Pearson

 Analizar resultado P = -0.904 es una correlación fuerte e inversa

Página | 31
 Realizar grafica de representación de correlación  Grafica  Scatterplot 
con regresión

 En ventana de con regresión seleccionar los valores de X y Y  OK

Página | 32
 Analizar resultados gráficos

Conclusión: Existe correlación, es una relación inversa fuerte al tener el grafico cuando la x
crece la y decrece, lo que significa que al tener un mayor número de hermanos el coeficiente
intelectual disminuye.

Página | 33
Ejercicio 2. La calidad del vino está en función de muchas variables explicativas como: la
claridad. el aroma. el cuerpo. el sabor. textura. La siguiente tabla presenta los datos de una
muestra:
Calidad Claridad Aroma Cuerpo Sabor Textura
Y X1 X2 X3 X4 X5
9.8 1 3.3 2.8 3.1 4.1
12.6 1 4.4 4.9 3.9 3.9
11.9 1 3.9 5.3 4.7 4.7
11.1 1 3.9 2.6 3.6 3.6
13.3 1 5.6 5.1 5.1 5.1
12.8 1 4.6 4.7 4.1 4.1
12.8 1 4.8 4.8 3.3 3.3
12 1 5.3 4.5 5.2 5.2
13.6 1 4.3 4.3 2.9 2.9
13.9 1 4.3 3.9 3.9 3.9
14.4 1 5.1 4.3 3.6 3.6
12.3 0.5 3.3 5.4 3.6 3.6
16.1 0.8 5.9 5.7 4.1 4.1
16.1 0.7 7.7 6.6 3.7 3.7
15.5 1 7.1 4.4 4.1 4.1
15.5 0.9 5.5 5.6 4.4 4.4
13.8 1 6.3 5.4 4.6 4.6
13.8 1 5 5.5 4.1 4.1
11.3 1 4.6 4.1 3.1 3.1
7.9 0.9 3.4 5 3.4 3.4
15.1 0.9 6.4 5.4 4.8 4.8
13.5 1 5.5 5.3 3.8 3.8
10.8 0.7 4.7 4.1 3.7 3.7
9.5 0.7 4.1 4 4 4
12.7 1 6 5.4 4.7 4.7
11.6 1 4.3 4.6 4.9 4.9
11.7 1 3.9 4 5.1 5.1
11.9 1 5.1 4.9 5.1 5.1
10.8 1 3.9 4.4 4.4 4.4
8.5 1 4.5 3.7 3.9 3.9
10.7 1 5.2 4.3 6 6
9.1 0.8 4.2 3.8 4.7 4.7
12.1 1 3.3 3.5 4.5 4.5
14.9 1 6.8 5 5.2 5.2
13.5 0.8 5 5.7 4.8 4.8
12.2 0.8 3.5 4.7 3.3 3.3
10.3 0.8 4.3 5.5 5.8 5.8
13.2 0.8 5.2 4.8 3.5 3.5

a) Estima el modelo de regresión de la calidad del vino en base a aroma. sabor y textura
b) Estima el modelo de regresión de calidad del vino en base a claridad. aroma. sabor y
textura.
c) Compara ambos modelos de regresión lineal múltiple. ¿Cuál tiene mejor ajuste?

Página | 34
Resuelto en Excel
a) Estima el modelo de regresión de la calidad del vino en base a aroma. sabor y textura
 Ir a la sección de Data (Datos)  Data Analysis (Análisis de datos)  Regresión
 OK

 Se obtiene los datos del inciso a para analizar


Regression Statistics
Multiple R 0.734736364 0<R<1 Mas cercano al uno una relacion entre las columnas, si se acerca al cero no hay relacio
R Square 0.539837525 53% Parte proporcional dada en porcentaje
Adjusted R Square 0.499234954 0.49% Si existe relacion entre las columnas
Standard Error 1.447389363 Si se acerca al 1 el error tipico es minimo
Observations 38

Página | 35
b) Estima el modelo de regresión de calidad del vino en base a claridad. aroma. sabor y
textura.

 Ir a la sección de Data (Datos)  Data Analysis (Análisis de datos)  Regresión


 OK

 Se obtiene los datos del inciso b para analizar


Regression Statistics
Multiple R 0.735139487 0<R<1 Mas cercano al uno una relacion entre las columnas, si se acerca al cero no hay relacion
R Square 0.540430065 54% Parte proporcional dada en porcentaje
Adjusted R Square 0.484724618 0.48% Si existe relacion entre las columnas
Standard Error 1.468209635 Si se acerca al 1 el error tipico es minimo
Observations 38

Página | 36
c) Compara ambos modelos de regresión lineal múltiple. ¿Cuál tiene mejor ajuste?
a) b)
Regression Statistics Regression Statistics
Multiple R 0.734736364 Multiple R 0.735139487
R Square 0.539837525 R Square 0.540430065
Adjusted R Square 0.499234954 Adjusted R Square 0.484724618
Standard Error 1.447389363 Standard Error 1.468209635
Observations 38 Observations 38

Conclusión. El modelo de comparación de calidad del vino en base a claridad. aroma. sabor y
textura tiene mejor ajuste ya que hay una mayor relación entre columnas, la parte proporcional
cuenta con un porcentaje mayor al igual que mayor porcentaje de relación entre columnas y el
error típico es mínimo.
Resulto con Minitab
a) Estima el modelo de regresión de la calidad del vino en base a aroma. sabor y textura

 Agregar la tabla de datos a la hoja de Minitab


 Seleccionar en Estadística  Regresión  Regresión  Regresión

 En ventana de Regresión colocar los valores para Y las variables X  OK

Página | 37
 Analizando resultados

Página | 38
b) Estima el modelo de regresión de calidad del vino en base a claridad. aroma. sabor y
textura.

 Agregar la tabla de datos a la hoja de Minitab


 Seleccionar en Estadística  Regresión  Regresión  Regresión

 En ventana de Regresión colocar los valores para Y las variables X  OK

Página | 39
 Analizando resultados

c) Compara ambos modelos de regresión lineal múltiple. ¿Cuál tiene mejor ajuste?

Conclusión. El modelo de comparación de calidad del vino en base a claridad. aroma. sabor y
textura (b) tiene mejor ajuste ya que hay una mayor relación entre columnas de acuerdo a los
datos de la R ajustada, tiene un mayor porcentaje de proporción dada.

Página | 40
Ejercicio 3. Determine el modelo de regresión lineal para los siguientes datos

Resuelto en Excel
a) Estima el modelo de regresión de Presión hidráulica
 Ir a la sección de Data (Datos)  Data Analysis (Análisis de datos)  Regresión
 OK

Página | 41
 Se obtiene los datos de presión de aire para analizar
Regression Statistics
Multiple R 0.521376014 0<R<1 Mas cercano al uno una relacion entre las columnas, si se acerca al cero no hay relacion
R Square 0.271832948 27% Parte proporcional dada en porcentaje
Adjusted R Square 0.231379223 0.23% Si existe relacion entre las columnas
Standard Error 46.72860611 Si se acerca al 1 el error tipico es minimo
Observations 20

b) Estima el modelo de regresión en base a concentración de acido


 Ir a la sección de Data (Datos)  Data Analysis (Análisis de datos)  Regresión
 OK

Página | 42
 Se obtiene los datos del inciso a para analizar
Regression Statistics
Multiple R 0.880076956 0<R<1 Mas cercano al uno una relacion entre las columnas, si se acerca al cero no hay relacio
R Square 0.774535448 77% Parte proporcional dada en porcentaje
Adjusted R Square 0.76200964 76.00% Si existe relacion entre las columnas
Standard Error 26.00198179 Si se acerca al 1 el error tipico es minimo
Observations 20

c) Compara ambos modelos de regresión lineal múltiple. ¿Cuál tiene mejor ajuste?
Presion hidraulica Concentracion de acido

Regression Statistics Regression Statistics


Multiple R 0.521376014 Multiple R 0.880076956
R Square 0.271832948 R Square 0.774535448
Adjusted R Square 0.231379223 Adjusted R Square 0.76200964
Standard Error 46.72860611 Standard Error 26.00198179
Observations 20 Observations 20

Conclusión. El modelo de comparación de concentración de ácido tiene mejor ajuste ya que


hay una mayor relación entre columnas, la parte proporcional cuenta con un porcentaje mayor al
igual que mayor porcentaje de relación entre columnas y el error típico es mínimo.

Página | 43
Resulto con Minitab
a) Estima el modelo de regresión Presión hidráulica

 Agregar la tabla de datos a la hoja de Minitab


 Seleccionar en Estadística  Regresión  Regresión  Regresión

 En ventana de Regresión colocar los valores para Y las variables X  OK

 Analizando resultados

Página | 44
b) Estima el modelo de regresión de concentración de acido

 Agregar la tabla de datos a la hoja de Minitab


 Seleccionar en Estadística  Regresión  Regresión  Regresión

 En ventana de Regresión colocar los valores para Y las variables X  OK

Página | 45
 Analizando resultados

Página | 46
c) Compara ambos modelos de regresión lineal múltiple. ¿Cuál tiene mejor ajuste?

Conclusión. El modelo de regresión lineal de concentración de acido tiene mejor ajuste ya que
hay una mayor relación entre columnas de acuerdo a los datos de la R ajustada, tiene un mayor
porcentaje de proporción dada.

Página | 47
Ejercicio 4. Una empresa se plantea cambiar la composición de uno de sus productos utilizando
un nuevo material. Antes de tomar una decisión, la empresa decide realizar un ensayo para
estudiar la posible relación entre la utilización de dicho material y el número de defectos. Para
ello analiza lotes con diferentes porcentajes del nuevo material y toma los siguientes datos:

Resuelto en Excel
 Identificar las variables X y Y en el problema
X  Variable independiente  % Nuevo material Y
 Variable dependiente  Numero de defectos

Página | 48
 Seleccionar las variables X y Y e insertar un gráfico de dispersión

 Agregar la línea de tendencia, dando click derecho a uno de los puntos  Agregar la
línea de tendencia  Lineal  Presente la ecuación en el gráfico y el valor de R²

Página | 49
 Teniendo la línea recta ya podemos pronosticar

 Obtener el valor de Pearson mediante la formula =Pearson(Array1,Arra2)


Pearson = r = 0.915966  Positivo

Conclusión: Existe correlación, es una relación directa fuerte, al tener el grafico cuando la x
crece la y también crece, lo que significa que al tener un mayor porcentaje de material nuevo la
cantidad de defectos aumentara.

Página | 50
Resulto en Minitab
 Se agregan los datos de X y Y en minitab

 Obtener el valor de Pearson seleccionando  Estadística – Estadística básica 


Correlación

Página | 51
 En la ventana de correlación seleccionar las dos variables (no importan el orden, en
Minitab no se ve afectado el valor de r al seleccionar primero una variable)  Método
Pearson

 Analizar resultado P = 0.916 es una correlación fuerte y positiva

Página | 52
 Realizar grafica de representación de correlación  Grafica  Scatterplot 
con regresión

 En ventana de con regresión seleccionar los valores de X y Y  OK

 Analizar resultados gráficos

Página | 53
Conclusión: Existe correlación, es una relación directa fuerte, al tener el grafico cuando la x
crece la y también crece, lo que significa que al tener un mayor porcentaje de material nuevo la
cantidad de defectos aumentara.

Página | 54
Ejercicio 5. La Dirección de una mina está preocupada por el alto porcentaje de
indisponibilidad de sus máquinas cargadoras. Encarga al jefe de mantenimiento que analice si
está influyendo la antigüedad de dichas maquinas en su porcentaje de disponibilidad. Para
ello, recoge la información de la fecha de compra y del porcentaje de indisponibilidad de cada
maquina y la traslada a la siguiente tabla:

Resuelto en Excel
 Identificar las variables X y Y en el problema
X  Variable independiente  Fecha de compra
Y  Variable dependiente  Porcentaje de indisponibilidad

Página | 55
 Seleccionar las variables X y Y e insertar un gráfico de dispersión

 Agregar la línea de tendencia, dando click derecho a uno de los puntos  Agregar la
línea de tendencia  Lineal  Presente la ecuación en el gráfico y el valor de R²

Página | 56
 Teniendo la línea recta ya podemos pronosticar

 Obtener el valor de Pearson mediante la formula =Pearson(Array1,Arra2)


Pearson = r = -0.73388  Negativo

Conclusión: Existe correlación, es una relación inversa fuerte al tener el grafico cuando la x
crece la y decrece, lo que significa que al tener una maquina con fecha reciente comprada el
porcentaje de indisponibilidad es menor.

Página | 57
Resulto en Minitab
 Se agregan los datos de X y Y en minitab

 Obtener el valor de Pearson seleccionando  Estadística – Estadística básica 


Correlación

Página | 58
 En la ventana de correlación seleccionar las dos variables (no importan el orden, en
Minitab no se ve afectado el valor de r al seleccionar primero una variable)  Método
Pearson

 Analizar resultado P = -0.734 es una correlación fuerte e inversa

Página | 59
 Realizar grafica de representación de correlación  Grafica  Scatterplot 
con regresión

 En ventana de con regresión seleccionar los valores de X y Y  OK

Página | 60
 Analizar resultados gráficos

Conclusión: Existe correlación, es una relación inversa fuerte al tener el grafico cuando la x
crece la y decrece, lo que significa que al tener una maquina con fecha reciente comprada el
porcentaje de indisponibilidad es menor.

Página | 61
Bibliografía

 Gutiérrez Pulido H. y R. De La Vara Salazar. (2009). Control Estadístico de la


Calidad y Seis Sigma. Revisado el 18 de Octubre 2021, de UV Sitio web:
https://www.uv.mx/personal/ermeneses/files/2018/05/6-control-estadistico-de-la-
calidad-y-seis-sigma-gutierrez-2da.pdf

 Darío Rendon H. (2013). Control Estadístico de la Calidad. En Control Estadístico de la
Calidad. Universidad Nacional de Colombia. Facultad de Minas (208p). Medellín,
Colombia: ISBN.

Página | 62

También podría gustarte