UNIVERSIDAD NACIONAL DE INGENIERÍA

FACULTAD DE INGENIERÍA INDUSTRIAL Y

SISTEMAS
ÁREA TECNOLOGÍA DE LA PRODUCCIÓN

PRÁCTICA CALIFICADA #4

Alumno: QUISPE MAMANI RICARDO

ANTONIO

Profesor: ACUÑA PINAUD, LEONCIO LUIS

Curso: CONTROL ESTADÍSTICO DE

PROCESOS

Junio del 2017

DCA 2 niveles
es.scribd.com/document/Minitab-DCA

En un proceso de fabricación de Mofles se desea mejorar el proceso de soldadura en un

componente de acero inoxidable. Para lo cual se realiza un diseño de experimentos de 2
factores y 3 niveles.

Factor Nivel bajo Nivel Alto

A. Caudal de gas (l/min.) 8 12
B. Intensidad de Corriente (A) 230 240
C. Vel. de Cadena
(m/min.)   0.6 1

Como respuesta se toma la calidad del componente en una escala de 0 a 30 entre mayor
sea mejor es la calidad

Paso 1. Generar diseño

Stat > DOE > Factorial > Create Factorial Design

Seleccionar 2-Level factorial (default generators); Number of factors 3
Designs: Seleccionar Full Factorial Seleccionar 2 Replicates

Factors: Caudal 8 12 Intensidad 230 240 Vel. 0.6 1

Options: Quitar bandera de Random
OK

Puede colocar la matriz del diseño en orden aleatorio o estándar con

Stat > DOE > Display Design: Standard order for design

Para cambiar de unidades sin codificar a unidades codificadas:

Stat > DOE > Display Design: Coded o Uncoded Units

Paso 2. Introducir los datos en el diseño:

StdOrder Caudal Intensidad Velocidad Y

1 8 230 0.6 10
2 12 230 0.6 26.5
3 8 240 0.6 15
4 12 240 0.6 17.5
5 8 230 1 11.5
 6 12 230 1 26
7 8 240 1 17.5
8 12 240 1 20

Paso 3. Analizar el diseño

Stat > DOE > Factorial > Analyze Factorial Design

Response Y
Graphs: Seleccionar Normal Pareto Alpha = 0.05
Residual for Plots Standardized
Seleccionar Normal Plot y Residuals vs Fits
Results Seleccionar todos los términos con >>

OK OK

Los resultados se muestran a continuación.

La ecuación del modelo se puede formar a partir de los siguientes coeficientes:

Y = -893.750 + 102.625 Caudal + - 0.425 Caudal*Corriente

Pareto Chart of the Effects

(response is Y, Alpha = .05)
5.646
F actor Name
A C audal
A
B C orriente
C V elocidad
AB

C
Term

BC

ABC

AC

0 1 2 3 4 5 6 7 8 9
Effect
Lenth's PSE = 1.5
 Normal Probability Plot of the Effects
(response is Y, Alpha = .05)
99
Effect Type
Not Significant
95 Significant
90 A F actor Name
A C audal
80 B C orriente
70 C V elocidad

Percent
60
50
40
30
20

10 AB
5

1
-5.0 -2.5 0.0 2.5 5.0 7.5 10.0
Effect
Lenth's PSE = 1.5

Paso 4. Obtener las gráficas factoriales para seleccionar los mejores niveles de operación

Stat > DOE > Factorial Plots

Seleccionar Main Effects Plot: Setup: Response Y; Pasar Intensidad, Caudal y Vel. Con >>

Seleccionar Interaction Plot: Setup: Response Y; Pasar Intensidad, Caudal y Vel. Con >>

Seleccionar Cube Plot: SetUp >> Response Y; Pasar Intensidad, Caudal y Vel. Con >>
OK

Main Effects Plot (data means) for Y

Caudal Corriente
22

20

18

16
Mean of Y

14

8 12 230 240
Velocidad
22

20

18

16

14

0.6 1.0
 Interaction Plot (data means) for Y
28 Caudal
8
26 12

24

22

20

Mean
18

16

14

12

10
230 240
Corriente

Cube Plot (data means) for Y

17.5 20.0

15.0 17.5
240

Corriente 11.5 26.0

1

Velocidad
10.0 26.5
230 0.6
8 12
Caudal

Paso 5. Obtener las gráficas de contornos y de superficie de respuesta

Stat > DOE > Contour and Surface Plots

Seleccionar Contour Plot: Setup: Response Y; Pasar Intensidad, Caudal y Vel. Con >>
Seleccionar Surface response Plot: Setup: Response Y; Pasar Intensidad, Caudal y Vel. Con
>>
Seleccionar Cube Plot: SetUp >> Response Y; Pasar Intensidad, Caudal y Vel. Con >>
OK
 Contour Plot of Y vs Intensidad, Caudal
240.0
Y
< 12
12 - 15
238.5
15 - 18
18 - 21
21 - 24
237.0
> 24
Intensidad

Hold Values
235.5 Velocidad 0.6

234.0

232.5

231.0

8 9 10 11 12
Caudal

Paso 6. Obtener una ampliación de la respuesta en la zona de Y = 21 a 24

Stat > DOE > Factorial > Overlaid Contour Plot

Seleccionar en Response Y
Seleccionar en Settings Hold Extra factors in Low setting
Seleccionar en Contours Low 21 High 26

Overlaid Contour Plot of Y

240.0
Y
21
26
238.5
Hold Values
Velocidad 0.6
237.0
Intensidad

235.5

234.0

232.5

231.0

8 9 10 11 12
Caudal

Paso 7. Obtener una respuesta optimizada

Stat > DOE > Factorial > Response Optimizer

Seleccionar en Response Y
Seleccionar en Options Caudal 10 Intensidad 235 Velocidad 0.8
Seleccionar en Goal Maximize Lower 21 Target 26

Seleccionar y mover las líneas de cada factor hasta obtener el máximo rendimiento:
DCA 2 niveles
Se usa un Router para hacer los barrenos de localización de una placa de circuito impreso.
La vibración es fuente principal de variación. La vibración de la placa a ser cortada
depende del tamaño de los barrenos (A1 = 1/16" y A2 = 1/8") y de la velocidad de corte
(B1 = 40 RPMs y B2 = 90 RPMs).

La variable de respuesta se mide en tres acelerómetros A,Y,Z en cada uno de los circuitos
impresos.

Los resultados se muestran a continuación.

Niveles reales Réplica

A B I II III IV
0.063 40 18.2 18.9 12.9 14.4
0.125 40 27.2 24.0 22.4 22.5
0.063 90 15.9 14.5 15.1 14.2
0.125 90 41.0 43.9 36.3 39.9

PASO 1. GENERAR EL DISEÑO FACTORIAL DE ACUERDO AL EXPERIMENTO

Stat > DOE > Factorial > Create Factorial Design

Type of Design: Two Level Factorial (default generators)

Number of Factors 2
Designs Full Factorial
Number of Center points 0
Number of replicates: 4
Number of Blocks 1 OK
Factors

Factor Name Type Low High

A Diámetro Numeric 0.063 0.125
B Velocidad Numeric 40 90 OK

PASO 2. CARGA DE DATOS DE LA COLUMNA DE RESPUESTA CORRESPONDIENTE A CADA

COMBINACION DE FACTORES DESPUÉS QUE MINITAB GENERO EL DISEÑO O ARREGLO

Para ver los datos en orden estándar

1. Stat > DOE > Display Design

2. Seleccionar Standar order for design Uncoded units

3. OK

StdOrder RunOrder CenterPt Blocks Diametro Velocidad Resp

1 11 1 1 0.063 40 18.2
2 9 1 1 0.125 40 27.2
3 12 1 1 0.063 90 15.9
4 13 1 1 0.125 90 41.0
5 16 1 1 0.063 40 18.9
6 2 1 1 0.125 40 24.0
7 10 1 1 0.063 90 14.5
8 1 1 1 0.125 90 43.9
9 5 1 1 0.063 40 12.9
10 15 1 1 0.125 40 22.4
11 8 1 1 0.063 90 15.1
12 7 1 1 0.125 90 36.3
13 4 1 1 0.063 40 14.4
14 3 1 1 0.125 40 22.5
15 6 1 1 0.063 90 14.2
16 14 1 1 0.125 90 39.9
PASO 3 ANALIZAR EL MODELO DEL DISEÑO DE EXPERIMENTOS FACTORIAL COMPLETO

Stat > DOE > Factorial > Analyze Factorial Design

Response Seleccionar la columna de las respuestas Vibración

Terms Pasar todos los términos a Selected terms con >> OK
Graphs Seleccionar Effects Plots Normal y Pareto
Seleccionar Alfa = 0.05

Seleccionar Residual for Plots Standardized

Seleccionar Residual plots: Normal y vs fits OK

Results Seleccionar Unusual observations in addition to the above

Seleccionar en Display of alias table Default interactions

Seleccionar todos los términos a Selected terms con >> OK

OK

Term Coef
Constant 23.0550
Diametro -96.2400
Velocidad -0.372000
Diametro*Velocidad 5.57600

Yest = 23.0550 - 96.24*Diametro - 0.372*Velocidad + 5.576*Diametro*velocidad

 Normal Plot of the Standardized Effects
(response is Resp, Alpha = .05)
Effect Ty pe
1.0E+02 Not Significant
Significant
99.9999
F actor N ame
A D iametro
99.99 B V elocidad

Percent
99
95
80 A

50 AB

20 B

5
1
0 4 8 12 16
Standardized Effect

Pareto Chart of the Standardized Effects

(response is Resp, Alpha = .05)
2.18
F actor N ame
A D iametro
B V elocidad

A
Term

AB

0 2 4 6 8 10 12 14
Standardized Effect

paso 4. Obtener las gráficas factoriales para identificar las mejores condiciones de
operación

Las instrucciones son las siguientes:

Stat > DOE > Factorial > Factorial Plots

Seleccionar Main effects, Interaction Plots y Cube Plot

Realizar el Setup para cada una de estas:

Seleccionar columna Response vibración

 y con >> seleccionar todos los factores a Selected OK

Seleccionar Data Means OK

Main Effects Plot for Vibración

Data Means

Diametro Velocidad
32.5

30.0

27.5
Mean

25.0

22.5

20.0

17.5

15.0
0.063 0.125 40 90

Interaction Plot for Vibración

Data Means
Diametro
40 0.063
0.125

35

30
Mean

25

20

15

40 90
Velocidad
 Cube Plot (data means) for Vibración

14.925 40.275
90

Velocidad

16.100 24.025
40
0.063 0.125
Diametro

paso 5. Obtención de las gráficas de contornos y de superficie de respuesta

Las instrucciones son las siguientes:

Stat > DOE > Factorial > Contour / Surface Plots

Seleccionar Contour y Surface Plots

Realizar el Setup para cada una de estas:

Seleccionar columna Response vibración

Seleccionar Uncoded units (valores reales) o Codificados

OK

La gráfica de contornos indica la combinación de niveles para A y B manteniendo la Y

respuesta Constante. Sirve para indicar hacia donde se debe seguir experimentando si se
quiere mejorar la respuesta, trazando una recta casi perpendicular a los contornos.
DCA 2 niveles
Se diseña un experimento para probar tres factores: temperatura, presión y tipo de
catálisis. Se trata de un diseño factorial completo 2^3, ya que consta de dos niveles y tres
factores, a continuación se muestra el diseño:

FACTOR NIVEL BAJO NIVEL ALTO

Temperatura 20°C 40°C
Presión 1 atmósfera 4 atmósferas
Catálisis A B

Solución:

Pareto Chart of the Standardized Effects

(response is C8, Alpha = .05)

A: Temperat
B: Presión
C C: Catalisi

BC

AC

ABC

AB

0 1 2 3 4 5 6

En la gráfica de Pareto observamos que los principales efectos son aquellos que pasan la
línea punteada: C, B, y BC. Estos son los que más afectan el experimento.
 Normal Probability Plot of the Standardized Effects
(response is C8, Alpha = .05)

1.5 A: Temperat
B B: Presión
C: Catalisi
1.0

0.5
Normal Score

0.0

-0.5
BC
-1.0

C
-1.5
-6 -5 -4 -3 -2 -1 0 1 2 3

Standardized Effect

La gráfica normal de probabilidad muestra los efectos más significativos que en

este caso son los mismos que en la gráfica de pareto: C, B y BC.

En la tabla observamos los coeficientes de los efectos, así como el análisis de varianza.

Fractional Factorial Fit

Estimated Effects and Coefficients for Yield (coded units)

Term Effect Coef StDev T P

Constant 74.81 2.561 29.21 0.000
Temperat 1.38 0.69 2.561 0.27 0.795
Presión 14.13 7.06 2.561 2.76 0.025
Catalisis -30.37 -15.19 2.561 -5.93 0.000
Temperat*Presión -0.13 -0.06 2.561 -0.02 0.981
Temperat*Catalisis -1.13 -0.56 2.561 -0.22 0.832
Presión*Catalisi -13.38 -6.69 2.561 -2.61 0.031
Temperat*Presión*Catalisi -0.12 -0.06 2.561 -0.02 0.981
Analysis of Variance for Yield (coded units)

Source DF Seq SS Adj SS Adj MS F P

Main Effects 3 4496.19 4496.19 1498.73 14.28 0.001
2-Way Interactions 3 720.69 720.69 240.23 2.29 0.155
3-Way Interactions 1 0.06 0.06 0.06 0.00 0.981
Residual Error 8 839.50 839.50 104.94
Pure Error 8 839.50 839.50 104.94
Total 15 6056.44

Los efectos principales son los menores al nivel de significancia 0.05, P-Values (columna
P), estos están sombreados en la tabla.
En está gráfica obtenemos los niveles que maximizan la respuesta.
Temperatura : nivel “alto” = 40°, Presión nivel “alto” = 4, Catálisis nivel “bajo” = A

En la interacción Presión*Catálisis el nivel óptimo es: Presión = 4 “nivel alto” y Catálisis A

“nivel Bajo”
 Interaction Plot (data means) for Yield
1 4 A B

Temperatura 100

40 80

20
60

Presión 100

4 80

1
60

Catalisis

Cube Plot (data means) for Yield

60.0 60.0

102.5 105.0
4

Presión 59.0 59.5

B

Catalisis
75.0 77.5
1 A
20 40
Temperatura
En la gráfica de cubo observamos que la mayor respuesta se encuentra en el vértice 102.5.
De está gráfica también podemos saber cuales son los niveles óptimos de cada factor.

Cuadro Latino

https://www.google.com.pe/url?
sa=t&rct=j&q=&esrc=s&source=web&cd=1&cad=rja&uact=8&ved=0ahUKEwiKlL_5ruDNAh
WRNx4KHXCrDWYQFggcMAA&url=http%3A%2F%2Ftarwi.lamolina.edu.pe
%2F~fmendiburu%2Findex-filer%2Facademic%2Fdesign
%2FLatino.pdf&usg=AFQjCNGty9F19a9sa139F_49RU8-
j5XI2A&sig2=jmdVWznIKGNdWPJ3v11h4Q

"Evaluación del sistema de riego por exudación utilizando cuatro variedades de melón,
bajo modalidad de siembra, SIMPLE HILERA.". Se desea probar el comportamiento de tres
variedades híbridas de melón y uno estándar.
Variedades:
V1 : Híbrido Mission
V2 : Híbrido Mark.
V3 : Híbrido Topfligth.
V4 : Híbrido Hales Best
Jumbo.

Hipótesis:
Ho : Efecto de variedades de melón en estudio es nulo.
H1 : Al menos dos variedades tienen efectos distintos

Datos: Rendimiento en Kg por parcela.

C1 C2 C3 C4 C1 C2 C3 C4
F1 45 50 43 35 F1 V1 V2 V3 V4
F2 29 53 41 63 F2 V4 V3 V2 V1
F3 37 41 41 63 F3 V2 V4 V1 V3
F4 38 40 35 41 F4 V3 V1 V4 V2

SOLUCION

Ingresando los valores a minitab

Modelo lineal general: resultado vs. fila, columna, melón

Método

Codificación de factores (-1, 0, +1)

Información del factor

Factor Tipo Niveles Valores

fila Fijo 4 1, 2, 3, 4
columna Fijo 4 1, 2, 3, 4
melon Fijo 4 V1, V2, V3, V4

Análisis de Varianza

Fuente GL SC Ajust. MC Ajust. Valor F Valor p

fila 3 152.2 50.73 1.02 0.447
columna 3 426.2 142.06 2.86 0.126
melon 3 483.7 161.23 3.25 0.102
Error 6 297.9 49.65
Total 15 1359.9
Resumen del modelo

R-cuad. R-cuad.
S R-cuad. (ajustado) (pred)
7.04598 78.10% 45.24% 0.00%

Coeficientes
EE del
Término Coef coef. Valor T Valor p VIF
Constante 43.44 1.76 24.66 0.000
fila
1 -0.19 3.05 -0.06 0.953 1.50
2 3.06 3.05 1.00 0.354 1.50
3 2.06 3.05 0.68 0.524 1.50
columna
1 -6.19 3.05 -2.03 0.089 1.50
2 2.56 3.05 0.84 0.433 1.50
3 -3.44 3.05 -1.13 0.303 1.50
melon
V1 3.81 3.05 1.25 0.258 1.50
V2 -1.19 3.05 -0.39 0.711 1.50
V3 5.81 3.05 1.91 0.105 1.50

Ecuación de regresión

Resultado =

43.44 - 0.19 fila_1 + 3.06 fila_2 + 2.06 fila_3 - 4.94 fila_4 - 6.19 columna_1

+ 2.56 columna_2 - 3.44 columna_3 + 7.06 columna_4 + 3.81 melon_V1
- 1.19 melon_V2 + 5.81 melon_V3 - 8.44 melon_V4

Se acepta Ho, por lo tanto, no existen diferencias en el rendimiento de las variedades de

melón tratadas con el sistema de riego por exudación.

El rendimiento promedio del melón en condiciones experimentales resulto 43.3 kilos por
parcela experimental.
El rendimiento por hibrido fue el siguiente:
 V1 : Híbrido Mission = 47.3 kilos
V2 : Híbrido Mark. = 42.3 kilos
V3 : Híbrido Topfligth = 49.3 kilos
V4 : Híbrido Hales Best Jumbo. = 35.0 kilos

los resultados experimentales no existen diferencias estadísticas entre las variedades ; las
diferencias se dan a un riesgo mayor de 0.10, esto significa que muy posible existen
diferencias pero en este experimento no fue posible detectar por los pocos grados de
libertad para el error, lo recomendable cuando se prueba un testigo, se recomienda
tener más repeticiones, en un cuadrado latino pequeño, lo recomendable es doblar el
número de parcelas del testigo ; esto significa tener en forma ficticia 5 variedades en 5
filas y 5 columnas y los grados de libertad para el error serian
4x3 = 12. En el análisis de variancia se realiza en forma normal, y para las pruebas
estadísticas utilizar contrastes o dunnett. Si son pocos los tratamientos y hay inseguridad
en los resultados, realizar el ajuste de bonferroni u otro ajuste de probabilidades.

Gráfico de control para Atributos P

LIBRO:
CONTROL ESTADÍSTICO DEL PROCESO
DR. PRIMITIVO REYES AGUILAR
Octubre, 2006

Para un servicio de mantenimiento se tomaron datos de 30 muestras de 50 servicios

contabilizando las quejas en cada uno como sigue:

No No No
Servicio conformes Servicio conformes Servicio conformes
1 12 11 5 21 20
2 15 12 6 22 18
3 8 13 17 23 24
4 10 14 12 24 15
5 4 15 22 25 9
6 7 16 8 26 12
7 16 17 10 27 7
8 9 18 5 28 13
9 14 19 13 29 9
10 10 20 11 30 6
Como en total se encontraron 347 quejas o servicios no conformes, se estima p como
sigue:

m m
∑ Di ∑ pi 347
i=1 i=1
p= =
mn m = (30)(50) = 0.2313

Los límites de control usando Minitab son:

LSCp = 0.4102
LCp = 0.2313
LICp = 0.0524

Corrida en Minitab
1. Stat > Control Charts > P
2. Variable No conformes Subgroup size 50
3. OK

¿Esta en control estadístico?

Si no eliminar puntos fuera de control y recalcular límites de control

P Chart for No confo

0.5 1
1

0.4 UCL=0.4102
Proportion

0.3

P=0.2313
0.2

0.1
LCL=0.05243
0.0
0 10 20 30
Sample Number
Fig. 4.3 Carta de control P para la fracción de servicios no conformes.

De la carta de control se observa que las muestras 15 y 23 están fuera de los límites de
control, de tal forma que el proceso esta fuera de control.

Del análisis de los datos de la bitácora se encontró que la muestra 15 corresponde a el

cambio de un nuevo método el cual fue diferente y que la muestra 23 corresponde a un
operador sin experiencia asignado temporalmente a la máquina.

Tomando acciones correctivas para evitar la recurrencia de las causas anteriores y

calculando nuevos límites preliminares con los puntos 15 y 23 eliminados, se tiene con
Minitab:
LSCp = 0.3893
LCp = 0.2150
LICp = 0.0407

P Chart for No confo

1
0.4 UCL=0.3893

0.3
Proportion

P=0.215
0.2

0.1

LCL=0.04070
0.0
0 10 20 30
Sample Number

Fig. 4.4 Carta de control P para la fracción de servicios no conformes con acciones
tomadas para prevenir recurrencia.
Repitiendo el procedimiento anterior para el punto 21 se tiene:

P Chart for No confo

0.4
UCL=0.3804

0.3
Proportion

0.2 P=0.2081

0.1

LCL=0.03590
0.0
0 10 20 30
Sample Number

Fig. 4.5 Carta de control P para la fracción de servicios no conformes con acciones
tomadas para prevenir recurrencia.
Ahora el proceso está en control estadístico y es normal.

Gráfico de control para Atributos C

LIBRO:
CONTROL ESTADÍSTICO DEL PROCESO
DR. PRIMITIVO REYES AGUILAR
Octubre, 2006

Para el número de no conformidades observadas en 26 unidades de inspección sucesivas

de 100 muestras de circuitos impresos, se obtuvieron los datos siguientes:
Defectos Defectos
21 16
24 19
16 10
12 17
15 13
5 22
28 18
 20 39
31 30
25 24
20 16
24 19
15 17

Donde,
LSC = 33.22

LC = 516 / 26 = 19.85 = c
LIC = 6.48

De la carta de control preliminar, se observa que hay 2 puntos fuera de control, el 6 y el

20.

Corrida en Minitab:
1. Stat > Control Charts > C
2. Variable Defectos
3. OK

¿Esta en control estadístico?

Si no eliminar puntos fuera de control y recalcular límites de control

 C Chart for Defectos

40 1

UCL=33.21
30
Sample Count

20 C=19.85

10
LCL=6.481
1
0
0 10 20
Sample Number

Fig. 4.10 Carta de control C de número de defectos fuera control

Una investigación reveló que el punto 6 fue debido a que un inspector nuevo calificó los
circuitos impresos pero no tenía la suficiente experiencia, fue entrenado. El punto 20 fue
causado por una falla en el control de temperatura de la soldadora de ola, lo cual fue
reparado. Por lo anterior se toman acciones para evitar recurrencia, se eliminan y se
recalculan los límites de control.

C Chart for Defectos

35
UCL=32.97
Sample Count

25

C=19.67

15

LCL=6.363
5

0 5 10 15 20 25
Sample Number

Fig. 4.11 Carta de control C de número de defectos en control

Como el proceso ya se encuentra en control estadístico, estos límites se tomarán como
base para el siguiente periodo, donde se tomaron 20 unidades de inspección adicionales.
 n Defectos
16 18
18 21
12 16
15 22
24 19
21 12
28 14
20 9
25 16
19 21

C Chart for Defectos

35
UCL=31.84

25
Sample Count

C=18.82

15

5 LCL=5.808

0 5 10 15 20 25 30 35
Sample Number

Fig. 4.12 Carta de control C con datos del siguiente periodo

Se observa en la gráfica que no se tienen puntos fuera de control, sin embargo el

promedio de defectos es alto, requiere la acción de la administración.