Estadística descriptiva datos calidad

TCNICO GESTIN MEJORA DE LA CALIDAD E INNOVACIN
Actividades Mdulo 3: Medicin de los efectos

Alumna : Nancy Q. Garca Cuartiella Fecha: 30/04/2011
1 Actividad 10: Estadstica descriptiva. (Obligatoria) Para los datos que se presentan en la tabla inferior: a) obtener sus principales medidas de centralizacin (valor medio, mediana y moda), de dispersin (rango y desviacin estndar) y de posicin (cuartiles 1 y 3). b) construir un grfico lineal y un histograma. 1738 1735 1736 1739 1728 1733 1738 1735 1736 1735 1729 1731 1735 1735 1738 1730 1729 1727 1744 1735 1743 1726 1724 1745 1725 1732 1727 1734 1732 1729 DATOS 1740 1737 1733 1736 1733 1730 1735 1732 1737 1734 1736 1728 1742 1742 1734 1739 1735 1736 1731 1730 1741 1737 1736 1740 1732 1734 1732 1741 1746 1740
Ilustracin 1. Tabla de Datos
Para obtener las medidas de centralizacin el primer paso es ordenar los datos facilitados de menor a mayor y por frecuencias como se ha realizado en la tabla 2. 1. Para hallar la media hemos sumado todos los datos facilitados y hemos dividido el resultado de la suma entre el nmero de elementos de la muestra. = 104082/60=1734,7 2. Para hallar la moda tan solo hemos escogido el dato que ms se repite de los datos del muestreo. Moda: 1735, puesto que se repite 8 veces 3. Para hallar la mediana y dado que se trata de una muestra de un nmero par de datos tomamos los valores posterior y anterior al centro de la muestra (60+1/2=30, 5 por lo tanto las cifras que ocupan el puesto 30 y 31) que son 1735 y 1735 y lo partimos entre 2. Mediana= 1735. DATOS 1724 1725 1726 1727 FRECUENCIA 1 1 1 2
No imprima si no es necesario, contribuiremos en el mantenimiento de nuestro patrimonio forestal y de nuestros rios libres de txicos.

2 1728 1729 1730 1731 1732 1733 1734 1735 1736 1737 1738 1739 1740 1741 1742 1743 1744 1745 1746 2 3 3 2 5 3 4 8 6 3 3 2 3 2 2 1 1 1 1
st 60 Ilustracin 2. Tabla 2 de datos ordenada por frecuencias y de mayor a menor Para obtener el rango o recorrido de las medidas de dispersin tomamos el dato mayor menos el dato menor. El Rango=1746-1724=22 Para luego poder presentar nuestro histograma y centrarlo hemos de decidir nuestra amplitud de intervalo. Para ello se escoge de la tabla 3 segn el n de datos, la clase recomendado que es 7 o bien se hace la raz cuadrada del nmero de datos que tambin es 7,45. Luego aplicaremos la formula de H=Rango/ C, es decir 22/ 7 que nos dar una amplitud de 3,14 y que redondearemos a 3.
Tabla 3. N de clases recomendado N de datos N de clases recomendado 6 7 8 9 10 11 a 20
20 a 50 51 a 100 101-200 201-500 501-1000 ms de 1000

3
Tabla 4. Datos por frecuencias y con amplitud de 3
DATOS 1724-1726 1727-1729 1730-1732 1733-1735 1736-1738 1739-1741 1742-1744 1745-1747 ST
FRECUENCIA 3 7 10 15 12 7 4 2 60
ltima hemos elevado al cuadrado para obtener valores positivos y trabajar ms cmodos. Los resultados se pueden ver en la siguiente tabla 5.
En la Tabla posterior hemos dejado ya la tabla preparada con los datos de frecuencias y amplitud de 3, para dibujar nuestro Histograma y diagrama lineal. (hay que tomar nota que para poder realizar bien la amplitud a 3 se ha aadido el dato 1747, sin ningn tipo de frecuencia para tener todos los datos agrupados en 3) A continuacin realizaremos la explicacin de cmo hallar la desviacin estndar del muestreo dado. La desviacin tpica o standard es la derivacin media de la muestra Cuando trabajamos con muestras inferiores a 60 datos utilizaremos la formula:
Para ello hemos colocado en primer lugar nuevamente los datos de menor a mayor (ordenados) en una columna. En una segunda columna hemos restado al valor la media para cada uno de los datos del muestro y en la

Tabla 5. Clculo de la desviacin tipica N pos 1 1724 2 1725 3 1726 4 1727 5 1727 6 1728 7 1728 8 1729 9 1729 10 1729 11 1730 12 1730 13 1730 14 1731 15 1731 16 1732 17 1732 18 1732 19 1732 20 1732 21 1733 22 1733 23 1733 24 1734 25 1734 26 1734 27 1734 28 1735 29 1735 30 1735 31 1735 32 1735 33 1735 34 1735 35 1735 36 1736 DATOS (x1-) -10,7 -9,7 -8,7 -7,7 -7,7 -6,7 -6,7 -5,7 -5,7 -5,7 -4,7 -4,7 -4,7 -3,7 -3,7 -2,7 -2,7 -2,7 -2,7 -2,7 -1,7 -1,7 -1,7 -0,7 -0,7 -0,7 -0,7 0,3 0,3 0,3 0,3 0,3 0,3 0,3 0,3 1,3 (x1- )2 114,49 94,09 75,69 59,29 59,29 44,89 44,89 32,49 32,49 32,49 22,09 22,09 22,09 13,69 13,69 7,29 7,29 7,29 7,29 7,29 2,89 2,89 2,89 0,49 0,49 0,49 0,49 0,09 0,09 0,09 0,09 0,09 0,09 0,09 0,09 1,69

5
37 1736 38 1736 39 1736 40 1736 41 1736 42 1737 43 1737 44 1737 45 1738 46 1738 47 1738 48 1739 49 1739 50 1740 51 1740 52 1740 53 1741 54 1741 55 1742 56 1742 57 1743 58 1744 59 1745 60 1746 Suma n/ Suma de(x1)2 1,3 1,3 1,3 1,3 1,3 2,3 2,3 2,3 3,3 3,3 3,3 4,3 4,3 5,3 5,3 5,3 6,3 6,3 7,3 7,3 8,3 9,3 10,3 11,3 1,69 1,69 1,69 1,69 1,69 5,29 5,29 5,29 10,89 10,89 10,89 18,49 18,49 28,09 28,09 28,09 39,69 39,69 53,29 53,29 68,89 86,49 106,09 127,69
104082
1486,6
Promedio de suma (x1- )2= 1486,6/59 (60-1, segn la correccin de Vessel)=25,1966. Finalmente realizamos la raz cuadrada del resultado =5,0196 y lo que corresponde a la desviacin estndar. Cuartiles Los datos que hemos ordenado de mayor a menor en la tabla 5 nos permiten visualizar a groso modo el valor central (la mediana), el valor menor y mayor. Por extensin tambin podemos visualizar rpidamente los datos en cuatro grupos iguales, representados por Q1, Q2 y Q3 y donde Q2 coincide siempre con la mediana. Estos valores se denominan en estadstica Cuartiles. En distribuciones de variable continua (ej. Datos agrupados) puede conseguirse con mayor exactitud que las partes en que se dividan la distribucin sean iguales, pero en distribuciones de variable discreta (datos aislados) estas partes solo sern

6 aproximadas. Para realizar esta aproximacin existe en la literatura cientfica diferentes mtodos y todos ellos son aproximados ya que segn el mtodo utilizado obtendremos diferentes resultados. Q2 =60 (n de datos) +1/2= 30,5. Como no existe posicin 30,5 de los datos Coger las posiciones 30 y 31 y dividirlas entre 2. 1735 +1735/2= 1735 Q2 siempre corresponde a la mediana. Para Hallar el Cuartil 1 k de una lista de n datos utilizaremos la formula: K*(n+1)/4 ; 1*(60+1)/4=15,25 Nuevamente no existe la posicin 15,25, por lo que debemos interpolar la posicin 15 (D1=1731) y posicin 16 (D2=1732). Hay literatura cientfica que utiliza la formula D1+D2/2, que nos dara un resultado de 1731,5 o tambin mediante la formula= Qk = D1 + ( k(D2 - D1)/4 ) Qk= 1731+(1*(1732-1731)/4, lo que nos dara 1731,25 El Excel a travs de su formula DEVEST utiliza otra frmula distinta y la solucin que nos da es 1731,75 Para hallar Cuartil 3 (Q3) utilizaremos de nuevo la formula: K*(n+1)/4 ; 3*(60+1)/4=45,75 o la formula la formula (3n+1)/4= 60*3+1/4=45,25 Nuevamente no existe la posicin 45,75 o 45,25, por lo que debemos interpolar la posicin 45 (D1) y 46 (D2) mediante la frmula: D1+D2/2= 1738+1738/2=1738. En este caso Excel nos confirma el resultado con su formula. En La tabla 5 Clculo de la desviacin estndar, he sealado en rojo las posiciones de los cuartiles en color rojo. A continuacin he construido el histograma y grfico lineal. Ambos grficos nos ayudan a visualizar y comprender mejor una serie de datos as como memorizar visualmente datos importantes que resultaria una ardua tarea si tan solo visualizaramos la tabla 5 de datos. Un grfico lineal nos permite representar una serie de datos que han sido tomados en un tiempo especifico y ver su cambio gradual o bien comparar con otra serie de datos. Los datos se han representado segn la frecuencia de variabilidad a travs de puntos que luego se han conectado a travs de una linea.El grfico lineal es una forma muy sencilla de representar datos y visualizar una tendencia, pero

7 comparandolo con el histograma este ultimo nos aportar muchos ms datos visuales.
El histograma como podemos es una manera de poner los resultados de frecuencia de una forma ms ordenada y ms clara. Nos permite comunicar la variabilidad del sistema o del proceso as como identificar anormalidades o la no calidad con limites de especificacin si los hubiese. El histograma nos permite visualizar la moda, media y mediana de una forma mucho ms rpida.

Actividad 11: Grficos de control. (Obligatoria) Una compaa de entregas rpidas a domicilio desea conocer la eficiencia de su departamento de clasificacin. Por este motivo, la compaa monitoriza el tiempo que tardan los paquetes en ingresar en su lote de destino desde el momento en que es recibido. El departamento de clasificacin opera seis horas al da: de 6 a 12 horas. Para este fin, la compaa muestra aleatoriamente cuatro paquetes para cada cuatro horas de operacin, durante cuatro das consecutivos. El tiempo que tarda cada paquete en moverse por el sistema se expresa en minutos y se proporciona en la tabla adjunta:

DIA DIA COLOR
HORA
Tiempo de manipulacin del paquete (en minutos) Sample 1 31,9 29,1 30,3 39,6 27,4 32,7 30,7 28,4 30,5 27,8 34 25,5 24,6 30,6 29,7 24,1 29,4 31,1 27 36,6 33 33,2 26,7 30,5 Sample 2 33,4 24,3 31,1 29,4 29,7 32,9 36,9 24,1 35,5 29,6 30,1 26,3 29,9 36 33,2 26,8 31,6 33 29 32,4 27,1 41,2 35,2 36,8 Sample 3 37,8 33,2 26,3 31,4 36,5 40,1 26,8 29,6 36,1 29 35,9 34,8 31,8 40,2 34,9 32,7 35,2 29,6 35,1 28,7 26,2 30,7 39,7 27,9 Sample 4 26,2 36,7 34,1 37,7 33,3 29,7 34 30,9 27,4 34,1 28,8 30 27,9 30,8 27,6 29 27,6 35,2 25, 1 27,9 35,1 31,6 31,5 28,6
HORA 6 a 6.59 7 a 7.59 8 a 8.59 9 a 9.59 10 a 10.59 11 a 11.59 6 a 6.59 7 a 7.59 8 a 8.59 9 a 9.59 10 a 10.59 11 a 11.59 6 a 6.59 7 a 7.59 8 a 8.59 9 a 9.59 10 a 10.59 11 a 11.59 6 a 6.59 7 a 7.59 8 a 8.59 9 a 9.59 10 a 10.59 11 a 11.59
MEDIA POR HORA MEDIA POR HORA 32,33 30,83 30,45 34,53 31,73 33,85 32,10 28,25 32,38 30,13 32,20 29,15 28,55 34,40 31,35 28,15 30,95 32,23 22,78 31,40 30,35 34,18 33,28 30,95
MEDIA POR DIA
MEDIA POR DIA
da 1
32,283333
da 2
30,7
da 3
30,9375
da 4
30,4875
Tabla de datos n 1
Notas previas en la preparacin al grfico. Para realizar el grfico hemos divido los 24 datos en 4 das (dia1, da 2, da 3 da 4) con 6 muestreos de cuatro muestras durante cada hora de las 6 horas de produccin (de 6 a 6.59, de 7 a 7.59, de 8 a 8.59, de 9 a 9.59, de 10 a 10.59, de 11 a 11.59)

10 a) Construir el grfico de control adecuado y decir qu consideraciones se han de hacer para que tenga significado. Para la eleccin del grfico correcto he reflexionado mucho acerca del mensaje a transmitir. Mi primera reflexin es que el grfico debe mostrar la eficiencia del proceso de clasificacin. Los datos que nos han facilitado para ello son el tiempo que tarda cada paquete en moverse por sistema y expresado en minutos. Desconocemos otros datos o indicadores sobre la eficiencia como: si est bien clasificado o llega al destinatario correcto o si existen extravos o roturas o bien la opinin del cliente sobre el proceso. Por lo que lo nico que podemos comparar es el tiempo de clasificacin de cada elemento dando otras suposiciones por supuestas. Podemos comparar y analizar la tendencia durante esos cuatro das de muestreo. Ello nos permitir analizar a que es debido la variabilidad de los distintos tiempos para la clasificacin del proceso. Si esas variables son comunes (existen siempre y actuarn aleatoriamente) o bien si se trata de variables no naturales al proceso (que deberamos corregir y eliminar para la mejor eficacia del proceso). Por lo tanto con el anlisis grfico de control (CEP) debemos intentar llegar a la conclusin si estamos ante un proceso estable. A mi modo de ver los grficos que van a representar mejor mi mensaje es o bien el grfico lineal o bien el grfico de barras. Para la toma de muestras he decidido coger la muestra de cuatro paquetes en la ultima hora cada cuatro horas trabajadas; es decir, el primer da 1 a las 10 de la maana, dia 2 a las 8, dia 2 a las 12, dia 3 a las 10, da 4 a las 8 y da 4 a las 12. Las 24 muestras se pueden visualizar en la tabla inferior. N HORA MUESTRA 4 9 a 9.59 8 7 a 7.59 12 11 a 11.59 16 9 a 9.59 20 7 a 7.59 24 11 a 11.59
SUMA POR HORA 138,10 113,00 116,60 112,60 125,60 123,80 729,70 PROMEDIO POR HORA RANGO 34,53 10,20 28,25 6,80 29,15 9,30 28,15 8,60 31,40 8,70 30,95 8,90 30,40 8,75
DIA
DIA 1 DIA 2 DIA 2 DIA 3 DIA 4 DIA 4 MEDIAS
S1 39,6 28,4 25,5 24,1 36,6 30,5
S2 29,4 24,1 26,3 26,8 32,4 36,8
S3 31,4 29,6 34,8 32,7 28,7 27,9
S4 37,7 30,9 30 29 27,9 28,6
Tabla 2. de datos de las muestras tomadas con rango de medias.
A partir de las muestras hemos tomado las medias de rango y de tiempo y hemos calculado el Limite de Control (media) y el Limite de control Superior y Limite Control Inferior.

11
MEDIAS RANGO 30,4 8,75 36,77875 19,9675 24,02125 0 A2 0,729 D4 2,282
LC LCS LCI
Tabla 3 .Limites de control
Otros datos que podemos utilizar para visualizar datos clave en la grfica son:
Rango Media Moda Mediana 24,1 30,4 24,1 29,5 39,6 27,9 15,5
Tablas de Rangos, Media, Moda y Mediana
b) A qu conclusiones podemos llegar sobre la estabilidad del proceso? Si tomamos las medias podemos llegar a la conclusin errnea de que el proceso es relativamente estable o comienza a estabilizrse. Observamos que en la parte central se reducen los tiempos de clasificacin para luego aumentarlos despus. (ver Grfico 1). Sin embargo la lnea de tendencia se inclina hacia la reduccin de tiempo, por lo que indica que el proceso est mejorando.. Los tiempos del proceso se mantienen en el LC y no superan en ningn caso el LCS y LCI. La lnea que supera la LC (media) nos puede indicar que el proceso puede estar empeorando nuevamente. Sin embargo algunas muestras centrales indican que se puede conseguir bajar el tiempo.
Ilustracin 1. Grfico de Medias con LC

LC= LCS= LCI=

12 Pero si realizamos un grfico de barras con las muestras (sin realizar las medias) vemos que no hay mucha estabilidad en el proceso aunque existe cierta tendencia hacia la mejora desde la muestra 4 a la muestra 24, pero detectamos que la muestra 8 tiene mejores tiempos de clasificacin que el conjunto total de muestras. Por otro lado la muestra 4 y 16 (se tomaron de 9 a 9.59) del da 1 y da 3 no tienen ninguna similitud o estabilidad del proceso. Lo mismo ocurre con las muestras 8 y 20 que son coincidentes en la hora (de 7 a 7.59) y con las muestras 12 y 24 (de 11 a 11.59). Si observamos estos tres conjuntos nos damos cuenta que no hay ninguna estabilidad en el proceso. No tiene mucha importancia que sea al principio de la jornada laboral, como al final o entremedio. El proceso no es siempre igual. (Ver tabla 2 de datos arriba) En el grfico de columnas podemos visualizar mejor las modas (hay ms de una), lo que nos da mayor informacin sobre la inestabilidad del proceso. Tendramos que analizar ms los procesos de mayor tiempo para intentar conocer las causas. El personal de clasificacin va cambiando, estamos trabajando con 2 equipos rotatorios? Existe algn problema con segn los paquetes?, son algunas de las preguntas que me formulo cuando visualizo la grfica.
Grfico de columnas LC= LCS= LCI=

13
a) se pueden utilizar estos lmites para monitorizar futuras salidas del proceso? El objetivo de los grficos de control es monotorizar los procesos para su buen funcionamiento y poder detectar cualquier anomala respecto al patrn correcto. El objetivo en este caso sera mejorar el proceso y erradicar las anomalas, para estabilizar el proceso. En caso de que llegsemos a analizar y mejorar el proceso se deber nuevamente actualizar los lmites de control centrales, medios y superiores para el monitoreo de futuras salidas del proceso. Actividad 12: Capacidad de proceso. (Obligatoria) Imaginemos la fabricacin de un eje cuyas especificaciones sean 10mm 0,3 El control de fabricacin se efecta de la siguiente manera: se toma cada hora una serie de 7 piezas y se miden. Se obtiene la tabla siguiente:
Hora 7 8 9 10 11 12 medias 1 10,15 9,87 10,17 9,86 9,98 9,95 2 10,12 9,87 10,08 9,89 9,98 10,09 Medida n 3 4 5 10,01 9,94 9,95 9,99 10 10,08 10,03 9,92 10,12 10,02 9,91 10,08 10,08 9,87 10,06 10 9,99 9,93 6 10,18 9,95 10,03 10,12 10,03 10,18 7 10,1 9,93 10,1 10,1 9,82 10 MEDIA RANGO MEDIA RANGO 10,06 0,24 9,96142857 0,21 10,0614286 0,25 10,0014286 0,27 9,97428571 0,26 10,02 0,25 10,0130952 0,24666667
Dibuja el grfico de control de Medias y Rangos. Grfico de Rangos
LC= LCS= LCI=

14 El Grfico de Rangos muestra que en ningn caso superamos el limite Superior o Inferior, por lo que estaramos dentro de nuestros parmetros de calidad. En caso de que hubiese habido un punto por encima del lmite, indicara que se ha producido un aumento de la variabilidad. Por debajo indicara que la dispersin ha disminuido (el proceso ha mejorado) El grfico de rangos no nos da suficiente informacin parece que estemos realizando correctamente la produccin. Ahora observemos el grfico de medias:
LC= LCS= LCI=

Especificaciones del cliente LES y LEI
Las lineas naranjas son los rangos establecidos por nuestro cliente y las medias salen de dichas especificaciones, a excepcin de las tres ultimas muestras tomadas en las tres ultimas horas de produccin (hora 4, 5,y 6). Los puntos fuera de los limites representan un cambio en la tendencia central que indica que el proceso ha empeorado, independientemente si el limite est por arriba o por debajo. Para que el proceso est bajo control no debe existir ningn punto fuera de los limites de las especificaciones del cliente. Adicionalmente no pueden haber ms de 2 o 3 puntos fuera de los dos tercios centrales. En caso de que analicemos 24 muestras tampoco debera existir ms de 7 puntos hacia arriba o hacia abajo o 9 puntos consecutivos en un mismo punto central (no disponemos de tantas observaciones) Segn nuestros paramatros de LCS y LCI, no salimos de ellos por lo que nuestro proceso es correcto, pero no est dentro de las especificaciones de nuestro cliente.

15 Dado que los limites se encuentran fuera del rango establecido por las especificaciones cliente (color naranja), lmite superior e inferior, significa que la diferencia entre los limites inferiores y/o superiores (del proceso y las especificaciones) representan los productos defectuosos que se obtienen con nuestro proceso. En estos casos podemos optar por: 1. Realizar un estudio sobre la Capacidad del proceso. Este nos facilitara informacin sobre como mejorarlo, costes con el fin de adecuarnos a las especificaciones del cliente. 2. Buscar mercados alternativos donde vender los productos defectuosos. 3. Reprocesar los productos defectuosos. Calcula la capacidad del proceso. Para Calcular la capacidad del proceso se utiliza la formula, siempre que el centro de gravedad del rango de especificaciones coincidan con la tendencia central de las mediciones del proceso (la media): En este caso la media de nuestro proceso coincide con las especificaciones del cliente:
Cp= (LSE-LIE)/6* LSE corresponde al Limite Superior Especificacin LIE corresponde al Limite inferior Especificacin. (en el Histograma rectas de color naranja) : Desviacin Standard. Como sabemos que el cliente requiere las siguientes especificaciones: 10mm 0,3
LSE LIE 10,03 9,97 0,09547029
La Formula es como sigue:


16 Cp= (LSE-LIE)/6*=10,03-9,97/6*0.09547= 0,06/0,57282173=0,10474463 El CP puede asumir varios valores, que los analistas clasifican entre valor 1 y valor 4 segn sea la habilidad del proceso para cumplir con las especificaciones. ICP ICP>1.33 Clase de proceso 1 Decisin Ms que adecuado, incluso puede exigirse ms en trminos de su capacidad. En La industria actualmente se exige un 1,50 Adecuado para lo que fue diseado. Requiere control estrecho si se acerca al valor de 1 No es adecuado para cumplir con el diseo inicial. No es adecuado para cumplir con el diseo inicial.
1<ICP<1.33 0.67<ICP<1 ICP<0.67
2 3 4
Por lo tanto la capacidad Potencial obtenida es menor a 1, CP 1 y significa que nuestro proceso no es capaz de satisfacer a nuestro cliente, por lo que habr que buscar otras alternativas. De hecho a esta empresa le sale muy caro fabricar segn dichas especificaciones, ya que tan solo un 28% de las muestras tienen un diametro correcto, lo que encarecera su fabricacin con ms de un 70% de producto defectuoso.

Estadística descriptiva datos calidad

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Estadística descriptiva datos calidad

Uploaded by

Copyright:

Available Formats

TCNICO GESTIN MEJORA DE LA CALIDAD E INNOVACIN

Actividades Mdulo 3: Medicin de los efectos

Ilustracin 1. Tabla de Datos

TCNICO GESTIN MEJORA DE LA CALIDAD E INNOVACIN

Tabla 3. N de clases recomendado N de datos N de clases recomendado 6 7 8 9 10 11 a 20

20 a 50 51 a 100 101-200 201-500 501-1000 ms de 1000

TCNICO GESTIN MEJORA DE LA CALIDAD E INNOVACIN

DATOS 1724-1726 1727-1729 1730-1732 1733-1735 1736-1738 1739-1741 1742-1744 1745-1747 ST

TCNICO GESTIN MEJORA DE LA CALIDAD E INNOVACIN

TCNICO GESTIN MEJORA DE LA CALIDAD E INNOVACIN

TCNICO GESTIN MEJORA DE LA CALIDAD E INNOVACIN

TCNICO GESTIN MEJORA DE LA CALIDAD E INNOVACIN

TCNICO GESTIN MEJORA DE LA CALIDAD E INNOVACIN

TCNICO GESTIN MEJORA DE LA CALIDAD E INNOVACIN

DIA DIA COLOR

MEDIA POR DIA

MEDIA POR DIA

TCNICO GESTIN MEJORA DE LA CALIDAD E INNOVACIN

S1 39,6 28,4 25,5 24,1 36,6 30,5

S2 29,4 24,1 26,3 26,8 32,4 36,8

S3 31,4 29,6 34,8 32,7 28,7 27,9

S4 37,7 30,9 30 29 27,9 28,6

Tabla 2. de datos de las muestras tomadas con rango de medias.

TCNICO GESTIN MEJORA DE LA CALIDAD E INNOVACIN

Tabla 3 .Limites de control

Tablas de Rangos, Media, Moda y Mediana

Ilustracin 1. Grfico de Medias con LC

TCNICO GESTIN MEJORA DE LA CALIDAD E INNOVACIN

Grfico de columnas LC= LCS= LCI=

TCNICO GESTIN MEJORA DE LA CALIDAD E INNOVACIN

Dibuja el grfico de control de Medias y Rangos. Grfico de Rangos

LC= LCS= LCI=

TCNICO GESTIN MEJORA DE LA CALIDAD E INNOVACIN

LC= LCS= LCI=

TCNICO GESTIN MEJORA DE LA CALIDAD E INNOVACIN

La Formula es como sigue:

TCNICO GESTIN MEJORA DE LA CALIDAD E INNOVACIN

1<ICP<1.33 0.67<ICP<1 ICP<0.67

You might also like