Curso de Statgraphics para Lean Sigma Dr. Primitivo Reyes A. feb. 2009 DR. PRIMITIVO REYES AGUILAR La información aquí contenida es solo para propósitos didácticos, se tomo como referencia la información de ayuda del paquete STATGRAPHICS Centurion, marca registrada de STAT POINT TECHNOLOGIES, Inc Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Contenido EJERCICIOS DE LA FASE DE MEDICIÓN Y CONTROL CON STATGRAPHICS............................................................... 3 ENTRADA y FORMAR DOS COLUMNAS DE DATOS NUMÉRICOS Y UNA DE CARACTERES .................................. 3 1. DIAGRAMA DE PARETO ................................................................................................................................... 4 2. DIAGRAMA DE ISHIKAWA ............................................................................................................................... 5 3. ESTADÍSTICA DESCRIPTIVA .............................................................................................................................. 7 4. CARTAS DE CONTROL DE LECTURAS INDIVIDUALES Y RANGO MÓVIL ......................................................... 13 5. CARTAS DE CONTROL X-R DE MEDIAS RANGOS ........................................................................................... 16 6. CAPACIDAD DEL PROCESO ............................................................................................................................ 21 7. CARTAS DE CONTROL P ................................................................................................................................. 23 8. CARTAS DE CONTROL np ............................................................................................................................... 25 9. CARTAS DE CONTROL C ................................................................................................................................. 27 10. CARTAS DE CONTROL u ............................................................................................................................... 28 11. ESTUDIO R&R .............................................................................................................................................. 30 EJERCICIOS DE LA FASE DE ANÁLISIS..................................................................................................................... 35 12. REGRESIÓN LINEAL...................................................................................................................................... 35 13. PRUEBA DE HIPÓTESIS DE UNA MEDIA....................................................................................................... 39 14. PRUEBA DE HIPÓTESIS DE UNA DESVIACIÓN ESTÁNDAR ........................................................................... 41 15. PRUEBA DE HIPÓTESIS DE UNA PROPORCIÓN (Binomial) .......................................................................... 44 16. PRUEBA DE HIPÓTESIS DE DOS MEDIAS ..................................................................................................... 46 17. PRUEBA DE HIPÓTESIS PAREADAS .............................................................................................................. 54 18. PRUEBA DE HIPÓTESIS DE DOS PROPORCIONES ....................................................................................... 61 19. ANOVA DE UNA VÍA .................................................................................................................................... 63 20. TABLA DE CONTINGENCIA .......................................................................................................................... 71 21. CARTAS PARA NEGOCIOS DE BARRAS, DE PASTEL Y DE LÍNEA DE COMPONENTES ................................... 76 22. DISTRIBUCIONES DE PROBABILIDAD PARA VALORES CRÍTICOS Y NÚMEROS ALEATORIOS ....................... 79 23. CARTAS DE CONTROL PARA SU PROCESO Y GRAFICADO EN EXCEL ........................................................... 90 HERRAMIENTAS DE LA FASE DE MEJORA ............................................................................................................. 96 DISEÑO DE EXPERIMENTOS CLASICO................................................................................................................ 96 Diseño de experimentos de Taguchi............................................................................................................... 121 2 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 EJERCICIOS DE LA FASE DE MEDICIÓN Y CONTROL CON STATGRAPHICS ENTRADA y FORMAR DOS COLUMNAS DE DATOS NUMÉRICOS Y UNA DE CARACTERES Colocarse en la columna Col_1 y con botón derecho del ratón, seleccionar la opción de MODIFY COLUMN para indicar si se quieren datos Numéricos o de Texto. Paso 1 Paso 2 Paso 3 Paso 4 y 5, colocarse en columnas Col_2 y Col_3 y con botón derecho, sel. MODIFY COLUMN NOTA: Es importante ir pasando los resultados al reporte con Copy Analysis to StatReporter e irlos borrando con clik en la X de la sección de gráficas y resultados, para liberar espacios 3 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 1. DIAGRAMA DE PARETO Paso 1. Cargar datos en las columnas de Defectos y Cantidad. Obtener el Diagrama de Pareto Defectos Cantidad A 23 B 12 C 67 D 98 E 3 F 120 OK Paso 2. El reporte se muestra a continuación Con Botón derecho 4 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 3. Obtener los datos numéricos: Paso 4. Agregar al reporte, con el cursor en el análisis y botón derecho del ratón Este reporte se puede abrir con una ceja en la parte inferior de la pantalla 2. DIAGRAMA DE ISHIKAWA Paso 1. Preparar la columna de CAUSAS en Col_4 u otra libre con ancho de 13 caracteres 5 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 2. Cargar los datos siguientes en la columna de causas: a) Al inicio se pone el problema a atacar b) Cada causa principal se pone normal c) Cada una de las sub causas correspondientes a las causas principales se escriben debajo de la misma antecedidas de un punto. d) Cada una de las sub causas correspondientes a las sub causas se escriben debajo de la misma antecedidas de dos puntos Causas PROBLEMA Personal .pb .pc ..pd ..pf Material .ma .mb .mc ..md ..mf Ambiente .aire .agua .tierra ..t1 ..t2 6 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 3. Ejecutar las siguientesinstrucciones Paso 4. El diagrama obtenido es el siguiente: 3. ESTADÍSTICA DESCRIPTIVA Paso 1. Preparar la columna de VISCOCIDAD en Col_1 u otra libre con ancho de 13 numeric 7 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 2. Cargar datos en columna 1 Viscocidad 6.00 5.98 5.97 6.01 6.15 6.00 5.97 6.02 5.96 6.00 5.98 5.99 6.01 6.03 5.98 5.98 6.01 5.99 5.99 5.98 6.01 5.99 5.98 5.99 6.00 5.98 6.02 5.99 6.01 5.98 5.99 5.97 5.99 6.01 5.97 6.02 5.99 6.02 8 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 6.00 6.02 6.01 Paso 3. Instrucciones para la estadística descriptiva Paso 4. Con el segundo ícono del análisis pedir las opciones siguientes: Paso 5. Los resultados numéricos son los siguientes: Summary Statistics for Viscocidad 9 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 5. Obtener las gráficas de los datos con el tercer ícono del menú: Las gráficas se amplían colocándoles el cursos y dando dos clicks 10 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 CORRIDA EN EXCEL Paso 1. Usar los datos de viscosidad Paso 2. Instrucciones HERRAMIENTAS > ANÁLISIS DE DATOS 11 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Indicar el rango donde están los datos, indicar que la primera celda el etiqueta, indicar la celda donde se muestran los resultados y resumen de estadística. Paso 3. Resultados Viscocidad Mean Standard Error Median Mode Standard Deviation Sample Variance Kurtosis Skewness Range Minimum Maximum Sum Count Confidence Level(95.0%) 5.998536585 0.00464024 5.99 5.99 0.029712033 0.000882805 16.67650192 3.36583295 0.19 5.96 6.15 245.94 41 0.009378275 12 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 4. CARTAS DE CONTROL DE LECTURAS INDIVIDUALES Y RANGO MÓVIL Con los datos de viscosidad ejecutar las instrucciones siguientes: Paso 1. Obtener la carta de control I-MR 13 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 X and MR(2) - Initial Study for Viscocidad Number of observations = 41 0 observations excluded X Chart ------UCL: +3.0 sigma = 6.07899 = 5.99854 Centerline LCL: -3.0 sigma = 5.91808 1 beyond limits MR(2) Chart ----------UCL: +3.0 sigma = 0.0988757 = 0.03025 Centerline LCL: -3.0 sigma = 0.0 2 beyond limits Estimates --------Process mean = 5.99854 Process sigma = 0.0268174 Mean MR(2) = 0.03025 14 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 2. Obtener la carta de Rango móvil MR 15 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 3. Excluir el punto fuera de control Colocarse en la gráfica X y con botón derecho seleccionar ANALYSIS OPTIONS y en EXCLUDE Manual, Exclude Subgroup 5 OK 5. CARTAS DE CONTROL X-R DE MEDIAS RANGOS Con los datos de viscosidad ejecutar las instrucciones siguientes: 16 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 1. Obtener la carta de control X 17 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 2. Obtener la carta de control R Paso 3. Excluir el punto fuera de control Colocar el cursor en la gráfica, ANALYSIS OPTIONS y EXCLUDE subgroup 1 18 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 CORRIDA EN EXCEL Paso 1. Arreglo de datos Viscocidad 6.00 5.98 5.97 6.01 6.15 6.00 5.97 6.02 5.96 6.00 5.98 5.99 6.01 6.03 5.98 5.98 6.01 5.99 5.99 5.98 6.01 5.99 5.98 5.99 6.00 Media 6.00 6.00 6.00 6.00 6.00 6.00 6.00 6.00 6.00 6.00 6.00 6.00 6.00 6.00 6.00 6.00 6.00 6.00 6.00 6.00 6.00 6.00 6.00 6.00 6.00 =Xmedia -+ 2.66*Rmedio LIC LSC 5.92 6.08 5.92 6.08 5.92 6.08 5.92 6.08 5.92 6.08 5.92 6.08 5.92 6.08 5.92 6.08 5.92 6.08 5.92 6.08 5.92 6.08 5.92 6.08 5.92 6.08 5.92 6.08 5.92 6.08 5.92 6.08 5.92 6.08 5.92 6.08 5.92 6.08 5.92 6.08 5.92 6.08 5.92 6.08 5.92 6.08 5.92 6.08 5.92 6.08 Rango 0.02 0.01 0.04 0.14 0.15 0.03 0.05 0.06 0.04 0.02 0.01 0.02 0.02 0.05 0.00 0.03 0.02 0.00 0.01 0.03 0.02 0.01 0.01 0.01 Rmedio 0.03 0.03 0.03 0.03 0.03 0.03 0.03 0.03 0.03 0.03 0.03 0.03 0.03 0.03 0.03 0.03 0.03 0.03 0.03 0.03 0.03 0.03 0.03 0.03 19 LICr 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 =3.267*Rmedio LSCr 0.099 0.099 0.099 0.099 0.099 0.099 0.099 0.099 0.099 0.099 0.099 0.099 0.099 0.099 0.099 0.099 0.099 0.099 0.099 0.099 0.099 0.099 0.099 0.099 Curso –Statgraphics para Lean Sigma 5.98 6.02 5.99 6.01 5.98 5.99 5.97 5.99 6.01 5.97 6.02 5.99 6.02 6.00 6.02 6.01 Promedio 6.00 6.00 6.00 6.00 6.00 6.00 6.00 6.00 6.00 6.00 6.00 6.00 6.00 6.00 6.00 6.00 5.92 5.92 5.92 5.92 5.92 5.92 5.92 5.92 5.92 5.92 5.92 5.92 5.92 5.92 5.92 5.92 6.00 =PROMEDIO(B6:B46) 6.08 6.08 6.08 6.08 6.08 6.08 6.08 6.08 6.08 6.08 6.08 6.08 6.08 6.08 6.08 6.08 P. Reyes / abril 2010 0.02 0.03 0 0.04 0.03 0 0.03 0.03 0 0.02 0.03 0 0.03 0.03 0 0.01 0.03 0 0.02 0.03 0 0.02 0.03 0 0.02 0.03 0 0.04 0.03 0 0.05 0.03 0 0.03 0.03 0 0.03 0.03 0 0.02 0.03 0 0.02 0.03 0 0.01 0.03 0 Rango Promedio =ABS(B44B45) 0.03 Paso 2. Graficar área verde como carta I y área amarillo como rango móvil INSERTAR GRAFICA DE LÍNEA 6.2 6.15 6.1 6.05 Viscocidad Media 6 LIC 5.95 LSC 5.9 5.85 5.8 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 20 0.099 0.099 0.099 0.099 0.099 0.099 0.099 0.099 0.099 0.099 0.099 0.099 0.099 0.099 0.099 0.099 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 0.16 0.14 0.12 0.1 Rango 0.08 Rmedio LICr 0.06 LSCr 0.04 0.02 0 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 6. CAPACIDAD DEL PROCESO Paso 1. Con los datos anteriores, determinar la capacidad del proceso, considerando que los límites de especificación son LIE = 5.98 y LSE = 6.06: 21 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 2. Los resultados son los siguientes: Analysis Summary Data variable: Viscocidad Distribution: Normal sample size = 41 mean = 5.99854 standard deviation = 0.029712 6.0 Sigma Limits +3.0 sigma = 6.08767 mean = 5.99854 -3.0 sigma = 5.9094 Observed Estimated Specifications Beyond Spec. Z-Score Beyond Spec. -----------------------------------------------------------USL = 6.06 2.4390% 2.07 1.9290% LSL = 5.98 12.1951% -0.62 26.6354% -----------------------------------------------------------Total 14.6341% 28.5644% Aquí el Ppk y el Pp corresponden al Cp y Cpk CÁLCULO EN EXCEL Zi, Zs, P(Zi), P(Zs), Pz(Total), Cp y Cpk Zs = (LSE-Xm)/Sigma = (6.06 – 5.99) / 0.02971 = 2.07 22 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 P(Zs) = DISTR.NORM.ESTAND.INV(-2.07) = 1.92% Zi = (5.98 – 5998) / 0.02971 = -0.62 P(Zi) = DISTR.NORM.ESTAND.INV(-0.62) = 26.63% P(Z total) = 28.564% Cp = (LSE – LIE) / (6*Sigma) = (6.06 – 5.98) / (6*0.0297) = 0.45 Ppk = menor de las Zi y Zs sin signo / 3 = 0.062 / 3 = 0.21 7. CARTAS DE CONTROL P Preparar las columnas de Serv_No_Confiables y Muestra (colocarse en las columnas vacías y seleccionar MODIFY COLUMN). Paso 1. Cargar los datos siguientes (Serv_No_Conf es la proporción de los servicios a las muestras): Serv_no_conf 0.20 0.17 0.14 0.16 0.13 0.28 0.20 0.14 0.11 0.13 0.14 0.13 0.16 0.10 0.14 0.17 0.17 0.20 0.17 0.21 Muestra 98 104 97 99 97 102 104 101 55 48 50 53 56 49 56 53 52 51 52 47 23 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 2. Obtener la carta de control p p - Initial Study for Serv_No_Conf Number of subgroups = 20 Average subgroup size = 71.2 0 subgroups excluded p Chart ------UCL: +3.0 sigma = 0.299274 Centerline = 0.166749 LCL: -3.0 sigma = 0.0342228 0 beyond limits Estimates --------Mean p = 0.166749 Sigma = 0.0441753 24 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 8. CARTAS DE CONTROL np Paso 1. Cargar los datos siguientes: Prod_Defect 20 18 14 16 13 29 21 14 6 6 7 7 9 5 8 9 9 10 9 10 Paso 2. Obtener la carta de control np con un tamaño de muestra de n = 200 25 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 3. Los resultados obtenidos son los siguientes: np - Initial Study for Prod_Defectuosos Number of subgroups = 20 Subgroup size = 200.0 0 subgroups excluded np Chart -------UCL: +3.0 sigma = 22.0757 Centerline = 12.0 LCL: -3.0 sigma = 1.92429 1 beyond limits Estimates --------Mean np = 12.0 Sigma = 3.35857 The StatAdvisor 26 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 9. CARTAS DE CONTROL C Paso 1. Con los siguientes datos: Manchas 8 13 7 8 5 13 7 12 27 10 12 6 10 9 13 7 8 5 Paso 2. Instrucciones 27 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 3. La carta de control es: 10. CARTAS DE CONTROL u Paso 1. Con los siguientes datos: Errores 9 11 2 5 15 13 8 7 5 2 4 Facturas 110 101 98 105 110 100 98 99 100 100 102 28 Curso –Statgraphics para Lean Sigma 4 2 5 5 2 3 2 1 6 P. Reyes / abril 2010 98 99 105 104 100 103 100 98 102 Paso 2. Instrucciones Paso 3. Carta de control u 29 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 11. ESTUDIO R&R Paso 1. Cargar las columnas de datos: Parte 1 1 2 2 3 3 Operador 1 1 1 1 1 1 Medición Intento 1 157.5 2 150 1 180 2 172.5 1 150 2 157.5 Etcétera…… 30 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 2. Instrucciones Paso 3. Resultados 31 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Considerar los límites de especificación: LSE = 487.5 LIE = 37.5 o tolerancia de 450 y 5.15 sigmas Colocarse en los resultados y con botón derecho en ANALYSIS OPTIONS cargar esta información: Paso 4. Solicitar los resultados: 32 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 5. Pedir la gráfica R&R plot 33 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 34 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 EJERCICIOS DE LA FASE DE ANÁLISIS 12. REGRESIÓN LINEAL Paso 1. Cargar los datos siguientes en la hoja de trabajo del paquete: Y_Resistencia 160 171 175 182 184 181 188 193 195 200 X_%Fibra 10 15 15 20 20 20 25 25 28 30 Paso 2. Instrucciones 35 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 3. Resultados 36 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 4. Seleccionando el área de resultados y botón derecho en ANALYSIS OPTIONS, se puede acceder a otros modelos de regresión: CÁLCULO EN EXCEL Paso 1. Usar los datos anteriores Paso 2. Instrucciones HERRAMIENTAS > ANÁLISIS DE DATOS 37 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Indicar el Rango de entrada Y y X , de los datos incluyendo sus etiquetas de columna (seleccionar LABELS), indicar la celda donde se quiere el rango de salida y seleccionar residuos. 38 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 3. Los resultados de salida son: Regression Statistics Multiple R 0.984962 R Square 0.970149 Adjusted R Square 0.966418 Standard Error 2.203201 Observations 10 ANOVA df Regression 1 Residual Total 8 9 Intercept b X_%Fibra m Coefficients 143.8244 1.878635 Significance SS MS F F 1262.067 1262.067 260.0004 2.2E-07 Signif. Si 38.83277 4.854097 p<0.05 1300.9 Standard Upper Lower Upper Error t Stat P-value Lower 95% 95% 95.0% 95.0% 2.521529 57.03857 9.91E-12 138.0097 149.639 138.0097 149.639 0.116508 16.12453 2.2E-07 1.609968 2.147303 1.609968 2.147303 Paso 4. Interpretación La regresión es significativa (P value < 0.05) El porcentaje de correlación es alto (0.97) La ecuación de regresión es Y = b + mx = 143.8244 + 1.878635*X_%Fibra_m 13. PRUEBA DE HIPÓTESIS DE UNA MEDIA (se hace con la prueba t de Student) Sea Ho: Mu = 40 Ha: Mu <> 40 Paso 1. Determinar los estadísticos de la muestra. Se toma una muestra de 50 partes dando una media de 35 y desviación estándar de 4 39 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 2. Instrucciones Paso 3. Los resultados son los siguientes: 40 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 4. Si se quiere una prueba de dos colas (NOT EQUAL), cola izquierda (LESS THAN) o cola derecha (GREATER THAN) se seleccionan los resultados y botón derecho en ANALYSIS OPTIONS 14. PRUEBA DE HIPÓTESIS DE UNA DESVIACIÓN ESTÁNDAR (se hace con la prueba Chi Cuadrada) Sea Ho: Sigma = 6 Ha: Sigma <> 6 41 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 1. Se toma una muestra de 50 piezas, se evalúa la desviación estándar, dando un resultado de 4.8 Paso 2. Instrucciones Paso 3. Los resultados son los siguientes: 42 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 4. Si se quiere una prueba de dos colas (NOT EQUAL), cola izquierda (LESS THAN) o cola derecha (GREATER THAN) se seleccionan los resultados y botón derecho en ANALYSIS OPTIONS 43 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 15. PRUEBA DE HIPÓTESIS DE UNA PROPORCIÓN (Binomial) Sea Ho: p = 0.3 Ha: p <> 0.3 Paso 1. Se toma una muestra de 100 piezas y se obtiene una proporción de 0.25 Paso 2. Instrucciones 44 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 3. Los resultados son los siguientes 45 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 16. PRUEBA DE HIPÓTESIS DE DOS MEDIAS Sea Ho: Mu1 – Mu2 = 0 Ha: Mu1 – Mu2 <> 0 Paso 1. Se toman dos muestras de 48 tiempos de servicio de dos departamentos A y B Servicio A 6 Servicio B 10 46 Curso –Statgraphics para Lean Sigma 7 4 P. Reyes / abril 2010 3 5 Etcétera Paso 2. Instrucciones Paso 3. Se seleccionan las pruebas deseadas con las instrucciones siguientes en el Menu tabular: Los resultados son los siguientes 47 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 a) Comparación de desviaciones estándar b) Comparación de medias 48 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 4. El análisis gráfico se muestra a continuación 49 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 CALCULO EN EXCEL a) Probar la igualdad de varianzas (Prueba F) Paso 1. Usar los datos de arriba Paso 2. Instrucciones HERRAMIENTAS > ANÁLISIS DE DATOS Indicar los rangos de las dos variables incluyendo sus etiquetas (rótulos), seleccionar Labels, indicar donde se obtienen los resultados de salida 50 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 3. Los resultados son los siguientes F-Test TwoSample for Variances Mean Variance Observations df F P(F<=f) one-tail F Critical one-tail Servicio Servicio A B 6.354167 6.4375 4.829344 5.698138 48 48 47 47 0.84753 0.286468 0.615856 Como el P (F<=f) Es mayora alfa = 0.05, no se rechaza Ho y las varianzas son iguales. b) Probar la igualdad de medias con prueba Z Paso 1. Usar los datos de arriba Paso 2. Instrucciones HERRAMIENTAS > ANÁLISIS DE DATOS 51 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 3. Los resultados se muestran a continuación z-Test: Two Sample for Means Mean Known Variance Observations Hypothesized Mean Difference z P(Z<=z) one-tail z Critical one-tail P(Z<=z) two-tail z Critical two-tail Servicio Servicio A B 6.354167 6.4375 2.1975 2.387077 48 48 0 -0.26964 0.393717 1.644854 0.787435 1.959964 Como la P(Z<=z) es de 0.7874 > alfa de 0.2 b) Caso de muestras pequeñas (n <30) En el caso de pequeñas muestras, se utiliza la prueba t, hay dos tipos: para cuando las varianzas son iguales y cuando no lo son: 52 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 1. Los datos son los siguientes Servicio A 6 7 4 9 4 8 4 9 6 7 8 Servicio B 10 3 5 3 9 5 3 2 6 6 1 Paso 2. Instrucciones HERRAMIENTAS > ANÁLISIS DE DATOS Paso 3. Los resultados se muestran a continuación t-Test: Two-Sample Assuming Equal Variances Mean Variance Observations Pooled Variance Hypothesized Mean Difference Servicio Servicio A B 6.545455 4.818182 3.672727 7.963636 11 11 5.818182 0 53 Curso –Statgraphics para Lean Sigma df t Stat P(T<=t) one-tail t Critical one-tail P(T<=t) two-tail t Critical two-tail P. Reyes / abril 2010 20 1.679379 0.054317 1.724718 0.108634 2.085963 En la prueba de una cola, el valor P value es mayor a 0.054 por lo que las medias son iguales. 17. PRUEBA DE HIPÓTESIS PAREADAS (A los mismos sujetos se les evalúa antes y después de un un curso) Sea Ho: Diferencia de Medias = 0 Ha: Diferencia de medias <> 0 Paso 1. Se toman datos antes y después de un curso como sigue: Antes 6.0 5.0 7.0 6.2 6.0 6.4 Despues 5.4 5.2 6.5 5.9 6.0 5.8 Paso 2. Instrucciones 54 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 3. Los resultados se seleccionan el menú tabular como sigue: (dar dos clicks para abrir cada ventana) 55 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 56 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 57 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 4. Los resultados gráficos se seleccionan del menú de gráficas 58 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 5. Para otras opciones de la prueba (una cola, cola izquierda o cola derecha e hipótesis) seleccionar el área de resultados y en PANE OPTIONS seleccionar lo que se desea Paso 6. El análisis gráfico se muestra a continuación. 59 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 CÁLCULOS EN EXCEL Paso 1. Con los datos anteriores Paso 2. Instrucciones HERRAMIENTAS > ANÁLISIS DE DATOS Paso 3. Los resultados se muestran a continuación 60 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 3. Los resultados son los siguientes t-Test: Paired Two Sample for Means Mean Variance Observations Pearson Correlation Hypothesized Mean Difference df t Stat P(T<=t) one-tail t Critical one-tail P(T<=t) two-tail t Critical two-tail Antes Despues 6.1 5.8 0.428 0.212 6 6 0.876424 0 5 2.195775 0.039758 2.015048 0.079516 2.570582 Como el valor P value de 0.039 es menor a 0.05, se rechaza Ho y se concluye que las medias no son iguales. 18. PRUEBA DE HIPÓTESIS DE DOS PROPORCIONES Sea Ho: p1 – p2 = 0 Ha: p1 – p2 <> 0 Paso 1. Se toman muestras de 100 partes y se evalúan sus proporciones de defectuosos, en este caso 30 y 25%, se desea evaluar si son estadísticamente iguales 61 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 2. Instrucciones Paso 3. Los resultados se muestran a continuación 62 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 19. ANOVA DE UNA VÍA Sea Ho: Mu1 = Mu2 = Mu3 = …… = Mu n Ha: Alguna de las medias es diferente Paso 1. Introducir los siguientes datos Calificaciones 8 7 8 6 7 8 7 8 Depto Depto_A Depto_A Depto_A Depto_A Depto_A Depto_A Depto_B Depto_B 63 Curso –Statgraphics para Lean Sigma 7 7 6 8 5 6 6 7 7 6 P. Reyes / abril 2010 Depto_B Depto_B Depto_B Depto_B Depto_C Depto_C Depto_C Depto_C Depto_C Depto_C Paso 2. Instrucciones 64 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 3. Resultados 65 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 66 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 67 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 4. El reporte gráfico se muestra a continuación 68 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 69 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 CÁLCULO CON EXCEL Paso 1. Capturar datos en columnas para cada nivel del factor Depto_A 8 7 8 6 7 8 Depto_B 7 8 7 7 6 8 Depto_C 5 6 6 7 7 6 Paso 2. Instrucciones HERRAMIENTAS > ANÁLISIS DE DATOS Paso 3. Los resultados son los siguientes: 70 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Anova: Single Factor SUMMARY Groups Depto_A Depto_B Depto_C Count Sum Average Variance 44 7.333333 0.666667 43 7.166667 0.566667 37 6.166667 0.566667 df MS F 2 2.388889 3.981481 15 0.6 6 6 6 ANOVA Source of Variation Between Groups Within Groups SS 4.777777778 9 Total 13.77777778 P-value 0.041018049 F crit 3.68232 17 Como el P value es 0.04 menor a alfa de 0.05, se concluye que hay al menos una media que es diferente (Depto C). 20. TABLA DE CONTINGENCIA Sea Ho: p1 = p2 = p3 = …… = p n Ha: Alguna de las proporciones es diferente Ho: La variable de renglón es independiente de la variable de columna Ha: La variable de renglón depende de la variable de columna Paso 1. Introducir los siguientes datos Los errores presentados en tres tipos de servicios cuando se prestan por tres regiones se muestran a continuación, probar con una tabla de contingencia si los errores dependen del tipo de servicio y región para un 95% de nivel de confianza. Servicio Region A Region B 1 27 12 2 41 22 3 42 14 Region C 8 9 10 71 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 2. Instrucciones Paso 3. Resultados del reporte tabular: 72 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 73 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 4. Resultados del menú de graficos 74 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 75 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Seleccionando las graficas con botón derecho se tiene acceso a su configuración específica 21. CARTAS PARA NEGOCIOS DE BARRAS, DE PASTEL Y DE LÍNEA DE COMPONENTES Paso 1. Utilizar la columna siguiente Cantidad 76 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 23 12 67 98 3 120 Paso 2. Instrucciones para grafica de barras Paso 3. Resultados Paso 4. Instrucciones para grafica de Pastel 77 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 5. Resultados Paso 6. Grafica de línea de componentes 78 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 7. Resultados 22. DISTRIBUCIONES DE PROBABILIDAD PARA VALORES CRÍTICOS Y NÚMEROS ALEATORIOS Caso de la distribución normal Paso 1. Instrucciones 79 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 3. Seleccionar la gráfica normal y con botón derecho seleccionar ANALYSIS OPTIONS para cambiar los parámetros de la distribución Paso 4. Seleccionar el Reporte tabular y seleccionar las siguientes opciones 80 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 81 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 En esta sección se pueden evaluar los valores críticos para diversos valores (por ejemplo de Z si la media es cero y la desviación estándar es uno) Seleccionar esta sección y con botón derecho seleccionar PANE OPTIONS Los resultados son los siguientes 82 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 En esta sección se pueden evaluar los valores críticos para diversos valores de probabilidad (por ejemplo para encontrar Z si la media es cero y la desviación estándar es uno) Seleccionar esta sección y con botón derecho seleccionar PANE OPTIONS 83 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 84 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 5. Generar un cierto número de números aleatorios y guardarlos en una columna vacía de la hoja Seleccionar la ventana de Random numbers mostrada arriba y con botón derecho seleccionar PANE OPTIONS, en esa ventana seleccionar 100 números: Después pulsar el botón de Almacenado de datos en el menú siguiente: Seleccionar la distribución y la columna donde se almacenarán los números aleatorios: 85 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Los datos se almacenan en la columna Datos normales de la hoja de trabajo como sigue: Datos normales 92.9282 103.731 104.065 106.835 GENERACIÓN DE NÚMEROS ALEATORIOS EN EXCEL Paso 1. Instrucciones (Media = 100, Desviación estándar = 10, N = 10) HERRAMIENTAS > ANÁLISIS DE DATOS 86 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 2. Números generados Datos_Aleatorios 100.59 76.10 110.03 96.38 102.80 97.30 87.52 93.23 85.38 84.53 87 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 5. Seleccionar la grafica deseada con el menú de graficas 88 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 89 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 23. CARTAS DE CONTROL PARA SU PROCESO Y GRAFICADO EN EXCEL a) Carta de control X-R, cálculos y gráficas de línea: zona verde carta X; zona amarilla carta R Datos de cada uno de los subgrupos x1 15.8 16.3 16.1 16.3 16.8 16.1 16.1 16.2 16.3 16.6 16.2 15.9 16.4 16.5 16.4 16 16.4 16 16.4 16.4 x2 16.3 15.9 16.2 16.2 16.9 15.8 16.3 16.1 16.2 16.3 16.4 16.6 16.1 16.3 16.1 16.2 16.2 16.2 16 16.4 x3 x4 x5 16.2 16.1 16.6 15.9 16.2 16.4 16.5 16.4 16.3 15.9 16.4 16.2 16.7 16.5 16.6 16.7 16.6 16.4 16.5 16.1 16.5 16.2 16.1 16.3 16.4 16.3 16.5 16.4 16.1 16.5 15.9 16.3 16.4 16.7 16.2 16.5 16.6 16.4 16.1 16.2 16.3 16.4 16.3 16.2 16.2 16.3 16.3 16.2 16.4 16.3 16.2 16.4 16.5 16.1 16.3 16.4 16.4 16.5 16 15.8 Media de medias Xmedia -+A2*Rm Media i 16.20 16.14 16.30 16.20 16.70 16.32 16.30 16.18 16.34 16.38 16.24 16.38 16.32 16.34 16.24 16.20 16.30 16.24 16.30 16.22 16.292 Media LIC 16.292 16.021 16.292 16.021 16.292 16.021 16.292 16.021 16.292 16.021 16.292 16.021 16.292 16.021 16.292 16.021 16.292 16.021 16.292 16.021 16.292 16.021 16.292 16.021 16.292 16.021 16.292 16.021 16.292 16.021 16.292 16.021 16.292 16.021 16.292 16.021 16.292 16.021 16.292 16.021 A2=0.577 LSC 16.563 16.563 16.563 16.563 16.563 16.563 16.563 16.563 16.563 16.563 16.563 16.563 16.563 16.563 16.563 16.563 16.563 16.563 16.563 16.563 Rmedio Rango i Rmedio 0.80 0.47 0.50 0.47 0.40 0.47 0.50 0.47 0.40 0.47 0.90 0.47 0.40 0.47 0.20 0.47 0.30 0.47 0.50 0.47 0.50 0.47 0.80 0.47 0.50 0.47 0.30 0.47 0.30 0.47 0.30 0.47 0.20 0.47 0.50 0.47 0.40 0.47 0.70 0.47 0.47 Seleccionar la zona verde, INSERTAR GRÁFICA DE LÍNEA (Carta Xmedia) Repetir para la zona amarilla (Carta R) OK 90 LICr 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 LSCr 0.994 0.994 0.994 0.994 0.994 0.994 0.994 0.994 0.994 0.994 0.994 0.994 0.994 0.994 0.994 0.994 0.994 0.994 0.994 0.994 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 16.8 16.6 16.4 Media i Media 16.2 LIC 16 LSC 15.8 15.6 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 1.2 1 0.8 Rango i Rmedio 0.6 LICr 0.4 LSCr 0.2 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 b) Carta de control p, proceso y gráfica de línea de zona verde Serv_no_conf 20 18 14 16 13 29 21 14 6 Muestra 98 104 97 99 97 102 104 101 55 Pi 0.20 0.17 0.14 0.16 0.13 0.28 0.20 0.14 0.11 Pprom 0.17 0.17 0.17 0.17 0.17 0.17 0.17 0.17 0.17 LIC 0.055 0.058 0.055 0.056 0.055 0.057 0.058 0.057 0.017 LSC 0.282 0.279 0.283 0.281 0.283 0.280 0.279 0.280 0.320 91 Curso –Statgraphics para Lean Sigma 6 7 7 9 5 8 9 9 10 9 10 Pprom= 48 50 53 56 49 56 53 52 51 52 47 0.17 0.13 0.17 0.006 0.14 0.17 0.010 0.13 0.17 0.014 0.16 0.17 0.018 0.10 0.17 0.008 0.14 0.17 0.018 0.17 0.17 0.014 0.17 0.17 0.013 0.20 0.17 0.011 0.17 0.17 0.013 0.21 0.17 0.005 LC=Pprom+3*(Pprom*(1Pprom)/ni)) P. Reyes / abril 2010 0.331 0.327 0.323 0.319 0.329 0.319 0.323 0.324 0.326 0.324 0.332 0.35 0.3 0.25 Pi 0.2 Pprom 0.15 LIC 0.1 LSC 0.05 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 c) Carta np, proceso y gráfica de todas las columnas Serv_Error nPprom 8 10.60 13 10.60 7 10.60 8 10.60 5 10.60 13 10.60 7 10.60 12 10.60 27 10.60 LIC 1.095 1.095 1.095 1.095 1.095 1.095 1.095 1.095 1.095 LSC 20.105 20.105 20.105 20.105 20.105 20.105 20.105 20.105 20.105 92 Curso –Statgraphics para Lean Sigma 10 12 6 10 9 13 7 8 5 15 25 7 10 5 12 6 6 10 17 14 11 Prom.= 10.60 1.095 10.60 1.095 10.60 1.095 10.60 1.095 10.60 1.095 10.60 1.095 10.60 1.095 10.60 1.095 10.60 1.095 10.60 1.095 10.60 1.095 10.60 1.095 10.6 1.095 10.6 1.095 10.6 1.095 10.6 1.095 10.6 1.095 10.6 1.095 10.6 1.095 10.6 1.095 10.6 1.095 10.6 P prom= P. Reyes / abril 2010 20.105 20.105 20.105 20.105 20.105 20.105 20.105 20.105 20.105 20.105 20.105 20.105 20.105 20.105 20.105 20.105 20.105 20.105 20.105 20.105 20.105 0.053 30 25 20 Serv_Error nPprom 15 LIC 10 LSC 5 0 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 93 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 d) Carta de control C, graficar todas las columnas C Errores Cmedia 9 5.55 11 5.55 2 5.55 5 5.55 15 5.55 13 5.55 8 5.55 7 5.55 5 5.55 2 5.55 4 5.55 4 5.55 2 5.55 5 5.55 5 5.55 2 5.55 3 5.55 2 5.55 1 5.55 6 5.55 Prom= 5.55 LC = C+3raiz*(C ) LIC LSC 0 12.62 0 12.62 0 12.62 0 12.62 0 12.62 0 12.62 0 12.62 0 12.62 0 12.62 0 12.62 0 12.62 0 12.62 0 12.62 0 12.62 0 12.62 0 12.62 0 12.62 0 12.62 0 12.62 0 12.62 e) Carta de control u, proceso y gráfica de la zona verde Defectos Facturas Ui 9 110 0.082 11 101 0.109 2 98 0.020 5 105 0.048 15 110 0.136 13 100 0.130 8 98 0.082 7 99 0.071 U Umedia 0.055 0.055 0.055 0.055 0.055 0.055 0.055 0.055 LC=U+3*raiz(U/ni) LIC LSC 0 0.12 0 0.12 0 0.13 0 0.12 0 0.12 0 0.12 0 0.13 0 0.13 94 Curso –Statgraphics para Lean Sigma 5 2 4 4 2 5 5 2 3 2 1 6 100 100 102 98 99 105 104 100 103 100 98 102 Umedia 0.050 0.020 0.039 0.041 0.020 0.048 0.048 0.020 0.029 0.020 0.010 0.059 0.055 0.055 0.055 0.055 0.055 0.055 0.055 0.055 0.055 0.055 0.055 0.055 0.055 0 0 0 0 0 0 0 0 0 0 0 0 P. Reyes / abril 2010 0.12 0.12 0.12 0.13 0.13 0.12 0.12 0.12 0.12 0.12 0.13 0.12 Grafica de línea de la zona verde 0.16 0.14 0.12 0.1 Ui Umedia 0.08 LIC 0.06 LSC 0.04 0.02 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 95 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 HERRAMIENTAS DE LA FASE DE MEJORA DISEÑO DE EXPERIMENTOS CLASICO PROBLEMA 1. Diseño de experimentos de dos niveles: En un proceso de mantenimiento de Generador de Vapor se desea mejorar el proceso de soldadura en un componente de acero inoxidable. Para lo cual se realiza un diseño de experimentos de 3 factores y 2 niveles. Factor A. Caudal de gas (l/min.) B. Intensidad de Corriente (A) C. Vel. de Cadena (m/min.) Nivel bajo 8 230 0.6 Nivel Alto 12 240 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 el diseño Paso 2. Ingresar los datos de los factores y sus niveles (en la misma pantalla escribir los factores) 96 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 3. Iniciar datos de la variable de respuesta 97 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 4. Indicar las réplicas del experimento (quitar la bandera de Randomize) Paso 5. Los resultados del diseño son: Block Caudal 1 1 1 1 1 1 1 1 8 12 8 12 8 12 8 12 Intensidad Velocidad 230 0.6 230 0.6 240 0.6 240 0.6 230 1 230 1 240 1 240 1 El reporte indica lo siguiente: Screening Design Attributes Design Summary -------------Design class: Screening Design name: Factorial 2^3 98 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 File name: <Untitled> Base Design ----------Number of experimental factors: 3 Number of responses: 1 Number of runs: 8 Randomized: No Number of blocks: 1 Error degrees of freedom: 1 Factors Low High Units Continuous -----------------------------------------------------------------------Caudal 8 12 Yes Intensidad 230 240 Yes Velocidad 0.6 1.0 Yes Responses Units ----------------------------------Y m The StatAdvisor --------------You have created a Factorial design which will study the effects of 3 factors in 8 runs. The design is to be run in a single block. The order of the experiments has not been randomized. If lurking variables are present, they may distort the results. Only 1 degree of freedom is available to estimate the experimental error. Therefore, the statistical tests on the results will be very weak. It is recommended that you add enough centerpoints to give you at least 3 degrees of freedom for the error. Colocarse en la pantalla de Resultados y con botón derecho accesar Seleccionar Copy Analysis to StatReporter Paso 6. Copiar los datos de la columna de respuesta Y a la Worksheet Y 10 26.5 15 17.5 11.5 26 99 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 17.5 20 Paso 7. Analizar el diseño Paso 8. Seleccionar las opciones de reporte tabular Analyze Experiment - Y Analysis Summary ---------------File name: <Untitled> Estimated effects for Y ---------------------------------------------------------------------average = 18.0 +/- 0.25 100 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 A:Caudal = 9.0 +/- 0.5 B:Intensidad = -1.0 +/- 0.5 C:Velocidad = 1.5 +/- 0.5 AB = -6.5 +/- 0.5 AC = -0.5 +/- 0.5 BC = 1.0 +/- 0.5 ---------------------------------------------------------------------Standard errors are based on total error with 1 d.f. The StatAdvisor --------------This table shows each of the estimated effects and interactions. Also shown is the standard error of each of the effects, which measures their sampling error. To plot the estimates in decreasing order of importance, select Pareto Charts from the list of Graphical Options. To test the statistical significance of the effects, select ANOVA Table from the list of Tabular Options. You can then remove insignificant effects by pressing the alternate mouse button, selecting Analysis Options, and pressing the Exclude button. Standardized Pareto Chart for Y A:Caudal AB C:Velocidad BC B:Intensidad AC 0 3 6 9 12 15 18 Standardized effect Analysis of Variance for Y -------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------A:Caudal SIGNIFICATIVO 162.0 1 162.0 324.00 0.0353 B:Intensidad 2.0 1 2.0 4.00 0.2952 C:Velocidad 4.5 1 4.5 9.00 0.2048 AB SIGNIFICATIVO 84.5 1 84.5 169.00 0.0489 AC 0.5 1 0.5 1.00 0.5000 BC 2.0 1 2.0 4.00 0.2952 Total error 0.5 1 0.5 -------------------------------------------------------------------------------Total (corr.) 256.0 7 R-squared = 99.8047 percent R-squared (adjusted for d.f.) = 98.6328 percent The StatAdvisor --------------The ANOVA table partitions the variability in Y into separate pieces for each of the effects. It then tests the statistical significance of each effect by comparing the mean square against an estimate of the experimental error. In this case, 2 effects have P-values less than 0.05, indicating that they are significantly different from zero at the 95.0% confidence level. The R-Squared statistic indicates that the model as fitted explains 99.8047% of the variability in Y. The adjusted R-squared statistic, which is more suitable for comparing models with different numbers of independent variables, is 98.6328%. The standard error of the estimate shows the standard deviation of the residuals to be 0.707107. The mean absolute error (MAE) of 0.25 is the average value of the residuals. The Durbin-Watson (DW) statistic tests the residuals to 101 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 determine if there is any significant correlation based on the order in which they occur in your data file. Since the DW value is greater than 1.4, there is probably not any serious autocorrelation in the residuals. Regression coeffs. for Y ---------------------------------------------------------------------constant = -658.75 A:Caudal = 79.125 B:Intensidad = 2.75 C:Velocidad = -107.5 AB = -0.325 AC = -0.625 BC = 0.5 ---------------------------------------------------------------------The StatAdvisor --------------This pane displays the regression equation which has been fitted to the data. The equation of the fitted model is Y = -658.75 + 79.125*Caudal + 2.75*Intensidad - 107.5*Velocidad 0.325*Caudal*Intensidad - 0.625*Caudal*Velocidad + 0.5*Intensidad*Velocidad where the values of the variables are specified in their original units. To have STATGRAPHICS evaluate this function, select Predictions from the list of Tabular Options. To plot the function, select Response Plots from the list of Graphical Options. Correlation Matrix for Estimated Effects (1) (2) (3) (4) (5) (6) (7) --------------------------------------------------------------------(1)average 1.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 (2)A:Caudal 0.0000 1.0000 0.0000 0.0000 0.0000 0.0000 0.0000 (3)B:Intensidad 0.0000 0.0000 1.0000 0.0000 0.0000 0.0000 0.0000 (4)C:Velocidad 0.0000 0.0000 0.0000 1.0000 0.0000 0.0000 0.0000 (5)AB 0.0000 0.0000 0.0000 0.0000 1.0000 0.0000 0.0000 (6)AC 0.0000 0.0000 0.0000 0.0000 0.0000 1.0000 0.0000 (7)BC 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 1.0000 --------------------------------------------------------------------- The StatAdvisor --------------The correlation matrix shows the extent of the confounding amongst the effects. A perfectly orthogonal design will show a diagonal matrix with 1's on the diagonal and 0's off the diagonal. Any non-zero terms off the diagonal imply that the estimates of the effects corresponding to that row and column will be correlated. In this case, there is no correlation amongst any of the effects. This means that you will get clear estimates of all those effects. Estimation Results for Y ---------------------------------------------------------------------Observed Fitted Lower 95.0% CL Upper 95.0% CL Row Value Value for Mean for Mean ---------------------------------------------------------------------1 10.0 10.25 1.84564 18.6544 2 26.5 26.25 17.8456 34.6544 3 15.0 14.75 6.34564 23.1544 4 17.5 17.75 9.34564 26.1544 5 11.5 11.25 2.84564 19.6544 102 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 6 26.0 26.25 17.8456 34.6544 7 17.5 17.75 9.34564 26.1544 8 20.0 19.75 11.3456 28.1544 ---------------------------------------------------------------------- The StatAdvisor --------------This table contains information about values of Y generated using the fitted model. The table includes: (1) the observed value of Y (if any) (2) the predicted value of Y using the fitted model (3) 95.0% confidence limits for the mean response Each item corresponds to the values of the experimental factors in a specific row of your data file. To generate forecasts for additional combinations of the factors, add additional rows to the bottom of your data file. In each new row, enter values for the experimental factors but leave the cell for the response empty. When you return to this pane, forecasts will be added to the table for the new rows, but the model will be unaffected. Path of Steepest Ascent for Y Predicted Y (m) ---------- ---------- ---------- -----------10.0 235.0 0.8 18.0 11.0 234.332 0.814337 20.5738 12.0 232.994 0.822727 24.0386 13.0 231.229 0.825327 28.8038 14.0 229.212 0.823318 35.0649 15.0 227.045 0.817849 42.9128 Caudal Intensidad Velocidad The StatAdvisor --------------This pane displays the path of steepest ascent (or descent). This is the path from the center of the current experimental region along which the estimated response changes most quickly for the smallest change in the experimental factors. It indicates good locations to run additional experiments if your goal is to increase or decrease Y. Currently, 6 points have been generated by changing Caudal in increments of 1.0. You can specify the amount to change any one factor by pressing the alternate mouse button and selecting Pane Options. STATGRAPHICS will then determine how much all the other factors have to change to stay on the path of steepest ascent. The program also computes the estimated Y at each of the points along the path, which you can compare to your results if you run those points. Optimize Response ----------------Goal: maximize Y Optimum value = 26.25 Factor Low High Optimum ----------------------------------------------------------------------Caudal 8.0 12.0 12.0 Intensidad 230.0 240.0 230.0 Velocidad 0.6 1.0 0.6 The StatAdvisor --------------This table shows the combination of factor levels which maximizes Y over the indicated region. Use the Analysis Options dialog box to 103 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 indicate the region over which the optimization is to be performed. You may set the value of one or more factors to a constant by setting the low and high limits to that value. Colocarse en la pantalla de Resultados y con botón derecho accesar Seleccionar Copy Analysis to StatReporter Paso 9. Obtener el reporte grafico 104 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Main Effects Plot for Y 23 21 Y 19 17 15 13 8 12 230 Caudal 240 0.6 1.0 Intensidad Velocidad Regression coeffs. for Y ---------------------------------------------------------------------constant = -658.75 A:Caudal = 79.125 B:Intensidad = 2.75 C:Velocidad = -107.5 AB = -0.325 AC = -0.625 BC = 0.5 ---------------------------------------------------------------------The StatAdvisor --------------This pane displays the regression equation which has been fitted to the data. The equation of the fitted model is Y = -658.75 + 79.125*Caudal + 2.75*Intensidad - 107.5*Velocidad 0.325*Caudal*Intensidad - 0.625*Caudal*Velocidad + 0.5*Intensidad*Velocidad where the values of the variables are specified in their original units. To have STATGRAPHICS evaluate this function, select Predictions from the list of Tabular Options. To plot the function, select Response Plots from the list of Graphical Options. Interaction Plot for Y 28 25 + - Y 22 19 16 + + - + - 13 10 +- + 8 12 8 AB 12 AC 230 240 BC Correlation Matrix for Estimated Effects (1) (2) (3) (4) (5) (6) (7) --------------------------------------------------------------------(1)average 1.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 (2)A:Caudal 0.0000 1.0000 0.0000 0.0000 0.0000 0.0000 0.0000 105 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 (3)B:Intensidad 0.0000 0.0000 1.0000 0.0000 0.0000 0.0000 0.0000 (4)C:Velocidad 0.0000 0.0000 0.0000 1.0000 0.0000 0.0000 0.0000 (5)AB 0.0000 0.0000 0.0000 0.0000 1.0000 0.0000 0.0000 (6)AC 0.0000 0.0000 0.0000 0.0000 0.0000 1.0000 0.0000 (7)BC 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 1.0000 --------------------------------------------------------------------- The StatAdvisor --------------The correlation matrix shows the extent of the confounding amongst the effects. A perfectly orthogonal design will show a diagonal matrix with 1's on the diagonal and 0's off the diagonal. Any non-zero terms off the diagonal imply that the estimates of the effects corresponding to that row and column will be correlated. In this case, there is no correlation amongst any of the effects. This means that you will get clear estimates of all those effects. Normal Probability Plot for Y 99.9 percentage 99 95 80 50 20 5 1 0.1 -13 -3 7 17 27 Standardized effects Estimation Results for Y ---------------------------------------------------------------------Observed Fitted Lower 95.0% CL Upper 95.0% CL Row Value Value for Mean for Mean ---------------------------------------------------------------------1 10.0 10.25 1.84564 18.6544 2 26.5 26.25 17.8456 34.6544 3 15.0 14.75 6.34564 23.1544 4 17.5 17.75 9.34564 26.1544 5 11.5 11.25 2.84564 19.6544 6 26.0 26.25 17.8456 34.6544 7 17.5 17.75 9.34564 26.1544 8 20.0 19.75 11.3456 28.1544 ---------------------------------------------------------------------- The StatAdvisor --------------This table contains information about values of Y generated using the fitted model. The table includes: (1) the observed value of Y (if any) (2) the predicted value of Y using the fitted model (3) 95.0% confidence limits for the mean response Each item corresponds to the values of the experimental factors in a specific row of your data file. To generate forecasts for additional combinations of the factors, add additional rows to the bottom of your data file. In each new row, enter values for the experimental factors but leave the cell for the response empty. When you return to this pane, forecasts will be added to the table for the new rows, but the model will be unaffected. 106 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Estimated Response Surface Y Velocidad=0.8 28 25 22 19 16 13 10 8 9 10 Caudal 240 238 236 234 232 230 Intensidad 11 12 Path of Steepest Ascent for Y Predicted Y (m) ---------- ---------- ---------- -----------10.0 235.0 0.8 18.0 11.0 234.332 0.814337 20.5738 12.0 232.994 0.822727 24.0386 13.0 231.229 0.825327 28.8038 14.0 229.212 0.823318 35.0649 15.0 227.045 0.817849 42.9128 Caudal Intensidad Velocidad The StatAdvisor --------------This pane displays the path of steepest ascent (or descent). This is the path from the center of the current experimental region along which the estimated response changes most quickly for the smallest change in the experimental factors. It indicates good locations to run additional experiments if your goal is to increase or decrease Y. Currently, 6 points have been generated by changing Caudal in increments of 1.0. You can specify the amount to change any one factor by pressing the alternate mouse button and selecting Pane Options. STATGRAPHICS will then determine how much all the other factors have to change to stay on the path of steepest ascent. The program also computes the estimated Y at each of the points along the path, which you can compare to your results if you run those points. Contours of Estimated Response Surface Velocidad=0.8 Intensidad 240 Y 238 236 234 232 230 8 9 10 11 Caudal Optimize Response ----------------- 107 12 10.0 11.8 13.6 15.4 17.2 19.0 20.8 22.6 24.4 26.2 28.0 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Goal: maximize Y Optimum value = 26.25 Factor Low High Optimum ----------------------------------------------------------------------Caudal 8.0 12.0 12.0 Intensidad 230.0 240.0 230.0 Velocidad 0.6 1.0 0.6 The StatAdvisor --------------This table shows the combination of factor levels which maximizes Y over the indicated region. Use the Analysis Options dialog box to indicate the region over which the optimization is to be performed. You may set the value of one or more factors to a constant by setting the low and high limits to that value. Residual Plot for Y 0.25 residual 0.15 0.05 -0.05 -0.15 -0.25 10 13 16 19 22 25 28 predicted Colocarse en la pantalla de Resultados y con botón derecho accesar Seleccionar Copy Analysis to StatReporter 108 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 PROBLEMA 2. Diseño de dos 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 A 0.063 0.125 0.063 0.125 Réplica B 40 40 90 90 I 18.2 27.2 15.9 41.0 II 18.9 24.0 14.5 43.9 Paso 1. Generar el diseño 109 III 12.9 22.4 15.1 36.3 IV 14.4 22.5 14.2 39.9 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 2. Ingresar los datos de los factores y sus niveles (en la misma pantalla seleccionar los factores) Paso 3. Datos de la variable de respuesta 110 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 4. Indicar las réplicas del experimento Paso 5. Los resultados del diseño son los siguientes: Block 1 1 1 1 2 2 2 2 3 3 3 3 4 4 4 4 Diametro Velocidad 0.063 40 0.125 40 0.063 90 0.125 90 0.063 40 0.125 40 0.063 90 0.125 90 0.063 40 0.125 40 0.063 90 0.125 90 0.063 40 0.125 40 0.063 90 0.125 90 Screening Design Attributes Design Summary -------------Design class: Screening Design name: Factorial File name: <Untitled> Base Design ----------Number of experimental factors: 2 Number of responses: 1 Number of runs: 16 Randomized: No 2^2 Number of blocks: 4 Error degrees of freedom: 9 111 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Factors Low High Units Continuous -----------------------------------------------------------------------Diametro 0.063 0.125 Yes Velocidad 40 90 Yes Responses Units ----------------------------------Vibracion The StatAdvisor --------------You have created a Factorial design which will study the effects of 2 factors in 16 runs. The design is to be run in a single block. The order of the experiments has not been randomized. If lurking variables are present, they may distort the results. Colocarse en la pantalla de Resultados y con botón derecho accesar Seleccionar Copy Analysis to StatReporter Paso 5. Copiar los datos de la variable de respuesta, resultado de los experimentos físicos a la hoja de cálculo en el Statgraphics VIBRACIÓN 18.2 27.2 15.9 41 18.9 24 14.5 43.9 12.9 22.4 15.1 36.3 14.4 22.5 112 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 14.2 39.9 Paso 6. Analizar el diseño Paso 7. Seleccionar las opciones de reporte tabular Analyze Experiment - Vibracion Analysis Summary ---------------File name: <Untitled> Estimated effects for Vibracion ---------------------------------------------------------------------average = 23.8312 +/- 0.435895 A:Diametro = 16.6375 +/- 0.87179 B:Velocidad = 7.5375 +/- 0.87179 AB = 8.7125 +/- 0.87179 block = 2.9875 +/- 1.50998 block = -4.3125 +/- 1.50998 block = -2.1625 +/- 1.50998 ---------------------------------------------------------------------- 113 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Standard errors are based on total error with 9 d.f. The StatAdvisor --------------This table shows each of the estimated effects and interactions. Also shown is the standard error of each of the effects, which measures their sampling error. To plot the estimates in decreasing order of importance, select Pareto Charts from the list of Graphical Options. To test the statistical significance of the effects, select ANOVA Table from the list of Tabular Options. You can then remove insignificant effects by pressing the alternate mouse button, selecting Analysis Options, and pressing the Exclude button. Standardized Pareto Chart for Vibracion A:Diametro AB B:Velocidad 0 4 8 12 16 20 Standardized effect Analysis of Variance for Vibracion -------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------A:Diametro SIGNIFICATIVOS 1107.23 1 1107.23 364.21 0.0000 B:Velocidad 227.256 1 227.256 74.75 0.0000 AB 303.631 1 303.631 99.88 0.0000 blocks 44.3619 3 14.7873 4.86 0.0280 Total error 27.3606 9 3.04007 -------------------------------------------------------------------------------Total (corr.) 1709.83 15 R-squared = 98.3998 percent R-squared (adjusted for d.f.) = 97.9998 percent The StatAdvisor --------------The ANOVA table partitions the variability in Vibracion into separate pieces for each of the effects. It then tests the statistical significance of each effect by comparing the mean square against an estimate of the experimental error. In this case, 4 effects have P-values less than 0.05, indicating that they are significantly different from zero at the 95.0% confidence level. The R-Squared statistic indicates that the model as fitted explains 98.3998% of the variability in Vibracion. The adjusted R-squared statistic, which is more suitable for comparing models with different numbers of independent variables, is 97.9998%. The standard error of the estimate shows the standard deviation of the residuals to be 1.74358. The mean absolute error (MAE) of 1.14375 is the average value of the residuals. The Durbin-Watson (DW) statistic tests the residuals to determine if there is any significant correlation based on the order in which they occur in your data file. Since the DW value is greater than 1.4, there is probably not any serious autocorrelation in the residuals. Regression coeffs. for Vibracion ---------------------------------------------------------------------- 114 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 constant = 23.152 A:Diametro = -97.0161 B:Velocidad = -0.377621 AB = 5.62097 ---------------------------------------------------------------------The StatAdvisor --------------This pane displays the regression equation which has been fitted to the data. The equation of the fitted model is Vibracion = 23.152 - 97.0161*Diametro - 0.377621*Velocidad + 5.62097*Diametro*Velocidad where the values of the variables are specified in their original units. To have STATGRAPHICS evaluate this function, select Predictions from the list of Tabular Options. To plot the function, select Response Plots from the list of Graphical Options. Correlation Matrix for Estimated Effects (1) (2) (3) (4) (5) (6) (7) --------------------------------------------------------------------(1)average 1.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 (2)A:Diametro 0.0000 1.0000 0.0000 0.0000 0.0000 0.0000 0.0000 (3)B:Velocidad 0.0000 0.0000 1.0000 0.0000 0.0000 0.0000 0.0000 (4)AB 0.0000 0.0000 0.0000 1.0000 0.0000 0.0000 0.0000 (5)block 0.0000 0.0000 0.0000 0.0000 1.0000-0.3333-0.3333 (6)block 0.0000 0.0000 0.0000 0.0000-0.3333 1.0000-0.3333 (7)block 0.0000 0.0000 0.0000 0.0000-0.3333-0.3333 1.0000 --------------------------------------------------------------------- The StatAdvisor --------------The correlation matrix shows the extent of the confounding amongst the effects. A perfectly orthogonal design will show a diagonal matrix with 1's on the diagonal and 0's off the diagonal. Any non-zero terms off the diagonal imply that the estimates of the effects corresponding to that row and column will be correlated. In this case, there are 3 pairs of effects with non-zero correlations. However, since none are greater than or equal to 0.5, you will probably be able to interpret the results without much difficulty. Estimation Results for Vibracion ---------------------------------------------------------------------Observed Fitted Lower 95.0% CL Upper 95.0% CL Row Value Value for Mean for Mean ---------------------------------------------------------------------1 18.2 17.8437 15.2349 20.4526 2 27.2 25.7687 23.1599 28.3776 3 15.9 16.6687 14.0599 19.2776 4 41.0 42.0187 39.4099 44.6276 5 18.9 17.5937 14.9849 20.2026 6 24.0 25.5187 22.9099 28.1276 7 14.5 16.4187 13.8099 19.0276 8 43.9 41.7687 39.1599 44.3776 9 12.9 13.9437 11.3349 16.5526 10 22.4 21.8687 19.2599 24.4776 11 15.1 12.7688 10.1599 15.3776 12 36.3 38.1187 35.5099 40.7276 13 14.4 15.0188 12.4099 17.6276 14 22.5 22.9437 20.3349 25.5526 15 14.2 13.8438 11.2349 16.4526 16 39.9 39.1937 36.5849 41.8026 ---------------------------------------------------------------------- 115 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 The StatAdvisor --------------This table contains information about values of Vibracion generated using the fitted model. The table includes: (1) the observed value of Vibracion (if any) (2) the predicted value of Vibracion using the fitted model (3) 95.0% confidence limits for the mean response Each item corresponds to the values of the experimental factors in a specific row of your data file. To generate forecasts for additional combinations of the factors, add additional rows to the bottom of your data file. In each new row, enter values for the experimental factors but leave the cell for the response empty. When you return to this pane, forecasts will be added to the table for the new rows, but the model will be unaffected. Path of Steepest Ascent for Vibracion Diametro ---------0.094 1.094 2.094 3.094 4.094 5.094 Velocidad ---------65.0 845.466 1651.85 2458.28 3264.73 4071.17 Predicted Vibracion -----------23.8312 4796.81 18639.0 41547.4 73521.8 114562.0 The StatAdvisor --------------This pane displays the path of steepest ascent (or descent). This is the path from the center of the current experimental region along which the estimated response changes most quickly for the smallest change in the experimental factors. It indicates good locations to run additional experiments if your goal is to increase or decrease Vibracion. Currently, 6 points have been generated by changing Diametro in increments of 1.0. You can specify the amount to change any one factor by pressing the alternate mouse button and selecting Pane Options. STATGRAPHICS will then determine how much all the other factors have to change to stay on the path of steepest ascent. The program also computes the estimated Vibracion at each of the points along the path, which you can compare to your results if you run those points. Optimize Response ----------------Goal: maximize Vibracion Optimum value = 40.275 Factor Low High Optimum ----------------------------------------------------------------------Diametro 0.063 0.125 0.125 Velocidad 40.0 90.0 90.0 The StatAdvisor --------------This table shows the combination of factor levels which maximizes Vibracion over the indicated region. Use the Analysis Options dialog box to indicate the region over which the optimization is to be performed. You may set the value of one or more factors to a constant by setting the low and high limits to that value. 116 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Colocarse en la pantalla de Resultados y con botón derecho accesar Seleccionar Copy Analysis to StatReporter Paso 8. Obtener el reporte grafico Analyze Experiment - Vibracion Analysis Summary ---------------File name: <Untitled> Estimated effects for Vibracion ---------------------------------------------------------------------average = 23.8312 +/- 0.435895 A:Diametro = 16.6375 +/- 0.87179 B:Velocidad = 7.5375 +/- 0.87179 AB = 8.7125 +/- 0.87179 block = 2.9875 +/- 1.50998 block = -4.3125 +/- 1.50998 block = -2.1625 +/- 1.50998 ---------------------------------------------------------------------Standard errors are based on total error with 9 d.f. The StatAdvisor --------------This table shows each of the estimated effects and interactions. 117 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Also shown is the standard error of each of the effects, which measures their sampling error. To plot the estimates in decreasing order of importance, select Pareto Charts from the list of Graphical Options. To test the statistical significance of the effects, select ANOVA Table from the list of Tabular Options. You can then remove insignificant effects by pressing the alternate mouse button, selecting Analysis Options, and pressing the Exclude button. Standardized Pareto Chart for Vibracion A:Diametro AB B:Velocidad 0 4 8 12 16 20 Standardized effect Main Effects Plot for Vibracion 33 Vibracion 30 27 24 21 18 15 0.063 0.125 40 Diametro 90 Velocidad Interaction Plot for Vibracion 44 Velocidad=90 Vibracion 39 34 29 24 Velocidad=40 19 14 Velocidad=40 Velocidad=90 0.063 0.125 Diametro 118 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Normal Probability Plot for Vibracion 99.9 percentage 99 95 80 50 20 5 1 0.1 -3 1 5 9 13 17 21 Standardized effects Estimated Response Surface Vibracion 54 44 34 24 14 63 83 103 50 123 Diametro 60 70 80 90 Velocidad 40 143 (X 0.001) Contours of Estimated Response Surface Velocidad 90 Vibracion 14.0 18.0 22.0 26.0 30.0 34.0 38.0 42.0 46.0 50.0 80 70 60 50 40 63 83 103 123 143 (X 0.001) Diametro Residual Plot for Vibracion 2.6 residual 1.6 0.6 -0.4 -1.4 -2.4 12 22 32 42 52 predicted Colocarse en la pantalla de Resultados y con botón derecho accesar 119 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Seleccionar Copy Analysis to StatReporter 120 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Problema 4. Diseño de experimentos de Taguchi Taguchi ha desarrollado una serie de arreglos para experimentos con factores a dos niveles, los más utilizados y difundidos según el número de factores a analizar son: Nº de condiciones Si el número de factores que se desean analizar es Arreglo a utilizar a probar Entre 1 y 3 L4 4 Entre 4 y 7 L8 8 Entre 8 y 11 L12 12 Entre 12 y 15 L16 16 Entre 16 y 31 L32 32 Entre 32 y 63 L64 64 Taguchi sugiere utilizar un estadístico que proporcione información acerca de la media y de la variancia denominado Relación Señal a Ruido (SNR), como la variable de respuesta, se consideran tres tipos principales. Las fórmulas para cada esquema son las siguientes: 1. Menor es mejor (Smaller is better - s) n 2 SNRs 10 log Yi i 1 n 2. Mayor es mejor Larger is better - l) 1 / Yi2 i 1 n n SNRl 10 log 3. Nominal es mejor - (Target is better - t) SNRt 10 log s 2 Donde la SNR se expresa en decibeles y debe ser maximizada Una vez insertados los componentes en una placa de circuito impreso, esta se pasa a una máquina de soldar donde por medio de un transportador pasa por un baño de flux para eliminar oxido, se precalienta para reducir la torcedura y se suelda. Se diseña un experimento para determinar las condiciones que dan el número mínimo de defectos de soldadura por millón de uniones. Los factores de control y niveles se muestran a continuación: ARREGLO INTERNO Factor Descripción (-1) 121 (+1) Curso –Statgraphics para Lean Sigma A B C D E P. Reyes / abril 2010 Temperatura de soldado ºF Velocidad del transportador (ft/min) Densidad del flux remover oxido Temperatura de precalentado ºF Altura de ola de soldadura(pulg.) 480 7.2 0.9 150 0.5 510 10. 1.0 200 0.6 Además se tienen otros factores denominados factores de ruido que no se pueden o no se quieren controlar como el tipo de producto. También se pueden considerar factores de ruido las tolerancias de algunos de los factores críticos en este proceso, en este caso la temperatura de la soldadura varia entre ±5ºF y la velocidad del transportador entre ± 0.2 ft/min. Esta variabilidad también tiene influencia en la respuesta. ARREGLO INTERNO Factor Descripción F Temperatura de soldadura (ºF) G Velocidad del transportador (ft/min) H Tipo de producto en la placa (-1) -5 -0.2 2 (+1) 5 +0.2 1 El arreglo cruzado de ambos y los valores de las respuestas se muestran a continuación: En este caso se busca la respuesta Menor es mejor para los defectos de soldadura. Arreglo interno F -1 1 1 -1 G -1 1 -1 1 H -1 -1 1 1 A B C D E SNR -1 -1 -1 -1 -1 186 187 105 104 -43.59 -1 -1 1 1 1 328 326 247 322 -49.76 -1 1 -1 -1 1 234 159 231 157 -45.97 -1 1 1 1 -1 295 216 204 293 -48.15 1 -1 -1 1 -1 47 125 127 42 -39.51 1 -1 1 -1 1 185 261 264 264 -47.81 1 1 -1 1 1 136 136 132 136 -42.61 1 1 1 -1 -1 194 197 193 275 -46.75 Paso 1. Generar el diseño 122 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 2. Variable de respuesta (quitar banderas de Randomize) 123 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 3. Seleccionar el arreglo orthogonal (default) quitar banderas de Randomize Seleccionar el arreglo L8 (8 corridas experimentales) con L4 en los factores de ruido (4 réplicas de los resultados de cada bloque de 8 experimentos) Paso 4. Asignación de columnas NOTA: Dejar la columna 3 libre ya que de acuerdo a las gráficas lineales de Taguchi, ahí se presenta la interacción de los factores A y B que es de interés. Paso 5. Dar nombres a los factores e indicar sus unidades (en este caso no se consideraron). Todos los factores se inicializan en la misma pantalla. Continuar con los otros factores hasta el factor H 124 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 El arreglo resultante es: Block A 1 1 1 1 2 2 2 2 3 3 3 3 4 4 4 4 5 5 5 5 6 6 6 6 7 7 7 B 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 C 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 1 1 1 1 1 1 1 1 2 2 2 D 1 1 1 1 2 2 2 2 1 1 1 1 2 2 2 2 1 1 1 1 2 2 2 2 1 1 1 E 1 1 1 1 2 2 2 2 2 2 2 2 1 1 1 1 2 2 2 2 1 1 1 1 1 1 1 F 1 1 1 1 2 2 2 2 2 2 2 2 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 G 1 1 2 2 1 1 2 2 1 1 2 2 1 1 2 2 1 1 2 2 1 1 2 2 1 1 2 H 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 Defectos 1 2 2 1 1 2 2 1 1 2 2 1 1 2 2 1 1 2 2 1 1 2 2 1 1 2 2 125 Curso –Statgraphics para Lean Sigma 7 8 8 8 8 2 2 2 2 2 2 2 2 2 2 1 2 2 2 2 1 2 2 2 2 2 1 1 1 1 2 1 1 2 2 2 1 2 1 2 P. Reyes / abril 2010 1 1 2 2 1 Inner/Outer Arrays Design Attributes Design Summary -------------Design class: Inner/Outer Arrays File name: <Untitled> Base Design ----------Number of control factors: 5 Number of noise factors: 3 Number of responses: 1 Number of runs in inner array: 8 Number of runs in outer array: 4 Randomized: No Factors Levels Units ----------------------------------------------A 2 B 2 C 2 D 2 E 2 F 2 G 2 H 2 Responses Units ----------------------------------Defectos The StatAdvisor --------------You have created an experimental design which will estimate the effects of 5 control factors and 3 noise factors. The inner array, in which the control factors are varied, contains 8 runs. The outer array, in which the noise factors are varied, contains 4 runs. This results in a total of 32 runs. Colocarse en la pantalla de Resultados y con botón derecho accesar Seleccionar Copy Analysis to StatReporter Paso 6. Cargar los resultados de los experimentos a la columna de Defectos 126 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Defectos 186 328 234 295 47 185 136 194 187 326 159 216 125 261 136 197 105 247 231 204 127 264 132 193 104 322 157 293 42 264 136 275 127 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Paso 7. Analizar el diseño de experimentos Se pueden analizar las medias de las respuestas o las relaciones Señal / Ruido, seleccionar estas últimas con la opción Menor es mejor Paso 8. Obtener el reporte tabular del diseño de experimentos 128 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Analysis Summary ---------------File name: <Untitled> Estimated effects for Defectos (SN: smaller) ---------------------------------------------------------------------average = -46.2787 +/- 0.423871 A:A = -0.109419 +/- 0.847742 B:B = -0.647976 +/- 0.847742 C:C = 2.18606 +/- 0.847742 D:D = 0.913815 +/- 0.847742 E:E = 0.623349 +/- 0.847742 ---------------------------------------------------------------------Standard errors are based on total error with 2 d.f. The StatAdvisor --------------This table shows each of the estimated effects and interactions. Also shown is the standard error of each of the effects, which measures their sampling error. To plot the estimates in decreasing order of importance, select Pareto Charts from the list of Graphical Options. To test the statistical significance of the effects, select ANOVA Table from the list of Tabular Options. You can then remove insignificant effects by pressing the alternate mouse button, selecting Analysis Options, and pressing the Exclude button. Standardized Pareto Chart for Defectos (SN: smaller) C:C D:D B:B E:E A:A 0 1 2 3 4 5 Standardized effect Analysis of Variance for Defectos (SN: smaller) -------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------A:A 0.0239449 1 0.0239449 0.02 0.9091 B:B 0.839746 1 0.839746 0.58 0.5245 C:C 9.55773 1 9.55773 6.65 0.1232 D:D 1.67012 1 1.67012 1.16 0.3938 E:E 0.777128 1 0.777128 0.54 0.5387 Total error 2.87467 2 1.43733 -------------------------------------------------------------------------------Total (corr.) 15.7433 7 R-squared = 81.7404 percent R-squared (adjusted for d.f.) = 36.0915 percent The StatAdvisor --------------The ANOVA table partitions the variability in Defectos into 129 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 separate pieces for each of the effects. It then tests the statistical significance of each effect by comparing the mean square against an estimate of the experimental error. In this case, 0 effects have P-values less than 0.05, indicating that they are significantly different from zero at the 95.0% confidence level. The R-Squared statistic indicates that the model as fitted explains 81.7404% of the variability in Defectos. The adjusted R-squared statistic, which is more suitable for comparing models with different numbers of independent variables, is 36.0915%. The standard error of the estimate shows the standard deviation of the residuals to be 1.19889. The mean absolute error (MAE) of 0.572423 is the average value of the residuals. The Durbin-Watson (DW) statistic tests the residuals to determine if there is any significant correlation based on the order in which they occur in your data file. Since the DW value is greater than 1.4, there is probably not any serious autocorrelation in the residuals. Regression coeffs. for Defectos (SN: smaller) ---------------------------------------------------------------------constant = -50.7274 A:A = -0.109419 B:B = -0.647976 C:C = 2.18606 D:D = 0.913815 E:E = 0.623349 ---------------------------------------------------------------------The StatAdvisor --------------This pane displays the regression equation which has been fitted to the data. The equation of the fitted model is Defectos = -50.7274 - 0.109419*A - 0.647976*B + 2.18606*C + 0.913815*D + 0.623349*E where the values of the variables are specified in their original units. To have STATGRAPHICS evaluate this function, select Predictions from the list of Tabular Options. To plot the function, select Response Plots from the list of Graphical Options. Correlation Matrix for Estimated Effects (1) (2) (3) (4) (5) (6) -------------------------------------------------------------(1)average 1.0000 0.0000 0.0000 0.0000 0.0000 0.0000 (2)A:A 0.0000 1.0000 0.0000 0.0000 0.0000 0.0000 (3)B:B 0.0000 0.0000 1.0000 0.0000 0.0000 0.0000 (4)C:C 0.0000 0.0000 0.0000 1.0000 0.0000 0.0000 (5)D:D 0.0000 0.0000 0.0000 0.0000 1.0000 0.0000 (6)E:E 0.0000 0.0000 0.0000 0.0000 0.0000 1.0000 -------------------------------------------------------------- The StatAdvisor --------------The correlation matrix shows the extent of the confounding amongst the effects. A perfectly orthogonal design will show a diagonal matrix with 1's on the diagonal and 0's off the diagonal. Any non-zero terms off the diagonal imply that the estimates of the effects corresponding to that row and column will be correlated. In this case, there is no correlation amongst any of the effects. This means that you will get clear estimates of all those effects. Estimation Results for Defectos (SN: smaller) 130 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 ---------------------------------------------------------------------Observed Fitted Lower 95.0% CL Upper 95.0% CL Row Value Value for Mean for Mean ---------------------------------------------------------------------1 -48.512 -47.7616 -52.2289 -43.2943 2 -43.6439 -44.0384 -48.5057 -39.5711 3 -47.2669 -46.8724 -51.3397 -42.4051 4 -45.4732 -46.2235 -50.6908 -41.7562 5 -46.2069 -46.9572 -51.4245 -42.4899 6 -45.4561 -45.0616 -49.5289 -40.5943 7 -47.5012 -47.8957 -52.363 -43.4284 8 -46.1695 -45.4191 -49.8864 -40.9518 ---------------------------------------------------------------------- The StatAdvisor --------------This table contains information about values of Defectos generated using the fitted model. The table includes: (1) the observed value of Defectos (if any) (2) the predicted value of Defectos using the fitted model (3) 95.0% confidence limits for the mean response Each item corresponds to the values of the experimental factors in a specific row of your data file. To generate forecasts for additional combinations of the factors, add additional rows to the bottom of your data file. In each new row, enter values for the experimental factors but leave the cell for the response empty. When you return to this pane, forecasts will be added to the table for the new rows, but the model will be unaffected. Path of Steepest Ascent for Defectos (SN: smaller) A ---------1.5 2.5 3.5 4.5 5.5 6.5 B ---------1.5 7.42199 13.344 19.266 25.1879 31.1099 C ---------1.5 -18.4789 -38.4577 -58.4366 -78.4155 -98.3943 D ---------1.5 -6.85154 -15.2031 -23.5546 -31.9062 -40.2577 E ---------1.5 -4.19691 -9.89383 -15.5907 -21.2877 -26.9846 Predicted Defectos (SN: smaller) ------------46.2787 -105.083 -163.888 -222.693 -281.497 -340.302 The StatAdvisor --------------This pane displays the path of steepest ascent (or descent). This is the path from the center of the current experimental region along which the estimated response changes most quickly for the smallest change in the experimental factors. It indicates good locations to run additional experiments if your goal is to increase or decrease Defectos. Currently, 6 points have been generated by changing A in increments of 1.0. You can specify the amount to change any one factor by pressing the alternate mouse button and selecting Pane Options. STATGRAPHICS will then determine how much all the other factors have to change to stay on the path of steepest ascent. The program also computes the estimated Defectos at each of the points along the path, which you can compare to your results if you run those points. Optimize Response ----------------Goal: maximize Defectos Optimum value = -44.0384 Factor Low High Optimum ----------------------------------------------------------------------- 131 Curso –Statgraphics para Lean Sigma A B C D E 1.0 1.0 1.0 1.0 1.0 2.0 2.0 2.0 2.0 2.0 P. Reyes / abril 2010 1.0 1.0 2.0 2.0 2.0 The StatAdvisor --------------This table shows the combination of factor levels which maximizes Defectos over the indicated region. Use the Analysis Options dialog box to indicate the region over which the optimization is to be performed. You may set the value of one or more factors to a constant by setting the low and high limits to that value. Colocarse en la pantalla de Resultados y con botón derecho accesar Seleccionar Copy Analysis to StatReporter Paso 9. Obtener el reporte gráfico del diseño de experimentos 132 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Defectos (SN: smaller) Main Effects Plot for Defectos (SN: smaller) -45 -45.5 -46 -46.5 -47 -47.5 -48 A B C E D Regression coeffs. for Defectos (SN: smaller) ---------------------------------------------------------------------constant = -50.7274 A:A = -0.109419 B:B = -0.647976 C:C = 2.18606 D:D = 0.913815 E:E = 0.623349 ---------------------------------------------------------------------The StatAdvisor --------------This pane displays the regression equation which has been fitted to the data. The equation of the fitted model is Defectos = -50.7274 - 0.109419*A - 0.647976*B + 2.18606*C + 0.913815*D + 0.623349*E where the values of the variables are specified in their original units. To have STATGRAPHICS evaluate this function, select Predictions from the list of Tabular Options. To plot the function, select Response Plots from the list of Graphical Options. No valid interaction specified. Correlation Matrix for Estimated Effects (1) (2) (3) (4) (5) (6) -------------------------------------------------------------(1)average 1.0000 0.0000 0.0000 0.0000 0.0000 0.0000 133 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 (2)A:A 0.0000 1.0000 0.0000 0.0000 0.0000 0.0000 (3)B:B 0.0000 0.0000 1.0000 0.0000 0.0000 0.0000 (4)C:C 0.0000 0.0000 0.0000 1.0000 0.0000 0.0000 (5)D:D 0.0000 0.0000 0.0000 0.0000 1.0000 0.0000 (6)E:E 0.0000 0.0000 0.0000 0.0000 0.0000 1.0000 -------------------------------------------------------------- The StatAdvisor --------------The correlation matrix shows the extent of the confounding amongst the effects. A perfectly orthogonal design will show a diagonal matrix with 1's on the diagonal and 0's off the diagonal. Any non-zero terms off the diagonal imply that the estimates of the effects corresponding to that row and column will be correlated. In this case, there is no correlation amongst any of the effects. This means that you will get clear estimates of all those effects. Normal Probability Plot for Defectos (SN: smaller) 99.9 percentage 99 95 80 50 20 5 1 0.1 -0.8 0.2 1.2 2.2 3.2 Standardized effects Estimation Results for Defectos (SN: smaller) ---------------------------------------------------------------------Observed Fitted Lower 95.0% CL Upper 95.0% CL Row Value Value for Mean for Mean ---------------------------------------------------------------------1 -48.512 -47.7616 -52.2289 -43.2943 2 -43.6439 -44.0384 -48.5057 -39.5711 3 -47.2669 -46.8724 -51.3397 -42.4051 4 -45.4732 -46.2235 -50.6908 -41.7562 5 -46.2069 -46.9572 -51.4245 -42.4899 6 -45.4561 -45.0616 -49.5289 -40.5943 7 -47.5012 -47.8957 -52.363 -43.4284 8 -46.1695 -45.4191 -49.8864 -40.9518 ---------------------------------------------------------------------- The StatAdvisor --------------This table contains information about values of Defectos generated using the fitted model. The table includes: (1) the observed value of Defectos (if any) (2) the predicted value of Defectos using the fitted model (3) 95.0% confidence limits for the mean response Each item corresponds to the values of the experimental factors in a specific row of your data file. To generate forecasts for additional combinations of the factors, add additional rows to the bottom of your data file. In each new row, enter values for the experimental factors but leave the cell for the response empty. When you return to this pane, forecasts will be added to the table for the new rows, but the model will be unaffected. 134 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Estimated Response Surface Defectos (SN: smaller) C=1.5,D=1.5,E=1.5 -45.9 -46.1 -46.3 -46.5 -46.7 1 1.2 1.4 1.6 1.8 2 1 1.2 1.4 1.6 1.8 2 B A Path of Steepest Ascent for Defectos (SN: smaller) A ---------1.5 2.5 3.5 4.5 5.5 6.5 B ---------1.5 7.42199 13.344 19.266 25.1879 31.1099 C ---------1.5 -18.4789 -38.4577 -58.4366 -78.4155 -98.3943 D ---------1.5 -6.85154 -15.2031 -23.5546 -31.9062 -40.2577 E ---------1.5 -4.19691 -9.89383 -15.5907 -21.2877 -26.9846 Predicted Defectos (SN: smaller) ------------46.2787 -105.083 -163.888 -222.693 -281.497 -340.302 The StatAdvisor --------------This pane displays the path of steepest ascent (or descent). This is the path from the center of the current experimental region along which the estimated response changes most quickly for the smallest change in the experimental factors. It indicates good locations to run additional experiments if your goal is to increase or decrease Defectos. Currently, 6 points have been generated by changing A in increments of 1.0. You can specify the amount to change any one factor by pressing the alternate mouse button and selecting Pane Options. STATGRAPHICS will then determine how much all the other factors have to change to stay on the path of steepest ascent. The program also computes the estimated Defectos at each of the points along the path, which you can compare to your results if you run those points. Contours of Estimated Response Surface C=1.5,D=1.5,E=1.5 2 1.8 B 1.6 1.4 1.2 1 1 1.2 1.4 1.6 1.8 A Optimize Response 135 2 Defectos (SN: smaller) -46.7 -46.62 -46.54 -46.46 -46.38 -46.3 -46.22 -46.14 -46.06 -45.98 -45.9 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 ----------------Goal: maximize Defectos Optimum value = -44.0384 Factor Low High Optimum ----------------------------------------------------------------------A 1.0 2.0 1.0 B 1.0 2.0 1.0 C 1.0 2.0 2.0 D 1.0 2.0 2.0 E 1.0 2.0 2.0 The StatAdvisor --------------This table shows the combination of factor levels which maximizes Defectos over the indicated region. Use the Analysis Options dialog box to indicate the region over which the optimization is to be performed. You may set the value of one or more factors to a constant by setting the low and high limits to that value. Residual Plot for Defectos (SN: smaller) 0.8 residual 0.4 0 -0.4 -0.8 0 100 200 300 400 predicted Colocarse en la pantalla de Resultados y con botón derecho accesar 136 Curso –Statgraphics para Lean Sigma P. Reyes / abril 2010 Seleccionar Copy Analysis to StatReporter 137