Ciclo 2014 - II

Curso:
Estadstica Aplicada II

Ttulo:
Anlisis estadstico de las Industrias Mecnicas Fema S.L

Seccin:

IG41

Profesor:

Celia Hermelinda Crdenas Sols

Integrantes del Equipo:

Jorge Hurtado Alcntara (Lder)
Lorena Bedon
Patsy Rengifo
Kelly Jurez
Sebastin Bulln

LIMA, PER
2014

NDICE

1. Introduccin al trabajo aplicativo

2. Marco terico
3. Descripcin del problema y objetivo principal
4. Definicin de variables y clasificacin
5. Prueba de hiptesis para una muestra
6. Prueba de hiptesis para dos muestras
7. Prueba de Chi Cuadrado
8. Diseo completamente aleatorizado
9. Experimento de 2 factores
10. Anlisis de regresin
11. Conclusin
12. Recomendacin
13. Bibliografa

Introduccin:
Desde el origen del ser humano, este ha tenido la necesidad de
transformar los elementos de la naturaleza para poder aprovecharse de
ellos, en sentido estricto ya exista la industria, pero es hacia finales del
siglo XVIII, y durante el siglo XIX, cuando el proceso de transformacin
de los Recursos de la naturaleza sufre un cambio radical, que se conoce
como revolucin industrial.
En el siglo XXI, en el Per, las empresas dedicadas a la produccin de
piezas metlicas para el ensamblaje de mecanismos industriales han ido
en aumento en los ltimos aos. Esto se debe a que es indispensable

para la fabricacin de piezas, debido a que pueden servir como posibles

repuestos para el reemplazo de piezas en mal estado y, tambin, para la
creacin de proyectos personalizados. En consecuencia, es posible
afirmar que la industria mecnica en nuestro pas se vincula con todos
los sectores productivos y con los proyectos de inversin. 1
Industrias Mecnicas Fema S.L., cuenta con un departamento de
ingeniera que est integrado por ingenieros tcnicos, los cuales gracias
a

su

profesionalidad,

pueden

realizar

el

diseo,

fabricacin

modificacin de cualquier pieza metlica y mecnica a medida, bien

como complemento de una estructura mayor o por alguna necesidad
puntual. La empresa desarrolla todos sus productos y servicios con una
extraordinaria calidad y unos resultados sobresalientes. As mismo
pueden realizar cualquier proyecto particular, ya que se realizan
estudios y presupuestos a medida, sea cual sea la necesidad. Esto
permite a cualquier empresa encontrar una solucin de alta calidad y
eficacia que cumpla a la perfeccin con sus expectativas.
Industrias Mecnicas Fema S.L., en busca siempre de mejorar la calidad
de sus servicios y productos ha realizado un estudio con varias hiptesis
respecto a una cierta base de datos que muestra las fallas que ha tenido
6 plantas de procesos de manufacturacin en la empresa durante el
primer semestre del 2014. En esta base de datos hay variables
independientes, as como tambin dependientes y sern puestas a
prueba para obtener resultados con lo que se puedan realizar
conclusiones, y as, dar un anlisis general del trabajo en planta de la
empresa Industrias Mecnicas Fema S.L.

1 Cfr. Industria metal mecnica.

MARCO TERICO
Los siguientes conceptos se utilizarn a lo largo del anlisis del caso de
la empresa la por lo cual es necesario definirlos para poder disponer de
su uso en el presente documento:
Poblacin: Es el conjunto de todos los elementos que tienen una o ms
caractersticas comunes entre s. En el trabajo la poblacin son todas las
fallas presentadas durante el primer semestre del 2014 en las seis
plantas de procesos de manufactura.
Muestra: Es el subconjunto de elementos extrados de la poblacin en
cuestin. En el trabajo la muestra son las 600 muestras falladas
registradas durante los momentos del control de calidad de los equipos
de mejora continua.
Elemento: Es la unidad sobre la cual se recopila informacin. En el
trabajo la unidad elemental es una muestra fallada en el proceso de
manufactura de las piezas mecnicas en el primer semestre del ao
2014.
Muestreo: Es el procedimiento mediante el cual se extrae la muestra
respectiva de la poblacin.
Variables: Son las caractersticas que se desean medir y analizar en la
poblacin. Cabe mencionar que las variables pueden ser cuantitativas,
basadas en una cantidad numrica, o cualitativas, basadas en una
cualidad descriptiva. Dentro de las cuantitativas tenemos dos escalas:
De intervalo, donde el cero es relativo, y de razn, donde el cero es
absoluto. A su vez, las variables cualitativas tienen dos escalas: nominal,
si hay categoras distintas en las que no se diferencia ningn orden, y
ordinal, si hay categoras distintas dentro de las cuales se establece un
orden.

Pruebas de hiptesis: Es la afirmacin acerca de los parmetros de la

poblacin. Las pruebas de hiptesis estn compuestas por las siguientes
partes:
- Definir la hiptesis nula y la hiptesis alternativa correspondientes al
caso.
- Recopilar y anotar todos los datos del problema (Nivel de significancia,
desviacin estndar, media de la poblacin y dems datos dependiendo
del problema).
- Determinar el tamao de la muestra si es necesario dependiendo de la
prueba.
- Establecer los valores crticos que establecen las regiones de rechazo
de las de no rechazo.
- Determinar la prueba estadstica y calcular el valor de la muestra de la
prueba estadstica.
- Determinar si la prueba estadstica se encuentra en la zona de rechazo
o en la de no rechazo.
- Determinar la decisin estadstica.
- En base a la decisin estadstica, establecer una conclusin.

Figura 1

En la fig. 4 se muestran los pasos que se siguen en una manufactura. El

proceso se divide en dos grandes partes, la primera es la planeacin o la
generacin de la ingeniera y la orden de produccin o pedido. La
segunda parte del proceso es el registro de los consumos reales, tanto
de materias primas como de tiempos y drivers de costo as como el
ingreso del producto terminado. La captura a travs del mdulo de
manufactura provee ciertos candados que ayudan al control de
procesos. Por ejemplo, solo se puede capturar consumos mientras la
orden este abierta. Esto permite un buen control de inventario ya que se
forza a capturar en tiempo real.

Proceso en la elaboracin de una pieza mecnica

1 Fundicin:
Conformado de metales y aleaciones consistente en la preparacin de
un molde (de arena, metal u otro material) con la forma de la pieza, en
el cual se vierte (se cuela) el material fundido, dejndolo enfriar hasta su
completa solidificacin.

2 Moldeado en moldes metlicos:

3)

Deformacin elastoplstica:
La conformacin por deformacin igual a la modificacin permanente de
la forma de un slido aplicando tensiones superiores al lmite elstico del
material, a temperaturas inferiores a la de fusin.

4 Recuperacin
elstica:
En la prctica siempre existe
una vez desaparece la carga,
un rgimen elstico que har
que la pieza recupere algo de
su forma.
5 Laminacin:
Consiste en dar sucesivas pasadas al material entre unos rodillos, a
partir de lingotes hasta obtener la chapa del espesor o el perfil de la
forma requerida.
ANLISIS DE LA SITUACIN:
Planteamiento del Problemas
Cul es el origen de las fallas en el proceso de manufactura de las
piezas mecnicas de la empresa INDUSTRIAS MECNICAS FEMA S.L.?
Objetivo General
Determinar los principales factores que ocasionan las posibles fallas
dentro del proceso de manufactura de la empresa INDUSTRIAS
MECNICAS FEMA S.L.
VARIABLES DE ESTUDIO Y SUS RESPECTIVAS CLASIFICACIONES
Poblacin: fallas presentadas durante el primer semestre del
2014 en las seis plantas de procesos de manufactura.
Muestra: 600 muestras falladas registradas durante los
momentos del control de calidad de los equipos de mejora
continua.
Unidad elemental: Una muestra fallada en el proceso de
manufactura de las piezas mecnicas en el primer semestre del
ao 2014.

 Objetivos Especficos
Determinar que turno tiene mayor proporcin de fallas durante el
proceso de manufactura.
Determinar si el tiempo de paro de las maquinas es en promedio
menor a 90 horas. Con un nivel de significancia del 5%
Determinar si el costo de reparacin es en promedio menor a 30$.
Con un nivel de significancia del 5%
Determinar si la proporcin de fallas graves en el proceso es
menor que la proporcin de fallas leves. Con un nivel de
significancia del 5%
Determinar si el tiempo de paro en promedio de la falla en la
depalizadora es menor al tiempo de paro en promedio de la falla
en la coronadora. Con un nivel de significancia del 5%
Determinar si el costo de reparacin
promedio de la falla
electrnica es menor que el costo de reparacin promedio de la
falla mecnica. Con un nivel de significancia del 5%
Determinar si las horas por trabajador en la reparacin promedio
en la planta 2 es menor a las horas por trabajador en la reparacin
promedio en la planta 5. Con un nivel de significancia del 5%
Determinar si el promedio de los costos en reparaciones anteriores
acumuladas es menor a 10 dorales. Con un nivel de significancia
del 5%
Determinar si la proporcin de fallas mecnicas en el turno
maana dentro del proceso de manufactura es mayor a la
proporcin de fallas elctricas en el mismo turno. Con un nivel de
significancia del 5%
Comprobar si el promedio de costo de reparacin es menor a 37
dlares. Con un nivel de significancia de un 5%.
Comprobar si el promedio del costo de reparacin adicional es
mayor a 100 dlares. Con un nivel de significancia de un 5%.
Comprobar si el tiempo de paro de una maquina es mayor que la
cantidad de horas laboradas por un operario. Con un nivel de
significancia de un 5%.
Determinar si los meses de experiencia del operador encargado
de la maquina son en promedio menor o igual a 6 meses. Con un
nivel de significancia del 5%
Determinar si la edad del operador encargado de la maquina son
en promedio mayor a 30 aos en todas las plantas de procesos de
manufactura. Con un nivel de significancia del 5%

Comprobar si el promedio de las horas hombre empleadas en la

reparacin es mayor o igual a 55 horas. Con un nivel de
significancia del 5%.

Definicin de variables y clasificacin

Variables controladas: es lo que se mantiene igual a lo largo del

experimento.

Variable independiente: la nica

intencionadamente y se prueba.

Variable dependiente: es la medicin del cambio observado a

consecuencia de la variable independiente. Es importante decidir cmo
se medir el cambio.

VARIABLE

variable

que

se

CLASIFICACION

cambia

ESCALA

Nmero de fallas

Cuantitativa

Discreta

Industria mecnica

Cuantitativa

Discreta

Turno suceso de falla

Cualitativa

Continua

Da de las semanas

Cualitativa

Nominal

Impacto de las fallas

Cualitativa

Nominal

Causas de las fallas

Cualitativa

Nominal

Tipo de fallas

Cualitativa

Nominal

Tiempo de paro en horas

Cuantitativa

Continua

Costo de reparacin

Cuantitativa

Discreta

Costo de reparacin adicional

Cuantitativa

Discreta

Horas de trabajo de reparacin por

Cuantitativa
trabajador
Horas
hombre
empleadas
para
la
Cuantitativa
reparacin

Continua
Continua

Nmero de trabajadores requeridos para

Cuantitativa
reparar

Discreta

Costos en reparaciones anteriores

Cuantitativa

Continua

Experiencia del operador

Cualitativa

Nominal

Cualitativa

Nominal

Edad del
mquina

operador

encargado

de

la

PRUEBA DE HIPTESIS PARA UN PARMETRO

Se desea probar con un nivel de significancia de un 5% si el promedio de costo de

reparacin es menor a 25 dlares, sabiendo que se toma un muestra de 600 fallas.
Asimismo, segn la base de datos proporcionada se tiene conocimientos que la
media es de 25.068 dlares y la desviacin estndar es de 8.610 dlares.

1H0 : u>=25 (El costo de reparacin es menor a 25 dlares)

H1 : u<25 (El costo de reparacin es menor a 25 dlares)
2

=0.05
n=600
x=25.068
S=8.610

3
t=

x
s
n

Salida del minitab

Variable
Q3
CostoReparacin

N*

Media

Error
estndar
de la
media

600

25.068

0.351

Desv.Est.

Mnimo

Q1

Mediana

8.610

10.000

18.000

24.500

Salida del minitab

T de una muestra: CostoReparacin
Prueba de = 25 vs. < 25

Variable
CostoReparacin

N
600

Media
25.068

Desv.Est.
8.610

Error
estndar
de la
media
0.351

Lmite
superior
de 95%
25.647

T
0.19

P
0.577

4 Pvalor=0.577 , P > =0.05

5 NRH0,con un nivel de significacin del 0.05 no existe evidencia necesaria para
afirmar que el costo de reparacin sea menos a 25 dolares. Por lo tanto, el costo de
reparacin es mayor a 25 dlares.

Objetivos:

Tener conocimiento sobre el costo de operacin .

Hallar una probabilidad estadstica que pueda corroborar un aproximado respecto al
promedio del costo que se har.

Se desea probar con un nivel de significacin del 5% si el promedio del costo de

reparacin adicional es mayor a 12 dlares. Hallando los siguientes datos de la base
de datos proporcionada, tenemos lo siguiente: Se toma una muestra de 600 datos.
Segn la base de datos obtenida se tiene una media de 12.423 dlares y una
desviacin estndar de 4.486 dlares.

1 H0 : u<=12 (El costo de reparacin adicional es menor a 12 dlares)

H1 : u>12(El costo de reparacin adicional es mayor a 12 dlares)

=0.05

n=600
x=12.423
S=4.486

3
t=

x
s
n

Salida del minitab

Estadsticos descriptivos: CostoReparacinAdicional

Variable
Mediana
CostoReparacinAdicional
13.000

N*

Media

Error
estndar
de la
media

600

12.423

0.183

Desv.Est.

Mnimo

Q1

4.486

5.000

8.000

Salida del minitab

T de una muestra: CostoReparacinAdicional

Prueba de = 12 vs. > 12

Variable
CostoReparacinAdicional

N
600

Media
12.423

4 P valor = 0.011 > =0.05

Desv.Est.
4.486

Error
estndar
de la
media
0.183

Lmite
inferior
de 95%
12.122

T
2.31

P
0.011

5 NRH0,con un nivel de significacin de 0.05 no existe evidencia necesaria para

afirmar que el costo de reparacin adicional es mayor a 12 dlares. Por lo tanto, el
costo de reparacin adicional es menos a 12 dlares.
Objetivos:

Tener conocimiento sobre el costo promedio que trae la reparacin adicional.

PRUEBA DE HIPTESIS PARA DOS PARMETROS

Industrias Mecnicas Fema S.L es reconocida gracias a su profesionalidad el diseo y
fabricacin de cualquier pieza metlica y mecnica a su medida .No obstante , ellos es algo
que se debe a la capacidad de sus operarios y al manejo de todo problema que ocurra dentro
de las instalaciones. Para ello, se desea saber si el tiempo de paro de una maquina es mayor
que la cantidad de horas laboradas por un operario. Para este estudio se toma como
referencia una base de datos ya proporcionada con un nivel de significacin del 5 %.
Primero hallamos la homogeneidad de las varianzas
2
2
1 H0 : 1= 2 (Hay homogeneidad de varianzas)
2
2
H1 : 1 2 (No hay homogeneidad de varianzas)

=0.05

3
F=

S1
S2

Salida del minitab

Mtodo
F

Estadstica
GL1 GL2
de prueba
599 599
6.49

Valor p
0.000

3 Pvalor=0< =0.05
4 RH0,con un nivel de significacin del 0.05 , existe evidencia necesaria para afirmar
que no hay homegeneidad de varianzas.

Hallamos la pregunta realizada

1 H0 : u<=u2
H1 : u1>u2 (El tiempo de paro es mayor que la cantidad de horas del operario)

=0.05

3
t=

x 1x 2

S 1 2 S 22
+
n1 n2

Salida del minitab

Prueba T e IC de dos muestras: TiempoParoEnHoras,
Horashombretotales
T de dos muestras para TiempoParoEnHoras vs. Horashombretotales

TiempoParoEnHoras
Horashombretotales

N
600
600

Media
57.2
19.6

Desv.Est.
31.0
12.2

Error
estndar
de la
media
1.3
0.50

Diferencia = (TiempoParoEnHoras) - (Horashombretotales)

Estimacin de la diferencia: 37.56
Lmite inferior 95% de la diferencia: 35.32
Prueba T de diferencia = 0 (vs. >): Valor T = 27.62 Valor p = 0.000

4 Pvalor=0< =0.05

GL = 779

5 RH0, con un nivel de significacin del 0.05 existe evidencia necesaria para afirmar
que el tiempo de paro es mayor que la cantidad de horas del operario laboradas.
Objetivos:

Tener una prueba estadstica que nos pueda afirmar si el tiempo de paro es mayor o
menor que la cantidad de horas que labora un operario al da.
Saber si las variancias poblacionales son homogneas o heterogneas.
Con los resultados obtenidos, tener una nocin sobre qu problemas puede tener la
empresa estudiada.

CHI- CUADRADO INDEPENDENCIA Y HOMOGENEIDAD DE VARIANZAS

o El proceso de produccin presenta 3 tipos de costo de reparacin (actual,
complementaria y anterior) segn el nmero de fallas cometidas. Se obtuvo una
muestra de 600 fallas de acuerdo con el costo y el nmero de falla. Pruebe con un
nivel de significancia del 5% si hay alguna relacin entre el costo de reparacin y el
nmero de fallas.
1 Prueba de hiptesis
H0: Costo de reparacin es independiente al nmero de fallas(no relacionado)
H1: Costo de reparacin no es independiente al nmero de fallas(relacionado)
2 =0.05
3 Estadstico de prueba Ji cuadrado
SALIDA DE MINITAB
CostoReparacin
1
2
3
4
5
6

CostoReparacinAdicional

Costoreparacionesanteriores

Todo

27
10
25
22
10
20

7
12
17
9
19
6

103
46
77
42
45
100

137
68
119
73
74
126

15041

7454

48263

70758

Todo

Chi-cuadrada de Pearson = 3720.187, GL = 1198, Valor p = 0.000

Chi-cuadrada de la tasa de verosimilitud = 3712.062, DF = 1198, Valor p = 0.000

4 Pvalor=0 < =0.05

5 RH0,con un

=0.05

existe evidencia necesaria para afirmar que costo de reparacin

no es independiente al nmero de fallas. Por lo tanto, el costo de reparacin esta

relacionado con el numero de fallas.

Objetivo: Afirmar con un anlisis estadstico si existe alguna relacin entre

el nmero de falla y el costo de reparacin.

o En la proceso de manufactura se desea evaluar si el rendimiento del operario

influye en las fallas del producto a realizar en una muestra de 600 fallas. Para ello se
tomara en cuenta en que turno ocurri la falla, la edad de cada operario laborando y
la experiencia que tienen cada trabajador. Con un nivel de significacin del 5 %, se
desea evaluar si al menos un tipo de estas fallas es ocasiona por el rendimiento del
operario.
1 Prueba de hiptesis
H0: La proporcin del rendimiento es homognea.(El rendimiento del operario no influye
en el turno de falla, la edad del operario y la experiencia que este tiene )
H1: La proporcin del rendimiento no es homognea.
2 =0.05
3 Estadstico de prueba Ji cuadrado
SALIDA DEL MINITAB
TurnoSucesoFalla
1
2
3
4
5
6

Experienciaoperador
1
2
3
3
1
2

Edadoperador
2
15
5
1
18
1

Todo
20
23
28
24
27
24

23
40
36
28
46
27

Todo
1212
5730
17496 24438
Chi-cuadrada de Pearson = 1767.169, GL = 1198, Valor p = 0.000
Chi-cuadrada de la tasa de verosimilitud = 1933.534, DF = 1198, Valor p = 0.000

4 Estadstico de prueba Ji cuadrado

5 Pvalor=0 < =0.05

6 RH0, con un

=0.05 , existe evidencia necesaria para afirmar que la proporcin del

rendimiento no es homognea. Por lo tanto, al menos una de las causas de falla es

ocasionada por el rendimiento del operario.

Objetivo: Corroborar con un instrumento estadstico que al menos una de las

fallas que presentes en Industrias Mecnicas tiene como una causa el
rendimiento del operario.

EXPERIMENTO DE DOS FACTORES

o Se desea determinar las horas hombre totales en la reparacin de
las fallas ocasionadas en las diferentes industrias. Dado que los
impactos de las fallas pueden afectar el tiempo total del trabajador
en la reparacin de fallas, se ha
INDUSTRIAS
decidido utilizar un diseo aleatorio de
bloques, que permita controlar el
IMPACTO 1 2 3 4 5 6
efecto del impacto sobre el tiempo de
43 38 36 42 40 28
1
reparacin. Las mediciones realizadas
se encuentran registradas en la
50 39 41 54 57 45
2
siguiente tabla. Usar un nivel de
significacin del 5%.
3

12 8 11 17 20 19

1. Verificar los supuestos:

HOMOGENEIDAD DE VARIANZAS:

1 Ho: Las varianzas del tiempo de los trabajadores por reparacin son
homogneas.
H1: Las varianzas del tiempo de los trabajadores por reparacin no son
homogneas.

Prueba de varianzas iguales: horastotales vs. impacto

Mltiples intervalos de comparacin para la desviacin estndar, = 0.05
Comparaciones mltiples
Valor p 0.493

Prueba de Levene

impacto

Valor p 0.400

5.0

7.5

10.0

12.5

15.0

Si los intervalos no se sobreponen, las Desv.Est. correspondientes son significativamente diferentes.

Mtodo

Estadstico de prueba

Valor-p

mltiples

0.493

Levene

0.97

0.400

Comparaciones

P-valor (0.400 > =0.05

No se rechaza Ho.

NRH0, con un =0.05, no existe evidencia necesaria para afirmar

que las varianzas no son homogneas. Por lo tanto, las varianzas

tiempo de los trabajadores por reparacin son homogneas.

SUPUESTO DE NORMALIDAD DE ERRORES:

1Ho: Los errores se distribuyen normalmente.

H1: Los errores no se distribuyen normalmente.

Grfica de probabilidad de RESID1

Normal
99

Media -2.36848E-15
Desv.Est.
3.600
N
18
KS
0.093
Valor p
>0.150

95
90

Porcentaje

80
70
60
50
40
30
20
10
5

-10

-5

10

RESID1

2P-valor (0.150) > =0.05.

3No se rechaza Ho.
4 NRH0, con un =0.05, no existe evidencia necesaria para afirmar
que los errores no se distribuyen normalmente. Por lo tanto, los
errores tienen una distribucin normal.
Por lo tanto, se cumplen los dos supuestos del modelo.
a) Proporcionan los datos suficiente evidencia que indique
que el impacto no es el mismo en todas las industrias?

Ho: 1 = 2 = 3 (los impactos son iguales en todas las industrias)

H1: Al menos una i es diferente (los impactos no son iguales
en todas las industrias)

SALIDA DE MINITAB

Anlisis de Varianza

Fuente

GL SC Ajust. MC Ajust. Valor F Valor p

industria 5

305.3

61.07

impacto

3482.3

1741.17

Error

10

220.3

Total

17

4008.0

2.77

0.080

79.02

0.000

22.03

2P-valor (0.000) < =0.05.

3Se rechaza Ho.
4RH0, con un =0.05, existe evidencia necesaria para afirmar que
los impactos no son iguales en todas las industrias.
b) De ser necesario realice las pruebas de comparaciones
mltiples y de sus conclusiones y recomendaciones con el
fin de determinar qu impacto es el que genera un mayor
tiempo de reparacin.
impacto N

Media Agrupacin

6 47.6667 A

6 37.8333

6 14.5000

B
C

Segn las comparaciones de TUKEY se puede afirmar que el impacto que

genera un mayor tiempo de reparacin es el moderado.
Objetivos:

Determinar las horas hombre totales en la

reparacin de las fallas ocasionadas en las
diferentes industrias.
Determinar el mayor impacto en las
reparaciones.

o Se desea determinar los costos de reparacin de las causas de las

fallas segn su tipo. Dado que las causas pueden afectar el costo
en la reparacin de fallas, se ha decidido utilizar un diseo
aleatorio de bloques, que permita controlar el efecto de las causas
sobre costo de reparacin. Las mediciones realizadas se
encuentran registradas en la siguiente tabla. Usar un nivel de
significacin del 5%.
Causa de fallas
Tipo de fallas

53

37

23

48

80

58

54

64

126 27

21

1. Verificar los supuestos:

HOMOGENEIDAD DE VARIANZAS:

1 Ho: Las varianzas del costo de reparacin son homogneas.

H1: Las varianzas del costo de reparacin no son homogneas.

Estadstico de
Mtodo

prueba

Valor-p

s mltiples

0.168

Levene

1.16

0.382

Comparacione

Prueba de varianzas iguales: costo vs. causa

Mltiples intervalos de comparacin para la desviacin estndar, = 0.05
Comparaciones mltiples
Valor p

0.168

Prueba de Levene
Valor p 0.382

causa

1000

2000

3000

4000

5000

6000

7000

8000

9000

Si los intervalos no se sobreponen, las Desv.Est. correspondientes son significativamente diferentes.

P-valor (0.382) > =0.05

No se rechaza Ho.

Con un nivel de significacin del 5%, no se rechaza Ho, por lo que

se puede afirmar que las varianzas son homogneas.
SUPUESTO DE NORMALIDAD DE ERRORES:

1Ho: Los errores se distribuyen normalmente.

H1: Los errores no se distribuyen normalmente.

Grfica de probabilidad de RESID1

Normal
99

Media -3.26850E-13
Desv.Est.
467.6
N
12
KS
0.166
Valor p
>0.150

95
90

Porcentaje

80
70
60
50
40
30
20
10
5

-1000

-500

500

1000

RESID1

2P-valor (0.150) > =0.05.

3No se rechaza Ho.
4Con un nivel de significancia del 5%, no se rechaza Ho, por lo que
se por lo que se puede afirmar que los errores se distribuyen
normalmente.

Por lo tanto, se cumplen los dos supuestos del modelo.

De ser necesario realice las pruebas de comparaciones

mltiples y de sus conclusiones y recomendaciones con el fin
de determinar qu causa de falla genera un mayor costo de
reparacin.

causa

Media

Agrupacin

2050.00

1344.33

938.33

681.00

Segn las comparaciones de TUKEY, todas las causas generan altos

costos de reparacin.

Objetivos:

Determinar los costos de reparacin de las

causas de las fallas segn su tipo.
Determinar la causa que trae mayor costo de
reparacin.

ANALISIS DE REGRESION LINEAL

Se desea estudiar la forma como la experiencia del operador en la Industria Mecanica se

relaciona con la edad de este. A continuacin se detallara el procedimiento realizado:
a) Validacin de supuestos

Supuesto de normalidad
1

Ho: Los errores tienen una distribucin normal

H1: Los errores no tienen una distribucin normal

Nivel de significacin: 0.05

Grfica de probabilidad de RESID1

Normal
99.99

Media 5.852504E-14
Desv.Est.
31.00
N
600
KS
0.073
Valor p
<0.010

99

Porcentaje

95
80
50
20
5
1

0.01

-100

-50

50

100

RESID1

pvalor<0.01 y =0.05

RH0,con un nivel de significacin del 0.05, existe evidencia necesaria para afirmar
que los errores no tienen una distribucin normal.

El supuesto de normalidad no se cumple, pero por fines acadmicos continuamos con el

anlisis previsto.
Supuesto de no auto correlacin
Estadstico de Durbin-Watson: 2.02377
Entonces, como el estadstico de DW se encuentra incluido en el intervalo de [1,3], por lo
tanto se cumple el supuesto de no auto correlacin.

SALIDA DEL MINITAB

Anlisis de regresin: TiempoParoEnHoras(y) vs.
Trabajadoresrequeridos(x)
Anlisis de Varianza
Fuente
Regresin
Trabajadoresrequeridos(x)
Error
Falta de ajuste
Error puro
Total

GL
1
1
598
5
593
599

SC Ajust.
37
37
575791
2212
573579
575828

MC Ajust.
36.62
36.62
962.86
442.38
967.25

Valor F
0.04
0.04

Valor p
0.845
0.845

0.46

0.808

Resumen del modelo

S
31.0300

R-cuad.
0.01%

R-cuad.
(ajustado)
0.00%

R-cuad.
(pred)
0.00%

Coeficientes
Trmino
Constante
Trabajadoresrequeridos(x)

Coef
57.67
-0.173

EE del
coef.
2.86
0.888

Valor T
20.16
-0.20

Valor p
0.000
0.845

VIF
1.00

Ecuacin de regresin
TiempoParoEnHoras(y) = 57.67 - 0.173 Trabajadoresrequeridos(x)
Estadstico de Durbin-Watson =

2.0237

b) Validacin del modelo

I.

Ho: B1=0

(El modelo no es vlido)

H1: B10

(El modelo es vlido)

II.

Nivel de significacin: 0.05

III.

P valor= 0.845

IV.

Como el p valor del B1 = 0.845 > alfa (0.05); NRho. Con un nivel de
significacin del 5%. El modelo no es vlido.

Conclusin: El Minitab nos arroja una ecuacin de regresin que responde a lo esperado: A
mayor nmero de trabajadores requeridos, el tiempo de paro en horas ser menor. Debemos
destacar, no obstante que el elevado valor de p no permite mucha confiabilidad al modelo
de regresin lineal.
Prediccin: Si empleamos diez trabajadores, el tiempo de paro ser de 40,3 horas

c) Intervalo de confianza del 95% para un valor individual x=10

SALIDA MINITAB
Prediccin para TiempoParoEnHoras(y)
Ecuacin de regresin
TiempoParoEnHoras(y) = 57.67 - 0.173 Trabajadoresrequeridos(x)

Variable
Trabajadoresrequeridos(x)

Ajuste
55.9391

EE de
ajuste
6.43981

Valor de
configuracin
10

IC de 95%
(43.2917, 68.5864)

IP de 95%
(-6.30054, 118.179)

Con un nivel de confianza 95%, se estima que el tiempo de paro en horas cuando se
emplean 10 trabajadores se encuentra en el intervalo (-6.30054, 118.179)
d) Intervalo de confianza del 95% para un valor promedio x=10
IC= (43.2917, 68.5864)
Con un nivel de confianza 95%, se estima que el tiempo promedio de paro en horas cuando
se emplean 10 trabajadores se encuentra en el intervalo (43.2917, 68.5864)
e) Explicacin de la variabilidad

Rcuadrado = 0.01%
El 0.01% de la variabilidad de la cantidad de tiempo de paro es explicada por el modelo de
regresin estimada

f) Prueba de hiptesis para la asociacin de las variables

I.

H1: 0 (No hay relacin entre el tiempo de paro en horas y la cantidad de

trabajadores requeridos)
H1: 0 (Hay relacin entre el tiempo de paro en horas y la cantidad de
trabajadores requeridos)

II.

Nivel de significacin : 0.05

III.
Tcal = 0.2446

Tcritico

1.964

IV.
Como el Tcal < Tcritico; NRho, con un nivel de significacin del 5% no
existe evidencia necesaria para afirmar que hay relacin entre la experiencia
del trabajador y la edad de este.Por lo tanto, hay relacin entre el tiempo de
paro en horas y la cantidad de trabajadores requeridos.
Objetivos:
Estimar un intervalo del tiempo promedio de paro en horas cuando
se emplean 10 trabajadores.
Explicar la variabilidad que existe de cantidad de tiempo de paro con
el uso de regresin estimada.
Afirmar si hay alguna relacin entre el tiempo de paro en horas y la
cantidad de trabajadores requeridos.
ANALISIS DE REGRESION NO LINEAL
Se desea determinar si existe alguna relacin entra el tiempo de paro que tiene el operador
de la compaa respecto a la cantidad de trabajadores requeridos. Para ello se escoger el
mejor modelo no lineal.

Modelos
y = 2.6493e-3E-05x
R = 5E-06

Exponen
cial

y = -2E-05x2 + 0.0023x +
2.8564
R = 0.0003

Cuadrtic
o

y = 2.5783x0.0067
R = 0.0002

Potencial

Determine y valide el mejor modelo de regresin con un nivel de significacin del 0.05.
Como se puede evidenciar en los resultados obtenidos, el modelo cuadrtico presenta el
mayor coeficiente de determinacin que los dems modelos.
a) Validacin del modelo cuadrtico
1 Ho: B2=0

El modelo no es valido

H1: B20

El modelo es valido

SALIDA DELMINITAB
Anlisis de regresin: TiempoParoEnHoras(y) vs.
Trabajadoresrequeridos(x), x2
Anlisis de Varianza
Fuente
Regresin
Trabajadoresrequeridos(x)
x2
Error
Falta de ajuste
Error puro
Total

GL
2
1
1
597
4
593
599

SC Ajust.
512
374
475
575316
1737
573579
575828

Resumen del modelo

S
31.0432

R-cuad.
0.09%

Coeficientes

R-cuad.
(ajustado)
0.00%

R-cuad.
(pred)
0.00%

MC Ajust.
256.0
374.1
475.3
963.7
434.1
967.2

Valor F
0.27
0.39
0.49

Valor p
0.767
0.533
0.483

0.45

0.773

Trmino
Constante
Trabajadoresrequeridos(x)
x2

Coef
53.86
2.04
-0.248

EE del
coef.
6.14
3.27
0.353

Valor T
8.78
0.62
-0.70

Valor p
0.000
0.533
0.483

VIF
13.57
13.57

Ecuacin de regresin
TiempoParoEnHoras(y) = 53.86 + 2.04 Trabajadoresrequeridos(x) - 0.248 x2

2 =0.05
3 Pvalor= 0.483>0.05=
4. NRH0, con un =0.05 , no existe evidencia necesaria para afirmar que el
modelo es vlido. Se concluye que el modelo cuadrtico no es vlido.
b) Validacin del modelo potencial

1 Ho: B2=0

El modelo no es valido

H1: B20

El modelo es valido

SALIDA DEL MINITAB

Anlisis de regresin: lny vs. lnx
Anlisis de Varianza
Fuente
Regresin
lnx
Error
Falta de ajuste
Error puro
Total

GL
1
1
598
5
593
599

SC Ajust.
0.060
0.060
351.433
1.658
349.775
351.494

MC Ajust.
0.06041
0.06041
0.58768
0.33170
0.58984

Valor F
0.10
0.10

Valor p
0.0749
0.0749

0.56

0.0729

Resumen del modelo

S
0.766603

R-cuad.
0.02%

R-cuad.
(ajustado)
0.00%

R-cuad.
(pred)
0.00%

Coeficientes
Trmino
Constante

Coef
3.7974

EE del
coef.
0.0839

Valor T
45.26

Valor p
0.000

VIF

lnx

0.0257

0.0800

0.32

0.0449

1.00

Ecuacin de regresin
lny = 3.7974 + 0.0257 lnx

2 =0.05
3 Pvalor = 0.0449 < =0.05
4 RH0, con un =0.05 , existe evidencia necesaria para afirmar que el modelo
es vlido.
c) Intervalo de confianza individual, estime el costo de operacin si el tiempo de
paro de un operario es de 10 . intervalo de prediccin del 95%.
Prediccin para lny
Ecuacin de regresin
lny = 3.7974 + 0.0257 lnx

Variable
lnx
Ajuste
4.05405

Valor de
configuracin
10
EE de ajuste
0.723174

IC de 95%
(2.63378, 5.47432)

Intervalo de prediccin:

(1.98429, 6.12380)

IP de 95%
(1.98429, 6.12380)

6.12380

Intervalo de prediccin original: ( 1.98429 ; e

e
)=(7.27389 ; 456.59647)

Con un nivel de confianza del 95%, se puede asegurar que el tiempo de paro cuando el
nmero de trabajadores requeridos es 10, se encontrar entre (7.27389 ; 456.59647)

Objetivos:

Corroborar segn el programa estadstico minitab si existe alguna

relacin entre el tiempo de paro que tiene el operador de la compaa
respecto a la cantidad de trabajadores requeridos.
Estimar un intervalo de confianza respecto al tiempo de paro cuando
el nmero de trabajadores requeridos es 10.

REGRESION MULTILINEAL
Se desea desarrollar un modelo de regresin para estimar el costo de
reparacin como una funcin del nmero de trabajadores requeridos
para las horas por trabajador en la reparacin y las horas hombre
empleadas en la reparacin. Los datos son los siguientes:

Y:
Costo de
Reparacin
10
12
15
20
23
11
30
28
14
35
22
29
13
40
36
18
26
31

X1:
Horas por
trabajador
5
19
13
16
7
3
11
18
6
12
15
4
2
14
17
8
20
9

X2:
N de
trabajadores
9
1
5
3
8
2
7
2
0
6
4
1
5
2
8
9
6
3

X3:
Horas
hombre
10
25
50
5
36
69
54
32
27
24
17
6
19
45
63
58
44
15

Para relacionar estas variables podemos utilizar el modelo de regresin

lineal mltiple.
Variable dependiente:
Y = Costo de reparacin
Variables independientes:
X1 = Tiempo por trabajador en la reparacin (horas)
X2 = Nmero de trabajadores requeridos para reparar
X3 = Tiempo hombre empleadas en la reparacin
Preguntas:
a) Existe multicolinealidad entre las variables predictoras?
b) Cul es el mejor modelo?
c) Al 13% de significacin, cul es el modelo vlido o significativo?
Interpretar sus coeficientes.
d) Estimar el costo de reparacin, cuando el tiempo por trabajor es
de 25, el nmero de trabajadores es de 7, y el tiempo hombre es
de 48.

a. Multicolinealidad entre las variables predictoras:

Correlacin: Y: Costo de Operacin, X1: Tiempo por trabajador,
X2: Nmero de trabajadores, X3: Tiempo hombre

Y
X1

X1

X2

0.375
0.125

X2

X3

0.046

-0.051

0.856

0.842

0.107

0.106

0.293

0.672

0.676

0.239

Contenido de la celda: Correlacin de Pearson

Valor p

Variables
predictoras

Correlaciones
entre Xi y Xj

Correlaciones de Y
con cada Xi

Anlisis

RX1X2=0.051

RYX1=0.375
RYX2=0.046

Existe
multicolinealidad

X1 Vs. X3

RX1X3=0.106

RYX1=0.375
RYX3=0.107

No existe
multicolinealidad

X2 Vs X3

RX2X3=0.293

RYX2=0.046
RYX3=0.107

Existe
multicolinealidad

X1 Vs. X2

b. Determine el mejor modelo de regresin lineal mltiple.

Anlisis de regresin: Y vs. X1, X2, X3

Anlisis de Varianza

Fuente

GL

SC Ajust.

MC Ajust.

Valor F

Valor p

220.73

73.577

0.81

0.511

X1

203.10

203.103

2.22

0.158

X2

3.31

3.310

0.04

0.852

X3

3.87

3.867

0.04

0.840

Error

14

1278.21

91.301

Total

17

1498.94

Regresin

Resumen del modelo

R-cuad.

R-cuad.

R-cuad.

(ajustado)

(pred)

9.55515

14.73%

0.00%

0.00%

Coeficientes

EE del
Trmino

Coef

coef.

Valor T

Valor p

Constante

14.73

6.69

2.20

0.045

X1

0.603

0.404

1.49

0.158

1.02

X2

0.159

0.834

0.19

0.852

1.10

X3

0.025

0.122

0.21

0.840

1.11

Ecuacin de regresin

Y = 14.73 + 0.603 X1 + 0.159 X2 + 0.025 X3

Estadstico de Durbin-Watson

Estadstico de Durbin-Watson =

1.69375

VIF

Anlisis de regresin: Y vs. X1, X2

Anlisis de Varianza

Fuente

GL

SC Ajust.

MC Ajust.

Valor F

Valor p

216.86

108.432

1.27

0.310

X1

213.66

213.664

2.50

0.135

X2

6.38

6.378

0.07

0.788

Error

15

1282.08

85.472

Total

17

1498.94

Regresin

Resumen del modelo

R-cuad.

R-cuad.

R-cuad.

(ajustado)

(pred)

9.24511

14.47%

3.06%

0.00%

Coeficientes

EE del
Trmino

Coef

coef.

Valor T

Valor p

Constante

15.21

6.06

2.51

0.024

X1

0.614

0.388

1.58

0.135

1.00

X2

0.210

0.770

0.27

0.788

1.00

Ecuacin de regresin

Y = 15.21 + 0.614 X1 + 0.210 X2

VIF

Estadstico de Durbin-Watson

Estadstico de Durbin-Watson =

1.65750

Anlisis de regresin: Y vs. X1, X3

Anlisis de Varianza

Fuente

GL

SC Ajust.

MC Ajust.

Valor F

Valor p

217.42

108.711

1.27

0.309

X1

200.15

200.152

2.34

0.147

X3

6.94

6.936

0.08

0.780

Error

15

1281.52

85.435

Total

17

1498.94

Regresin

Resumen del modelo

R-cuad.

R-cuad.

R-cuad.

(ajustado)

(pred)

9.24310

14.50%

3.11%

0.00%

Coeficientes

EE del
Trmino

Coef

coef.

Valor T

Valor p

VIF

Constante

15.28

5.82

2.62

0.019

X1

0.596

0.390

1.53

0.147

1.01

X3

0.032

0.113

0.28

0.780

1.01

Ecuacin de regresin

Y = 15.28 + 0.596 X1 + 0.032 X3

Estadstico de Durbin-Watson

Estadstico de Durbin-Watson =

1.73259

Anlisis de regresin: Y vs. X2, X3

Anlisis de Varianza

Fuente

GL

SC Ajust.

MC Ajust.

Valor F

Valor p

17.63

8.8141

0.09

0.915

X2

0.36

0.3588

0.00

0.953

X3

14.43

14.4293

0.15

0.708

Error

15

1481.32

98.7544

Total

17

1498.94

Regresin

Resumen del modelo

R-cuad.

R-cuad.

R-cuad.

(ajustado)

(pred)

9.93753

1.18%

0.00%

0.00%

Coeficientes

EE del
Trmino

Coef

coef.

Valor T

Valor p

Constante

21.11

5.35

3.95

0.001

X2

0.052

0.865

0.06

0.953

1.09

X3

0.048

0.126

0.38

0.708

1.09

Ecuacin de regresin

Y = 21.11 + 0.052 X2 + 0.048 X3

Estadstico de Durbin-Watson

Estadstico de Durbin-Watson =

Anlisis de regresin: Y vs. X1

1.93871

VIF

Anlisis de Varianza

Fuente

GL

SC Ajust.

MC Ajust.

Valor F

Valor p

210.5

210.49

2.61

0.125

X1

210.5

210.49

2.61

0.125

Error

16

1288.5

80.53

Total

17

1498.9

Regresin

Resumen del modelo

R-cuad.

R-cuad.

R-cuad.

(ajustado)

(pred)

8.97378

14.04%

8.67%

0.00%

Coeficientes

EE del
Trmino

Coef

coef.

Valor T

Valor p

Constante

16.22

4.67

3.48

0.003

X1

0.608

0.376

1.62

0.125

Ecuacin de regresin

VIF

1.00

Y = 16.22 + 0.608 X1

Estadstico de Durbin-Watson

Estadstico de Durbin-Watson =

1.69725

Anlisis de regresin: Y vs. X2

Anlisis de Varianza

Fuente

GL

SC Ajust.

MC Ajust.

Valor F

Valor p

3.20

3.199

0.03

0.856

X2

3.20

3.199

0.03

0.856

Error

16

1495.75

93.484

Falta de ajuste

707.08

88.385

0.90

0.559

Error puro

788.67

98.583

17

1498.94

Regresin

Total

Resumen del modelo

R-cuad.

R-cuad.

R-cuad.

(ajustado)

(pred)

9.66872

0.21%

0.00%

0.00%

Coeficientes

EE del

Trmino

Coef

coef.

Valor T

Valor p

Constante

22.27

4.28

5.21

0.000

X2

0.149

0.804

0.18

0.856

VIF

1.00

Ecuacin de regresin

Y = 22.27 + 0.149 X2

Estadstico de Durbin-Watson

Estadstico de Durbin-Watson =

1.87146

Anlisis de regresin: Y vs. X3

Anlisis de Varianza

Fuente

GL

SC Ajust.

MC Ajust.

Valor F

Valor p

17.27

17.27

0.19

0.672

X3

17.27

17.27

0.19

0.672

Error

16

1481.68

92.60

Total

17

1498.94

Regresin

Resumen del modelo

R-cuad.

R-cuad.

R-cuad.

(ajustado)

(pred)

9.62313

1.15%

0.00%

0.00%

Coeficientes

EE del
Trmino

Coef

coef.

Valor T

Valor p

Constante

21.27

4.49

4.74

0.000

X3

0.050

0.116

0.43

0.672

VIF

1.00

Ecuacin de regresin

Y = 21.27 + 0.050 X3

Estadstico de Durbin-Watson

Estadstico de Durbin-Watson =

1.94676

Prioridad

Modelo

R2 Corregido

Y Vs. X1

0.0867

Y Vs. X1,X3

0.0311

Y Vs. X1,X2

0.0306

Y Vs. X3

0.000

c. Valide el modelo de regresin lineal mltiple estimado e interprete los coeficientes de

regresin, usando un nivel de significacin de 0.13.

PRUEBA CONJUNTA

PRUEBA INDIVIDUAL

Ho: B1=0

Ho: B1= 0

H1: Al menos un Bi 0

H1: B1 0

Pvalor = 0.125 < 0.13

Pvalor = 0.125 < 0.13

Se rechaza Ho

Se rechaza Ho

El modelo es vlido

La variable X1 es significativa para el modelo.

El modelo YX1 es el mejor.

Modelo YX1

Ecuacin de regresin

Y: Costo de reparacin = 16.22 + 0.608 X1: Tiempo por trabajador

Interpretacin:
B1= 0.608
Si el tiempo aumentara en una hora, el costo de reparacin aumentara 0.608 dlares.

 Supuestos del modelo de regresin lineal mltiple

Obtener los residuos con el modelo: Y vs X1

Grfica de probabilidad de RESID1

Normal
99

Media
3.947460E-16
Desv.Est.
8.706
N
18
KS
0.163
Valor p
>0.150

95
90

Porcentaje

80
70
60
50
40
30
20
10
5

-20

-10

10

20

RESID1

Supuesto de Normalidad de los errores:

Ho: Los errores tienen distribucin Normal

H1: Los errores NO tienen distribucin Normal

Pvalor = 0.15 > 0.13

No Rechazar Ho.

Con un nivel de significacin del 13%, se puede afirmar que los

errores tienen distribucin Normal; por lo tanto se cumple el
supuesto de Normalidad.

Supuesto de NO AUTOCORRELACION:

Ho: Los residuos no estn autocorrelacionados

H1: Los residuos estn autocorrelacionados

Estadstico de Durbin-Watson = 1.69725

Como DW= 1.69725 que pertenece al intervalo [1,3]; se cumple el

supuesto de no autocorrelacin.

Se cumplen ambos supuestos.

d. Estimar el costo de reparacin, cuando el tiempo por

trabajador es de 25, el nmero de trabajadores es de 7, y el
tiempo hombre es de 48.

Y: Costo de reparacin = 16.22 + 0.608 (25) = 31.42

e. Halle un intervalo de prediccin al 95%, para el costo

promedio de reparacin cuando el tiempo por trabajador es de
25, el nmero de trabajadores es de 7, y el tiempo hombre es
de 48.
EE de
Ajuste

ajuste

31.4260

5.65650

IC de 95%
(19.4348, 43.4173)

IP de 95%
(8.93857, 53.9135)

f.

Halle un intervalo de prediccin al 95%, para el costo de

reparacin cuando el tiempo por trabajador es de 25, el
nmero de trabajadores es de 7, y el tiempo hombre es de 48.
EE de
Ajuste

ajuste

31.4260

5.65650

IC de 95%
(19.4348, 43.4173)

IP de 95%
(8.93857, 53.9135)

Objetivos:

Estimar el costo de reparacin como una

funcin del nmero de trabajadores
requeridos para las horas por trabajador en
la reparacin y las horas hombre
empleadas en la reparacin
Determinar un intervalo de prediccin del
costo de reparacin, el nmero de
trabajadores y el tiempo hombre.
Determinar un intervalo de confianza del
costo de reparacin, el nmero de
trabajadores y el tiempo hombre.

CONCLUSIONES

Segn la prueba de hiptesis de un parmetro respecto al costo

del promedio de costo de reparacin se puede corroborar de
manera estadstica que este es mayor a 25 dlares.
Realizando una prueba de hiptesis sobre el costo de reparacin
adicional se concluye que este es menor a 12 dlares.
En sntesis, el uso de la prueba de hiptesis es un gran recurso
estadstico que permite dar conclusiones ms acertadas respecto
a una situacin controversial.
El origen de las fallas de la empresa INDUSTRIAS MECNICAS
FEMA S.L. se debe a la cantidad invertida en el costo promedio de
reparacin, el cual sobrepasa el monto fijo promedio dado. Cabe
resaltar que este exceso de costo ocasiona prdida de dinero.

Se puede afirmar que si existe alguna relacin entre el nmero de falla y el costo de
reparacin.
Con el uso de un instrumento estadstico se puede corroborar que al menos una de
las fallas que presentes en Industrias Mecnicas tiene como una causa el
rendimiento del operario.

RECOMENDACIONES

La empresa INDUSTRIAS MECNICAS FEMA S.L. debera realizar un

estudio minucioso de los problemas que se efecta respecto al
costo de reparacin.
Se debera implementar un mantenimiento preventivo, para evitar
de este modo la reparacin de piezas mecnicas.
Se podra realizar una mejora continua en las piezas mecnicas
con la finalidad de aumentar la eficiencia de la mquina y evitar
que sta tenga dificultades tcnicas.
La implementacin de un programa de capacitacin continua, ya
que no todos los empleados estn totalmente capacitados en esta
rea de trabajo.
Se debera calificar frecuentemente la eficacia del operario en
hora productiva para poder mejorar la productividad de la empresa
y minimizar las fallas.
Se recomienda en la inversin de incentivos para el operario de tal
modo que este se sienta con nimos y tenga una meta a cumplir
favoreciendo a la Industria en la disminucin de fallas por operario.
Se recomienda que se tomen las medidas respectivas en los
diferentes procesos de despalizado, embotellado, coronadora y en
la etiquetera, ya que son las causas de las fallas que generan
prdidas a la empresa FEMA.
Se recomienda un mayor mantenimiento en las reas dnde las
causas de las fallas son mayores, para evitar costos posteriores en
la reparacin.
Se recomienda que en las industrias se empleen ms trabajadores
que ayuden a reparar la las mquinas, de esa manera la
produccin ser ms constante.