Académique Documents
Professionnel Documents
Culture Documents
EJERCICIOS:
CAPACIDAD Y DESEMPEO DE PROCESOS
1. De una carta de control X - R (con tamao de subgrupo n = 5), despus
de que el proceso se estabiliz quedando slo con causas comunes (LIE =
36, LSE = 46) se obtuvo lo siguiente:
Xmedia de medias = 40
Rmedio = 5
R
d2
con d2 = 2.326
P(-Zs) =
C pm
Cp
1V 2
LSE LIE
6 2 ( T ) 2
g) Determinar el Cpkm
C pkm
Cpk
T
1
Pgina 1 de 28
P.
6.59
6.07
6.36
6.40
6.42
4.94
5.11
5.17
5.07
5.31
6.88
6.69
7.01
7.08
7.16
5.34
5.46
5.61
5.36
5.30
R
d2
con d2 = 1.128
P(-Zs) =
Pgina 2 de 28
P.
C pm
Cp
1V
LSE LIE
6 2 ( T ) 2
g) Determinar el Cpkm
Cpk
C pkm
T
1
(X
i 1
X )2
n 1
C4
4(n 1)
4n 3
LT
S
C4
Pp
LSE LIE
6 LT
Zs
LSE X
LT
ZI
LIE X
LT
Pgina 3 de 28
P.
P(Zi) =
P.
P(-Zs) =
Pp
LSE LIE
6 LT
Ppk
menor Z I , Z S
3
deviation 32.02 OK
Considerando Lmites de especificaciones LIE = 200 y LSE = 330
b. Prueba de normalidad
1. Stat > Basic statistics > Normality Test
2. Variable C1
Pgina 4 de 28
P.
3. Estimate R-bar OK
e. Opcin Six Pack
1. Stat > Quality tools > Capability Six Pack > Normal
2. Single column C1 Subgroup size 5 Lower Spec 200 Upper
spec 330
3. Estimate R-bar OK
4. Un panadero cree que existe una gran variabilidad en el peso de sus
productos: Hay dos operadores A y B que usan las mquinas 1 y 2 no en
forma simultnea. Durante 20 das se tomaron muestras de 4 piezas de pan
de cada mquina con los siguientes resultados:
Ope
M
D rari Mq q_p
a o
1_p1 2
209. 209.
1
A
2
5
208. 208.
2
B
5
7
204. 210.
3
B
2
2
203.
4
B
204
3
209. 203.
5
A
6
7
208. 207.
6
A
1
9
205. 204.
7
A
2
8
197.
8
B
199
7
197. 210.
9
B
2
6
199. 207.
10
A
1
2
204.
11
B
6
207
214. 207.
12
B
7
5
204. 196.
13
B
1
6
200. 205.
14
A
2
5
201. 209.
15
A
1
2
201. 203.
16
B
3
1
Mq
1_p3
210.
2
206.
2
210.
5
198.
2
213.
2
211
198.
7
202
199.
5
200.
8
200.
8
205.
8
204.
6
208
205.
5
196.
3
Mq Mq Mq
1_p4 2_p1 2_p2
214. 221.
212
3
8
207. 215. 216.
8
3
7
205. 215. 213.
9
7
8
199. 212. 210.
9
5
2
209. 208. 214.
6
4
9
206. 212. 216.
2
3
2
205. 208. 211.
8
1
9
213. 207. 209.
1
5
9
215. 206. 207.
3
9
1
201. 209. 209.
2
6
5
204. 212. 209.
6
2
8
200. 211. 211.
9
4
2
199. 209. 209.
4
6
2
202. 203. 206.
7
5
9
209. 206.
200
1
3
205.
207.
5
208
9
Pgina 5 de 28
Mq
2_p3
214.
6
212.
3
215.
2
211.
3
212.
8
208.
4
212.
9
210.
6
213.
6
206.
8
207.
6
214.
4
206.
1
210.
6
209.
8
205.
3
Mq
2_p4
214.
4
212
202.
7
210.
4
214.
8
210.
8
209
212.
3
212.
2
214.
2
212.
6
212.
6
207.
1
212.
3
211.
4
203.
6
17
18
19
20
206.
6
202.
6
212.
3
201.
4
210
215.
6
214.
5
209.
1
209.
4
211.
8
207.
5
205.
8
P.
209.
1
205.
4
212.
9
212
207
209
204.
3
204.
2
jueve
s
viern
es
Pgina 6 de 28
8.61
9.14
8.52
9.2
9.3
9.58
8.81
8.68
8.59
8.66
8.7
9.08
8.32
8.33
8.41
9.07
9.08
9.13
8.69
8.46
9.43
8.85
8.66
8.89
9.28
9.14
9.41
9.34
9.59
9.15
9.75
9.18
8.86
9.28
8.5
9.19
9.19
9.12
9.2
8.8
8.97
9.02
9.61
9.15
9.21
9.53
9.28
9.28
8.86
8.75
9.64
9.05
8.76
9.21
8.76
9.4
9.55
9.5
9.48
9.58
8.46
8
8.32
8.91
8.17
8.6
8.48
8.65
8.97
8.2
8.33
8.26
8.64
8.81
8.73
8.73
8.4
8.6
8.47
8.1
Pgina 7 de 28
P.
P.
Qu conclusiones se obtienen?
6. Obtener las estadsticas bsicas de Peso (Weight) para dos mquinas de
llenado:
Weight
905
930
865
895
905
885
890
930
915
910
920
915
925
860
905
925
925
905
915
930
890
940
860
875
985
970
940
975
1000
1035
1020
985
960
945
965
940
900
920
980
950
955
970
970
1035
Llenador
a
2
1
2
1
1
2
1
2
2
1
1
1
2
2
2
2
2
2
1
1
1
1
2
1
2
1
1
1
2
2
2
2
2
1
1
2
2
2
2
2
2
2
1
1
a. Estadsticas bsicas
Mediana
Moda
Media
Desviacin estndar
Varianza
Coeficiente de variacin
Rango
Primer cuartil
Tercer cuartil
Rango intercuartlico
Esquematiza el diagrama de caja
b) Hacer una prueba de normalidad en los datos. Con
los datos completos y considerando cada llenadora:
Pgina 8 de 28
P.
Z LIE
LIE X
LSE X
R
Z LSE
st W ithin
st
st
d2
( Z LIE ) ( Z LSE )
Fraccin defectiva =
Z LIE , Z LSE
3
LSE LIE
Cp
6 st
C pk Menor
C pm
CR
LSE LIE
ST ( X M ) 2
1
Cp
INDICES DE DESEMPEO
k) Determinar la fraccin defectiva, Pp y Ppk utilizando la frmula de la
desviacin estndar de largo plazo (Overall) siguiente para datos histricos,
Pgina 9 de 28
P.
lt Overall
Z LIE
S
C4
LIE X
lt
Fraccin defectiva =
Pp
S
Z LSE
( Xi X ) 2
n 1
C4
4 ( n 1)
4n 3
LSE X
lt
( Z LIE ) ( Z LSE )
LSE LIE
6 LT
Ppk Menor
Z LIE , Z LSE
3
Fraccin defectiva =
Pgina 10 de 28
P.
Pgina 11 de 28
P.
SERIES DE TIEMPO
18. Se colectan datos de empleo en un sector de negocios durante 60
meses y se desea predecir la tasa de empleo para los siguientes 12 meses,
EMPLOY.MTW.
Las instrucciones de Minitab son las siguientes:
Modelos de tendencias lineal y cuadrtico
Pgina 12 de 28
P.
Pgina 13 de 28
P.
Mtodo de Winters
22. Se desea predecir el empleo para los siguientes seis meses en la
industria alimenticia usando datos colectados sobre los ltimos 60 meses,
usando el mtodo de Winters con el modelo multiplicativo, dado que hay
componente estacional y de tendencia aparente en los datos.
Instrucciones de Minitab
1 Open Worksheet EMPLOY.MTW.
2 Ejecutar Stat > Time Series > Winters' Method.
3 En Variable, poner Food. In Seasonal length, 12 .
4 En Model Type, seleccionar Multiplicative.
5 Seleccionar Generate forecasts poner 6 en Number of forecasts.
Seleccionar OK.
Probar con opcin mtodo aditivo:
Pgina 14 de 28
P.
Worksheet EMPLOY.MTW
Ejecutar Stat > Time Series > Differences.
En Series, poner Food.
En Store differences in, poner Food2.
En Lag, poner 12 . OK.
Ejecutar Stat > Time Series > Partial Autocorrelation .
En Series, poner Food2. OK.
Ejemplo de ARIMA
25. Las grficas de autocorrelacin (ACF) y de autocorrelacin parcial (PACF)
sugieren un modelo de autoregresivo de orden 1 o AR(1), despus de tomar
una diferencia de 12.
Ahora se corre el modelo, analizando las grficas y la bondad de ajuste.
Para tomar una diferencia estacional de orden 12, se especific el periodo
estacional de 12 y el orden de la diferencia 1, con esto se realiza el
pronstico.
Instrucciones de Minitab
1 Worksheet EMPLOY.MTW.
2 Stat > Time Series > ARIMA.
3 En Series, poner Food.
4 Seleccionar Fit seasonal model. En Period poner 12 en Nonseasonal,
poner 1 en Autoregressive. En Seasonal, poner 1 en Difference .
5 Seleccionar Graphs. Seleccionar ACF of residuals y PACF of residuals
.
6 OK en cada cuadro de dilogo.
Pgina 15 de 28
P.
Corrida de pronsticos
Correr el modelo ARIMA sin grficas de ACF y PACF de los residuos
Instrucciones de Minitab
1 Worksheet EMPLOY.MTW.
2 Stat > Time Series > ARIMA.
3 En Series, poner Food.
4 Seleccionar Fit seasonal model. En Period poner 12 en Nonseasonal, poner 1 en
Autoregressive. En Seasonal, poner 1 en Difference .
5 Graphs. Seleccionar Time series plot. OK.
6 Seleccionar Forecast. en Lead, poner 12 .
OK en cada cuadro de dilogo.
CONFIABILIDAD
Distribucin de Weibull (toma diferentes formas variando sus parmetros
como el de forma) vista en Minitab
Graph > Probability distribution plot > Vary parameters
Seleccionar Weibull
Scale 100 (media)
Shapes 0.2 1 3
OK
26. Se registran 20 equipos en prueba de funcionamiento y las horas
(x1,000) transcurridas hasta la falla fueron las siguientes:
Uni
dad
1
2
3
4
5
6
7
8
9
10
11
Hor
as
3.7
0
3.7
5
12.
18
28.
55
29.
37
31.
61
36.
78
51.
14
108
.71
125
.21
125
Pgina 16 de 28
12
13
14
15
16
17
18
19
20
P.
.35
131
.76
158
.61
172
.96
177
.12
185
.37
212
.98
280
.40
351
.28
441
.79
t
1
f (t )
e 133.43
133.43
F (t ) 1 e
1
t
133.43
R (t ) e
1
t
133.43
Pgina 17 de 28
h (t )
P.
1
133.43
Orden de
fallas, i
1
2
3
4
5
6
Censurad
o
0
0
1
1
Pgina 18 de 28
P.
0
0
1
1
0
0
Modo
falla
S
A
S
A
A
de
Pgina 19 de 28
P.
S
S
A
A
S
S
A
S
S
A
S
A
A
A
S
P.
Confiabilidad de sistemas
31. Un equipo tiene 40 componentes en serie. La confiabilidad de cada uno
es de 0.999, por tanto la confiabilidad del equipo completo es de:
Pgina 21 de 28
( X ) max{ X 1 ,..., X n },
P.
1 (1 X i ).
i 1
B
C
D
Sistema con 4 componentes en paralelo
33. Se tienen los siguientes 7 componentes conectados en serie y en
paralelo, sus confiabilidades son: RA=0.96; RB=0.92; RC=0.94; RD=0.89;
RE=0.95; RF=0.88; RG=0.90.
G
C
F
E
B
Sistema con 7 componentes en serie y en paralelo
Mantenabilidad
34. Cul es la probabilidad de completar una accin en las siguientes 5
horas si el MTTR es de 7 horas?
Pgina 22 de 28
P.
35. El nmero de fallas que no pueden ser reparadas dentro del tiempo
permitido es:
t / MTTR
Te
Por ejemplo:
a) Hay 7 unidades que requieren reparacin. La tasa de falla actual es de
0.03 / hora, el tiempo disponible es de 10 horas, con un MTTR de 18 horas.
El tiempo de misin es de 200 horas. Cuntas fallas no pueden ser
reparadas dentro de las 200 horas?
b) Al contrario el nmero de fallas que pueden ser reparadas dentro de un
espacio de tiempo son:
t / MTTR
T ( 1e
i ti
MTTR= i=1n
i
i=1
Tasa de falla /
horas i
Tiempo de
reparacin en
horas ti
ti
0.06
0.24
0.04
0.32
0.12
12
1.44
0.18
20
3.6
Suma =
0.40
5.60
MTTR = horas
Pgina 23 de 28
Suma =
P.
Pgina 24 de 28
P.
1. Stat > Reliability / Survival > Distribution analysis (Right sensoring) >
Parametric distribution analysis
2. Variables Rep; Assumed distribution Lognormal
3. Graphs seleccionar Survival, Cumulative failure plot, hazard plot
Estimat
e:
Estimation Method seleccionar Maximum Likelihood
Estimate probabilities for this times 10 seleccionar Cumulative
Failure probabilities
OK
CONCLUSIN: La mantenabilidad (F(t)) para 10 horas es de 96.67%, es la
probabilidad de que el equipo se restaure
En 10 horas
El MTTR = 2.61 (indicado como MTTF en el listado) es el tiempo medio para
restablecer el equipo
Calcular la probabilidad de restablecerlo en 4 horas -- 82%
O
1. Graph > Probability Plot > Single
2. Graph variable Rep
3. Distribution seleccionar Lognormal
4. OK
En la grfica como el P value es
a 0.05
+=
MTBF
MTBF + MTTR
A I=
Pgina 25 de 28
P.
A A=
MTBMA
MTBMA + MMT
MMT =
FcMct+ FpMpt
Fc+ Fp
Pgina 26 de 28
AO=
P.
MTBMA
MTBMA + MDT
Pgina 27 de 28
Pgina 28 de 28
P.