EJERCICIOS FASE DE MEDICIN SEIS SIGMA BB

Reyes / Abril 2009

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

a) Determinar la desviacin estndar del proceso

R
d2

con d2 = 2.326

b) Determinar los lmites de tolerancia natural del proceso

LTNS = Media de medias + 3*sigma; LTNI = Media de medias 3*sigma
c) Determinar la fraccin defectiva o porcentaje fuera de especificaciones
Zi = (LIE Media) / Sigma
P(Zi) =

Zs = Zs = (LSE Media) / Sigma

P(-Zs) =

Ptotal = P(Zi) + P(-Zs)

d) Determinar el Cp
Cp = (LSE LIE) / 6*sigma
e) Determinar el Cpk
Cpk = menor de las Zi y Zs en valor absoluto / 3 =
f) Determinar el Cpm
T es el centro de las especificaciones

C pm

Cp
1V 2

LSE LIE
6 2 ( T ) 2

g) Determinar el Cpkm

C pkm

Cpk
T
1

h) Establecer conclusiones de los resultados anteriores

Pgina 1 de 28

P.

EJERCICIOS FASE DE MEDICIN SEIS SIGMA BB

Reyes / Abril 2009
2. Determinar los ndices de capacidad y de desempeo del proceso
siguiente:
FlashRe
cov
4.49
4.89
4.69
5.14
4.80
4.12
3.70
4.00
3.80
3.99
5.68
5.88
5.73
5.83
5.95
4.81
4.56
4.78
4.97
4.85

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

Los lmites de especificacin son LSE = 8 , LIE = 3.5

Hacer una carta de control I MR
a) Determinar la desviacin estndar del proceso (Within)

R
d2

con d2 = 1.128

b) Determinar los lmites de tolerancia natural del proceso

LTNS = Media de medias + 3*sigma; LTNI = Media de medias 3*sigma
c) Determinar la fraccin defectiva o porcentaje fuera de especificaciones
Zi = (LIE Media) / Sigma
P(Zi) =

Zs = Zs = (LSE Media) / Sigma

P(-Zs) =

Ptotal = P(Zi) + P(-Zs)

d) Determinar el Cp

Pgina 2 de 28

P.

EJERCICIOS FASE DE MEDICIN SEIS SIGMA BB

Reyes / Abril 2009
Cp = (LSE LIE) / 6*sigma
e) Determinar el Cpk
Cpk = menor de las Zi y Zs en valor absoluto / 3 =
f) Determinar el Cpm
T es el centro de las especificaciones

C pm

Cp
1V

LSE LIE
6 2 ( T ) 2

g) Determinar el Cpkm

Cpk

C pkm

T
1

h) Establecer conclusiones de los resultados anteriores (ref. 1.33)

i. Determinar el valor de la desviacin estndar de largo plazo (Overall)

(X
i 1

X )2

n 1

C4

4(n 1)
4n 3

LT

S
C4

j. Determinar el ndice de desempeo potencial

Pp

LSE LIE
6 LT

k. Determinar la fraccin defectiva equivalente

Zs

LSE X
LT

ZI

LIE X
LT
Pgina 3 de 28

P.

EJERCICIOS FASE DE MEDICIN SEIS SIGMA BB

Reyes / Abril 2009

P(Zi) =

P.

P(-Zs) =

Ptotal = P(Zi) + P(-Zs)

l. Determinar el ndice de desempeo potencial

Pp

LSE LIE
6 LT

m. determinar el ndice de desempeo real

Ppk

menor Z I , Z S
3

n. Establecer conclusiones (ref. 1.33)

CAPACIDAD Y DESEMPEO DE PROCESOS EN MINITAB
3. Realizar un estudio:
a. Generar 100 datos aleatorios en Minitab con Media = 264.6 y Desviacin
estndar S = 32.02 con
1. Calc > Random data > Normal
2. Generate 100 Store in columns C1

Mean 264.06 Estndar

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

Seleccionar Ryan Joiner test OK

c. Prueba de normalidad con intervalo de confianza

1. Graph > Probability plot > Normal
2. Graph Variable C1
3. Distribution Normal OK
d. Capacidad y desempeo del proceso
1. Stat > Quality tools > Capability anlisis > Normal
2. Single column C1 Subgroup size 1 Lower Spec 200 Upper
spec 330

Pgina 4 de 28

EJERCICIOS FASE DE MEDICIN SEIS SIGMA BB

Reyes / Abril 2009

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

EJERCICIOS FASE DE MEDICIN SEIS SIGMA BB

Reyes / Abril 2009

17

18

19

20

202. 204. 202.

2
4
1
194.
208.
1
211
4
204. 201. 208.
8
3
4
200. 202. 204.
6
3
3

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

a) Apilar todas las columnas

Data > Stack > Columns
Stack the following columns todas
Column of current worksheet seleccionar una vaca Total

b) Hacer un histograma con la columna total

Graph > Histogram: Simple
c) Agrupar las columnas de la mquina 1
Data > Stack > Columns C3-C6 Mquina1
d) Agrupar las columnas de la mquina 2
Data > Stack > Columns C7-C10 Mquina2
e) Hacer histogramas similares al realizado con la columna de total
f) Comparar y sacar conclusiones
g) qu se puede concluir si se acepta como normal un peso de 210 +- 10
gramos?
Stat > Quality tools > Capability analysis (normal)
Variable Total
Sample size 1
LSL 200 USL 220
OK
5. Se representa la humedad de 20 paquetes de un producto tomado
durante varios das a la semana:
marte
lunes
s
mierc

jueve
s

viern
es

Pgina 6 de 28

EJERCICIOS FASE DE MEDICIN SEIS SIGMA BB

Reyes / Abril 2009
8.2
8.36
8.37
8.52
8.05
8.76
8.51
8.18
8.52
8.64
8.83
8.35
8.48
8.34
8.51
8.08
8.15
8.15
8.68
8.79

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

a) Apilar todas las columnas agregando una columna de ndices

Data > Stack > Columns
Stack the following columns lunes-viernes
Column of current worksheet semana
Store subscripts in Dia
seleccionar Use variable names in subscript column
OK

b) Hacer un diagrama de datos de la semana ver si el proceso es estable

Graph > Time Series Plot: Simple
Series semana
OK

c) Distinguir el da de la semana en que ocurrieron los resultados

Graph > Time Series plot: With Groups
Series Semana
Categorical variables for grouping Dia
OK

Pgina 7 de 28

P.

EJERCICIOS FASE DE MEDICIN SEIS SIGMA BB

Reyes / Abril 2009

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:

c) Obtener un histograma para la llenadora 2

d) Obtener un diagrama de caja para la llenadora 2

e) Obtener un diagrama de tallo y hojas para ambas

Con los datos completos

f) Encontrar la proporcin de pesos que se encuentran
entre 900 y 1000 grs.

Pgina 8 de 28

EJERCICIOS FASE DE MEDICIN SEIS SIGMA BB

Reyes / Abril 2009

P.

g) Encontrar la proporcin de pesos menores a 850 grs.

h) Encontrar la proporcin de pesos mayores a 1,050 grs.

i) Encontrar la proporcin de pesos menores a 880 grs. Y mayores a 1020

grs.
j) Con Excel, si los lmites de especificacin son LIE = 850 y LSE = 1,050
determinar la capacidad del proceso total y para cada una de las mquinas:
determinar la fraccin
defectiva, Cp y Cpk utilizando la desviacin estndar estimada de corto
plazo (Within)
cuando no hay cambios y el proceso en control.

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

EJERCICIOS FASE DE MEDICIN SEIS SIGMA BB

Reyes / Abril 2009

P.

cuando ya ocurrieron todos los cambios, no importa que el proceso no est

en control:

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 =

CAPACIDAD DE PROCESOS NO NORMALES

7. Realizar el estudio:
a. Generar 100 datos aleatorios en Minitab con Factor de forma = 1, Factor
de escala = 1 con
1. Calc > Random data > Weibull
2. Generate 100 Store in columns C1

Shape parameter 1.2

Scale parameter 1 Threshold parameter 0 OK

Considerando Lmites de especificaciones LIE = 0 y LSE = 3.5
b. Determinar la capacidad con:
1. Stat > Quality tools > Capability anlisis > NonNormal
2. Single column C1 Distribution Weibull Lower Spec 0 Upper
spec 3.5
3. OK
c. Establecer conclusiones
8. Transformacin de Box Cox para normalizar los datos
Por ejemplo para el archivo Tiles.mtw:
1. File > Open worksheet Tiles.mtw

Pgina 10 de 28

EJERCICIOS FASE DE MEDICIN SEIS SIGMA BB

Reyes / Abril 2009

P.

2. Stat > Control Charts > Box Cox transformation

3. Data are arranged as Single column Torcedura (Warping) Subgroup size
1
4. Store transformed data in: TorceduraTransf
5. Options: P value to select best fit 0.10
OK
Anotar el Ppk obtenido:
9. Transformacin de Johnson para normalizar los datos
1. File > Open worksheet Tiles.mtw
2. Stat > Quality Tools > Johnson Transformation
3. All observations in a column Torcedura (Warping) Subgroup size 1
4. Options: Store transformed data in: TorceduraTransf
5. OK
10. Ajuste con otras distribuciones de probabilidad
Otra opcin es identificar una funcin a la que se ajusten los datos, para que
con esta se determine la capacidad del proceso:
1. File > Open worksheet Tiles.mtw
2. Stat > Quality Tools > Individual Distribution Identification
3. Data are arranged as single column Warping
4. Subgroup size 1
Seleccionar Use all distributions
5. OK
11. Capacidad de proceso utilizando otras distribuciones de
probabilidad
Stat > Quality Tools > Individual Distribution Identification
3. Data are arranged as single column Warping
4. Subgroup size 1
DISTRIBUCIONES DE PROBABILIDAD DISCRETAS
12. El 20% de los choferes son mujeres, si se seleccionan 20 al azar para
una encuesta:
Usando la distribucin binomial y la distribucin de Poisson
a) Cul es la probabilidad de que dos choferes sean mujeres ?
b) Cul es la probabilidad de que al menos cuatro sean mujeres?
13. Se tienen 60 ejecutivos de cuenta en un call center, estn ocupados en
promedio el 30% del tiempo, si 3 clientes llaman la probabilidad de que
estn ocupadas es mayor al 50%? Usar Poisson o binomial

Pgina 11 de 28

EJERCICIOS FASE DE MEDICIN SEIS SIGMA BB

Reyes / Abril 2009

P.

14. De 9 empleados diurnos slo 6 estn calificados para hacer su trabajo, si

se seleccionan aleatoriamente 5 de los 9 empleados, Cul es la probabilidad
hipergeomtrica de que:
a) Los 5 estn calificados
b) 4 estn calificados
c) Por lo menos 3 estn calificados

DISTRIBUCIONES DE PROBABILIDAD CONTINUAS

15. Sea X el tiempo entre dos solicitudes de servicio sucesivas a un
departamento, si X tiene una distribucin exponencial con media = 10,
calcular:
a) El tiempo esperado entre dos solicitudes sucesivas.
b) P(X<=15)
c) P(8<=X<=14)
16. Las falla de los ventiladores de un equipo tiene un tiempo promedio de
25,000 Horas, con desviacin estndar de 3,000 horas cul es la
probabilidad de que
a) Un ventilador seleccionado al azar dure por lo menos 20,000 horas?
b) A lo sumo 30,000 horas?
c) Entre 20,000 y 30,000 horas?
17. Un fabricante de equipos electrnicos ofrece un ao de garanta. Si el
equipo falla en ese periodo por cualquier razn se reemplaza. El tiempo
hasta una falla est modelado por la distribucin exponencial (X en aos):
F(x) =1- exp(-0.125*x)
a) Qu porcentaje de los equipos fallarn dentro del periodo de garanta?
b) El costo de fabricacin del equipo es de $500 y la ganancia es de $250
Cul es el efecto de la garanta por reemplazo sobre la ganancia en 100
equipos?

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

EJERCICIOS FASE DE MEDICIN SEIS SIGMA BB

Reyes / Abril 2009

P.

a) Para un modelo lineal:

1 Open Worksheet EMPLOY.MTW.
2 Ejecutar Stat > Time Series > Trend Analysis.
3 En Variable, poner Trade.
4 En Model Type, seleccionar Linear
5 Seleccionar Generate forecasts y poner 12 en Number of forecasts.
6 Seleccionar Storage .
7 Seleccionar Fits (Trend Line), Residuals (detrended data), y
Forecasts. Seleccionar OK en cada dilogo.
b) Para un modelo cuadrtico
1 Open Worksheet EMPLOY.MTW.
2 Ejecutar Stat > Time Series > Trend Analysis.
3 En Variable, poner Trade.
4 En Model Type, seleccionar Quadratic.
5 Seleccionar Generate forecasts y poner 12 en Number of forecasts.
6 Seleccionar Storage .
7 Seleccionar Fits (Trend Line) , Residuals (detrended data), y
Forecasts. Seleccionar OK en cada dilogo.
Interpretar los resultados (ver pgina 11 de series de tiempo)

Predecir con un modelo de media mvil

19. Se desea predecir el empleo durante los prximos 6 meses en el
segmento de metales con los datos de los ltimos 60 meses. Se usa el
mtodo de promedio mvil si no se tienen patrones bien definidos de
tendencia o estacionalidad en los datos.
1 File > Open worksheet EMPLOY.MTW.
2 Seleccionar Stat > Time Series > Moving Average.
3 En Variable, seleccionar Metals. En MA length, poner 3.
4 Seleccionar Center the moving averages.
5 Seleccionar Generate forecasts, y poner 6 en Number of forecasts.
Click OK.
Interpretar los resultados
MTODOS DE SUAVIZACIN EXPONENCIAL

Suavizamiento exponencial simple

20. Se desea predecir el empleo durante los prximos 6 meses en el
segmento de metales con los datos de los ltimos 60 meses. Se usa el
mtodo de promedio mvil si no se tienen patrones bien definidos de
tendencia o estacionalidad en los datos.
1

File > Open worksheet EMPLOY.MTW.

Pgina 13 de 28

EJERCICIOS FASE DE MEDICIN SEIS SIGMA BB

Reyes / Abril 2009

P.

2 Seleccionar Stat > Time Series > Single Exp Smoothing.

3 En Variable, poner Metals.
4 Seleccionar Generate forecasts, y 6 en Number of forecasts. Click
OK.
Interpretar los resultados:

Suavizamiento exponencial doble

21. El suavizamiento exponencial doble emplea un componente de nivel y
un componente de tendencia en cada uno de los periodos. Usa dos pesos, o
parmetros de suavizacin, actualiza los componentes cada periodo.
1
2
3
4

File > Open worksheet EMPLOY.MTW.

Seleccionar Stat > Time Series > Double Exp Smoothing.
En Variable, poner Metals.
Seleccionar Generate forecasts, y 6 en Number of forecasts. Click OK.

Interpretar los resultados :

Promedio mvil
0.2553 Es mejor
Exponencial simple 0.4296
Exponencial doble 0.4679

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:

Interpretar los resultados

Mtodo de ARIMA
Prueba de autocorrelacin de los datos
23. Se desea predecir el empleo para los siguientes seis meses en la
industria alimenticia usando datos colectados sobre los ltimos 60 meses,

Pgina 14 de 28

EJERCICIOS FASE DE MEDICIN SEIS SIGMA BB

Reyes / Abril 2009

P.

se utiliza el modelo de autocorrelacin para identificar el modelo ARIMA

adecuado.
1
2
3
4
5

File > Open worksheet EMPLOY.MTW.

Ejecutar Stat > Time Series > Differences.
En Series, poner Food.
En Store differences in, poner Food2.
En Lag, poner 12 . OK.

6 Ejecutar Stat > Time Series > Autocorrelation.

7 En Series, poner Food2. OK.
24. Se obtiene una funcin de autocorrelacin parcial (PACF) de los datos
de empleo anteriores, despus de tomar una diferencia del valor anterior 12
para determinar el modelo ARIMA ms adecuado.
Las instrucciones de Minitab son las siguientes:
1
2
3
4
5
6
7

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

EJERCICIOS FASE DE MEDICIN SEIS SIGMA BB

Reyes / Abril 2009

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

EJERCICIOS FASE DE MEDICIN SEIS SIGMA BB

Reyes / Abril 2009

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

Si las horas de falla siguen la distribucin exponencial, estimar las funciones

de densidad de probabilidad, funcin de distribucin acumulada, funcin de
confiabilidad y funcin de riesgo.
La funcin de densidad es:
1

t
1
f (t )
e 133.43
133.43

La funcin de distribucin acumulada es la siguiente:

F (t ) 1 e

1
t
133.43

La probabilidad de que los componentes fallen antes de las 20 (x1,000)

horas es:
F(20) = 0.139
La funcin de confiabilidad es la siguiente:

R (t ) e

1
t
133.43

Y la funcin de riesgo es:

Pgina 17 de 28

EJERCICIOS FASE DE MEDICIN SEIS SIGMA BB

Reyes / Abril 2009

h (t )

P.

1
133.43

27. Se prueban seis unidades similares en un estudio de confiabilidad, las

cuales presentaron fallas como sigue:
Tiempo
de
falla
(Hrs.) t
16
34
53
75
93
120

Orden de
fallas, i

1
2
3
4
5
6

Utilizando Minitab con las siguientes instrucciones:

1. Stat > Reliability / Survival > Distribution analysis (Right sensoring)

> Parametric distribution analysis
2. Variables t; Assumed distribution Weibull
3. Graphs seleccionar Survival, Cumulative failure plot, hazard plot
Estimate: estimate probabilities for this times
15 seleccionar
Survival probabilities
OK
a) Comprobar el ajuste de la distribucin de Weibull
b) Determinar el MTBF
c) Determinar las funciones de sobrevivencia, de falla y de tasa de riesgo
d) Determinar la probabilidad de supervivencia a las 15 horas

Caso de unidades censuradas (Mtodo de Kaplan Meier)

28. Se prueban seis unidades similares en un estudio de confiabilidad, las
cuales presentaron fallas con algunas unidades censuradas como sigue
como sigue:
Tiempo
de
falla (Hrs.) t
16
34
40
40

Censurad
o
0
0
1
1

Pgina 18 de 28

EJERCICIOS FASE DE MEDICIN SEIS SIGMA BB

Reyes / Abril 2009
53
75
85
90
93
120

P.

0
0
1
1
0
0

1. Stat > Reliability / Survival > Distribution analysis (Right

sensoring) > Parametric distribution analysis
2. Variables Tiempo; Assumed distribution Weibull
3. Censor > Censoring columns Censurado Censoring value 1
4. Estimate: Seleccionar Maximum Likelihood y Estimate
probabilities for this time 15
5. Graphs: Seleccionar Prob. Plot, Survival Plot, Cumulative
failure plot, Hazard plot, Confidence intervals for above plots
Show in separate panels on the same graph
OK
Anlisis no paramtrico
29. Cuando no se conoce la forma de la distribucin que ajusta los datos de
vida de los equipos o componentes, se pueden utilizar pruebas no
paramtricas como sigue:

1. Stat > Reliability / Survival > Distribution analysis (Right

sensoring) > Nonparametric distribution analysis
2. Variables Tiempo;
3. Censor > Censoring columns Censurado Censoring value 1
4. Estimate: Seleccionar Estimation Method Kaplan Meier 15
5. Graphs: Seleccionar Survival Plot, Cumulative failure plot,
OK
Varios tipos de falla

30. Los datos de la tabla siguiente son esfuerzos de ruptura de 20

conexiones de cable, con un extremo sujeto sobre un borne y el otro
al poste Terminal. Cada falla consiste en la ruptura del alambre (modo
de falla 1 = A) o de la sujecin (modo de falla 2 = S). En este caso el
esfuerzo hace las veces de tiempo de falla:
Esfuerzo
550
750
950
950
1150

Modo
falla
S
A
S
A
A

de

Pgina 19 de 28

EJERCICIOS FASE DE MEDICIN SEIS SIGMA BB

Reyes / Abril 2009
1150
1150
1150
1150
1250
1250
1350
1450
1450
1450
1550
1550
1550
1850
2050

P.

S
S
A
A
S
S
A
S
S
A
S
A
A
A
S

Interesa estudiar la distribucin del esfuerzo de las conexiones,

considerando que se requiere que menos del 1% debe tener un
esfuerzo menor a 500 g. O sea que al menos el 99% de las
conexiones resista un esfuerzo de mayor a 500 g. Se desea estimar el
esfuerzo que resultara de eliminar uno de los modos de falla.
a) Primero se hace un anlisis sin distinguir los modos de falla,
identificando la distribucin que ajuste a los datos:
Con Minitab:
1. Stat > Reliability / Survival > Distribution analysis (right censoring)
> Distribution ID Plot
2. En Variables Esfuerzo Use all distributions (Weibull, Lognormal,
Exponential, Normal)
3. Options > Estimation Maximum likelihood
4. OK
b) Determinacin de la confiabilidad
Haciendo un anlisis de confiabilidad considerando los dos tipos de falla se
tiene:
Instrucciones de Minitab:;
1. Stat > Reliability / Survival > Distribution analysis (right
censoring) > Parametric Distribution Analysis
2. En Variables Esfuerzo Assumed distribution - Weibull
3. Estimate: Estimation Method Maximum Likelihood y Estimate
probabilities for this values 500
4. Graphs: Probability plot y Survival plot
OK
Pgina 20 de 28

EJERCICIOS FASE DE MEDICIN SEIS SIGMA BB

Reyes / Abril 2009

P.

c) Obteniendo el anlisis separado por modo de falla se tiene:

Instrucciones de Minitab:
1. Stat > Reliability / Survival > Distribution analysis (right
censoring) > Parametric Distribution Analysis
2. En Variables Esfuerzo By Variable Modo de falla Assumed
distribution - Weibull
3. Estimate: Estimation Method Maximum Likelihood y Estimate
probabilities for this values 500
4. Graphs: Probability plot y Survival plot
OK

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:

Si el producto se rediseara para tener solo 20 componentes, la

confiabilidad sera de Rs =

Sistema con componentes en serie

32. Considere 4 componentes A, B, C y D de un producto conectados en
paralelo, con confiabilidades de 0.93, 0.88, 0.88 y 0.92 respectivamente, la
confiabilidad total es:

Pgina 21 de 28

EJERCICIOS FASE DE MEDICIN SEIS SIGMA BB

Reyes / Abril 2009

( 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

EJERCICIOS FASE DE MEDICIN SEIS SIGMA BB

Reyes / Abril 2009

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

36. El MTTR de un sistema se determina con la ecuacin:

n

i ti

MTTR= i=1n

i
i=1

Donde: n = Nmero de subsistemas

i = Tasa de falla del subsistema i
Ti = Tiempo para reparar el subsistema i
Por ejemplo:
En un equipo con 4 secciones de calentamiento reparables con las
siguientes tasas de falla. Determinar el MTTR del sistema:
Seccin de
calor

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 =

EJERCICIOS FASE DE MEDICIN SEIS SIGMA BB

Reyes / Abril 2009

P.

37. Considerar la probabilidad de restauracin si el tiempo de

reparacin del sistema sigue una distribucin exponencial con una
tasa de reparacin Mu y MTTR = 1/ Mu.

Si se tienen t = 10 horas para reparar el sistema:

M(t) = 1 exp(-t/MTTR) =
38. Abajo se listan los datos de la bitcora de reparacin de cierta mquina.
Determinar si se apegan a una distribucin lognormal:
Rep
1.2
3.2
1.7
1.5
0.5
6
0.3
1.1
0.4
1.6
1.7
1.8
7.2
10.2
0.2
0.8
3.1
3.6
2.5
1.3
En Minitab:
1. Stat > Reliability / Survival > Distribution Analysis (Right
sensoring)> Distribution ID Plot
2. Variables Rep
3. Seleccionar Use All distributions
4. Options seleccionar Maximum Likelihood
5. OK
ANALISIS DE CONFIABILIDAD

Pgina 24 de 28

EJERCICIOS FASE DE MEDICIN SEIS SIGMA BB

Reyes / Abril 2009

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

El histograma de los MTTR es:

Con Minitab:
1. Graph > Histogram > Simple
2. Variable Rep
3. OK
DISPONIBILIDAD INHERENTE
39. Esto es muy similar a la funcin de la confiabilidad en que da una
probabilidad que un sistema funcione en el tiempo dado, t. es la
disponibilidad en estado esttico.

+=

MTBF
MTBF + MTTR

A I=

Pgina 25 de 28

EJERCICIOS FASE DE MEDICIN SEIS SIGMA BB

Reyes / Abril 2009

P.

1/MTBF = Tasa de falla

1/MTTR = Tasa de reparacin
Ejemplo:
Un sistema tiene un MTBF de 2080 horas y un MTTR de 10 horas. Cul es la
disponibilidad inherente del sistema?
40. La disponibilidad lograble promedio es la proporcin de tiempo
durante una misin o un perodo de tiempo en que el sistema est
disponible para el uso.
Es ms realista ya que toma en cuenta el mantenimiento preventivo y
correctivo. Como en la anterior considera que la reparacin inicia
inmediatamente despus de ocurrir la falla sin tiempos de espera.

A A=

MTBMA
MTBMA + MMT

Donde: MTBMA es el tiempo promedio entre acciones de mantenimiento ya

sean preventivos o correctivos
MMT es el tiempo promedio de accin de mantenimiento, compuesto
por los efectos del mantenimiento preventivo y correctivo.

MMT =

FcMct+ FpMpt
Fc+ Fp

Donde: Fc es el nmero de acciones de mantenimiento correctivo por cada

1000 horas
Fp es el nmero de acciones de mantenimiento preventivo por cada
1000 horas
Mct es el tiempo activo promedio para mantenimiento correctivo
(MTTR)
Mpt es el tiempo activo promedio para mantenimiento preventivo
Por ejemplo:
Un sistema tiene un MTBMA de 110 horas, Fc de 0.5, Fp de 1, Mct de 2 horas
y Mpt de 1 hora. Cul es el valor de Aa?
41. La disponibilidad operacional es una medida de la disponibilidad media
durante el tiempo e incluye todas las fuentes experimentadas del tiempo
muerto, tales como tiempo muerto administrativo, tiempo muerto logstico,
etc.

Pgina 26 de 28

EJERCICIOS FASE DE MEDICIN SEIS SIGMA BB

Reyes / Abril 2009

AO=

P.

MTBMA
MTBMA + MDT

Donde: MDT es el tiempo muerto promedio

Ejemplo:
Un sistema tiene un MTBMA de 168 horas y un MDT de 4 horas. Cul es la
Ao?

Pgina 27 de 28

EJERCICIOS FASE DE MEDICIN SEIS SIGMA BB

Reyes / Abril 2009
42.Mediciones para Seis Sigma

Pgina 28 de 28

P.