Professional Documents
Culture Documents
INTEGRANTES
DOCENTE
ASIGNATURA
Control Estadístico
CARTAGENA DE INDIAS
D.T y C
28/08/2018
EJERCICIO 9
En una fábrica de ropa se tiene el propósito de reducir el número de defectos en las prendas
de vestir, por lo que se considera necesario identificar el defecto más importante y atacar la
causa fundamental del mismo. En la tabla 10.4 se muestran los defectos encontrados en las
prendas de vestir fabricadas en dos semanas.
Tabla 10.4 Defectos en las prendas de vestir, 1o, al 15 de febrero.
Turno C: Costura, O: Corte, M: Montaje, H: Hilo, T: Tela
HTCMHTHOMHTHCHOTHOHMHCHOCCCHMMOHH
1
TOT
MHMOCMHHTOHMHTHHTMHMHCOMOMHHOCTOC
2
MOTMH
HHMHTHOHOHHHMHTCHOHCHHHHOMHHHMHOO
3
HMHOCTHHOHHHOH
a) Haga un Pareto de primer nivel para encontrar cuál de los defectos es el más importante.
Frecuencia acumulada
𝑁1 = 𝑓1
𝑁1 = 52
𝑁2 = 𝑓1 + 𝑓2
𝑁2 = 52 + 22
𝑁2 = 74
𝑁3 = 𝑓1 + 𝑓2 + 𝑓3
𝑁3 = 52 + 22 + 20
𝑁3 = 94
𝑁4 = 𝑓1 + 𝑓2 + 𝑓3 + 𝑓4
𝑁4 = 52 + 22 + 20 + 14
𝑁4 = 108
𝑁5 = 𝑓1 + 𝑓2 + 𝑓3 + 𝑓4 + 𝑓5
𝑁5 = 52 + 22 + 20 + 14 + 13
𝑁5 = 121
Frecuencia porcentual
𝑓%1 = 𝑓𝑟1 × 100
52
𝑓%1 = × 100
121
𝑓%1 = 42.97521%
Pareto nivel 1
100%
120
100
80%
Porcentaje acumulado
80
Frecuencia
60%
60
40%
40
20%
20
0%
0
Corte
Hilo
Tela
Costura
Montaje
En el diagrama se puede apreciar que el defecto Hilo en las prendas de vestir es el más
frecuente (de mayor impacto), ya que representa el 43% del total de los defectos y posterior
a este se encentra el corte y montaje.
(Pareto nivel 2) de R
library(qcc)
defecto<-c(52,22,20,14, 13)
names(defecto)<-c("Hilo","Corte","Montaje","Tela","Costura")
pareto.chart(defecto,cumperc = seq(0, 100, by = 10), main= "Pareto nivel 1", ylab=
"Frecuencia", ylab2= "Porcentaje acumulado")
𝑁3 = 𝑓1 + 𝑓2 + 𝑓3
𝑁3 = 27 + 13 + 12
𝑁3 = 52
Frecuencia porcentual
𝑓%1 = 𝑓𝑟1 × 100
27
𝑓%1 = × 100
52
𝑓%1 = 51.92308%
Pareto nivel 2
Pareto nivel 2
100%
50
80%
40
Porcentaje acumulado
Frecuencia
60%
30
40%
20
20%
10
0%
0
Turno 3
Turno 1
Turno 2
Se puede observar que el turno 3 es en el que más se presentan defecto del tipo (Hilo) y
posterior a este el turno 1.
(Pareto nivel 2) de R
library(qcc)
defecto<-c(13,12,27)
names(defecto)<-c("Turno 1","Turno 2","Turno 3")
pareto.chart(defecto,cumperc = seq(0, 100, by = 10), main= "Pareto nivel 2", ylab=
"Frecuencia", ylab2= "Porcentaje acumulado")
c) ¿Cuáles son las pistas principales para reducir los defectos en las prendas de vestir?
Analizando los resultados del diagrama de Pareto en el cual se identificó que el principal
problema en las prendas de vestir es el hilo el cual se manifiesta más en el turno 3. Se propone
para reducir los defectos supervisar cada operación, ya que se presentan defectos todas y
enfatizar en las pocas vitales.
Para el principal defecto(hilo) se recomienda:
Identificar si se está utilizando el hilo adecuado para cada tipo de prenda o por el
contrario se está utilizando en una prenda un tipo de hilo que no corresponde. Si es el
caso, se plantea una clasificación y capacitación al personal operativo responsables
en el área del modo de empleo del tipo de hilo según la prenda.
Llevar a cabo seguimiento y evaluación a los proveedores para verificar si se está
suministrando debidamente los tipos de hilos solicitado, lo que quiere decir que
cumplen con las características de calidad solicitadas y los tipos solicitados.
EJERCICIO 10
En una fábrica de válvulas se está buscando reducir la cantidad de piezas defectuosas. Cada
molde está divido en tres zonas, cada una de las cuales incluye dos piezas. Como punto de
partida se recaban datos mediante la hoja de verificación de la tabla 10.5, en la cual se
especifica el tipo de problemas, el producto de la zona del molde. La tabla 10.5 muestra los
datos obtenidos en dos semanas.
Tabla 10.5 Datos para el ejercicio 10.
Producto Zona 1 Zona 2 Zona 3
ooo ooooo oooooooooo
A1 xxx xx xxxxxx
++ ++// /
oooo ooooo ooooooooo
A2 xx xxxxx xxxxxxx
+++/ / ++
ooooo oooo oooooooo
x xxx xxxxx
A3
+ ++ /
𝑁2 = 𝑓1 + 𝑓2
𝑁2 = 75 + 44
𝑁2 = 119
𝑁3 = 𝑓1 + 𝑓2 + 𝑓3
𝑁3 = 74 + 44 + 18
𝑁3 = 137
𝑁4 = 𝑓1 + 𝑓2 + 𝑓3 + 𝑓4
𝑁4 = 75 + 44 + 18 + 9
𝑁4 = 146
Frecuencia porcentual
𝑓%1 = 𝑓𝑟1 × 100
52
𝑓%1 = × 100
121
𝑓%1 = 42.97521%
Pareto nivel 1
Pareto nivel 1
100%
80 100 120 140
80%
porcentaje acumulado
60%
frecuencia
40%
60
40
20%
20
0%
0
llenado
maquinados
ensamble
porosidad
En diagrama se puede apreciar que el defecto porosidad en las piezas de válvulas es el más
frecuente (de mayor impacto), ya que representa el 51% del total de los defectos y posterior
a este se encentra el llenado.
(Pareto nivel 1) de R
library(qcc)
defectos<-c(75,44,18,9)
names(defectos)<-c("porosidad","llenado","maquinados","ensamble")
pareto.chart(defectos, cumperc = seq(0, 100, by = 10), main= "Pareto nivel
1",ylab="frecuencia", ylab2="porcentaje acumulado")
Frecuencia acumulada
𝑁1 = 𝑓1
𝑁1 = 70
𝑁2 = 𝑓1 + 𝑓2
𝑁2 = 70 + 41
𝑁2 = 111
𝑁3 = 𝑓1 + 𝑓2 + 𝑓3
𝑁3 = 70 + 41 + 35
𝑁3 = 146
Frecuencia porcentual
𝑓%1 = 𝑓𝑟1 × 100
70
𝑓%1 = × 100
146
𝑓%1 = 47.94521%
Pareto nivel 2
Pareto nivel 2
100%
100 120 140
80%
porcentaje acumulado
60%
frecuencia
80
40%
60
40
20%
20
0%
0
Zona 3
zona 2
Zona 1
Se puede observar que en la zona 3 es en el que más se presentan defecto del tipo (porosidad)
y posterior a este se encuentra la zona 2.
(Pareto nivel 2) de R
library(qcc)
defectos<-c(35,41,70)
names(defectos)<-c("Zona 1", "zona 2", "Zona 3")
pareto.chart(defectos,cumperc = seq(0, 100, by = 10), main= "Pareto nivel 2",
ylab="frecuencia", ylab2="porcentaje acumulado")
a) Haga un análisis de Pareto e identifique sobre qué equipo(s) se debe enfocar más la acción
de mantenimiento.
Tabla de valores
Líneas Tiempo
101 407
101.5 157
102 808
103 423
103.5 409
104 35
105 558
106.5 165
107 30
108 330
109 66
Frecuencia acumulada
𝑁1 = 𝑓1
𝑁1 = 808
𝑁2 = 𝑓1 + 𝑓2
𝑁2 = 808 + 558
𝑁2 = 1366
𝑁3 = 𝑓1 + 𝑓2 + 𝑓3
𝑁3 = 808 + 558 + 423
𝑁3 = 1789
𝑁4 = 𝑓1 + 𝑓2 + 𝑓3 + 𝑓4
𝑁4 = 808 + 558 + 423 + 409
𝑁4 = 2198
𝑁5 = 𝑓1 + 𝑓2 + 𝑓3 + 𝑓4 + 𝑓5
𝑁5 = 808 + 558 + 423 + 409 + 407
𝑁5 = 2605
𝑁6 = 𝑓1 + 𝑓2 + 𝑓3 + 𝑓4 + 𝑓5 + 𝑓6
𝑁6 = 808 + 558 + 423 + 409 + 407 + 264
𝑁6 = 2869
𝑁7 = 𝑓1 + 𝑓2 + 𝑓3 + 𝑓4 + 𝑓5 + 𝑓6 + 𝑓7
𝑁7 = 808 + 558 + 423 + 409 + 407 + 264 + 165
𝑁7 = 3034
𝑁8 = 𝑓1 + 𝑓2 + 𝑓3 + 𝑓4 + 𝑓5 + 𝑓6 + 𝑓7 + 𝑓8
𝑁8 = 808 + 558 + 423 + 409 + 407 + 264 + 165 + 157
𝑁7 = 3191
𝑁9 = 𝑓1 + 𝑓2 + 𝑓3 + 𝑓4 + 𝑓5 + 𝑓6 + 𝑓7 + 𝑓8 + 𝑓9
𝑁9 = 808 + 558 + 423 + 409 + 407 + 264 + 165 + 157+66
𝑁7 = 3257
𝑁10 = 𝑓1 + 𝑓2 + 𝑓3 + 𝑓4 + 𝑓5 + 𝑓6 + 𝑓7 + 𝑓8 + 𝑓9 +𝑓10
𝑁10 = 808 + 558 + 423 + 409 + 407 + 264 + 165 + 157+ 66 + 35
𝑁7 = 3292
Frecuencia porcentual
𝑓%1 = 𝑓𝑟1 × 100
808
𝑓%1 = × 100
3322
𝑓%1 = 24.322697%
Frecuencia
Frecuencia Frecuencia
Línea frecuencia porcentual
acumulada porcentual
acumulada
102 808 808 24.322697% 24.322697%
105 558 1366 16.797110% 41.119807%
103 423 1789 12.733293% 53.853101%
103.5 409 2198 12.311860% 66.164961%
101 407 2605 12.251656% 78.416616%
108 264 2869 7.9470199% 86.363636%
106.5 165 3034 4.9668874% 91.330524%
101.5 157 3191 4.7260686% 96.056592%
109 66 3257 1.9867550% 98.043347%
104 35 3292 1.0535822% 99.096929%
107 30 3322 0.9030704% 100%
Pareto completo
Pareto nivel 1
100%
80%
2500
Porcentaje acumulado
60%
Tiempo
1500
40%
20%
500
0%
0
Línea 102
Línea 105
Línea 103
Línea 101
Línea 108
Línea 109
Línea 104
Línea 107
Línea 103.5
Línea 106.5
Línea 101.5
Teniendo en cuenta el diagrama de Pareto, las líneas 102,105,103,103.5,101 necesitan
incrementar el mantenimiento de los equipos electrónicos para poder aumentar la calidad de
dichos productos, responder por más tiempo del que está establecido y por consiguiente
aumentar el rendimiento de la empresa.
(Pareto) de R
library(qcc)
defecto<-c(407,157, 808, 423, 409, 35, 558, 165, 30, 264, 66)
b) Haga un análisis descriptivo de los cien datos de tiempo caído (media, desviación estándar,
histograma) y comente los hechos más relevantes.
Media
𝑥1 + 𝑥2 +. . . 𝑥𝑛 ∑𝑛𝑖=1 𝑥𝑖
𝑥̅ = =
𝑛 𝑛
15 + 20 + 0 + 10 + 10 + 10 + 10 + 35 + 90 + 5 + 20 + 50 + 32 + 30 + 40 + 40 +
𝑥̅ =
100
35 + 45 + 50 + 10 + 2 + 15 + 11 + 10 + 30 + 15 + 40 + 20 + 15 + 28 + 181 + 25 +
10 + 5 + 30 + 50 + 5 + 0 + 5 + 135 + 10 + 20 + 35 + 20 + 5 + 13 + 20 + 65 +
90 + 5 + 25 + 98 + 20 + 15 + 10 + 30 + 1 + 18 + 15 + 11 + 45 + 55 + 40 + 55 +
0 + 0 + 38 + 72 + 15 + 34 + 15 + 30 + 65 + 20 + 30 + 11 + 40 + 15 + 15 + 4 +
Media en R
tiempo<-c(15, 20, 0, 10, 10, 10, 10, 35, 90, 5, 20, 50, 32, 30, 40, 40, 35, 45, 50, 10, 2, 15, 11,
10, 30, 15, 40, 20, 15, 28, 181, 25, 10, 5, 30, 50, 5, 0, 5, 135, 10, 20, 35, 20, 5, 13, 20, 65, 90,
5, 25, 98, 20, 15, 10, 30, 1, 18, 15, 11, 45, 55, 40, 55, 0, 0, 38, 72,15 , 34, 15, 30, 65 , 20, 30,
11, 40, 15, 15, 4, 30, 65, 150, 30, 110, 15, 40, 90, 30, 10, 20, 85, 160, 38, 20, 30, 60, 15, 15,
5)
length(tiempo)
mean(tiempo)
Mediana
0, 0, 0, 0, 1, 2, 4, 5, 5, 5, 5, 5, 5, 5, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 11, 11, 11, 13, 15,
15, 15, 15, 15, 15, 15, 15, 15, 15, 15, 15, 15, 18, 20, 20, 20, 20, 20, 20, 20, 20, 20, 20, 25, 25,
28, 30, 30, 30, 30, 30, 30, 30, 30, 30, 30, 32, 34, 35, 35, 35, 38, 38, 40, 40, 40, 40, 40, 40, 45,
45, 50, 50, 50, 55, 55, 60, 65, 65 , 65, 72, 85, 90, 90, 90, 98, 110, 135, 150, 160, 181
20 + 20
𝑀𝑒 = = 20
2
Mediana en R
tiempo<-c(15, 20, 0, 10, 10, 10, 10, 35, 90, 5, 20, 50, 32, 30, 40, 40, 35, 45, 50, 10, 2, 15, 11,
10, 30, 15, 40, 20, 15, 28, 181, 25, 10, 5, 30, 50, 5, 0, 5, 135, 10, 20, 35, 20, 5, 13, 20, 65, 90,
5, 25, 98, 20, 15, 10, 30, 1, 18, 15, 11, 45, 55, 40, 55, 0, 0, 38, 72,15 , 34, 15, 30, 65 , 20, 30,
11, 40, 15, 15, 4, 30, 65, 150, 30, 110, 15, 40, 90, 30, 10, 20, 85, 160, 38, 20, 30, 60, 15, 15,
5)
length(tiempo)
median(tiempo)
Desviación estándar
S=34.62727
Desviación estándar en R
tiempo<-c(15, 20, 0, 10, 10, 10, 10, 35, 90, 5, 20, 50, 32, 30, 40, 40, 35, 45, 50, 10, 2, 15, 11,
10, 30, 15, 40, 20, 15, 28, 181, 25, 10, 5, 30, 50, 5, 0, 5, 135, 10, 20, 35, 20, 5, 13, 20, 65, 90,
5, 25, 98, 20, 15, 10, 30, 1, 18, 15, 11, 45, 55, 40, 55, 0, 0, 38, 72,15 , 34, 15, 30, 65 , 20, 30,
11, 40, 15, 15, 4, 30, 65, 150, 30, 110, 15, 40, 90, 30, 10, 20, 85, 160, 38, 20, 30, 60, 15, 15,
5)
length(tiempo)
sd(tiempo)
Histograma
Histograma
60
50
40
Frecuencia
30
20
10
0
tiempo
Teniendo en cuenta la media (33.32) y la desviación (34.63) del histograma podemos ver
como la desviación tiene un factor de decremento con la media por lo cual podemos decir
que el mantenimiento de los equipos necesita una revisión a fondo de los tiempos.
Histograma en R
tiempo<-c(15, 20, 0, 10, 10, 10, 10, 35, 90, 5, 20, 50, 32, 30, 40, 40, 35, 45, 50, 10, 2, 15, 11,
10, 30, 15, 40, 20, 15, 28, 181, 25, 10, 5, 30, 50, 5, 0, 5, 135, 10, 20, 35, 20, 5, 13, 20, 65, 90,
5, 25, 98, 20, 15, 10, 30, 1, 18, 15, 11, 45, 55, 40, 55, 0, 0, 38, 72,15 , 34, 15, 30, 65 , 20, 30,
11, 40, 15, 15, 4, 30, 65, 150, 30, 110, 15, 40, 90, 30, 10, 20, 85, 160, 38, 20, 30, 60, 15, 15,
5)
length(tiempo)
mean(tiempo)
median(tiempo)
sd(tiempo)
c) De acuerdo con el análisis anterior, ¿hay datos que se pueden considerar atípicos?
Argumente.
Si hay datos que se puede considerar atípicos teniendo en cuenta que, en nuestro histograma,
en el cual aparecen una barra pequeña separada o aislada del resto, refleja la existencia de
valores atípicos. Estos datos atípicos se pueden haber dado por error de medición en el
tiempo.
esto se debe a los valores atípicos, que afectan debido a la asimetría a la derecha que se
puede ver en el histograma.
EJERCICIO18
Para los datos del ejercicio anterior, haga un análisis estratificado de tipo descriptivo para las
máquinas (líneas) que consumen mayor tiempo ¿Modifica esto de alguna forma sus
conclusiones del ejercicio anterior?
El análisis que se puede realizar en relación al ejercicio anterior es que existen líneas de
mantenimiento de los equipos de impresión que utilizan mayor cantidad de tiempo teniendo
como principal consumidora la línea 102. Una alternativa es que en el mantenimiento de los
equipos de impresión sean más agiles para intentar erradicar el tiempo caído. No modifica de
ninguna forma las conclusiones del ejercicio por lo que al igual que el mencionado el
problema de mayor impacto en el que se presenta con la línea 102.