1 Datos

Se dispone de datos relativos a la dureza de un compuesto termoplástico elaborado en un proceso industrial (datosx.RData en tu carpeta). En dicha elaboración se han probado distintas potencias de láser, así como velocidades de la cinta transportadora. Además se ha registrado cuál de los tres operadores disponibles ha realizado la medición correspondiente.

Se desea averiguar si el sistema de medida es fiable

REQUISITOS DE CALIDAD. La dureza óptima es de 12, no admitiéndose productos con una dureza inferior a 10 ni superior a 13.

2 Fiabilidad

Estudia la fiabilidad del sistema de medida respecto del operador (op), fijando tape en el nivel “fast” y considerando la variabilidad que reporta el cambiar la potencia del láser.

  1. Presenta y comenta los resultados del análisis. ¿Cuál es la magnitud de la variabilidad Gage y cómo la interpretas?
  2. ¿Qué consecuencias tendría encontrar problemas de reproducibilidad? ¿Se aprecian este tipo de problemas? Arguméntalo.
  3. ¿Qué consecuencias tendría encontrar problemas de repetitividad? ¿Se aprecian este tipo de problemas? Arguméntalo.

CON DATOS1

datos=datos1
datos.fil=filter(datos,tape=="fast")
my.rr <- ss.rr(var = resp, part =laser,
               appr =op,
               data = datos.fil,
               main = "Six Sigma Gage R&R",
               sub = "Datos1")
## Complete model (with interaction):
## 
##               Df Sum Sq Mean Sq F value Pr(>F)
## laser          2  130.6   65.29   6.680 0.0531
## op             2  184.1   92.06   9.419 0.0307
## laser:op       4   39.1    9.77   2.302 0.0668
## Repeatability 72  305.7    4.25               
## Total         80  659.5                       
## 
## alpha for removing interaction: 0.05 
## 
## 
## Reduced model (without interaction):
## 
##               Df Sum Sq Mean Sq F value   Pr(>F)
## laser          2  130.6   65.29   14.39 5.01e-06
## op             2  184.1   92.06   20.29 8.70e-08
## Repeatability 76  344.8    4.54                 
## Total         80  659.5                         
## 
## Gage R&R
## 
##                     VarComp %Contrib
## Total Gage R&R     7.778643    77.56
##   Repeatability    4.537184    45.24
##   Reproducibility  3.241459    32.32
##     op             3.241459    32.32
## Part-To-Part       2.250200    22.44
## Total Variation   10.028843   100.00
## 
##                     StdDev StudyVar %StudyVar
## Total Gage R&R    2.789022 16.73413     88.07
##   Repeatability   2.130067 12.78040     67.26
##   Reproducibility 1.800405 10.80243     56.85
##     op            1.800405 10.80243     56.85
## Part-To-Part      1.500067  9.00040     47.37
## Total Variation   3.166835 19.00101    100.00
## 
## Number of Distinct Categories = 1

CON DATOS2

datos=datos2
datos.fil=filter(datos,tape=="fast")
my.rr <- ss.rr(var = resp, part =laser,
               appr =op,
               data = datos.fil,
               main = "Six Sigma Gage R&R",
               sub = "Datos1")
## Complete model (with interaction):
## 
##               Df Sum Sq Mean Sq F value   Pr(>F)
## laser          2  699.1   349.6   9.795 0.028753
## op             2  242.3   121.1   3.394 0.137483
## laser:op       4  142.8    35.7   6.603 0.000139
## Repeatability 72  389.2     5.4                 
## Total         80 1473.4                         
## 
## alpha for removing interaction: 0.05 
## 
## Gage R&R
## 
##                     VarComp %Contrib
## Total Gage R&R    11.934888    50.66
##   Repeatability    5.405509    22.94
##   Reproducibility  6.529379    27.71
##     op             3.164433    13.43
## laser:op           3.364946    14.28
## Part-To-Part      11.625330    49.34
## Total Variation   23.560217   100.00
## 
##                     StdDev StudyVar %StudyVar
## Total Gage R&R    3.454691 20.72814     71.17
##   Repeatability   2.324975 13.94985     47.90
##   Reproducibility 2.555265 15.33159     52.64
##     op            1.778885 10.67331     36.65
## laser:op          1.834379 11.00627     37.79
## Part-To-Part      3.409594 20.45756     70.24
## Total Variation   4.853887 29.12332    100.00
## 
## Number of Distinct Categories = 1

CON DATOS3

datos=datos3
datos.fil=filter(datos,tape=="fast")
my.rr <- ss.rr(var = resp, part =laser,
               appr =op,
               data = datos.fil,
               main = "Six Sigma Gage R&R",
               sub = "Datos1")
## Complete model (with interaction):
## 
##               Df Sum Sq Mean Sq F value   Pr(>F)
## laser          2  348.5  174.27   4.688   0.0894
## op             2  251.1  125.54   3.377   0.1383
## laser:op       4  148.7   37.17   9.804 2.18e-06
## Repeatability 72  273.0    3.79                 
## Total         80 1021.3                         
## 
## alpha for removing interaction: 0.05 
## 
## Gage R&R
## 
##                     VarComp %Contrib
## Total Gage R&R    10.772959    67.97
##   Repeatability    3.791293    23.92
##   Reproducibility  6.981666    44.05
##     op             3.272956    20.65
## laser:op           3.708710    23.40
## Part-To-Part       5.077691    32.03
## Total Variation   15.850650   100.00
## 
##                     StdDev StudyVar %StudyVar
## Total Gage R&R    3.282219 19.69331     82.44
##   Repeatability   1.947124 11.68275     48.91
##   Reproducibility 2.642284 15.85370     66.37
##     op            1.809131 10.85479     45.44
## laser:op          1.925801 11.55481     48.37
## Part-To-Part      2.253373 13.52024     56.60
## Total Variation   3.981287 23.88772    100.00
## 
## Number of Distinct Categories = 1

3 Capacidad

Se dispone de 100 mediciones obtenidas bajo unas condiciones fijas (simcap.RData). Estudia la capacidad actual del proceso para cumplir con las especificaciones de calidad requeridas en el plan de garantía de calidad. Extrae y comenta las conclusiones sobre el funcionamiento actual del proceso.

obj=12
lsl=10
usl=13

ss.study.ca(xST=sim.cap,LSL=lsl,USL=usl,Target=obj,alpha=0.05,
            f.main="Capacidad del sistema",f.sub="Datos1")