Cargamos las librerias que necesitaremos para realizar el informe, antes de comenzar el análisis:

library(qcc)
## Package 'qcc' version 2.7
## Type 'citation("qcc")' for citing this R package in publications.
library(qualityTools)
## Loading required package: Rsolnp
## Loading required package: MASS
## 
## Attaching package: 'qualityTools'
## The following object is masked from 'package:stats':
## 
##     sigma
library(SixSigma)
library(tidyverse)
## ── Attaching packages ─────────────────────── tidyverse 1.3.0 ──
## ✓ ggplot2 3.3.2     ✓ purrr   0.3.3
## ✓ tibble  3.0.1     ✓ dplyr   1.0.0
## ✓ tidyr   1.1.0     ✓ stringr 1.4.0
## ✓ readr   1.3.1     ✓ forcats 0.4.0
## ── Conflicts ────────────────────────── tidyverse_conflicts() ──
## x dplyr::filter() masks stats::filter()
## x dplyr::lag()    masks stats::lag()
## x dplyr::select() masks MASS::select()

1-Análisis de capacidad con SixSigma (Capability_CD)

Empezaremos el análisis con la base de datos: Capability_CD. Nuestros limite de especificación inferior es de 1.1 y el limite de especificación superior es de 1.5.

datos1=read.csv2("Capability-CD.csv", sep=";")
summary(datos1)
##  CD.Thickness..mm.
##  Min.   :1.188    
##  1st Qu.:1.313    
##  Median :1.349    
##  Mean   :1.349    
##  3rd Qu.:1.389    
##  Max.   :1.486
lsl=1.1
usl=1.5
ss.study.ca(xST=datos1$CD.Thickness..mm.,Target=mean(datos1$CD.Thickness..mm.),LSL=lsl,USL=usl)

Viendo el histograma, podemos decir que sigue una distribución normal, con una media de 1.3490 unidades y con una desviación de 0.0604.Podemos decir que existe una normalidad de los residuos basándonos en el test de Shapiro-Wilk. La densidad de las líneas a corto plazo podemos observar que son equitativas.

Siguiendo con los índices, observamos el índice de capacidad del proceso, el cual nos indica que el sistema no es adecuado debido a que, entre otros aspectos presenta 158814 defectos/millón de unidades de producto analizado, un dato que revela la poca precisión del sistema.

Por último, procedemos a la comparación de la capacidad a corto y largo plazo manteniendo los límites de especificación.

datos1_LargoPlazo=rnorm(100,mean(datos1$CD.Thickness..mm.), sd(datos1$CD.Thickness..mm.)+0.1)
ss.study.ca(xST=datos1$CD.Thickness..mm.,xLT=datos1_LargoPlazo,LSL=lsl,USL=usl,T=mean(datos1$CD.Thickness..mm.),alpha=0.05,f.sub="Proyecto Capability_CD")

Seguimos teniendo una normalidad de los residuos y una distribución de campana pero, las cola se desplazan más a largo plazo y la distribución no muestra tan clara la media.

En definitiva, podemos decir que los datos a largo plazo no se dispersan a lo largo el intervalo.

Los indicadores de capacidad no se modifican, los defectos por millón empeoran (aumentan hasta 790302.1), los indicadores de capacidad ajustados no convergen pero tampoco P_p muestra un rendimiento suficiente para alcanzar los objetivos.

Como conclusión, podemos decir que aunque exista normalidad no es un sistema capaz aunque sea preciso a corto plazo.

2-Análisis de capacidad con SixSigma (Capability_RepairTimes)

La estructura del procedimiento es similar a la realizada en la anterior parte, pero esta vez utilizaremos como límites de especificación 3 y 6.

datos2=read.csv2("Capability-RepairTimes.csv", sep=";")
summary(datos2)
##  Time.to.fix.fault..decimal.hrs.  Sub.Group.No  
##  Min.   :3.420                   Min.   : 1.00  
##  1st Qu.:4.515                   1st Qu.: 5.75  
##  Median :5.125                   Median :10.50  
##  Mean   :5.033                   Mean   :10.50  
##  3rd Qu.:5.530                   3rd Qu.:15.25  
##  Max.   :6.610                   Max.   :20.00
lsl=3
usl=6
ss.study.ca(xST=datos2$Time.to.fix.fault..decimal.hrs. , Target=mean(datos2$Time.to.fix.fault..decimal.hrs.),LSL=lsl,USL=usl)

A simple vista podemos observar en el gráfico que los residuos siguen una distribución normal, aunque es un sistema no centrado e impreciso debido a que tiene unas curvas de densidad bastante aplanadas.

Viendo los indicadores de capacidades y número de defecto/millón (596795.7) podemos decir que es un sistema incapaz y poco adecuado con los datos que tenemos en el análisis.

Para finalizar, vamos a comparar la capacidad a corto y largo plazo. Asumiendo que la desviación típica a largo plazo es mayor que la desviación típica de los datos actuales y la media es parecida.

datos2_LargoPlazo=rnorm(100,mean(datos2$Time.to.fix.fault..decimal.hrs.), sd(datos2$Time.to.fix.fault..decimal.hrs.)+0.1)
ss.study.ca(xST=datos2$Time.to.fix.fault..decimal.hrs.,xLT=datos2_LargoPlazo,LSL=lsl,USL=usl,T=mean(datos2$Time.to.fix.fault..decimal.hrs.),alpha=0.05,f.sub="Proyecto Capability_CD")

Finalmente como conclusión, se puede observar que las densidades presentan diferentes puntos centrales ya sean a corto o largo plazo. En el periodo inferior, el punto central tiene mayor medida aunque su media sea más inferior por 0.208 unidades respecto a la media a largo plazo. Aún así, vemos que a largo plazo hay una dispersión algo mayor.