Texto de Validacion de Instrumentos Iso-17025

TECSUP
Validacin de
mtodos analticos
de laboratorio
segn Norma
ISO/IEC 17025
TECSUP
ELEMENTOD BASICOS
1.
ESTADSTICA
1.1. DEFINICIN
CIENCIA QUE SE OCUPA DEL ESTUDIO DE FENMENOS DE TIPO
GENRICO, NORMALMENTE COMPLEJOS Y ENMARCADOS EN UN UNIVERSO
VARIABLE, MEDIANTE EL EMPLEO DE MODELOS DE REDUCCIN DE LA
INFORMACIN Y DE ANLISIS DE VALIDACIN DE LOS RESULTADOS EN
TRMINOS DE REPRESENTATIVIDAD.
1.2. ESTADISTICA DESCRIPTIVA
CONJUNTO DE TCNICAS Y MTODOS QUE SON USADOS PARA RECOLECTAR,
ORGANIZAR, Y PRESENTAR EN FORMA DE TABLAS Y GRFICAS informacin
NUMRICA. TAMBIN SE INCLUYEN AQU EL CLCULO DE MEDIDAS
ESTADSTICAS DE CENTRALIDAD Y DE VARIABILIDAD
1.3. ESTADISTICA INFERENCIAL
EXTRAER CONCLUSIONES DE UNA MUESTRA, PARA INFERIRLAS A
UNA POBLACIN CON UN DETERMINADO NIVEL DE CONFIANZA.
TECSUP
Ejemplo
Los siguientes datos provienen de un cuestionario de 05 preguntas que se hizo
a 28 Trabajadores de la empresa minera Milpo clase01.xls > datos Milpo
Variables sociodemogrficas de 28 familias de la Empresa Minera
Milpo
Ident Edad
Sexo
Escuela
Ingresos Familiares
Int Familia
1
21
Female
pbl
6832,8
3
2
18
Female
priv
6832,8
3
.
..
..
28
21
Female
priv
6718,92
3
2. ORGANIZACIN DE DATOS CUANTITATIVOS DISCRETOS
2.1. TABLAS DE FRECUENCIAS
Para construir una tabla de frecuencias en MINITAB, se sigue la secuencia Stat
Tables Tally Individual Variables. En la ventana de dilogo de Tally Individual
Variables se elige la variable deseada, la cual debe aparecer en la ventanita
Variables. Se seleccionan todas las opciones de Display si se desea una tabla
completa con todos los tipos de frecuencias y luego se oprime el botn OK.
La tabla aparecer en la ventana Session.
Aparecen los siguientes resultados:

Tally for Discrete
Variables: Int Familia
Int
Familia Count
1
1
2
3
3
9
Tally for Discrete

Int
Familia Percent
1
3,57
2 10,71
3 32,14
4 21,43
Tally for Discrete

Int
Familia CumPct
1 3,57
2 14,29
3 46,43
TECSUP
4
5
6
N=
6
8
1
28
5
6
28,57
3,57
4 67,86
5 96,43
6 100,00
Interpretacin:
Count, representa la frecuencia absoluta. Por ejemplo el tamao familiar que ms
predomina es 3.
Percent, representa la frecuencia relativa porcentual. Por ejemplo, slo 3.57 por
ciento de las familias de los estudiantes entrevistados son de tamao 6.
2.2 ORGANIZACIN DE DATOS CUANTITATIVOS CONTINUOS
Cuando los datos son de una variable continua o de una variable discreta que
asume muchos valores distintos, ellos se agrupan en clases que son representadas
por intervalos y luego se construye una tabla de frecuencias.
Un Histograma, es la grfica de la tabla de distribucin de
frecuencias para datos agrupados, consiste de barras cuyas bases
son los intervalos de clases y cuyas alturas son proporcionales a las
frecuencias absolutas (o relativas) de los correspondientes
intervalos.
Un histograma permite ver la forma
de la distribucin de los datos, en
particular, se puede ver si hay
simetra con respecto al centro de la
distribucin, del grado de dispersin
con respecto al centro y permite
detectar datos anormales (outliers)
en la muestra. Para obtener un
histograma en MINITAB se sigue la
siguiente
secuencia
Graph
Histogram.
Luego, aparece una ventana de
dilogo similar a la figura siguiente:
TECSUP
Interpretacin. El histograma es asimtrico hacia la izquierda. No existe mucha

variabilidad, ni hay valores anormales. MINITAB elige automticamente el nmero de
intervalos de clases, si se desea cambiar el nmero de intervalos de clases, se coloca el

cursor en el eje horizontal y se oprime dos veces el botn izquierdo del ratn. Le
aparece una ventana de dilogo llamada Edit Bars.
En esta ventana puede cambiar el color de las barras (Attributes) y cambiar el

nmero de intervalos deseado donde aparece Binning. Adems se puede entrar los
puntos medios de los intervalos de clase que se desean.
2.3. CLCULO DE MEDIDAS ESTADSTICAS.

Hay dos tipos principales de medidas Estadsticas: medidas de Tendencia Central y
medidas de Variabilidad.
Las medidas de tendencia central dan una idea del centro de la distribucin de
los datos. Las principales medidas de este tipo son la media o promedio aritmtico,
TECSUP
la mediana, la moda. Los Cuartiles: Son valores que dividen a la muestra en 4

partes aproximadamente iguales. El 25% de los datos son menores o iguales que el
cuartil inferior o primer cuartil, representado por Q1. El siguiente 25 % de datos
cae entre el cuartil inferior y la mediana, la cual es equivalente al segundo cuartil.
Las medidas de variabilidad expresan el grado de concentracin o dispersin
los datos con respecto al centro de la distribucin. Entre las principales medidas
este tipo estn la varianza, la desviacin estndar. Aparte tambin hay medidas
posicin, como son los cuartiles, deciles y percentiles. Adems, una medida
asimetra (skewness) y una medida de aplanamiento (kurtosis).
de
de
de
de
2.4. MEDIDAS DE CENTRALIDAD

La media o promedio se obtiene sumando todos los datos y dividiendo entre el
nmero de datos. Es decir, si x1, x2,,xn, representan las observaciones de
una variable X en una muestra de tamao n, entonces la media de la variable X
est dada por:
La mediana es un valor que divide a la muestra en dos partes aproximadamente

iguales. Es decir, como un 50 por ciento de los datos de la muestra sern
menores o iguales que la mediana y el restante 50 por ciento son mayores o
iguales que ella.
La moda es el valor (o valores) que se repite con mayor frecuencia en la muestra.
2.5 MEDIDAS DE VARIABILIDAD
El rango o amplitud es la diferencia entre el mayor y menor valor de la muestra.
Mientras mayor sea el rango existe mayor variabilidad. Lamentablemente el rango
es bien sensible a la presencia de "outliers".
La varianza es una medida que da una idea del grado de concentracin de los
datos con respecto a la media.
La desviacin estndar es la raz cuadrada positiva de la varianza y tiene la
ventaja que est en las mismas unidades de medida que los datos.
2.6 CLCULOS DE MEDIDAS ESTADSTICAS USANDO MINITAB
TECSUP
En MINITAB se pueden calcular

simultneamente
varias
medidas
estadsticas
de
centralidad
y
de
variabilidad para un conjunto de datos,
para esto se elige la opcin Display
Descriptive Statistics del submen de
Basic Statistics del men STAT. La
ventana
de
dilogo
de
Display
Descriptive Statistics para calcular las
medidas estadsticas de la variable
Ingresos del Ejemplo segn sexo aparece
de la siguiente manera:
Descriptive Statistics: Ingresos Familiares.

Variable
Sexo
N N* Mean SE Mean StDev Minimum Q1 Median
Ingresos Familia Female 20 0 5969
196 878
4176 5229 6244
Male
8 0 5725
354 1002
4081 4849 5998
Variable
Sexo
Q3 Maximum
Ingresos Familia Female 6809
6947
Male 6045
7326
Donde: N representa el nmero de datos;
N* representa en nmero de datos perdidos,
Mean, la media muestral;
Median, la Mediana;
StDev, la desviacin Estndar;
TECSUP
Si se oprime el
botn Graphs antes
de oprimir OK en la
ventana de dilogo
anterior se obtiene
la siguiente ventana
de dilogo que
permite hacer
histogramas,
individual value
plot, y boxplot.
Tambin es posible obtener un resumen

grfico del conjunto de datos eligiendo
Stat-> Basic Statistics -> Graphical
Summary. Los resultados que ofrece
Minitab son:
TECSUP
2.7. COTEJANDO SI HAY NORMALIDAD.

Cuando se trata de sacar conclusiones acerca de la poblacin usando los
datos de la muestra, se asume generalmente que la los datos de la
poblacin se distribuyen de forma normal. Como no se conocen todos los
elementos de la poblacin, se deben usar los datos de la muestra para
verificar si efectivamente la poblacin es Normal. Existen varias pruebas
estadsticas para verificar Normalidad.
En MINITAB, primero se elige la opcin Basic Statistics de Stat y luego
Normality
Test del submen que aparece. En este texto nosotros slo discutiremos la
forma bsica de detectar normalidad, la cual es a travs del plot de
Normalidad.
El plot de Normalidad consiste de un diagrama de puntos donde en el eje
vertical se considera los escores normales y en el eje horizontal los valores
de la variable. Si los puntos caen cerca de una lnea, entonces se dice que
hay Normalidad. En MINITAB este plot es obtenido siguiendo la secuencia
Graph Probability Plot. En la ventana que aparece elegir la opcin Single
como se muestra en la Figura.
Ejemplo. Usar un plot de Normalidad para verificar si la siguiente muestra
proviene de una poblacin Normal.
3.1 .9 2.8 4.3 .6 1.4 5.8 9.9 6.3 10.4 0 11.5
La ventana de dilogo se completar como se muestra en la Figura. En la
opcin
Distribution. Elegir normal y entrar los valores de la media y de la
desviacin estandar correspondientes. Si estos valores no son entrados
manualmente, MINITAB los estimar Utilizando los datos. MINITAB produce
TECSUP
el plot que aparece en la Figura. En el eje horizontal aparecen los escores

normales y en el eje vertical las probabilidades acumuladas de dichos
escores.
Interpretacin: Los puntos caen cerca de la lnea y todos caen dentro de las
bandas de confianza, luego se puede concluir que la poblacin de donde
proviene la muestra es Normal.
3. INFERENCIA ESTADSTICA.
La Inferencia Estadstica comprende los mtodos que son usados para obtener
conclusiones de la poblacin en base a una muestra tomada de ella. Incluye los
mtodos de estimacin de parmetros y las pruebas de hiptesis.
Una Hiptesis Estadstica es una afirmacin que se hace acerca de un parmetro
poblacional. Por ejemplo, el tiempo de vida promedio de un repuesto de motor es
de 20 aos. La afirmacin que est establecida y que se espera sea rechazada
despus de aplicar una prueba estadstica es llamada la hiptesis nula y se
representa por Ho.
El nivel de significacin, representada por a, es la probabilidad de cometer error
tipo I, y por lo general se asume que tiene un valor de .05 .01.
10
TECSUP
3.1 INFERENCIAS ACERCA DE LA MEDIA POBLACIONAL (VARIANZA

CONOCIDA).
Supongamos que de una poblacin normal con media desconocida y
varianza.
Conocida, se extrae una muestra de tamao n, entonces de la distribucin
de la media muestral que se obtiene es:
es el valor de la normal estndar tal que el rea a la derecha de dicho valor

es a/2, como se muestra en la siguiente figura:
Sustituyendo la frmula de Z se obtiene:
Haciendo un despeje algebraico, se obtiene

Usualmente a = 0.1, .05 .01, que corresponden a intervalos de confianza
del 90, 95 y 99 por ciento respectivamente.
La siguiente tabla muestra los Za/2 ms
usados.
Usando MINITAB se pueden hallar intervalos de confianza y hacer prueba
de hiptesis para m. Para esto se sigue la secuencia Stat > Basic
Statistic sample Z
Ejemplo.
El tiempo promedio diario de llegada de los equipos de mantenimiento de
Mina es normal con una desviacin estndar s = 13 y usa la siguiente
11
TECSUP
informacin. El Jefe de operaciones desea hallar un intervalo de confianza

del 90% para el tiempo promedio de todos los equipos con la misma
denominacin. Se toma una muestra de tamao 20 y se solicita el anlisis.
217
242
223
219
225
221
245
234
238
199
216
236
217
248
226
218
202
224
233
235
Solucin:
Despus de entrar los

datos en la columna
TP, la ventana de
dilogo
ser
completada como lo
muestra la siguiente
figura:
No se escribe nada en la ventanita Test mean. Luego hay que oprimir el

botn Options para entrar el nivel de confianza como lo muestra la
siguiente figura:
Obtiendose los siguientes resultados

One-Sample Z: TP
The assumed standard deviation = 13
Variable N Mean StDev SE Mean
90% CI
TP
20 225,900 13,094 2,907 (221,119; 230,681)
Interpretacin: Hay un 90% de confianza de que los tiempos promedios de
llegada de todos los equipos de la marca en mencin se encuentre entre
221.12 y 230.68.
12
TECSUP
En la prctica si la media poblacional es desconocida entonces, es bien

probable que la varianza tambin lo sea . Si sta es la situacin, y si el
tamao de muestra es grande (n > 30, parece ser lo ms usado), entonces
s2 es estimada por la varianza muestral s2 y se puede usar la siguiente
frmula para el intervalo de confianza de la media poblacional:
Existen dos mtodos para hacer la prueba de hiptesis: el mtodo clsico y

el mtodo del "P-value". En el mtodo clsico, se evala la prueba
estadstica de Z y al valor obtenido se le llama Z calculado (Zcalc). Por otro
lado el nivel de significancia a, definido de antemano determina una regin
de rechazo y una de aceptacin. Si Zcalc cae en la regin de rechazo,
entonces se concluye que hay suficiente evidencia estadstica para rechazar
la hiptesis nula basada en los resultados de la muestra tomada.
Las frmulas estn resumidas en la siguiente tabla:
Aqu Z a es el valor de la normal estndar tal que el rea a la derecha de

dicho valor es a. Recordar tambin que s puede ser sustituido por s, cuando
la muestra es relativamente grande (n > 30). Los valores de a ms usados
son 0.01 y 0.05. Si se rechaza la hiptesis nula al .01 se dice que la
hiptesis alterna es altamente significativa y al .05 que es significativa.
Trabajar slo con esos dos valores de a simplificaba mucho el aspecto
computacional, pero por otro lado creaba restricciones. En la manera
moderna de probar hiptesis se usa una cantidad llamada P-value.
Frmulas para calcular P-value: Depende de la forma de la hiptesis

alterna
13
TECSUP
A travs de todo el texto usamos el mtodo del P-value para probar

hiptesis.
3.2 INFERENCIAS ACERCA DE LA MEDIA POBLACIONAL (VARIANZA

DESCONOCIDA)
Supongamos que la poblacin es normal con media y varianza desconocida
y que se desea hacer inferencias acerca de m, basada en una muestra
pequea (n < 30) tomada de la poblacin. En este caso la distribucin de la
media muestral x ya no es normal, sino que sigue la distribucin t de
Student.
La distribucin t de Student es bastante similar a la Normal Estndar, con la
diferencia que se aproxima ms lentamente al eje horizontal. El parmetro
de esta distribucin es llamado grados de libertad, y se puede notar que a
medida que los grados de libertad aumentan, la curva de la t y la curva
normal estndar se asemejan cada vez ms.
Tambin se pueden hacer las siguientes pruebas de hiptesis:
En MINITAB, para hallar intervalos de confianza y hacer pruebas de

hiptesis acerca de la media, cuando la varianza poblacional no es
conocida, hay que seguir la secuencia Stat > Basic Statistics> 1sample t.
Ejemplo.
14
TECSUP
Los tiempos de falla de un dispositivo para el equipo PKDOS (en aos) de

12 equipos que se han sometido a prueba son los siguientes:
Hallar un intervalo de confianza del 99 por ciento para el promedio de vida
de todos los dispositivos de los equipos MKT que se han sometido a prueba.
Solucin:
Asumiendo que la columna

Tiempo contiene los datos, la
ventana de dilogo 1-sample t se
completar como se muestra en
la Figura
Notar que la ventana de dilogo es

similar a la de 1-sample Z.
A continuacin hay que oprimir el
botn Options para entrar al nivel de
confianza deseado en la ventanita
Confidence Level como se muestra en
la Figura 7.8.
Los siguientes resultados aparecern
en la ventana session:
Ejemplo.
Continuando con el ejemplo, El supervisor de equipos afirma que el tiempo
de vida promedio es mayor que 4 aos. A qu conclusin se llegar
despus de hacer la prueba de hiptesis?
Solucin:
La hiptesis nula es H0: m = 4 (el tiempo de vida promedio es 4 aos) y la
hiptesis alterna es Ha: m > 4 (el tiempo de vida promedio es mayor que 4
aos).
15
TECSUP
La ventana de dilogo 1-sample t se

completar como se muestra en la
Figura 7.9. Luego hay que oprimir el
botn Options y elegir greater
than en la ventanita Alternative.
Interpretacin: El valor del P-value (el rea a la derecha de 0.64) es .267

mayor que el nivel de significacin a = 0.05, por lo tanto NO se rechaza la
hiptesis nula y se concluye de que no hay evidencia de que el tiempo
promedio de vida haya aumentado de 4 aos.
Ejercicio: Realizar en Minitab lo siguiente:
Se presentan los resultados de desgaste de frenos del equipo MKT, Se
solicita a un nivel de confianza del 95% que pruebe que el desgaste de
frenos de es 40.5, con los datos obtenidos de una muestra de tamao 7,
presente el informe a su superior inmediato.
Ho: U =40.5
H1: U 40.5
Se tiene que:
UO =
1
2
3
4
5
6
7
Promedio
Desv. Estndar
t calculado
t tabulado =
t calculado
Por lo tanto, se acepta
40,500
41,020
47,560
41,230
43,090
40,890
36,560
44,750
42,157
3,4610
1,267
2,96868668
1,267
la hiptesis nula
16
TECSUP
3.3. COMPARACIN ENTRE DOS MEDIAS POBLACIONALES USANDO

MUESTRAS INDEPENDIENTES.
Paso previo:
3.3.1. COMPARANDO LA VARIANZA DE DOS POBLACIONES.
Es el principio bsico para la realizacin previa de las pruebas de
comparaciones de promedios muy independientes del supuesto de
Normalidad. Su distribucin terica es la siguiente.
MINITAB hace pruebas de igualdad de varianza de dos o ms grupos. Para

esto se selecciona la opcin 2 Variances del submen Basic Statistics
del men STAT. Otra posibilidad es elegir Test for Equal Variances del
submen ANOVA del men STAT.
Ejemplo:
En el siguiente ejemplo se trata de comparar las varianzas de lo planificado
por dos flotas de Camiones. Los datos recolectados son:
Muestra
1
2
3
4
5
6
7
8
9
10
11
12
13
14
%
Planificado
58
63,8
64,2
70,4
76,7
64,1
72,1
62,5
69,4
61,5
61,7
62,3
68,9
68,9
17
Flotas
Flota QST
Flota QST
Flota MWK
Flota QST
Flota MWK
Flota MWK
Flota MWK
Flota MWK
Flota QST
Flota QST
Flota QST
Flota QST
Flota MWK
Flota QST
TECSUP
La ventana de dilogo de 2 Variances se completar como lo muestra la

Figura.
TestforEqual Variancesfor%Planificado
F-Test
TestStatistic
P-Value
FlotaMWK
Flotas
Levene'sTest
TestStatistic
P-Value
FlotaQST
4
6
8
10
12
14
95%Bonferroni ConfidenceIntervalsfor StDevs
16
Flotas
FlotaMWK
FlotaQST
60
64
68
%Planificado
72
76
Oprimiendo el botn Options se puede elegir el nivel de confianza y poner

un ttulo a la grfica que aparecer:
Test for Equal Variances: % Planificado versus Flotas
95% Bonferroni confidence intervals for standard deviations
Flotas N Lower StDev Upper
Flota MWK 6 3,24522 5,53477 15,8347
Flota QST 8 2,82368 4,51347 10,3380
F-Test (normal distribution)
Test statistic = 1,50; p-value = 0,601
Levene's Test (any continuous distribution)
Test statistic = 0,30; p-value = 0,594
4.3.2. PRUEBA DE COMPARACIN DE MEDIAS.
Supongamos que se tienen dos poblaciones distribuidas normalmente con
medias desconocidas m1 y m2, respectivamente. Se puede aplicar una
prueba t de Student para comparar las medias de dichas poblaciones
basndonos en dos muestras independientes tomadas de ellas.
Las frmulas para las pruebas de hiptesis son las siguientes:
18
1,50
0,601
0,30
0,594
TECSUP
Las frmulas se pueden generalizar para probar hiptesis de las

diferencias de las dos medias es una cantidad especificada Do. En
MINITAB, para hallar intervalos de confianza de diferencia de dos
medias poblacionales y hacer prueba de hiptesis para comparar dos
grupos se sigue la secuencia STAT>2-sample t.
Ejemplo. Se desea comparar si el porcentaje de lo programado de
dos flotas para camiones, tienen igual rendimiento. Realizar esta
prueba al 95%.
Solucion:
Se concluy usando la prueba
de F que haba igualdad de
varianzas de las 2 flotas de
donde provenan las muestras.
Luego la ventana de dilogo 2
sample t se completa como se
muestra en la Figura.
La opcin Samples in different columns se usa cuando las dos

muestras estn en columnas separadas. Notar adems que la opcin
Assume equal variances aparece marcada. Al oprimir el botn
Options se puede elegir el nivel de confianza, el valor de la hiptesis
que se quiere probar y la direccin de la hiptesis alterna tal como se
muestra en la Figura.
19
TECSUP
Two-Sample T-Test and CI: % Planificado; Flotas

Two-sample T for % Planificado
Flotas
N Mean StDev SE Mean
Flota MWK 6 68,08 5,53
2,3
Flota QST 8 64,50 4,51
1,6
Difference = mu (Flota MWK) - mu (Flota QST)
Estimate for difference: 3,58333
95% CI for difference: (-2,25849; 9,42516)
T-Test of difference = 0 (vs not =): T-Value = 1,34 P-Value = 0,206 DF =
12
Both use Pooled StDev = 4,9646
Interpretacin: El valor del P-valu es 0.206 mayor que el nivel de
significacin a = 0.05, por lo tanto NO se rechaza la hiptesis nula y se
concluye de que no hay evidencia de que las dos flotas tengan un
rendimiento distinto en lo planificado. El nmero de grados de libertad de la
t es 12. Notar que el intervalo de confianza del 95% para la diferencia es (
22.6, 94.3) que contiene a cero, sta es otra manera de justificar que se
acepta la hiptesis nula.
Interpretacin: No se puede apreciar una marcada diferencia entre

las medianas (representadas por las lneas dentro de las cajas), ni las
medias (representadas por los puntos) de los grupos. La variabilidad
de los dos grupos tambin es bastante similar ya que los dos
boxplots tienen alargamiento casi similar.
Si las varianzas de las poblaciones no son iguales, entonces se
usa una prueba aproximada de t.
20
TECSUP
Ejemplo: Usando los datos del Ejemplo anterior, probar si el

rendimiento de la flota MWK es superior a QST.
Flota MWK Flota QST

64,2
58
76,7
63,8
64,1
70,4
72,1
69,4
62,5
61,5
68,9
61,7
62,3
68,9
Welcome to Minitab, press F1 for help.

Two-Sample T-Test and CI: Flota MWK; Flota QST
Two-sample T for Flota MWK vs Flota QST
N Mean StDev SE Mean
Flota MWK 6 68,08 5,53
2,3
Flota QST 8 64,50 4,51
1,6
Difference = mu (Flota MWK) - mu (Flota QST)
Estimate for difference: 3,58333
95% upper bound for difference: 8,65415
T-Test of difference = 0 (vs <): T-Value = 1,30 P-Value =
0,886 DF = 9
21
TECSUP
Interpretacin: Como el P-valu es .083 > .05 aunque no por mucho,

se concluye que no hay suficiente evidencia de que el promedio de la flota
MWK sea mayor que el QST.
Ejercicio 01
Dos Mecnicos (Tcnicos) del rea de Mantenimiento de Mina midieron el
terminado superficial de una pieza metlica, obtenindose los datos que se
muestran abajo.
Tcnico 01
1.45
1.37
1.21
1.54
1.48
1.29
1.34
Tcnico 02
1.54
1.41
1.56
1.37
1.20
1.31
1.27
Ud como responsable del anlisis con un nivel de significancia del 5% a que

conclusiones arribara.
Ejercicio 02
Doce Inspectores miden el dimetro de una varilla metlica de un equipo de
Mantenimiento. Utilizando cada uno de ellos un tipo de calibrador
micrmetro y un calibrador vernier. Los resultados se muestran abajo.
Existen diferencias entre las diferencias medias producidas por los dos
tipos de calibradores? Utilizar ALPHA = 0.01.
Calibrador
Inspector micrmetro Vernier
1
2
3
4
5
6
7
8
9
10
11
12
0.15
0.151
0.151
0.152
0.151
0.15
0.151
0.153
0.152
0.151
0.151
0.151
22
0.151
0.15
0.151
0.15
0.151
0.151
0.153
0.155
0.154
0.151
0.15
0.152
TECSUP
4. CONTROL ESTADSTICO DE PROCESOS

En todo momento se ha de ser consciente de que los mtodos estadsticos
empleados no son ms que una herramienta para la consecucin de la calidad. La
calidad es un objetivo estratgico y no un conjunto de tcnicas
4.1.
HERRAMIENTAS BSICAS PARA EL CONTROL ESTADSTICO

Existe unanimidad en la literatura relacionada con el control estadstico
de la calidad en que las herramientas estadsticas son herramientas
esenciales para el control de un proceso. Se defiende que todos los
empleados tengan un conocimiento bsico en algunas de estas
herramientas que les permita su uso. Suelen estar agrupadas en tres
categoras en funcin del grupo de personas que deberan utilizarlas y
dominarlas.
4.1.1 TILES O HERRAMIENTAS DE BASE
Las siete herramientas bsicas, segn Ishikawa, deberan ser
dominadas por todos los empleados operativos. Son
herramientas descriptivas y visuales y se consideran que
permiten resolver un 95% de los problemas de calidad en las
empresas.
1.
2.
3.
4.
5.
6.
7.
4.1.2
Plantillas de recogida de informacin

Histogramas
Diagramas de Pareto
Diagramas causa-efecto (o de espina de pescado)
Grficos de flujo.
Diagramas Bivariantes.
Grficos de control Bsicos.
TILES O HERRAMIENTAS INTERMEDIAS

Estas herramientas deberan ser dominadas por ingenieros y
jefes de fabricacin, y son:
Distribuciones estadsticas, estimacin y Test de hiptesis.
Control de recepcin.
Una introduccin al control de experimentos.
Grficos de control avanzados.
Anlisis de regresin simple y correlacin.
4.1.3
TILES O HERRAMIENTAS AVANZADAS

Estas herramientas deberan ser dominadas por los ingenieros
especializados o estadsticos especializados en el control de la
calidad.
23
TECSUP
Diseos y Anlisis de experimentos, Superficies de

respuesta.
Anlisis de datos Multivariantes.
Tcnicas de Fiabilidad.
Anlisis de Series Temporales.
Otros mtodos especficos.

Veamos brevemente, en qu consisten al menos estas
herramientas bsicas.
4.1.3.1 PLANTILLAS DE RECOGIDA DE INFORMACIN
Es fcil comprender que la mejora de la calidad ha de
sustentarse en datos. Sin embargo, cuando se quiere
consultar datos es frecuente observar que stos no han
sido obtenidos de forma planificada ni racional, limitando
su utilidad para cualquier anlisis mnimamente profundo.
4.1.3.2. HISTOGRAMAS
El histograma es, a pesar de su sencillez, una forma muy
completa de presentar la informacin. Sirve para
visualizar:
Centralizacin:
es importante ver si los valores se concentran alrededor
de uno o varios valores centrales, de forma que alejarse
mucho de ellos sea poco probable; o por el contrario, los
datos se distribuyen de manera uniforme en cierto rango.
Dispersin:
los datos estn muy concentrados en un rango estrecho,
o por contra su rango es muy amplio
Atpicos:
unos cuantos valores se alejan del resto
Asimetra:
si hay asimetra en la distribucin de los datos quiere
decir que los valores muy altos tienen distinta
probabilidad de ser obtenidos que los muy bajos.
Se logran segn la ruta Graph/Histogram. Existen
diferentes tipos de histogramas:
24
TECSUP
71.6
69.7
Planificacin
69.4
68.4
Lunes
Martes
69.8
70.7
74.6
74.6
83.5
79.4
74.5
85.9
67.9
71.6
77.0
113.7
70.7
77.9
79.4
76.4
74.6
95.7
85.2
78.4
81.6
84.6
67.9
97.4
63.7
74.5
72.1
77.0
71.6
70.7
69.4
79.4
69.8
74.6
83.5
85.2
83.5
81.6
74.9
67.9
73.2
63.7
70.7
70.7
79.4
79.4
88.6
74.6
70.7
85.2
79.4
81.6
70.7
67.9
79.4
63.7
74.6
72.1
85.2
71.6
81.6
69.4
67.9
69.8
63.7
83.5
72.1
83.5
85.2
81.6
Mircoles
63.7
81.6
72.1
65.8
71.6
57.8
74.5
77.0
70.7
79.4
74.6
85.2
81.6
67.9
63.7
72.1
71.6
69.4
69.8
83.5
74.9
73.2
70.7
79.4
74.6
85.2
81.6
67.9
63.7
72.1
71.6
69.4
69.8
83.5
25
69.8
83.5
Jueves
72.1
75.4
71.6
63.5
69.4
69.9
63.7
72.1
71.6
69.4
69.8
83.5
69.7
68.4
70.7
79.4
74.6
85.2
81.6
67.9
63.7
67.5
85.3
88.6
70.7
79.4
74.6
85.2
81.6
67.9
63.7
72.1
71.6
69.4
69.8
83.5
Viernes
83.5
69.8
72.1
95.7
71.6
74.5
77.0
70.7
79.4
74.6
85.2
81.6
67.9
63.7
72.1
71.6
69.4
69.8
83.5
79.3
76.3
79.8
70.7
79.4
74.6
85.2
81.6
67.9
63.7
72.1
71.6
69.4
69.8
83.5
63.7
72.1
Sbado
71.6
68.4
69.4
69.4
69.8
74.3
63.2
68.4
76.9
75.4
74.8
78.9
77.0
76.7
77.0
70.7
79.4
74.6
85.2
81.6
67.9
63.7
72.1
71.6
69.4
69.8
83.5
67.9
63.7
70.7
73.2
70.7
79.4
74.6
TECSUP
H i s to gr a m o f L une s ; M a r te s ; M ie r c o le s ; J ue v e s ; V i e r ne s ; S a ba do
Nor m a l
60
72
84
L u n es
96
108
M ar tes
M ier c o les
20
15
Frequency
10
5
Ju ev es
20
V ier n es
S ab ad o
15
M ar tes
M ean
77,56
S tD ev 10,00
N
36
M ier c o les
M ean
73,83
S tD ev 6,983
N
36
Ju ev es
M ean
73,45
S tD ev 6,966
N
36
10
5
0
L u n es
M ean
74,82
S tD ev 6,366
N
36
60
72
84
96
108
60
72
84
96
108
V ier n es
M ean
75,33
S tD ev 7,009
N
36
S b d
26
TECSUP
Diagrama de Tallo y Hoja (Stem and Leaf):

NOS PERMITE OBTENER SIMULTNEAMENTE LA
DISTRIBUCIN DE FRECUENCIAS DE LA VARIABLE Y SU
REPRESENTACIN GRFICA, ES ESPECIALMENTE UTIL
CUANDO EL NUMERO TOTAL DE DATOS ES PEQUEO
(MENOR DE 50).
LAS HOJAS PERMITEN ANALIZAR LA SIMETRA, LA
NORMALIDAD Y OTRAS FORMAS DE LA DISTRIBUCIN DE
IGUAL FORMA QUE EL HISTOGRAMA.
Pasos en Minitab: Grficos > Stem and Leaf
Stem-and-leaf of Viernes N = 36
Leaf Unit = 1,0
2
10
(11)
15
9
3
1
1
6
6
7
7
8
8
9
9
33
77999999
00111222444
679999
113333
55
5
Stem-and-leaf of Sabado N = 36
Leaf Unit = 1,0
4
4
6 3333
6
27
TECSUP
6 6 77
13 6 8899999
18 7 00011
18 7 223
15 7 44445
10 7 6677
6
7 899
3
8 1
2
8 3
1
8 5
Otro grfico orientado a dar una informacin global es el
Grfico de Caja y bigotes (Box and Whisker Plot) o
diagrama de caja (Boxplot). Muestra en forma
simultanea varias caractersticas de los datos tales como
localizacin o tendencia central, dispersin, Simetra y la
localizacin de los datos que se localizan inusualmente
lejos del grueso de los datos (puntos atpicos)
Dimetros de perforacin de tuercas (en mm) de un
aparato mecnico
120.5
120.9
120.3
121.3
120.4
120.2
120.1
120.5
120.7
121.1
120.9
120.8
Boxplot of Diametros
120,6
120,0
120,2
120,4
120,6
120,8
Diametros
121,0
121,2
121,4
Los diagramas de caja son de gran utilidad en

comparaciones graficas de conjuntos de datos ya que
tienen impacto visual y son fciles de entender.
ndice de Capacidad de tres
motores
Motor A
Motor B
Motor C
95
80
92
28
TECSUP
115
112
115
113
110
95
100
112
80
90
85
95
90
100
102
105
85
90
95
92
90
85
85
84
Pasos en Minitab: Grficos> Box Plot>
Boxplot of Motor A; Motor B; Motor C

120
Data
110
100
90
80
Motor A
Motor B
Motor C
Se puede apreciar que el motor B presenta mayor

dispersin. En tanto que el Motor A es el que presenta
Mejor ndice de capacidad. Por otro lado el Motor C Tiene
que mejorar su ndice de capacidad.
4.1.3.3 DIAGRAMAS DE PARETO
Cuando un proceso es complejo existen mltiples causas
que pueden provocar fallos y afectar a la calidad final de
29
TECSUP
forma
significativa.
No
obstante,
un
anlisis
pormenorizado del proceso puede llevar a la conclusin
de que no todos los tipos de fallos posibles ocurren con la
misma frecuencia ni tienen igual repercusin. Lo ms
probable es que la mayora de los fallos sean debidos a
un nmero muy reducido de causas.
Este principio emprico de concentracin fue popularizado
por el italiano Vilfredo Pareto. Este resultado emprico ha
dado lugar al denominado Anlisis de Pareto, que consiste
en comprobar si existe dicha concentracin de efectos en
el sistema que nos ocupe. A dicha concentracin se le
suele denominar Ley de Pareto o regla 80/20 (el 80% de
los efectos estn provocados por el 20% de las posibles
causas).
Caso 01: Hoja de verificacin sobre los diferentes tipos de defectos que ocurren en un tanque
que se usa para el diseo de un producto con la intencin de mejorar el proceso.
Hoja de verificacin
Datos de defectos de 2006-2007 a la fecha
2006
2
3
Mayo
2
1
Abril
2
8
Marzo
1
4
10 3
3
Febrero
1
6
Enero
Diciemb
re
Noviem
bre
1
1
Octubre
Septiem
bre
Junio
2
Agosto
Mayo
1
3
3
Julio
Abril
Marzo
Febrero
Enero
Defecto
Partes daadas
Problemas de maquinado
Partes
suministradas
oxidadas
Obturacin insuficiente
Soldadura desalineada
2
Procesamiento fuera de
orden
2
Remisin de la parte
incorrecta
Estructuras aerodinmicas
no terminadas
Falla de adherencia
Alodino en Polvo
Pintura fuera de los limites
Pintura
daada
por
corrosin
Pelcula sobre las partes
Ltas de Pint tapaporos
daadas
Vacos en Piezas Fundidas
Compuesto deslaminado
Dimensiones incorrectas
2007
Total
34
29
13
17
2
2
3
1
1
1
1
3
1
5
1
1
1
2
13 7
30
3
6
1
2
13 1
1
2
2
36
TECSUP
Procedimiento de Prueba
inadecuado
Falla de roci de sal
Total
4
1
5
14 12 5
10 14 20 7
4
29 7
Pasos en Minitab:
1.- Cargar la data
2.- Seleccionar Stat-Quality tools ---Pareto
3.- Rellenamos los campos como se detalla a continuacin:
4.- El grafico que obtenemos es el siguiente:
31
1
4
166
TECSUP
D e fe c to s
100
80
60
40
20
l
d o n te d a s n c i a r t e s s a d e n d a s c t a a d o i t e s t h e r
t
e
r
a
a d in a
ie id a
re
ec
in
O
re
pa o d e o
lim
in
or am
rr d a q u u f ic
e
x
s
o
i
d
o
l
a
nc
c
rm
os
c
s
la
dh
s
in
r o e r a o te te i d e s d e l
e
t e e m n in d a s e a
r
s
r
e
r
ne
P a s d c i s tr a l a d s o b a d o f u s n
p a e s to er a
l
i
a
ll
s io
ra
la
ca
u
nt
m
F a c u la F a
pu a f
t u m in
ie a m i d e
en
le
b
i
l
m
r
b
u
m
m
O
s
o
n
in
a
Pe
C o i n tu
Di
Pr
e s r o d is io
es
P
c
t
r
o
e
m
Pr s a Re
Pa
ra
tu
c
u
tr
Es
C ount
36 34 29 17 13
6
5
4
4
3
3
2
2
8
Pe rce nt
22 20 17 10
8
4
3
2
2
2
2
1
1
5
Cum %
22 42 60 70 78 81 84 87 89 91 93 94 95 100
as
as
Percent
Count
P a r e to C h a r t o f D e fe c to s
180
160
140
120
100
80
60
40
20
0
Caso 02: cuando los datos estn en una sola columna:

Defectos
Meses
Enero
Enero
orden
Enero
orden
Enero
Partes daadas
Febrero
Febrero
Defectos
Partes daadas
Partes daadas
Meses
Abril
Abril
Partes daadas
Abril
Abril
Abril
Abril
Febrero
Febrero
Partes
suministradas
oxidadas
Remisin de la parte
incorrecta
Partes
suministradas
oxidadas
Febrero
Marzo
Marzo
Marzo
Falla de adherencia
Abril
Abril
Abril
Abril
Marzo
Marzo
Marzo
Marzo
Marzo
Mayo
Mayo
Mayo
Mayo
Mayo
Marzo
no terminadas
no terminadas
no terminadas
Pintura
daada
por
corrosin
Marzo
Partes daadas
Alodino en Polvo
Partes
suministradas
oxidadas
Partes
suministradas
oxidadas
Marzo
Junio
Marzo
Pintura fuera de los limites Junio
Marzo
Junio
Marzo

Junio
Junio
Ejercicio: construir el pareto por meses del ejemplo

1. Cargar la data
32
Abril
Abril
Junio
Junio
TECSUP
2.- Seleccionar Stat ----- Quality tools ---Pareto

3.- Rellenamos los campos como se detalla a continuacin:
4.- Los grficos obtenidos son los siguientes:
Pareto Chart of Defectos by Meses
12
12
100
80
60
40
20
0
6
4
2
Defectos
a
ul
li c
Pe
e
br
so
s
la
e
rt
Pa
Count
Percent
Cum %
r
pa
s
te
m
su
ra
ist
in
3
42,9
42,9
s
da
as
ad
id
ox
ci
ra
tu
Ob
2
28,6
71,4
fi
su
in
cie
a
ur
nt
Pi
e
nt
a
er
fu
1
14,3
85,7
de
s
lo
lim
s
ite
1
14,3
100,0
er
th
O
8
6
2
Defectos
a
ur
bt
O
Count
Percent
Cum %
0
0,0
100,0
c i
e
nt
ie
fi c
su
in
o
in
od
Al
Pa
s
r te
r
he
Ot
s
da
a
da
1
20,0
100,0
0
0,0
100,0

Meses = marzo
100
10
80
60
40
4
2
20
er
th
O
0
0,0
100,0
Count
12
Percent
Count
l vo
Po
1
20,0
80,0
Meses = abril
s
o
e
ia
as
nt
da
ad
nc
ad
ie
a
re
id
uin
fic
da
he
ox
aq
su
s
in
m
ad
as
te
n
ar
de
de
ad
i
r
P
c
as
lla
ist
ra
m
in
Fa
tu
le
m
Ob
ob
su
Pr
es
rt
Pa
Count
4
3
3
1
1
Percent
33,3
25,0
25,0
8,3
8,3
Cum %
33,3
58,3
83,3
91,7
100,0
en
3
60,0
60,0

14
Defectos
100
80
60
40
20
0
Defectos
100
14
12
10
8
6
4
2
0
80
60
40
20
n
as
do
i
ad
na
ie
os
id
ui
rr
fic
ox
aq
co
su
s
m
r
te
in
a
o
d
n
p
de
no
ra
c i
s
da
as
ist
ra
a
ica
m
in
tu
le
m
da
am
Ob
ob
su
in
ra
s
Pr
tu
od
e
t
r
n
r
Pi
ae
Pa
as
ur
ct
tru
Es
e
nt
Count
Percent
as
ad
in
rm
6
42,9
3
21,4
3
21,4
1
7,1
1
7,1
er
th
O
0
0,0
4.1.3.4. DIAGRAMAS DE CAUSA EFECTO.

El Diagrama Causa-Efecto es una forma de organizar y
representar las diferentes teoras propuestas sobre las
causas de un problema. Se conoce tambin como
diagrama de Ishikawa (por su creador, el Dr. Kaoru
Ishikawa, 1943), diagrama de Espina de Pescado y se
utiliza en las fases de Diagnstico y Solucin de la causa.
33
Percent
10
Count
Count
10
Percent
14
Percent
Meses = mayo
Meses = junio
14
TECSUP
El Dr. Kaoru Ishikawa (padre de la calidad total)

El Profesor Dr. Kaoru Ishikawa naci en el Japn en el
ao 1915 y falleci en 1989. Se gradu en le
Departamento de Ingeniera de la Universidad de Tokio.
Obtuvo el Doctorado en Ingeniera en dicha Universidad y
fue promovido a Profesor en 1960. Obtuvo el premio
Deming y un reconocimiento de la Asociacin Americana
de la Calidad. Falleci el ao 1989.
Dr. Kaoru Ishikawa

1915-1989
Fue el primer autor que intent destacar las diferencias
entre los estilos de administracin japons y occidentales.
Precursor de los conceptos sobre la calidad total en el
Japn. Posteriormente tuvo una gran influencia en el
resto del mundo.
Ishikawa estaba interesado en cambiar la manera
de pensar de la gente respecto a su trabajo. Para l, la
calidad era un constante proceso que siempre poda ser
llevado un paso ms. Hoy es conocido como uno de los
ms famosos Gurs de la calidad mundial.
El control de calidad, trmino tan usado hoy en da en
todos los crculos acadmicos, fue un planteamiento de
Ishikawa, ms de 50 aos atrs, en el Japn de la post
guerra. El control de la calidad en pocas palabras fue
definido por l como "Desarrollar, Disear, Manufacturar
y Mantener un producto de calidad". Es posible que la
contribucin ms importante de Ishikawa haya sido su rol
en el desarrollo de una estrategia de calidad japonesa. El
no quera que los directivos de las compaas se
enfocaran solamente en la calidad del producto, sino en
la calidad de toda la compaa.
Pasos en Minitab:
1.- Cargar la data: la informacin debe estar contenida en columnas
Exceso de Inventario
MEDIO
MEDICION MAQUINARIA METODO
MATERIALES AMBIENTE
34
MANO
OBRA
DE
TECSUP
Tiempos de
Reposicin Calibracin
de
Prov. Equipos
(Nac(Pesadas)
Import)
Tiempos de
atencin a
Produccin
Inadecuado
control de
uso
de
Inventarios.
Tara
de
Insumos
Tiempos de
Control de
Calidad
Unidades
Mnimas de
compra
Economa
de escala
de Cambios
especificaciones
EM y EI
de
Materia Prima Condiciones
en
Rechazada
clima
Variacin
Conciliacin entre el Muestras
de
precios
MEmp y M Envase
Planta Piloto
mercado
Devolucin de
Variacin
de
las Insumos
no
frmulas (Prod.vs.ID) utilizados(ProdAlmac)
El
Sistema
no
contempla M Prima en
proceso
Campaas de MKT
apresuradas
y
variables
Planeamiento inexacto
Cada rea trabaja con
diferente informacin
Comunicacin
no
adecuada entre reas
Polticas
de
Inventarios
no
definidas
Programacin
de
entregas de MP del
Proveedor
Variaciones de Origen
de Materia Prima
Cambios
por
prioridades
Seleccionar Stat > Quality Tools > Cause-and-Effect:

Rellenamos los campos como se indica a continuacin:
35
Proceso
de Rotulado
Manual de E
EI.
de Solicitudes
en errneas
compra
TECSUP
36
TECSUP
G r a fico de Is chikaw a pa r a e l Exces o de Inv e nta r io

io A mb ien te
eto d olos siguientes:
M ed ic i n
4.- LosM edgrficos
obtenidos Mson
C am bios de es pec ific ac iones
T iem pos de R epos ic in de Prov.

(N ac -Im port)
C onc iliac in entre el M Em p y

V ariac in de las frm ulas
El Sis tem a no c ontem pla M
C ondic iones de c lim a
T iem pos de atenc in a Produc c in
C am paas de M K T
Planeam iento inexac to
C ada rea trabaj a c on
C om unic ac in no adec uada
V ariac in de prec ios en

m erc ado
Program ac ion de entregas de

C am bios por prioridades
U nidades M nim as de c om pra

Ec onom a de es c ala
E xc eso d e
In v en tar io
Devoluc in de Ins um os no
utiliz ados (Prod-A lm ac )
Solic itudes errneas de c om pra
M ues tras de Planta Piloto
M an o d e O b r a
T iem pos de C ontrol de C alidad
Poltic as de Inventarios no
V ariac iones de Origen de
Proc es o de R otulado M anual de

EM y EI.
Inadec uado c ontrol de us o de

Inventarios .
T ara de Ins um os
C alibrac in de Equipos (Pes adas )
M ateria Prim a R ec haz ada
M ater iales
M aq u in ar ia
4.1.3.5. DIAGRAMAS DE CORRELACIN O BIVARIANTES.

Un diagrama de correlacin muestra grficamente la relacin entre dos variables (x, y).
Cada eje representa a una variable y cada punto del plano es un par de puntos (x, y).
En l puede verse si la relacin es lineal o no lineal. Grficamente puede anticiparse el
valor del coeficiente de correlacin entre ambas variables. Cuanto ms estrecha sea la
nube de puntos mayor ser la correlacin. Asimismo, son tiles para representar
variables frente al tiempo, cuando los datos no estn ordenados cronolgicamente. Se
logran siguiendo la ruta:
Equipo
SEMANA Turbo
15/07/2007
129,04
22/07/2007
144,40
29/07/2007
140,00
05/08/2007
141,00
12/08/2007
152,53
19/08/2007
136,00
26/08/2007
134,00
02/09/2007
145,00
09/09/2007
164,00
16/09/2007
167,00
23/09/2007
157,00
30/09/2007
156,00
07/10/2007
145,00
14/10/2007
135,36
21/10/2007
154,62
28/10/2007
156,00
04/11/2007
157,70
11/11/2007
170,00
37
TECSUP
18/11/2007
25/11/2007
02/12/2007
09/12/2007
189,00
156,00
165,00
150,00
S c a tte r p lo t o f E q u ip o
T u r b o
v s
S E M A N A
1 9 0
Equipo Turbo
1 8 0
1 7 0
1 6 0
1 5 0
1 4 0
1 3 0
2
7/
/0
16
7
00
/0
01
07
07
07
07
07
07
07
07
07
07
20
20
20
20
20
20
20
20
20
20
2/
2/
1/
1/
0/
0/
9/
9/
8/
8/
/1
/1
/1
/1
/1
/1
/0
/0
/0
6
1
6
1
6
1
6
1
6
1
0
1
0
1
0
1
0
1
S E M A N A
38
TECSUP
Grafico de Dispersin Mltiple:

SEMANA
Equipo
Turbo
Equipo
TKM
Equipo
PKDOS
15/07/2007 129
125 145
22/07/2007 144
127 156
29/07/2007 140
138 148
05/08/2007 141
141 169
12/08/2007 153
145 154
19/08/2007 136
146 189
26/08/2007 134
146 142
02/09/2007 145
149 112
09/09/2007 164
157 103
16/09/2007 167
156 89
23/09/2007 157
145 65
30/09/2007 156
156 44
07/10/2007 145
155 209
14/10/2007 135
156 158
21/10/2007 155
158 208
28/10/2007 156
170 177
04/11/2007 158
189 200
11/11/2007 170
185 150
18/11/2007 189
187 178
25/11/2007 156
170 168
02/12/2007 165
189 146
09/12/2007 150
180 149
39
TECSUP
Grafh > scatterplot > simple>Mltiple Graphs
Scatterplot of Equipo TKM; Equipo Turbo; Equipo PKDOS vs SEMANA

01/07/2007 01/09/2007 01/11/2007 01/01/2008
Equipo TKM
Equipo Turbo
180
180
165
165
150
150
135
135
120
120
Equipo PKDOS
200
150
100
50
01/07/2007 01/09/2007 01/11/2007 01/01/2008
SEMANA
El grafico muestra una asociacin positiva para el equipo TKM, Siendo esta
asociacin positiva pero con menor fuerza para el equipo turbo. En tanto
que el equipo PKDOS no muestra ningn patrn de asociacin.
5. GRAFICOS DE CONTROL
40
TECSUP
5.1
PRINCIPIO BSICO DE USO DE UN GRFICO DE CONTROL
Un grfico de control es la representacin de la evolucin de una caracterstica de la

calidad del producto o servicio de inters (ver figura 3.1). Los elementos bsicos son la
lnea central, que representa el nivel medio de dicha caracterstica, y los lmites de
control: lmite de control superior o LCS y lmite de control inferior o LCI.
Las observaciones suelen corresponder a mediciones realizadas sobre muestras de
artculos: valores medios, desviaciones tpicas, rango, etc.; aunque tambin existen
grficos realizados sobre observaciones individuales. Estas mediciones se realizan a lo
largo del tiempo, por lo que el grfico es una evolucin temporal de la calidad. Los
puntos representados se unen por lneas para visualizarlo mejor.
5.2. GRAFICO DE CONTROL PARA VARIABLES.
En cualquier proceso productivo resulta conveniente conocer en todo momento hasta
qu punto nuestros productos cumplen con las especificaciones preestablecidas.
Podemos decir que la calidad de un producto tiene dos grandes enemigos: (1) las
desviaciones con respecto al objetivo especificado (falta de exactitud), y (2) una
excesiva variabilidad respecto a los valores deseables (falta de precisin).
La idea consiste en extraer muestras de un proceso productivo que se encuentra
activo y, a partir de las mismas, generar grficos que nos permitan tanto estudiar la
variabilidad del mismo como comprobar si los productos obtenidos cumplen o no con
las especificaciones preestablecidas. La grfica tiene una lnea central que simboliza el
valor medio de la caracterstica de calidad. Finalmente, otras dos lneas (los lmites
superior e inferior de control) flanquean a la anterior a una distancia determinada.
Estos lmites son escogidos de manera que si el proceso est bajo control, casi la
totalidad de los puntos muestrales se halle entre ellos. As, un punto que se encuentra
fuera de los lmites de control se interpreta como una evidencia de que el proceso est
fuera de control. Adems, incluso si todos los puntos se hallan comprendidos entre los
lmites de control, pero se comportan de manera sistemtica o no aleatoria, tambin
tendramos un proceso fuera de control.
La determinacin de los lmites de control se basa en conceptos y resultados

estadsticos: supongamos, p.e., que estamos interesados en controlar la media de
una variable aleatoria X cuya distribucin tiene una desviacin estndar ( y
41
TECSUP
constantes durante el proceso). Sabemos (por el TCL) que, para un tamao muestral n
grande, la distribucin de las medias muestrales ser aproximadamente normal con
media igual a y desviacin estndar igual a /n . De este hecho se deduce que
aproximadamente el 99,7% de las medias muestrales estarn contenidas en el
intervalo 3 * /n , intervalo que viene definido por los lmites de control. Este
sencillo razonamiento es la base para la construccin de todos los grficos de control.
Podemos distinguir dos grandes clases de grficos de control: los grficos de control
por variables hacen uso de estadsticos obtenidos a partir de datos tales como la
longitud o grosor de un elemento, mientras que los grficos de control por atributos se
basan en frecuencias tales como el nmero de unidades defectuosas.
5.3. MODELO DE SHEWART PARA GRFICOS DE CONTROL
Sea T un estadstico muestral que mide alguna caracterstica de calidad, y supongamos
que T se distribuye de forma aproximadamente normal, con media T y desviacin
estndar T . Entonces, la lnea central y los lmites superior e inferior del grfico de
control vendrn dados, segn el modelo de Shewart, por:
Como dijimos en la introduccin, cuando alguno de los estadsticos mustrales cae

fuera de los lmites de control, hay razones para pensar que el proceso est fuera de
control. Adems, tambin es importante estudiar la posible existencia de patrones no
aleatorios en la representacin de dichos estadsticos mustrales, ya que tales patrones
suelen ser un sntoma de que la los parmetros del proceso estn cambiando. A tal
efecto se utilizan los tests para causas especiales o asignables, trmino que se
contrapone al de causas comunes o aleatorias (inherentes a todo proceso).
Al igual que los lmites de control, los tests para causas especiales tienen un
fundamento estadstico. As, por ejemplo, la probabilidad de que un estadstico
muestral caiga por encima de la lnea central ser de 0,5 bajo los siguientes supuestos:
(1) que el proceso est bajo control, (2) que estadsticos mustrales consecutivos sean
independientes, y (3) que la distribucin de los estadsticos mustrales sea
aproximadamente normal.
La franja comprendida entre dos y tres sigmas respecto a la lnea central se denomina
zona A, la comprendida entre 1 y 2 sigmas se llama zona B, y la franja situada a
menos de 1 sigma se denomina zona C.
El programa Minitab permite realizar varios tests para determinar la posible existencia
de causas especiales que influyan sobre la variabilidad de las observaciones
(comportamiento no aleatorio de los datos):
42
TECSUP
Cada uno de los tests detecta un determinado comportamiento no aleatorio en los

datos. Cuando alguno de los tests resulta positivo entonces hay indicios de que la
variabilidad de las observaciones se debe a causas especiales, las cuales debern
investigarse. Es importante notar que para realizar estos tests todas las muestras han
de ser del mismo tamao.
43
TECSUP
5.4. GRFICOS X-BARRA Y R

En la introduccin comentamos que los grficos por variables se utilizan para
controlar una caracterstica mesurable del producto, como puede ser la longitud, el
peso, la altura, etc. Un grfico X-barra contiene las medias muestrales de la
caracterstica que se pretende estudiar, por lo que mediante l podremos detectar
posibles variaciones en el valor medio de dicha caracterstica durante el proceso
(desviaciones con respecto al objetivo). Un grfico R es un grfico de control para
rangos muestrales. Se utiliza para medir la variacin del proceso y detectar la posible
existencia de causas especiales. Es habitual usar los grficos R para estudiar la
variacin en muestras de tamao no superior a 10, recurriendo a los grficos S para
muestras mayores.
Ejemplo: Construir el grafico de control para la media y el rango de las mediciones del
dimetro interior de anillos fundidos para pistones.
Numero
de
Muestra
Observaciones
1
2
3
4
74,03
73,995
73,988
74,002
74,002
73,992
74,024
73,996
74,019
74,001
74,021
73,993
44
73,992
74,011
74,005
74,015
74,008
74,004
74,002
74,009
TECSUP
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
73,992
74,009
73,995
73,985
74,008
73,998
73,994
74,004
73,983
74,006
74,012
74
73,994
74,006
73,984
74
73,982
74,004
74,01
74,015
74,007
73,994
74,006
74,003
73,995
74
73,998
74
74,002
73,967
74,014
73,984
74,012
74,01
74,002
74,01
74,001
73,999
73,989
74,008
74,015
73,997
73,994
73,993
74,009
73,99
73,994
74,007
73,998
73,994
73,998
74,005
73,986
74,018
74,003
74,013
74,015
73,99
73,99
73,993
73,989
73,985
74
74,015
74,005
74,007
73,995
74
73,997
74
73,999
73,998
74,005
74,003
74,005
74,02
74,005
74,006
74,009
74
74,014
73,993
74,005
73,988
74,004
73,995
73,99
73,996
74,012
73,984
74,007
73,996
74,007
74
73,997
74,003
73,996
74,009
74,014
74,01
25
73,982
73,984
73,995
74,017
74,013
a) Pasos
45
TECSUP
46
TECSUP
Xbar-R Chart of O1; ...; O5

U C L=74,01465
Sample M ean
74,01
_
_
X=74,00117
74,00
73,99
1
11
13
15
17
19
21
23
25
LC L=73,98769
Sample
U C L=0,04941
Sample Range
0,048
0,036
_
R=0,02337
0,024
0,012
0,000
11
13
15
17
19
21
23
25
LC L=0
Sample
Muestra
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
Observaciones
74,012
74,015
73,995
74,01
73,987
73,999
74,008
74,01
74,003
74
73,994
74,003
74,008
74,002
74,001
74,004
74,015
74
74,03
74,005
74,001
73,99
74,015
74,02
74,035
74,01
74,017
74,013
74,01
74,005
74,03
73,99
73,985
74,003
74,001
74,015
74,018
73,99
74,016
74
73,995
74,024
74,012
74,036
74,029
73,986
74,015
74
73,991
73,986
74,02
73,995
73,996
74,025
74,016
74,01
74,005
74,015
74,025
74
74
74,001
73,99
74,006
73,997
74,004
74,005
73,998
74
74,012
74,024
74,019
74,026
74,026
74,02
TEST 1. One point more than 3,00 standard deviations from center line. Test
Failed at points: 3; 14
TEST 5. 2 out of 3 points more than 2 standard deviations from center line (on
one side of CL). Test Failed at points: 5; 14
TEST 6. 4 out of 5 points more than 1 standard deviation from center line (on
one side of CL). Test Failed at points: 14; 15
47
TECSUP
Xbar-R Chart of O1; ...; O5

1
+3S L=74,02135
Sample M ean
74,02
6
74,01
+2S L=74,01678
+1S L=74,01222
_
_
X=74,00765
-1S L=74,00309
74,00
-2S L=73,99852
5
73,99 1
31
-3S L=73,99396
6
10
11
12
13
14
15
Sample
+3S L=0,05020
Sample Range
0,048
+2S L=0,04138
0,036
+1S L=0,03256
_
R=0,02374
0,024
-1S L=0,01492
0,012
-2S L=0,00610
0,000
10
11
12
13
14
15
-3S L=0
Sample
Cartas de control para promedio y s

Es comn la utilizacin de las cartas del promedio y S, en ocasiones es deseable
estimar la desviacin estndar del proceso directamente.
Son preferibles como contrapartidas, cuando el tamao de muestra es moderadamente
grande mayores de 10, tambin cuando el tamao de muestra es variable.
48
TECSUP
Xbar-S Chart of O 1 ; ...; O 5

+ 3S L= 74,01466
+ 2S L= 74,01017
Sample M ean
74,01
+ 1S L= 74,00567
_
_
X= 74,00118
74,00
-1S L= 73,99668
-2S L= 73,99219
73,99
-3S L= 73,98769
1
11
13
S a m p le
15
17
19
21
23
25
Sample StDev
0,020
+ 3S L= 0,01974
+ 2S L= 0,01631
0,015
+ 1S L= 0,01288
_
S = 0,00945
0,010
-1S L= 0,00602
0,005
-2S L= 0,00259
0,000
-3S L= 0
1
11
13
S a m p le
15
17
19
21
23
25
En la prctica se suelen considerar los diagramas X - barra-R, que no son otra cosa
sino la presentacin conjunta de un diagrama X-barra y otro R. La razn de usar dicho
diagrama conjunto es la siguiente:
Si la distribucin de la v.a. X es normal (como hemos supuesto), entonces las v.a. Xbarra y R son independientes (Teorema de Cochran). Por tanto, si existiese una
correlacin entre los valores de X-barra y R (es decir, si los puntos en ambas grficas
presentasen grficos paralelos), ello indicara que la distribucin subyacente sera
sesgada (no normal), con lo que los anlisis posteriores podran estar equivocados.
5.5. GRFICOS INDIVIDUAL Y MR-BARRA
Los grficos de control por variables pueden tambin construirse para observaciones
individuales procedentes de la lnea de produccin. Esto puede resultar necesario
cuando el considerar muestras de tamao mayor que 1 resulte demasiado caro,
inconveniente, o imposible. En este procedimiento de control se emplea el rango mvil
de dos observaciones sucesivas para estimar la variabilidad del proceso.
Por tanto, segn el modelo de Shewart, tendremos que:
Si es desconocida, la podemos estimar

Cartas de control para lmites Individuales:
49
TECSUP
Costos, tecnologa, velocidad de produccin lenta

Numero
tanda
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
de
Viscosidad
33,75
33,05
34
33,81
33,46
34,02
33,68
33,27
33,49
33,2
33,62
33
33,54
33,12
33,84
50
RM
0,7
0,95
0,19
0,35
0,56
0,34
0,41
0,22
0,29
0,42
0,62
0,54
0,42
0,72
TECSUP
I-MR Chart of Viscosidad

U C L=34,802
Individual V alue
34,5
34,0
_
X=33,523
33,5
33,0
32,5
LC L=32,245
1
7
8
9
O bser vation
10
11
12
13
14
15
M oving Range
1,6
U C L=1,571
1,2
0,8
__
M R=0,481
0,4
0,0
LC L=0
1
7
8
9
O bser vation
10
11
12
13
14
15
Caso 2.
Tandas
16-30
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
Viscosidad
33,5
33,25
33,4
33,27
34,65
34,8
34,55
35
34,75
34,5
34,7
34,29
34,61
34,49
35,03
RM
0,34
0,25
0,15
0,13
1,38
0,15
0,25
0,45
0,25
0,25
0,2
0,41
0,32
0,12
0,54
Test Results for MR Chart of Viscosidad

TEST 1. One point more than 3,00 standard deviations from center line.
Test Failed at points: 5
* WARNING * If graph is updated with new data, the results above may no
51
TECSUP
* longer be correct.
I-MR Chart of Viscosidad
U C L= 35,241
Individual Value
35,0
34,5
_
X= 34,319
34,0
33,5
1
33,0
1
LC L= 33,398
1
M oving Range
1,5
7
8
9
O bse r v a tio n
10
11
12
13
14
15
U C L= 1,132
1,0
0,5
__
M R = 0,346
LC L= 0
0,0
1
7
8
9
O bse r v a tio n
10
11
12
13
14
15
Caso de violacin de supuesto de Normalidad.

Se presenta los datos de resistencia de 25 obleas de silicio en un proceso de
deposicion.
Muestra Resistencia Ln
MR
1
216
5,37527841
2
290
5,66988092 0,29460252
3
236
5,46383181 0,20604912
4
228
5,42934563 0,03448618
5
244
5,49716823 0,0678226
6
210
5,34710753 0,15006069
7
139
4,93447393 0,4126336
8
310
5,7365723 0,80209836
9
240
5,48063892 0,25593337
10
211
5,35185813 0,12878079
11
175
5,16478597 0,18707216
12
447
6,10255859 0,93777262
13
307
5,72684775 0,37571085
14
242
5,48893773 0,23791002
15
168
5,12396398 0,36497375
16
360
5,88610403 0,76214005
17
226
5,420535
0,46556903
18
253
5,53338949 0,11285449
19
380
5,94017125 0,40678176
20
131
4,87519732 1,06497393
21
173
5,15329159 0,27809427
22
224
5,41164605 0,25835446
23
195
5,27299956 0,13864649
52
TECSUP
24
25
199
226
5,29330482 0,02030527
5,420535
0,12723017
Probability Plot of R esistencia
Norm al
99
M ean
S tD ev
N
KS
P -Valu e
95
90
Percent
80
70
60
50
40
30
20
10
5
100
200
300
Re siste ncia
400
500
Probability Plot of Ln
Normal
99
Mean
StDev
N
KS
P-Value
95
90
Percent
80
70
60
50
40
30
20
10
5
4,6
4,8
5,0
5,2
5,4
Ln
5,6
5,8
Transformacin de Box y cox:
53
6,0
6,2
5,444
0,2909
25
0,148
>0,150
241,2
74,08
25
0,205
<0,010
TECSUP
Box-Cox Plot of Resistencia

Lower CL
200
Upper CL
Lambda
StDev
(using 95,0% confidence)
180
Estimate
-0,37
160
Lower CL
Upper CL
-1,64
1,03
Rounded Value
-0,50
140
120
100
80
Limit
60
-5,0
-2,5
0,0
Lambda
2,5
5,0
La Tabla de Informacin correspondiente a la ltima iteracin contiene el mejor

estimador para , el cual resulta ser de 0,000. Otros dos buenos estimadores seran
2.5 y 2.5.
Las dos lneas rojas del grfico determinan un intervalo de confianza a nivel del
95% para el verdadero valor de . Dicho intervalo contiene a todos los posibles
valores de cuya desviacin estndar es menor o igual a la indicada por la lnea
horizontal discontinua, en este caso sera el intervalo de extremos 1.5 y 1. Dado
que el mejor estimador para es el cero, la transformacin que tomaramos sera Y
ln
Y.
I-MR Chart of Resistencia
Individual V alue
U C L= 462,4
400
300
_
X= 241,2
200
100
LC L= 20,0
0
1
11
M oving Range
300
13
15
O bse r v a tio n
17
19
21
23
25
U C L= 271,7
200
__
M R = 83,2
100
LC L= 0
1
11
13
15
O bse r v a tio n
54
17
19
21
23
25
TECSUP
I-MR Chart of Ln
Individual V alue
6,5
U C L=6,341
6,0
_
X=5,444
5,5
5,0
LC L=4,547
4,5
1
11
13
15
O bser vation
17
19
21
23
25
U C L=1,101
M oving Range
1,00
0,75
0,50
__
M R=0,337
0,25
0,00
LC L=0
1
11
13
15
O bser vation
17
19
21
23
25
6. EXPERIMENTOS FACTORIALES
Muchos experimentos se llevan a cabo para estudiar los efectos producidos por dos o
ms factores. Ningn factor se considera extrao; todos tienen el mismo inters. En el
experimento factorial o arreglo factorial, se investigan todas las posibles combinaciones
de los niveles de los factores en cada ensayo completo o rplica del experimento. El
experimento factorial afecta al diseo de tratamientos, que se refiere a la eleccin de
los factores a estudiar, sus niveles y la combinacin de ellos. Se debe tener en cuenta
que el diseo de tratamientos es independiente del diseo experimental, que indica la
manera en que los tratamientos se aleatorizan en las diferentes unidades
experimentales y la forma de controlar la variabilidad natural de las mismas. No es
usual tener diseos experimentales muy complicados en los experimentos factoriales
por la dificultad que involucra el anlisis y la interpretacin.
6.1. CASO DE DOS FACTORES EN UN DCA
El modelo de efectos fjos se supone cuando el investigador est interesado
nicamente en los niveles del factor y en los niveles del factor , presentes en
el experimento. Los datos de este experimento factorial se pueden presentar en un
cuadro como el siguiente:
El modelo estadstico asociado a este experimento es dado por:
55
TECSUP
Para el factor A:
donde
es la media global y
Para el factor B:
donde
es la
Para la interaccin de los factores
Cmo se aplican los mtodos de comparacin mltiple?

Si la hiptesis de interaccin es significativa (se rechaza la hiptesis nula), se deben
realizar comparaciones mltiples entre los niveles de un factor pero en cada nivel del
otro factor. Si la hiptesis de interaccin es no significativa ( no se rechaza la hiptesis
nula), y algn factor es significativo, se debe realizar comparaciones mltiples para los
niveles de este factor como si fuese un DCA sin estructura factorial.
EJEMPLO (Tomado de Montgomery)
Un ingeniero Mecnico, disea una batera para su uso en un dispositivo que ser
sometido a ciertas variaciones extremas de temperatura. El nico parmetro de diseo
que l puede seleccionar en este punto es el material de al cubierta de la batera, y
tiene tres alternativas. Cuando el dispositivo se manufactura y se enva al campo, el
ingeniero no tiene control sobre los extremos de las temperaturas a que ser expuesto
el dispositivo, y sabe por experiencia que es probable que la temperatura influye sobre
la duracin de la batera. Sin embargo, s es posible controlar la temperatura en el
laboratorio de desarrollo de productos para los fines del ensayo. El ingeniero decide
probar los tres materiales de la cubierta a tres niveles de temperaturas (15, 70 y
) consistentes en el entorno de su uso final del producto. Se prueban cuatro
125
bateras a cada combinacin del material de cubierta y temperatura, y las 36 pruebas
se ejecuta al azar. La siguiente tabla muestra los datos resultantes de la duracin
observada de las bateras.
56
TECSUP
Tipo de Mat.
1
Y.j.
15
130,155, 74
180,
539
Temperatura (F)
70
125
34, 40, 80, 75 20, 70, 82, 58
229
230
Yi..
998
150.188.159 136,122, 106 25, 70, 58, 45

126
623
115,
479
198
1300
138.110.168 174, 120, 150 96, 104, 82

160, 576
139
583
60
342
1501
1738
1291
770
3799
Como auxiliar de la interpretacin de los resultados de este experimento resulta til la

construccin de una grfica de de las respuestas promedios de cada combinacin de
tratamiento.
Figura. Grfica de lneas para los tipos de materiales en los niveles de temperatura.
De la grfica se puede observar que la diferencia entre los promedios de los materiales
1 y 2 no es la misma en los tres niveles, anlogamente para los casos de los materiales
1 y 3, y 2 y 3. De lo que se puede sospechar que los materiales no se comportan de la
misma manera en cada nivel de temperatura, por lo cual se puede establecer que
existe interaccin entre los tipos de materiales y los niveles de temperatura.
La tabla de Anova es dada por
Causas
de Grados de Suma de Cuadrados
F
Valor P
F tabla
var
libertad
cuadrados medios
Tipo
de
material
2
10633.167 5,316,583 7.98
0.0019
3.35
Temperatura 2
39083.167 19541,58 29.34
1.67E-07 3.35
Interaccin
4
9437.66
2,359,417 3.54
0.019306 2.73
Error
27
17980
665,954
Total
37
77134.75
De la tabla de Anova se puede observar que al nivel de significacin de 0.05 todas las
causas de variacin resultan significativas.
Procedimiento en Minitab:
Tipo de
StdOrder RunOrder Blocks
Temperatura
Tie-Vida
material
1
1
1
15
1
130
57
TECSUP
2
2
1
15
2
3
3
1
15
3
4
4
1
70
1
5
5
1
70
2
6
6
1
70
3
7
7
1
125
1
8
8
1
125
2
9
9
1
125
3
10
10
1
15
1
11
11
1
15
2
12
12
1
15
3
13
13
1
70
1
14
14
1
70
2
15
15
1
70
3
16
16
1
125
1
17
17
1
125
2
18
18
1
125
3
19
19
1
15
1
20
20
1
15
2
21
21
1
15
3
22
22
1
70
1
23
23
1
70
2
24
24
1
70
3
25
25
1
125
1
26
26
1
125
2
27
27
1
125
3
28
28
1
15
1
29
29
1
15
2
30
30
1
15
3
31
31
1
70
1
32
32
1
70
2
33
33
1
70
3
34
34
1
125
1
35
35
1
125
2
36
36
1
125
3
Entrada de datos: Los datos se ingresan de acuerdo al numero
columna, incluyendo la variable respuesta.
Esto se muestra en la siguiente Figura.
58
150
138
34
136
174
20
25
96
74
159
168
80
106
150
82
58
82
155
188
110
40
122
120
70
70
104
180
126
160
75
115
139
58
45
60
de factores en cada
TECSUP
Esta figura muestra la manera de entrar los datos para el ejemplo.

Los datos se analizan de la siguiente manera: Se selecciona <STAT>ANOVA>One
way. Se selecciona General Lineal Model.
Luego se presenta una ventana, donde se indica la columna que contiene las
respuestas y el modelo a ser considerado, colocando los factores considerados:
59
TECSUP
Se presiona OK. Los resultados obtenidos se presentan en la ventana de sesin,

segn se puede apreciar en la siguiente pantalla:
El siguiente grafico muestra la manera de realizar las pruebas de comparacin de

medias usando el Mtodo de Tukey.
60
TECSUP
N ormal Probability Plot of the R esiduals

(response is Duracin de la Bateria)
99
95
90
Percent
80
70
60
50
40
30
20
10
5
-75
-50
-25
25
50
Re sidual
Salida grafica de la normalidad de los errores es decir se distribuyen en funciona una

Lnea Recta.
61
TECSUP
REPETIBILIDAD
Y DE REPRODUCIBILIDAD R&R
62
TECSUP
7.- R&R CAPACIDAD DE LOS SISTEMAS DE MEDICIN
1. CONCEPTOS BSICOS
2. CARTA DE TENDNCIAS DE GAGE MINITAB
3. ESTUDIOS DE R&R MTODO CORTO DEL RANGO
4. ESTUDIOS DE R&R MTODO LARGO (CRUZADO)
5. ESTUDIOS DE R&R MTODO LARGO (ANIDADO)
6. ESTUDIOS DE LINEALIDAD Y SESGO
7. ESTUDIOS DE R&R POR ATRIBUTOS MTODO ANALTICO
8. ESTUDIOS DE R&R POR ATRIBUTOS ACUERDO ENTRE

EVALUADORES
63
TECSUP
La norma tcnica NTC-ISO/IEC 17025 Requisitos generales de competencia de

laboratorios de ensayos y calibracin., establece en el numeral 5.9
Aseguramiento de la calidad de los resultados de ensayo y de calibracin, que
todo laboratorio de calibracin/ensayo DEBE tener procedimientos de control de la
calidad para realizar el seguimiento de la validez de los ensayos y las calibraciones
llevados a cabo, uno de estos mtodos es el estudio de Repetibilidad y
Reproducibilidad.
En metrologa, las aplicaciones del estudio de Repetibilidad y Reproducibilidad son
las siguientes:
La evaluacin de ensayos de aptitud.
La validacin de mtodos de calibracin.
El anlisis de comparaciones interlaboratorio.
La evaluacin de cartas de control.
La variabilidad de las mediciones e instrumentos.
La evaluacin de la deriva de instrumentos.
Para realizar el estudio de Repetibilidad y Reproducibilidad, existen tres mtodos:
Rango, Promedio y Rango y ANOVA (anlisis de varianza) los cuales cuantifican
de diferente forma la variabilidad del sistema de medicin, su implementacin
depende del tipo de actividad que se lleve a cabo en el laboratorio.
La validacin de mtodos es un procedimiento para establecer por medio

de estudios de laboratorio una demostracin cientfica que un
mtodo analtico tiene las caractersticas de desempeo que son
adecuadas para cumplir los requerimientos de las aplicaciones analticas
pretendidas. Por lo tanto, es un componente esencial de las medidas que
un laboratorio debe implementar para producir datos analticos fiables.
7.1. Conceptos bsicos

En muchas ocasiones las organizaciones no consideran el impacto de no tener sistemas de
medicin de calidad, el hecho de que las mediciones no sean exactas puede llevar a cometer
errores en el clculo, y en los anlisis y conclusiones de los estudios de capacidad de los
procesos.
Cuando los operadores no miden una pieza de manera consistente, se puede

caer en el riesgo de rechazar artculos que estn en buen estado o aceptar
artculos que estn en mal estado. Por otro lado si los instrumentos de
medicin no estn calibrados correctamente tambin se pueden cometer
errores. Cuando sucede lo mencionado anteriormente tenemos un sistema de
medicin deficiente que puede hacer que un estudio de capacidad parezca
insatisfactorio cuando en realidad es satisfactorio. Lo anterior puede tener
como consecuencia gastos innecesarios de reproceso al reparar un proceso de
64
TECSUP
manufactura o de servicios, cuando la principal fuente de variacin se deriva

del sistema de medicin.
Posibles Fuentes de la Variacin del Proceso
Variacin del proceso
Variacin
proceso,
real
Variacin
deldel
proceso,
real
Variacin dentro de la
muestra
Repetibilidad
Variacin de la medicin
Variacin
originada
Equipo
de
medicin
por el calibrador
Estabilidad
Reproducibilidad
Linealidad
Sesgo
Calibracin
Definiciones
Reproducibilidad: Es la variacin, entre promedios de las mediciones hechas por diferentes

operadores que utilizan un mismo instrumento de medicin cuando miden las mismas
caractersticas en una misma parte.
Operador-B
Operador-C
Operador-A
Repetibilidad: es la variacin de las

mediciones obtenidas con un instrumento de medicin,
Reproducibilidad
cuando es utilizado varias veces por un operador, al mismo tiempo que mide las mismas
caractersticas en una misma parte.
REPETIBILIDAD
65
TECSUP
Valor verdadero: Valor correcto terico / estndares NIST1

Precisin: Es la habilidad de repetir la misma medida cerca o dentro de una misma zona
Exactitud : Es la diferencia entre el promedio del nmero de medidas y el valor verdadero.

Resolucin: La medicin que tiene exactitud y precisin.
Exacto pero no preciso
Preciso pero no exacto
Exacto y preciso
(resolucin)
- Estabilidad: es la variacin total de las mediciones obtenidas con un sistema de medicin,

hechas sobre el mismo patrn o sobre las mismas partes, cuando se mide una sola de sus
caractersticas, durante un perodo de tiempo prolongado.
Tiempo 2
Linealidad: diferencia en los valores de la

escala, 1a travs del rango de operacin esperado
Tiempo
del instrumento de medicin.
Valor
verdadero
Valor
verdadero
Sesgo
Menor
Sesgo
mayor
(rango inferior)
(rango superior)
Rango de Operacin del equipo
En EUA se tiene el NIST (National Institute of Standards ando Technology),En Mxico se

tiene el CENEAM o el Centro Nacional de Metrologa
66
TECSUP
Sesgo: distancia entre el valor promedio de todas las mediciones y el valor verdadero. Error
sistemtico o desviacin.
Valor
Verdadero
Sesgo
Calibracin: Es la comparacin de un estndar de medicin con exactitud conocida con

otro instrumento para detectar, reportar o eliminar por medio del ajuste, cualquier variacin
en la exactitud del instrumento.
Importante: para que el equipo de medicin tenga una discriminacin adecuada en la

evaluacin de las partes, su resolucin debe ser al menos 1/10 de la variabilidad del
proceso.
<10% Aceptable
10-30%. Puede ser aceptable, dependiendo qu tan crtico es el grado de la medicin.
>30%. Inaceptable!
En cualquier problema que involucre mediciones, algunas de las variaciones observadas son
debidas al proceso y otras son debidas al error o variacin en los sistemas de medicin. La
variacin total es expresada de la siguiente manera:
2 total = 2 proceso + 2 error medicin
7.2. Carta de tendencias de Gage Minitab

Una carta de tendencias es una grfica de todas las observaciones por operador y partes. La
lnea horizontal de referencia es la media, calculada de los datos o proporcionada en base al
historial. Esta carta muestra las diferencias entre los diferentes operadores y las partes. Un
proceso estable mostrar una dispersin aleatoria horizontal; el efecto de un operador o parte
mostrar un patrn definido no aleatorio.
En este ejemplo, se obtienen dos cartas de tendencias con base en dos conjuntos de datos:
una donde la variacin del sistema de medicin contribuye poco a la variacin total observada
(GAGEAIAG.MTW) y otra donde la variacin del sistema de medicin contribuye mucho a la
variacin total observada (GAGE2.MTW).
Para el conjunto AIAG se toman 10 partes que representan el rango esperado de variacin del
proceso. Tres operadores miden las10 partes en tres intentos de manera aleatoria.
67
TECSUP
Part
1
1
2
2
3
3
4
4
5
5
6
6
7
7
8
Oper
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
Valor
0.65
0.60
1.00
1.00
0.85
0.80
0.85
0.95
0.55
0.45
1.00
1.00
0.95
0.95
0.85
Part
8
9
9
10
10
1
1
2
2
3
3
4
4
5
5
Oper
1
1
1
1
1
2
2
2
2
2
2
2
2
2
2
Valor
0.80
1.00
1.00
0.60
0.70
0.55
0.55
1.05
0.95
0.80
0.75
0.80
0.75
0.40
0.40
Part
6
6
7
7
8
8
9
9
10
10
1
1
2
2
3
Oper Response Valor

2
1.00
3
2
1.05
4
2
0.95
4
2
0.90
5
2
0.75
5
2
0.70
6
2
1.00
6
2
0.95
7
2
0.55
7
2
0.50
8
3
0.50
8
3
0.55
9
3
1.05
9
3
1.00
10
3
0.80
10
Instrucciones de Minitab
Paso 1: Gage Run Chart con datos GAGEAIAG
1
File > Open worksheet > GAGEAIAG.MTW.
Seleccionar Stat > Quality Tools > Gage Study > Gage Run Chart.
En Part numbers, seleccionar Part.
En Operators, seleccionar Operator.
En Measurement data, seleccionar Response. Click OK.
68
Oper
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
Valor
0.80
0.80
0.80
0.45
0.50
1.00
1.05
0.95
0.95
0.80
0.80
1.05
1.05
0.85
0.80
TECSUP
Gage Run Chart of Response by Part, Operator

Reported by :
Tolerance:
M isc:
G age name:
D ate of study :
5
1.0
Mean
0.8
O perator
1
2
3
Response
0.6
0.4
6
10
1.0
Mean
0.8
0.6
0.4
Operator
Panel variable: Part
Interpretando los resultados

Para cada parte, se puede comparar la variacin entre mediciones hechas por cada operador y
las diferencias entre los operadores.
Se puede comparar la media de referencia con las mediciones especficas.
La mayor parte de la variacin se debe a diferencias entre las partes, algunos patrones
menores aparecen tambin. Por ejemplo el operador 2 en su segunda medicin es
consistentemente (7/10) ms pequea que la primera medicin, y sus mediciones son
consistentemente (8/10) ms pequeas que las del operador 1.
Para el conjunto GAGE2, se miden tres partes que representan el rango esperado de variacin
del proceso. Tres operadores miden las tres partes, en tres intentos de manera aleatoria.
Part Operator Response Trial

3
3
413.75
3
3
3
268.75
2
3
3
420
1
3
2
426.25
3
3
2
471.25
2
3
2
432.5
1
3
1
368.75
3
3
1
270
2
3
1
398.75
1
2
3
386.25
3
2
3
478.75
2
2
3
436.25
1
2
2
406.25
3
Part
2
2
2
2
2
1
1
1
1
1
1
1
1
1
Operator Response
2
531.25
2
435
1
408.75
1
608.75
1
443.75
3
383.75
3
373.75
3
446.25
2
388.75
2
157.5
2
456.25
1
405
1
273.75
1
476.25
69
Trial
2
1
3
2
1
3
2
1
3
2
1
3
2
1
TECSUP
Paso 2: Gage Run Chart con datos GAGE2

1
File > Open worksheet > GAGE2.MTW.
Seleccionar Stat > Quality Tools > Gage Study > Gage Run Chart.
En Measurement data, seleccionar Response. Click OK.

Gage Run Chart of Response by Part, Operator
Reported by :
Tolerance:
M isc:
G age name:
Date of study :
O perator
1
2
3
600
Response
500
Mean
400
300
200
Operator
Panel variable: Part

Para cada parte, se puede comparar la variacin entre mediciones hechas por cada operador y
las diferencias entre los operadores.
Se puede comparar la media de referencia con las mediciones especficas.
La mayor parte de la variacin se debe a la repetibilidad grandes diferencias entre
mediicones cuando el mismo operador mide la misma parte. Las oscilaciones pueden sugerir
que los operadores ajustan el mtodo de cmo medir entre mediciones.
70
TECSUP
7.3. Estudios R&R - Mtodo Corto del Rango

Es un mtodo que proporciona un valor aproximado del error R&R sin que muestre las
diferencias entre errores por el equipo y por los operadores.
Se usan dos evaluadores y cinco partes. Cada evaluador mide cada parte una sola vez.
Se calcula el rango de la medicin de cada parte y al final el rango promedio.
La desviacin estndar de R&R se aproxima con la formula de rango medio entre d2*
El % de R&R se calcula comparando la desv. Estndar de R&R con la del proceso
Partes
1
2
3
4
5
Evaluador A Evaluador B Rango A,B

0.85
0.80
0.05
0.75
0.70
0.05
1.00
0.95
0.05
0.45
0.55
0.10
0.50
0.60
0.10
Rango medio = 0.35/5 = 0.07

GRR = Rmedio / d2* = 0.07 / 1.19 = 0.0588
Desv. Estndar del proceso = 0.0722
%GRR = 100 (GRR / Desv. Est. Proceso ) = 81.4%
Por tanto el sistema de medicin requiere mejora
71
TECSUP
7.4. Estudio de R&R Mtodo largo - Cruzado

Los estudios de repetibilidad y reproducibilidad determinan cuanto de la variacin observada
como variacin de proceso es debida a variacin del sistema de medicin. El Minitab permite
realizar estudios de R&R ya sean Cruzados (cada parte es evaluada varias veces por el mismo
operador) o Anidados (cada parte es medida por un nico operador, tal como en pruebas
destructivas).
Se proporcionan dos mtodos para evaluar la repetibilidad y la reproducibilidad: Mtodo de
cartas X-R y Mtodo de ANOVA.
El Mtodo X-R divide la variacin total dentro de tres categoras: parte a parte, repetibilidad y
reproducibilidad. El mtodo ANOVA presenta un componente adicional, la interaccin operador
parte.
Realizacin del estudio

Generalmente intervienen de dos a tres operadores
Generalmente se toman 10 unidades
Cada unidad es medida por cada operador, 2 3 veces.
La resolucin del equipo de medicin debe ser de al menos el 10% del

rango de tolerancia o del rango de variacin del proceso.
Las partes deben seleccionarse al azar, cubriendo el rango total del

proceso. Es importante que dichas partes sean representativas del proceso
total (80% de la variacin)
72
TECSUP
10 partes NO son un tamao de muestra significativo para una opinin slida sobre el
equipo de medicin a menos que se cumpla el punto anterior.
Procedimiento para realizar un estudio de R&R

1. Asegrese de que el equipo de medicin haya sido calibrado.
2. Marque cada pieza con un nmero de identificacin que no pueda ver la persona que
realiza la medicin.
3. Haga que el primer operador mida todas las muestras una sola vez, siguiendo un orden al
azar.
4. Haga que el segundo operador mida todas las muestras una sola vez, siguiendo un orden
al azar.
5. Contine hasta que todos los operadores hayan medido las muestras una sola vez (Este es
el ensayo 1).
6. Repita los pasos 3-4 hasta completar el nmero requerido de ensayos
7. Determine las estadsticas del estudio R&R
Repetibilidad
Reproducibilidad
% R&R
Desviaciones estndar de cada uno de los conceptos mencionados
Anlisis del porcentaje de tolerancia
8. Analice los resultados y determine las acciones a seguir si las hay.
Mtodos de estudio del error R&R:
I. Mtodo de Promedios- Rango
Permite separar en el sistema de medicin lo referente

Repetibilidad.
Los clculos son ms fciles de realizar.
a la Reproducibilidad y a la
II. Mtodo ANOVA

Permite separar en el sistema de medicin lo referente a la Reproducibilidad y a la
Repetibilidad.
Tambin proporciona informacin acerca de las interacciones de un operador y otro en
cuanto a la parte.
Calcula las varianzas en forma ms precisa.
Los clculos numricos requieren de una computadora.
9
El Mtodo ANOVA es ms preciso
Ejemplo 12: Clculo de la Repetibilidad nicamente
Un equipo de mejora de la calidad involucrado en el diseo de CEP (Control Estadstico del

Proceso), desea realizar un clculo de la capacidad del sistema de medicin. Se tienen veinte
unidades de producto, el operador que toma las mediciones para el diagrama de control usa
2
Ejemplo adaptado de: Statistical Quality Control. Douglas C. Montgomery. Willey. Second
Edition
73
TECSUP
un instrumento para medir cada unidad dos veces. Los datos son mostrados en la tabla
siguiente:
Parte
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Medicin 1
21
24
20
27
19
23
22
19
24
25
21
18
23
24
29
26
20
19
25
19
Medicin 2
20
23
21
27
18
21
21
17
23
23
20
19
25
24
30
26
20
21
26
19
Promedio
Media
20,5
23,5
20,5
27,0
18,5
22,0
21,5
18,0
23,5
24,0
20,5
18,5
24,0
24,0
29,5
26,0
20,0
20,0
25,5
19,0
22,3
Rango
1
1
1
0
1
2
1
2
1
2
1
1
2
0
1
0
0
2
1
0
1
x = 22.3
R = 1. 0
La desviacin estndar del error de medicin, medicin , es calculada mediante la siguiente

frmula:
medicin =
R
1
=
= 0.887
d 2 1.128
donde:
R = Rango promedio
d2 = Valor de tablas.
Para obtener una buena estimacin de la capacidad del error de medicin utilizamos:
6 medicin = 6(0.887) = 5.32
74
TECSUP
La proporcin 6 medicin de la banda de tolerancia (rango total de especificacin) es llamada

precisin de tolerancia:
6 medicin
P
=
T USL LSL
En este ejemplo USL = 60, LSL = 5
P 5.32
=
= 0.097 .
T
55
Como se mencion anteriormente los valores P/T de 0.1 o menores generalmente implican una
capacidad de error de medicin adecuada.
Calculamos la varianza total mediante:
2 Total = S 2 = (3.07) 2 = 9.4249

La desviacin estndar es calculada a partir de los datos de la tabla.
Ya que tenemos un estimado de
para
2 medicin = (.887 2 ) = .79 , podemos obtener un estimado
2 proceso
2 proceso = 2 total 2 medicin =9.4249 - .79 = 8.63
Por lo tanto la desviacin estndar del proceso = 2.93

El error de medicin es expresado como un porcentaje de la variabilidad del proceso:
medicion
.79
=
100 = 25.73%
total
3.07
Al ser el error de medicin mayor al 10%, concluimos que no tenemos un sistema de medicin
confiable, por lo cual tenemos que realizar las acciones correctivas correspondientes.
75
TECSUP
Clculos de R&R con Excel o manual: Introducir los datos en la hoja de coleccin de datos
siguiente por cada operador y hacer los clculos indicados en la zona gris:
No. de Parte y
Nombre:
4600066 PARTE A
Tolerancia
Especificada:
0.0060
No. y Nombre de
Calibrador
GAGE: 8881-H
Digital
RECOLECCIN DE DATOS
OPERADOR
A.columna 1
Muestra
1er Intento
columna 2
2do Intento
columna 3
columna 4
Rango
3er Intento
Promedio
0.0045
0.0045
0.0045
0.0045
0.0045
0.0055
0.0045
0.0010
0.0048
0.0045
0.0045
0.0045
0.0045
0.0050
0.0050
0.0045
0.0005
0.0048
0.0045
0.0045
0.0045
0.0045
0.0050
0.0055
0.0045
0.0010
0.0050
0.0050
0.0045
0.0045
0.0005
0.0047
0.0050
0.0050
0.0050
0.0050
0.0050
0.0045
0.0050
0.0005
0.0048
10
0.0040
0.0040
0.0040
Totales
0.0470
0.0475
0.0455
Suma
0.1400
XA :
RA
0.0035
0.00035
0.004666667
RA :
0.00035
# Intentos
D4
RB :
0.0004
2.58
RC :
0.0005
SUM:
0.00125
LSCR =
0.000416667
LSCR =
R:
76
R x D4
0.001075
0.0040
0.0467
TECSUP
C.columna 9
1er Intento
columna 10
2do Intento
columna 11
columna 12
Rango
3er Intento
Promedio
Prom. Parte
Xp=
0.0050
0.0045
0.0045
0.0005
0.0047
0.004556
0.0055
0.0045
0.0045
0.0010
0.0048
0.004889
0.0045
0.0045
0.0040
0.0005
0.0043
0.004444
0.0050
0.0050
0.0050
0.0050
0.004944
0.0045
0.0045
0.0040
0.0043
0.004333
0.0050
0.0050
0.0050
0.0050
0.005111
0.0045
0.0050
0.0050
0.0005
0.0048
0.004833
0.0060
0.0050
0.0050
0.0010
0.0053
0.005111
0.0055
0.0045
0.0045
0.0010
0.0048
0.004778
0.0045
0.0045
0.0045
0.0045
0.004167
0.0500
0.0470
0.0460
0.0050
0.0477 Xp=
0.004717
Suma
0.1430
0.0005
Rp=
0.000944
XC :
0.004766667
RC
0.0005
-
X Mx:
0.004766667
LSCX = X + A2 R
X min:
0.004666667
LSCX =
X Diff:
0.0001000000
0.005142917
LICX = X - A2 R
LICX =
77
0.0043
A2
=
1.023
TECSUP
RANGOS
LSCR =
0.001075
R=
0.00042
LICR =
LSCR
LICR
Una vez colectados los datos proceder a realizar la carta de rango R y observar que est en
control, de otra forma repetir las mediciones para ese operador y parte especfica erronea:
78
TECSUP
LSCX =
0.005143
X=
0.004717
LICX =
0.004290417
LS
X
LICX
Ahora revisar la carta X media, debe tener al menos el 50% de puntos fuera de control
indicando que identifica las variaciones en las diferentes partes presentadas:
Se procede posteriormente a determinar los errores o variabilidad del sistema de medicin con
la hoja de trabajo siguiente, calculando los campos con sombra gris:
79
TECSUP
ESTUDIO DE REPETIBILIDAD Y REPRODUCIBILIDAD ( R & R )

MTODO LARGO
Aseguramiento de Calidad
No. de Parte y
4600066 PARTE A
Nombre:
Tolerancia
Especificada:
0.0060
No. y Nombre de
Calibrador
GAGE: 8881-H
Digital
Fecha:
01/07/2003
Elaborado por:
Caracterstica: Diametro
RESULTADOS DE LA HOJA DE DATOS AC-008

R= 0.00041667
X Diff = 0.0001000000
Rp = 0.000944444
Anlisis Unitario de Medicin
% Total de Variacin ( TV )
Repetibilidad - Variacin del Equipo (EV)

EV=
R x K1 =
EV=
% EV = 100 [ EV/TV ]
INTENTOS
K1
4.56
3.05
0.00127083
Reproducibilidad - Variacin del Operador (AV)

2
AV = [(XDiff x K2) - (EV /nr)]
% EV = 63.74%
% EV vs Tol. = 21.18%
% AV = 100 [AV/TV]
1/2
% AV = 6.93%
AV = 0.00027
% AV vs Tol = 2.30%
AV = 7.29E-08
n=partes = 10
AV = 5.3834E-08
r = intentos = 3
AV = 1.9066E-08
OPERADOR
AV = 0.00013808
3.65
2.7
PARTES
K3
2.08
1.93
1.82
1.74
% PV = 100 [ PV/TV ]
1.67
% PV = 76.7403%
10
1.62
K2
Repetibilidad y Reproducibilidad ( R & R )

R&R
2
2 1/2
= [EV + AV ]
2
R&R
=
1.6341E-06
R&R
=
0.00127831
Variacin de la Parte ( PV )
PV = RP x K3
PV =
0.00153
VARIACIN TOTAL ( TV )
TV = 3.97E-06
TV = ( R & R2 + PV2 )1/2
TV = 0.001994
80
% de R & R = 100 [ R & R /TV ]

% de R & R = 64.1164%
% de R & R vs Tol
= 21.31%
PV / R&R x d2= d2 = 1.693

Categoria de
2.0
Datos
TECSUP
Interpretacin de los resultados
1. El porcentaje de error R&R no debe exceder del 10%, si el equipo se usa para liberar
producto terminado la referencia es la tolerancia del cliente; si el equipo se usa para
control del proceso, la referencia es la variacin total del proceso.
2. El nmero de categoras debe ser de al menos 4 indicando que el equipo distingue las
partes que son diferentes.
Corrida con Minitab

Los datos se estructuran de manera que en cada fila se tenga el nmero o nombre de la parte,
el operador y la medicin observada. Las partes y operadores pueden ser textos o nmeros.
PartNum
1
1
2
2
3
3
1
1
...
Operator
Daryl
Daryl
Daryl
Daryl
Daryl
Daryl
Beth
Beth
...
Measure
1.48
1.43
1.83
1.83
1.53
1.38
1.78
1.33
...
Los estudios de R&R equieren diseos balancedos (igual nmero de observaciones por celda)
y rplicas.
Ejemplo 2 (MINITAB)
Mtodo X Barra - R
Se seleccionan 10 muestras de un proceso de manufactura, cada parte es medida dos veces

por tres operadores. Realice un estudio R&R mediante el mtodo ANOVA.
OPERADOR A.columna 1
B.columna 3
columna 5
1er Intento
columna 2
2do
Intento
3er Intento
0.0045
0.0045
0.0045
0.0055
0.0045
C.columna
10
2do
Intento
columna
11
columna 7
columna 9
1er Intento
columna 6
2do
Intento
3er Intento
1er Intento
0.0045
0.0045
0.0045
0.0045
0.0050
0.0045
0.0045
0.0045
0.0055
0.0050
0.0045
0.0055
0.0045
0.0045
0.0045
0.0045
0.0045
0.0045
0.0045
0.0045
0.0045
0.0040
0.0050
0.0050
0.0045
0.0050
0.0050
0.0050
0.0050
0.0050
0.0050
0.0045
0.0045
0.0045
0.0040
0.0045
0.0040
0.0045
0.0045
0.0040
0.0050
0.0055
0.0045
0.0060
0.0050
0.0050
0.0050
0.0050
0.0050
Muestra
81
3er Intento
TECSUP
0.0050
0.0045
0.0045
0.0055
0.0045
0.0050
0.0045
0.0050
0.0050
0.0050
0.0050
0.0050
0.0050
0.0050
0.0050
0.0060
0.0050
0.0050
0.0050
0.0045
0.0050
0.0045
0.0045
0.0050
0.0055
0.0045
0.0045
10
0.0040
0.0040
0.0040
0.0040
0.0040
0.0040
0.0045
0.0045
0.0045
Totales
0.0470
0.0475
0.0455
0.0485
0.0465
0.0465
0.0500
Capture los datos en la hoja de trabajo de Minitab en tres columnas C1, C2, C3
0.0470
0.0460
Partes
1
2
3
4
5
6
7
8
9
10
1
2
3
4
5
6
7
8
9
10
1
2
3
4
5
6
7
8
9
10
Operadores
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
Medicin
0.0045
0.0045
0.0045
0.005
0.0045
0.005
0.005
0.005
0.005
0.004
0.0045
0.0055
0.0045
0.005
0.0045
0.0055
0.0045
0.005
0.0045
0.004
0.0045
0.0045
0.0045
0.0045
0.0045
0.0045
0.0045
0.005
0.005
0.004
Partes
1
2
3
4
5
6
7
8
9
10
1
2
3
4
5
6
7
8
9
10
1
2
3
4
5
6
7
8
9
10
Operadores
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
Medicin
0.0045
0.0055
0.0045
0.005
0.004
0.006
0.0055
0.005
0.0045
0.004
0.0045
0.005
0.0045
0.005
0.0045
0.005
0.0045
0.005
0.0045
0.004
0.0045
0.0045
0.0045
0.005
0.004
0.005
0.005
0.005
0.005
0.004
Partes
1
2
3
4
5
6
7
8
9
10
1
2
3
4
5
6
7
8
9
10
1
2
3
4
5
6
7
8
9
10
Operadores Medicin
3
0.005
3
0.0055
3
0.0045
3
0.005
3
0.0045
3
0.005
3
0.0045
3
0.006
3
0.0055
3
0.0045
3
0.0045
3
0.0045
3
0.0045
3
0.005
3
0.0045
3
0.005
3
0.005
3
0.005
3
0.0045
3
0.0045
3
0.0045
3
0.0045
3
0.004
3
0.005
3
0.004
3
0.005
3
0.005
3
0.005
3
0.0045
3
0.0045
Seleccione en el men de la barra de herramientas STAT>QUALITY TOOLS>GAGE

STUDY > Gage R&R (Crossed)
Seleccione C1 (parte), C2 (operador), C3 (Medicin)
Mtodo de Anlisis X Bar and R
En Options Seleccionar: Staudy variation 5.15 Process tolerante 0.006
82
TECSUP
Los resultados se muestran a continuacin:
Gage R&R Study - XBar/R Method

%Contribution
(of VarComp)
41.00
40.52
0.48
59.00
100.00
Source
Total Gage R&R
Repeatability
Reproducibility
Part-To-Part
Total Variation
VarComp
0.0000001
0.0000001
0.0000000
0.0000001
0.0000001
Source
Total Gage R&R
Repeatability
Reproducibility
Part-To-Part
Total Variation
StdDev (SD)
0.0002476
0.0002461
0.0000269
0.0002970
0.0003867
Study Var
(5.15 * SD)
0.0012750
0.0012675
0.0001384
0.0015295
0.0019913
%Study Var
(%SV)
64.03
63.65
6.95
76.81
100.00
%Tolerance
(SV/Toler)
21.25
21.12
2.31
25.49
33.19
Number of Distinct Categories = 1
Gage R&R for Datos

Anlisis de los resultados:
El error de R&R vs tolerancia es 64.03% y vs variacin total del proceso es 21.25% lo que hace
que el equipo de medicin no sea adecuado para la medicin.
Por otro lado el nmero de categoras es slo de 1 cuando debe ser al menos 4 indicando que
el instrumento discrimina las diversas partes diferentes.
83
TECSUP
Gage R&R (Xbar/R) for Datos

Reported by :
Tolerance:
M isc:
G age name:
Date of study :
Components of Variation
80
Datos by Partes
% Contribution
0.006
Percent
% Study Var
% Tolerance
40
0.005
0.004
Gage R&R
Repeat
Reprod
Part-to-Part
R Chart by Operadores
Sample Range
0.006
0.0005
_
R=0.000417
0.005
0.0000
LCL=0
10
2
Operadores
Operadores * Partes Interaction
Operadores
UCL=0.005143
_
_
X=0.004717
0.0045
LCL=0.004290
0.0040
Average
Sample Mean
0.0050
0.004
Xbar Chart by Operadores

1
5
6
Partes
Datos by Operadores
UCL=0.001073
0.0010
0.0050
2
3
0.0045
0.0040
1
5
6
Partes
10
La grfica R se mantiene en control indicando que las mediciones se realizaron en forma

adecuada.
La grfica X barra slo presenta 5 de 30 puntos fuera de control, lo cual debera ser al menos
el 50%, indicando que el equipo no discrimina las diferentes partes.
Ejemplo 3: por el Mtodo de ANOVA se tiene:
Seleccione en el men de la barra de herramientas STAT>QUALITY TOOLS>GAGE

STUDY > Gage R&R (Crossed)
Seleccione C1 (parte), C2 (operador), C3 (Medicin)
Mtodo de Anlisis ANOVA
En Options Seleccionar: Staudy variation 5.15 Process tolerante 0.006 Alfa to remove
interaction 0.25
Los resultados se muestran a continuacin:
84
TECSUP
Gage R&R Study - ANOVA Method

Two-Way ANOVA Table With Interaction
Source
Partes
Operadores
Partes * Operadores
Repeatability
Total
DF
9
2
18
60
89
SS
0.0000086
0.0000002
0.0000014
0.0000063
0.0000165
MS
0.0000010
0.0000001
0.0000001
0.0000001
F
12.2885
0.9605
0.7398
P
0.000
0.401
0.757
Los operadores y la interaccin no fueron significativos, slo las partes
Two-Way ANOVA Table Without Interaction

Source
Partes
Operadores
Repeatability
Total
DF
9
2
78
89
SS
0.0000086
0.0000002
0.0000077
0.0000165
MS
0.0000010
0.0000001
0.0000001
Source
Total Gage R&R
Repeatability
Reproducibility
Operadores
Part-To-Part
Total Variation
VarComp
0.0000001
0.0000001
0.0000000
0.0000000
0.0000001
0.0000002
Source
Total Gage R&R
Repeatability
Reproducibility
Operadores
Part-To-Part
Total Variation
StdDev (SD)
0.0003150
0.0003150
0.0000000
0.0000000
0.0003092
0.0004414
F
9.67145
0.75592
P
0.000
0.473
Gage R&R
%Contribution
(of VarComp)
50.93
50.93
0.00
0.00
49.07
100.00
Study Var
(5.15 * SD)
0.0016222
0.0016222
0.0000000
0.0000000
0.0015923
0.0022731
%Study Var
(%SV)
71.36
71.36
0.00
0.00
70.05
100.00
%Tolerance
(SV/Toler)
27.04
27.04
0.00
0.00
26.54
37.88
La interaccin no es significativa, y los errores de R&R indican que equipo de medicin no es

adecuado, ni el nmero de categoras.
85
TECSUP
Gage R&R (ANOVA) for Datos

Reported by :
Tolerance:
M isc:
G age name:
Date of study :
80
Datos by Partes
% Contribution
0.006
Percent
% Study Var
% Tolerance
40
0.005
0.004
Gage R&R
Repeat
Reprod
Part-to-Part
R Chart by Operadores
Sample Range
0.006
0.0005
_
R=0.000417
0.005
0.0000
LCL=0
10
2
Operadores
Operadores * Partes Interaction
Operadores
UCL=0.005143
_
_
X=0.004717
0.0045
LCL=0.004290
0.0040
Average
Sample Mean
0.0050
0.004
Xbar Chart by Operadores

1
5
6
Partes
Datos by Operadores
UCL=0.001073
0.0010
0.0050
2
3
0.0045
0.0040
1
Las conclusiones son similares que con el mtodo de X barra R.
86
5
6
Partes
10
TECSUP
7.5. Estudios de R&R Mtodo largo (anidado)

Los estudios de repetibilidad y reproducibilidad determinan cuanto de la variacin observada
del proceso es debida a la variacin del sistema de medicin. Usar la opcin Gage R&R
(Nested) cuando cada parte sea medida por un solo operador, tal como en pruebas
destructivas.
El estudio de R&R (anidado) utiliza el mtodo ANOVA para evaluar la repetibilidad y
reproducibilidad, para analizar la reproduciblidad dentro de sus componentes operador y
operador parte.
De ser necesario hacer pruebas destructivas, se debe procurar que todas las partes dentro de
un mismo lote sean lo suficientemente idnticas para considerarlas similares. Si no se puede
hacer sta consideracin entonces la variacin entre parte y parte dentro de un lote
enmascarar la variacin del sistema.
Para el caso de pruebas destructivas si cada lote es medido por cada operador enonces
realizar el estudio R&R (Nested); si todos los operadores miden partes de cada uno de los
lotes, entonces utilizar el estudio R&R (Crossed).
En resumen siempre que cada operador mida partes diferentes se tiene un estudio R&R
anidado.
87
TECSUP
DATOS
Structure your data so that each row contains the part name or number, operator, and the
observed measurement. Parts and operators can be text or numbers. Part is nested within
operator, because each operator measures unique parts.
Los datos se estructuran de manera que cada fila contenga el nmero o nombre de la parte, el
operador, y la medicin observada. Las partes y operadores pueden ser textos o nmeros. La
parte es anidada dentro del operador, debido a que cada uno de los operadores mide partes
nicas.
NOTA: Si se usan pruebas destructivas se debe poder asumir que todas las partes dentro de
un lote singular, son suficientemente iguales como si fueran la misma parte.
En el ejemplo mostrado a continuacin, la PartNum1 para Daryl es diferente de ParNum1 para
Beth.
PartNum
1
1
2
2
3
3
4
4
5
...
Operator
Daryl
Daryl
Daryl
Daryl
Daryl
Daryl
Beth
Beth
Beth
...
Measure
1.48
1.43
1.83
1.83
1.53
1.52
1.38
1.78
1.33
...
PartNum
1
1
2
2
3
3
1
1
2
...
Operator
Daryl
Daryl
Daryl
Daryl
Daryl
Daryl
Beth
Beth
Beth
...
Measure
1.48
1.43
1.83
1.83
1.53
1.52
1.38
1.78
1.33
...
Ejemplo:
En este ejemplo, 3 operadores mide cada uno 5 partes diferentes dos veces, para un total de
20 mediciones. Cada una de las partes es nica al operador; no se presenta el caso de que
dos operadores midan la misma parte.
Las instrucciones de Minitab son las siguientes:
File > Open worksheet > GAGENEST.MTW.
Seleccionar Stat > Quality Tools > Gage Study > Gage R&R Study (Nested).
En Part or batch numbers, poner Part.
En Measurement data, seleccionar Response.
Dar OK.
88
TECSUP
Resultados:
Results for: Gagenest.MTW

Gage R&R Study - Nested ANOVA
Gage R&R (Nested) for Response
Source
Operator
Part (Operator)
Repeatability
Total
DF
2
12
15
29
SS
0.0142
22.0552
19.3400
41.4094
MS
0.00708
1.83794
1.28933
F
0.00385
1.42549
P
0.996
0.255
Gage R&R
%Contribution
(of VarComp)
82.46
82.46
0.00
17.54
100.00
Source
Total Gage R&R
Repeatability
Reproducibility
Part-To-Part
Total Variation
VarComp
1.28933
1.28933
0.00000
0.27430
1.56364
Source
Total Gage R&R
Repeatability
Reproducibility
Part-To-Part
Total Variation
StdDev (SD)
1.13549
1.13549
0.00000
0.52374
1.25045
Study Var
(5.15 * SD)
5.84777
5.84777
0.00000
2.69725
6.43984
%Study Var
(%SV)
90.81
90.81
0.00
41.88
100.00
%Tolerance
(SV/Toler)
116.96
116.96
0.00
53.95
128.80

El mtodo no es adecuado ni para control del proceso o liberacin debe logra
89
TECSUP
Gage R&R (Nested) for Response

Reported by :
Tolerance:
M isc:
G age name:
Date of study :
Response By Part ( Operator )
Percent
18
% Contribution
100
% Study Var
% Tolerance
16
50
0
14
Gage R&R
Repeat
Reprod
Part
Operator
Part-to-Part
R Chart by Operator
Sample Range
Billie
Nathan
Steve
11 12 13 14 15
Nathan
3 4
Steve
Response by Operator
UCL=4.290
18
16
_
R=1.313
LCL=0
14
Billie
Xbar Chart by Operator

18
Sample Mean
8 9 10
Billie
16
Billie
Nathan
Nathan
Operator
Steve
Steve
UCL=17.617
_
X=15.147
14
LCL=12.678
Interpretacin de los resultados

Buscar en la columna de % de contribucin el error total de R&R del gage y la variacin parte a
parte. La contribucin para la diferencia entre partes (Part-To-Part) del 17.54% es mucho ms
pequea que la contribucin para la variacin del sistema de medicin (total Gage R&R ) de
82.46%. Esto indica que la mayor parte de la variacin es debida a error del sistema de
medicin; muy poca es debida a variacin entre partes.
Un nmero de categoras de 1 indica que el sistema de medicin no es capaz de distinguir
entre partes.
Minitab calcula el nmero de categoras dividiendo la desviacin estndar para laspartes por la
desviacin estndar para el Gage, y multiplicando por 1.41 y truncando este valor. Este nmero
representa el nmero de de intervalos de confianza no traslapados que forman el rango de
variacin del producto. Se puede pensar como el nmero de grupos dentro de los datos de
proceso que el sistema de medicin puede discernir.
Si se miden 10 partes diferentes, y Minitab reporta que el sistema de medicin puede discernir
4 categoras distintas, significa que algunas de las 10 partes no son lo suficientemente
diferentes para que sean discernidas por el sistema de medicin. Si se desea distinguir un
mayor nmero de categoras es necesario un equipo de medicin mspreciso.
La AIAG (Automobile Industry Action Group) sugiere que cuando el nmero de categoras es
menor a 2, el sistema de medicin no tiene valor para control del proceso, ya que una parte no
puede ser distinguida de otra. Cuando se tienen dos categoras, los datos pueden dividirse en
dos grupos, alto y bajo. Cuando son 3, se dividen en alto, medio y bajo. Un valor de 5 o ms
indica un sistema de medicin aceptable.
90
TECSUP
Observar en la grfica de variacin de componentes localizada en la esquina superior

izquierda. La mayor parte de la variacin se debe al error en el sistema de medicin (Gage
R&R),y muy poca a la diferencia entre partes.
Observando la carta X-R en la esquina inferior izquierda. La mayor parte de los puntos en la
carta X estn dentro de los lmites de control cuando la mayor parte de la variacin se debe al
error de medicin.
91
TECSUP
7.6. Estudios de Linealidad

La lienalidad del Gage indica que tan exacto son las mediciones a travs del rango esperado
de las mediciones. Contesta a la pregunta Mi gage tiene la misma exactitud para todos los
tamaos de objetos a medir?.
El bias o exactitud del gage examina la diferencia entre la media de los datos observados y un
valor de referencia o patrn. Constesta a la pregunta, Qu tan exacto es mi gage comparado
con un patrn?.
Datos:
Los datos se estructuran de manera que cada fila contiene una parte, el valor de referencia, y
la medicin observada en esa parte (la respuesta). Las partes pueden ser textos o nmeros.
PartNum
1
1
1
1
1
1
1
1
1
1
1
1
2
2
...
Reference
2
2
2
2
2
2
2
2
2
2
2
2
4
4
...
Response
2.7
2.5
2.4
2.5
2.7
2.3
2.5
2.5
2.4
2.4
2.6
2.4
5.1
3.9
...
Variacin del proceso (opcional): Se ingresa la desviacin estndar del proceso. Se

puede obtener la desviacin estndar del proceso del rengln de la variacin total de la
columna 6*SD del estudio Gage R&R Mtodo ANOVA. Este es el nmero asociado con la
variacin del proceso. Si no se conoce la variacin del proceso, se puede introducir en su lugar
la tolerancia.
Ejemplo:
Un supervisor selecciona 5 partes que representan el rango esperado de las mediciones. Cada
parte fue medida por inspeccin de Layout para determinar su valor de referencia (patrn). Un
operador mide aleatoriamente cada parte 12 veces. Se obtiene la variacin del proceso
(14.1941) del estudio Gage R&R usando el mtodo ANOVA (rengln Total variation de la
columna Study Var (6*SD)).
Los datos utilizados son los siguientes:
92
TECSUP
Part
1
1
1
1
1
1
1
1
1
1
1
1
2
2
2
2
2
2
2
2
2
2
2
2
3
3
3
3
3
3
Master
2
2
2
2
2
2
2
2
2
2
2
2
4
4
4
4
4
4
4
4
4
4
4
4
6
6
6
6
6
6
Response
2.7
2.5
2.4
2.5
2.7
2.3
2.5
2.5
2.4
2.4
2.6
2.4
5.1
3.9
4.2
5
3.8
3.9
3.9
3.9
3.9
4
4.1
3.8
5.8
5.7
5.9
5.9
6
6.1
Part
3
3
3
3
3
3
4
4
4
4
4
4
4
4
4
4
4
4
5
5
5
5
5
5
5
5
5
5
5
5
Master
6
6
6
6
6
6
8
8
8
8
8
8
8
8
8
8
8
8
10
10
10
10
10
10
10
10
10
10
10
10
Response
6
6.1
6.4
6.3
6
6.1
7.6
7.7
7.8
7.7
7.8
7.8
7.8
7.7
7.8
7.5
7.6
7.7
9.1
9.3
9.5
9.3
9.4
9.5
9.5
9.5
9.6
9.2
9.3
9.4
File > Open worksheet > GAGELIN.MTW.
Seleccionar Stat > Quality Tools > Gage Study > Gage Linearity and Bias Study.
En Reference values, seleccionar Master.
En Measurement data, seleccionar Response.
En Process Variation, teclear 14.1941. Click OK.
93
TECSUP
Gage Linearity and Bias Study for Response

Reported by :
Tolerance:
M isc:
G age name:
Date of study :
P redictor
C onstant
S lope
Regression
95% CI
1.0
Data
Avg Bias
S
Linearity
0.23954
1.86889
Bias
0.5
0.0
Reference
A v erage
2
4
6
8
10
-0.5
G age Linearity
C oef S E C oef
0.73667 0.07252
-0.13167 0.01093
R-S q
% Linearity
G age Bias
Bias % Bias
-0.053333
0.4
0.491667
3.5
0.125000
0.9
0.025000
0.2
-0.291667
2.1
-0.616667
4.3
P
0.000
0.000
71.4%
13.2
P
0.040
0.000
0.293
0.688
0.000
0.000
Percent
Percent of Process Variation
-1.0
2
6
Reference Value
10
10
5
0
Linearity
Bias

El porcentaje de linealidad (valor absolute de la pendiente * 100) es 13.2, que significa que la
lienalidad del gage es del 13% de la variacin total.
El porcentaje de sesgo para el promedio de referencia es 0.4, lo que significa que el sesgo del
gage esmenor que 0.4% de la variacin total onservada.
94
TECSUP
7. 7. Estudios de R&R por atributos (Mtodo analtico)

Los estudios de gages por atributos calculan la cantidad de sesgo (desviacin de la media de
mediciones reptidas versus un patrn) y repetibilidad (dispersin de mediciones realizadas por
un mismo operador, parte y equipo) de un sistema de medicin cuando la respuesta es una
variable binaria por atributos. Para obtener estimaciones adecuadas de sesgo y repetibildiad,
se deben seguir las reglas del MSA para seleccionar partes con valores de referencia
conocidos.
El mtodo analtico de estudios de gages por atributos es un mtodo para examinar la precisin
de un sistema de medicin por atributos.
Se deben tomar al menos 8 partes para realizar un estudio del gage por atributos. La parte ms
pequea debe tener cero aceptaciones, y la parte ms grande debe tener el nmero mximo
de posibles aceptaciones. Para la AIAG, exactamente 6 partes deben tener un nmero mayor
que cero aceptaciones y menos que 20 (mximo nmero de aceptaciones permitidas). Por el
mtodo de regresin, se pueden tener ms de seis partes entre los extremos de valores de
referencia.
Si se especifica el lmite de tolerancia inferior, la parte con el menor valor de referencia debe
tener cero aceptaciones y la parte con la referencia ms alta debe tener el nmero mximo de
aceptaciones posibles. Con un lmite inferior conforme los valores de referencia se
incrementan, el nmero de aceptaciones se incrementa. Si se especifica el lmite de tolerancia
superior, la parte con el menor valor de referencia debe tener el mximo nmero de
aceptaciones posible y la parte con el valor ms alto de referencia debe tener cero
aceptaciones. Con un lmite superior, conforme el valor de referencia se incrementa, el nmero
de aceptaciones decrece.
Se puede introducir un nmero constante de intentos o una columna de datos. Cuando el
nmero de intentos no es igual para todas las partes, se introduce una columna indicando los
intentos para cada parte. Los intentos deben ser mayores a 15, en el caso de la AIAG se
introducen exactamente 20 intentos por parte.
Minitab acepta ya sea datos resumidos o datos individuales de estudios de gages por atributos.
Summarized Data
Part
Reference Acceptances
Number
1
1.35
0
2
1.4
3
3
1.45
8
4
1.5
13
5
1.55
15
6
1.6
18
7
1.65
19
8
1.7
20
Estructura de datos resumidos de tal
forma que cada fila contiene el nmero
o nombre de la parte, el valor de
referencia y la cuenta resumida.
95
TECSUP
Raw Data
Part
Reference Response
Number
1
1.35
Rechazo
1
1.35
Rechazo
1
1.35
Rechazo
1
1.35
Rechazo
...
...
...
8
1.7
Aceptacin
8
1.7
Aceptacin
8
1.7
Aceptacin
8
1.7
Aceptacin
Estructura de datos individaules de
manera que cada fila contiene el
nmero o nombre de la parte, valor de
referencia y respuesta binaria
(aceptacin o rechazo).
Ejemplo:
Un fabricante de automviles quiere medir el sesgo y repetibilidad de un sistema automatizado
de medicin. El sistema tiene una tolerancia inferior de -0.020 y una tolerancia superior de
0.020. El fabricante corre 10 partes, a travs del gage 20 veces, las partes tienen valores de
referencia en intervalos de 0.005 desde - 0.05 hasta 0.005.
Los resultados de prueba fueron los siguientes:
Part
number
1
2
3
4
5
6
7
8
9
10
Reference Acceptances
-0.05
0
-0.045
1
-0.04
2
-0.035
5
-0.03
8
-0.025
12
17
-0.02
-0.015
20
-0.01
20
-0.005
20
Las instrucciones de Minitab son las siguientes:

1.
File > Open worksheet > AUTOGAGE.MTW.
2. Seleccionar Stat > Quality Tools > Gage Study > Attribute Gage Study (Analytic
Method).
3.
En Part numbers, seleccionar Part number.
96
TECSUP
4.
En Reference values, seleccionar Reference.
5.
Seleccionar Summarized counts y teclear Acceptances. En Number of trials, teclear 20.
6.
Seleccionar Lower limit y teclear -0.020. OK.
Resultados:
Attribute Gage Study (Analytic Method) for Acceptances

Reported by :
Tolerance:
M isc:
G age name:
Date of study :
Bias:
P re-adjusted Repeatability :
Repeatability :
99
0.0097955
0.0494705
0.0458060
95
80
A IA G Test of Bias = 0 v s not = 0

T DF
P -V alue
6.70123 19 0.0000021
50
20
-0.05
-0.04
-0.03
-0.02
Reference Value of Measured Part
-0.01
Probability of Acceptance
Percent of Acceptance
F itted Line: 3.10279 + 104.136 * Reference

R - sq for F itted Line:
0.969376
L Limit
1.0
0.5
0.0
-0.050
-0.025
0.000
Reference Value of Measured Part
Interpretacin
El Sesgo en el sistema de gage por atributos es de 0.0097955 y la repetibilidad ajustada es de
0.0458060. La prueba de sesgo indica que es significativamente diferente de cero (t = 6.70123,
df = 19, p = 0.00), sugiriendo que el sesgo est presente en el sistema de medicin por
atributos.
97
TECSUP
7.8. Estudios de R&R por atributos (Mtodo de acuerdo

por atributos)
Usar el anlisis de acuerdo por atributos para evaluar las calificaciones nominales u ordinales
proporcionadas por varios evaluadores. Las mediciones son calificaciones subjetivas de la
gente en vez de mediciones fsicas. Algunos ejemplos incluye
Calificaciones de desempeo de los automviles
Clasificacin de la calidad de las fibras como buena o mala.
Calificaciones de color, aroma y gusto del vino en una escala de 1 a 10.
En estos casos la caracterstica de calidad es difcil de definir y evaluar. Para obtener

clasificaciones significativas, ms de un evaluador debe calificar la medicin de respuesta. Si
los evaluadores estn de acuerdo, existe la posibilidad de que las apreciaciones sean exactas.
Si hay discrepancias, la utilidad de la evaluacin es limitada.
DATOS
Los datos pueden ser texto o numricos. Las calificciones asignadas pueden ser Nominales u
ordinales.
Los datos nominales son variables categricas que tienen dos o ms niveles sin orden
natural. Por ejemplo, los niveles en un estudio de gustacin de comida que puede
incluir dulce, salado o picoso.
Los datos ordinales son variables categricas que tienen tres o ms niveles con
ordenamiento natural, tales como: en desacuerdo total, en desacuerdo, neutral, de
acuerdo, y completamente de acuerdo.
Los datos pueden estar apilados en una sola columna o no apilados en varias columnas, como
se muestra a continuacin.
Attribute column data

Sample
Appraiser
Response
1
A
Good
1
A
Good
1
B
Bad
1
B
Good
2
A
Good
2
A
Good
2
B
Good
2
B
Good
3
A
Bad
3
A
Good
3
B
Bad
3
B
Bad
98
TECSUP
4
4
4
4
5
5
5
5
Sample
1
2
3
4
5
A
A
B
B
A
A
B
B
Good
Good
Good
Good
Bad
Bad
Good
Bad
Multiple columns data

Appraiser A Appraiser A Appraiser B Appraiser B
Trial 1
Trial 2
Trial 1
Trial 2
Good
Good
Bad
Good
Good
Good
Good
Good
Bad
Good
Bad
Bad
Good
Good
Good
Good
Bad
Bad
Good
Bad
Nota:
Cuando los datos se encuentra en varias columnas, de deben introducir los intentos para cada
operador juntos, como se indica en la tabla anterior. El orden de los intentos debe ser el mismo
para cada uno de los operadores.
Ejemplo:
Una empresa est entrenando a cinco evaluadores para la porcin escrita de un examen
estndar de doceavo grado. Se requiere determinar la habilidad de los evaluadores para
calificar el examen de forma que sea consistente con los estndares. Cada uno de los
evaluadores califica 15 exmenes en una escala de cinco puntos (-2, -1, 0, 1, 2):
1
Abrir el archive ESSAY.MTW.
Seleccionar Stat > Quality Tools > Attribute Agreement Analysis.
En Attribute column, poner Rating.
En Samples, poner Sample.
En Appraisers, poner Appraiser.
En Known standard/attribute, poner Attribute.
Checar Categories of the attribute data are ordered y poner OK
El contenido del archivo es como sigue:

Appraiser
Sample
Simpson
1
Montgomery
1
Holmes
1
Duncan
1
Rating
2
2
2
1
Attribute
2
2
2
2
99
TECSUP
Hayes
Simpson
Montgomery
Holmes
Duncan
Hayes
Simpson
Montgomery
Holmes
Duncan
Hayes
Simpson
Montgomery
Holmes
Duncan
Hayes
Simpson
Montgomery
Holmes
Duncan
Hayes
Simpson
Montgomery
Holmes
Duncan
Hayes
Simpson
Montgomery
Holmes
Duncan
Hayes
Simpson
Montgomery
Holmes
Duncan
Hayes
Simpson
Montgomery
Holmes
Duncan
Hayes
Simpson
Montgomery
Holmes
Duncan
Hayes
Simpson
Montgomery
Holmes
Duncan
1
2
2
2
2
2
3
3
3
3
3
4
4
4
4
4
5
5
5
5
5
6
6
6
6
6
7
7
7
7
7
8
8
8
8
8
9
9
9
9
9
10
10
10
10
10
11
11
11
11
2
-1
-1
-1
-2
-1
1
0
0
0
0
-2
-2
-2
-2
-2
0
0
0
-1
0
1
1
1
1
1
2
2
2
1
2
0
0
0
0
0
-1
-1
-1
-2
-1
1
1
1
0
2
-2
-2
-2
-2
2
-1
-1
-1
-1
-1
0
0
0
0
0
-2
-2
-2
-2
-2
0
0
0
0
0
1
1
1
1
1
2
2
2
2
2
0
0
0
0
0
-1
-1
-1
-1
-1
1
1
1
1
1
-2
-2
-2
-2
100
TECSUP
Hayes
Simpson
Montgomery
Holmes
Duncan
Hayes
Simpson
Montgomery
Holmes
Duncan
Hayes
Simpson
Montgomery
Holmes
Duncan
Hayes
Simpson
Montgomery
Holmes
Duncan
Hayes
11
12
12
12
12
12
13
13
13
13
13
14
14
14
14
14
15
15
15
15
15
-1
0
0
0
-1
0
2
2
2
2
2
-1
-1
-1
-1
-1
1
1
1
1
1
-2
0
0
0
0
0
2
2
2
2
2
-1
-1
-1
-1
-1
1
1
1
1
1
Gage R&R for Datos
Results for: Essay.MTW

Attribute Agreement Analysis for Rating
Each Appraiser vs Standard
Assessment Agreement
Appraiser
Duncan
Hayes
Holmes
Montgomery
Simpson
# Inspected
15
15
15
15
15
# Matched
8
13
15
15
14
Percent
53.33
86.67
100.00
100.00
93.33
95 % CI
(26.59, 78.73)
(59.54, 98.34)
(81.90, 100.00)
(81.90, 100.00)
(68.05, 99.83)
# Matched: Appraiser's assessment across trials agrees with the known

standard.
Fleiss' Kappa Statistics

Appraiser
Duncan
Hayes
Response
-2
-1
0
1
2
Overall
-2
-1
0
1
2
Kappa
0.58333
0.16667
0.44099
0.44099
0.42308
0.41176
0.62963
0.81366
1.00000
0.76000
0.81366
SE Kappa
0.258199
0.258199
0.258199
0.258199
0.258199
0.130924
0.258199
0.258199
0.258199
0.258199
0.258199
101
Z
2.25924
0.64550
1.70796
1.70796
1.63857
3.14508
2.43855
3.15131
3.87298
2.94347
3.15131
P(vs > 0)
0.0119
0.2593
0.0438
0.0438
0.0507
0.0008
0.0074
0.0008
0.0001
0.0016
0.0008
TECSUP
Overall
-2
-1
0
1
2
Overall
-2
-1
0
1
2
Overall
-2
-1
0
1
2
Overall
Holmes
Montgomery
Simpson
0.82955
1.00000
1.00000
1.00000
1.00000
1.00000
1.00000
1.00000
1.00000
1.00000
1.00000
1.00000
1.00000
1.00000
1.00000
0.81366
0.81366
1.00000
0.91597
0.134164
0.258199
0.258199
0.258199
0.258199
0.258199
0.131305
0.258199
0.258199
0.258199
0.258199
0.258199
0.131305
0.258199
0.258199
0.258199
0.258199
0.258199
0.130924
6.18307
3.87298
3.87298
3.87298
3.87298
3.87298
7.61584
3.87298
3.87298
3.87298
3.87298
3.87298
7.61584
3.87298
3.87298
3.15131
3.15131
3.87298
6.99619
0.0000
0.0001
0.0001
0.0001
0.0001
0.0001
0.0000
0.0001
0.0001
0.0001
0.0001
0.0001
0.0000
0.0001
0.0001
0.0008
0.0008
0.0001
0.0000
Kendall's Correlation Coefficient

Appraiser
Duncan
Hayes
Holmes
Montgomery
Simpson
Coef
0.89779
0.96014
1.00000
1.00000
0.93258
SE Coef
0.192450
0.192450
0.192450
0.192450
0.192450
Z
4.61554
4.93955
5.14667
5.14667
4.79636
P
0.0000
0.0000
0.0000
0.0000
0.0000
Between Appraisers
# Inspected
15
# Matched
6
Percent
40.00
95 % CI
(16.34, 67.71)
# Matched: All appraisers' assessments agree with each other.

Response
-2
-1
0
1
2
Overall
Kappa
0.680398
0.602754
0.707602
0.642479
0.736534
0.672965
SE Kappa
0.0816497
0.0816497
0.0816497
0.0816497
0.0816497
0.0412331
Z
8.3331
7.3822
8.6663
7.8687
9.0207
16.3210
P(vs > 0)
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
Kendall's Coefficient of Concordance

Coef
0.966317
Chi - Sq
67.6422
DF
14
P
0.0000
All Appraisers vs Standard

# Inspected
15
# Matched
6
Percent
40.00
95 % CI
(16.34, 67.71)
102
TECSUP
# Matched: All appraisers' assessments agree with the known standard.

Response
-2
-1
0
1
2
Overall
Kappa
0.842593
0.796066
0.850932
0.802932
0.847348
0.831455
SE Kappa
0.115470
0.115470
0.115470
0.115470
0.115470
0.058911
Z
7.2971
6.8941
7.3693
6.9536
7.3383
14.1136
P(vs > 0)
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
Kendall's Correlation Coefficient

Coef
0.958102
SE Coef
0.0860663
Z
11.1100
P
0.0000
* NOTE * Single trial within each appraiser. No percentage of assessment

agreement within appraiser is plotted.
Date of study:
Reported by:
Name of product:
Misc:
Appraiser vs Standard
100
95.0% C I
P ercent
Percent
80
60
40
20
0
Duncan
Hayes
Holmes
Appraiser
Montgomery
Simpson
Interpretacin de resultados
Minitab muestra tres tablas de acuerdo: Cada evaluador vs el estndar, Entre evaluadores y
Todos los evaluadores vs estndar. Los estadsticos de Kappa y Kendall tambin se incluyen
en cada una de las tablas. En general estos estadsticos sugieren buen acuerdo.
103
TECSUP
El coeficiente de Kendall entre evaluadores es 0.966317 (p = 0.0); para todos los evaluadores
vs estndar es 0.958192 (p = 0.0). Sin embargo la observacin del desempeo de Duncan y
Haues indica que no se apegan al estndar.
La grfica de Evaluadores vs. Estndar proporciona una vista grfica de cada uno de los
evaluadores vs el estndar, pudiendo comparar fcilmente la determinacin de acuerdos para
los cinco evaluadores.
Se puede concluir que Duncan, Hayes y Simpson requieren entrenamiento adicional.
Mtodo sencillo
Tomar 50 piezas, 40 de las cuales dentro de especificaciones y 10 fuera de especificaciones
Probarlas con dispositivos pasa y no pasa por medio de 3 operadores
Si no coinciden todos los operadores en al menos el 90%, los dispositivos o gages pasa, no
pasa no son confiables
104

Texto de Validacion de Instrumentos Iso-17025

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Texto de Validacion de Instrumentos Iso-17025

Hochgeladen von

Copyright:

Verfügbare Formate

TECSUP

Aparecen los siguientes resultados:

Tally for Discrete

Tally for Discrete

Interpretacin. El histograma es asimtrico hacia la izquierda. No existe mucha

intervalos de clases, si se desea cambiar el nmero de intervalos de clases, se coloca el

En esta ventana puede cambiar el color de las barras (Attributes) y cambiar el

2.3. CLCULO DE MEDIDAS ESTADSTICAS.

la mediana, la moda. Los Cuartiles: Son valores que dividen a la muestra en 4

2.4. MEDIDAS DE CENTRALIDAD

La mediana es un valor que divide a la muestra en dos partes aproximadamente

En MINITAB se pueden calcular

Descriptive Statistics: Ingresos Familiares.

Tambin es posible obtener un resumen

2.7. COTEJANDO SI HAY NORMALIDAD.

el plot que aparece en la Figura. En el eje horizontal aparecen los escores

3.1 INFERENCIAS ACERCA DE LA MEDIA POBLACIONAL (VARIANZA

es el valor de la normal estndar tal que el rea a la derecha de dicho valor

Sustituyendo la frmula de Z se obtiene:

Haciendo un despeje algebraico, se obtiene

informacin. El Jefe de operaciones desea hallar un intervalo de confianza

Despus de entrar los

No se escribe nada en la ventanita Test mean. Luego hay que oprimir el

Obtiendose los siguientes resultados

En la prctica si la media poblacional es desconocida entonces, es bien

Existen dos mtodos para hacer la prueba de hiptesis: el mtodo clsico y

Aqu Z a es el valor de la normal estndar tal que el rea a la derecha de

Frmulas para calcular P-value: Depende de la forma de la hiptesis

A travs de todo el texto usamos el mtodo del P-value para probar

3.2 INFERENCIAS ACERCA DE LA MEDIA POBLACIONAL (VARIANZA

Tambin se pueden hacer las siguientes pruebas de hiptesis:

En MINITAB, para hallar intervalos de confianza y hacer pruebas de

Los tiempos de falla de un dispositivo para el equipo PKDOS (en aos) de

Asumiendo que la columna

Notar que la ventana de dilogo es

La ventana de dilogo 1-sample t se

Interpretacin: El valor del P-value (el rea a la derecha de 0.64) es .267

3.3. COMPARACIN ENTRE DOS MEDIAS POBLACIONALES USANDO

MINITAB hace pruebas de igualdad de varianza de dos o ms grupos. Para

La ventana de dilogo de 2 Variances se completar como lo muestra la

Oprimiendo el botn Options se puede elegir el nivel de confianza y poner

Las frmulas para las pruebas de hiptesis son las siguientes:

Las frmulas se pueden generalizar para probar hiptesis de las

La opcin Samples in different columns se usa cuando las dos

Two-Sample T-Test and CI: % Planificado; Flotas

Interpretacin: No se puede apreciar una marcada diferencia entre

Ejemplo: Usando los datos del Ejemplo anterior, probar si el

Flota MWK Flota QST

Welcome to Minitab, press F1 for help.

Interpretacin: Como el P-valu es .083 > .05 aunque no por mucho,

Ud como responsable del anlisis con un nivel de significancia del 5% a que

4. CONTROL ESTADSTICO DE PROCESOS

HERRAMIENTAS BSICAS PARA EL CONTROL ESTADSTICO

Plantillas de recogida de informacin

TILES O HERRAMIENTAS INTERMEDIAS

Distribuciones estadsticas, estimacin y Test de hiptesis.

Una introduccin al control de experimentos.

Grficos de control avanzados.

Anlisis de regresin simple y correlacin.

TILES O HERRAMIENTAS AVANZADAS

Diseos y Anlisis de experimentos, Superficies de

Anlisis de datos Multivariantes.

Anlisis de Series Temporales.

Otros mtodos especficos.