Sie sind auf Seite 1von 58

ALUMNO: GABRIEL TAPIA MANRRA

MAESTRO: NAELA GUADALUPE GARCIA ALTAMIRANO


CURSO: SIX SIGMA BLACK BELT
LUGAR: TEPOZTLAN MORELOS, MEXICO
FECHA: 25/10/2019
Cómo usar Minitab
Minitab es un programa de estadísticas que te permite ingresar datos rápidamente y ejecutar una variedad de
análisis en ellos. Puedes preparar gráficas y calcular la regresión con rapidez, además el ingreso de datos
funciona de manera muy similar a Excel. Minitab puede requerir mucho trabajo en lo que respecta a cálculos
estadísticos.
1.

1
Familiarízate con el diseño de Minitab. Cuando inicies Minitab por primera vez, aparecerán dos ventanas: la
ventana Sesión y la ventana Hoja de trabajo. La ventana Sesión mostrará el resultado de todos los análisis
mientras que la ventana Hoja de trabajo es donde ingresas los datos. Esta última es muy similar a la hoja de
cálculo de Excel.
2.
2
Ingresa las etiquetas de datos en la segunda fila de la hoja de trabajo. La primera fila de la hoja de trabajo está
reservada para las etiquetas C1, C2, C3, etc. que Minitab asigna a las columnas. La segunda fila está reservada
para las etiquetas de columna, las cuales puedes ingresar manualmente. Solo haz clic en una segunda fila
vacía y escribe la etiqueta para esa columna.
3.
3
Ingresa los datos en las columnas. Una vez que hayas etiquetado las columnas, puedes comenzar a ingresar
datos en ellas. Si presionas ↵ Enter , te dirigirás a la celda debajo de la que te encuentras actualmente. Si

haces clic en la flecha pequeña ubicada en la esquina superior izquierda de la hoja de trabajo, puedes cambiar
la dirección del ingreso de datos, de modo que al presionar ↵ Enter te dirijas a la siguiente columna de la

misma fila.
• Si los datos están guardados en una hoja de cálculo de Excel, cópialos y pégalos en Minitab. Selecciona los
datos guardados en Excel, haz clic derecho y selecciona copiar. Ve a Minitab y haz clic en la primera celda
debajo de C1. Haz clic derecho y selecciona “pegar celdas”.[1]
• Cada columna debe representar un tipo de datos. Por ejemplo, si ingresas información acerca de equipos de
béisbol, una columna debe ser las CI (carreras impulsadas), una puede ser para los errores y otra para los
jonrones.
Parte2

Visualizar la estadística descriptiva


1.
1
Entiende el concepto de estadística descriptiva. La estadística descriptiva resume un conjunto de datos
utilizando varios valores importantes. Algunas estadísticas descriptivas incluyen:
• Media: valor promedio aritmético de los datos en la columna
• Desviación típica: medida de la dispersión de los datos
• Mediana: el valor medio de un conjunto
• Mínimo: el menor número de un conjunto
• Máximo: el mayor número de un conjunto
2.
2
Haz clic en el menú Estadísticas. Después de ingresar el conjunto de datos, haz clic en el menú Estadísticas en
la parte superior de la ventana. Lleva el cursor sobre Estadística básica.
3.
3
Selecciona "Mostrar estadísticos descriptivos". Esto abrirá la ventana llamada “Mostrar estadísticos
descriptivos”, la cual muestra todas las columnas en una lista a la izquierda y una casilla llamada “Variables” a
la derecha.
4.
4
Haz doble clic en la variable que quieres analizar. La variable aparecerá en la casilla Variables al lado derecho
de la ventana.
5.
5
Elige la estadística que quieres ver. Haz clic en el botón Estadísticas... para elegir la estadística que quieres
mostrar. Puedes marcar o desmarcar cualquiera de las casillas. Haz clic en Aceptar cuando te hayas decidido.
6.

6
Lee el resultado. En la ventana “Mostrar estadísticas descriptivas” haz clic en Aceptar una vez que estés
satisfecho con el conjunto de datos y las opciones de estadística. La estadística descriptiva que elijas para los
datos que seleccionaste aparecerá en la ventana Sesión.
Parte3

Crear gráficas
1.
1
Crea un histograma. Los histogramas grafican frecuencias con respecto a las categorías. Te permiten visualizar
la frecuencia del número de veces en las que se produce una variable.[2]
• Haz clic en el menú Gráfica. Después de ingresar todo el conjunto de datos, haz clic en el menú Gráfica en la
parte superior de la ventana. Selecciona Histograma...
• Selecciona el tipo de gráfica. Tienes cuatro opciones para crear un histograma: "Simple", "Con ajuste", "Con
grupos" y "Con ajuste y grupos". Selecciona "Simple".
• Elige el conjunto de datos. Se te mostrará una lista de conjuntos de datos disponibles. Haz doble clic en el que
quieres usar para crear el histograma y luego en Aceptar. El histograma se elaborará y se mostrará en una
ventana nueva.
2.
2
Crea una gráfica de puntos. Una gráfica de puntos es similar a un histograma en el sentido de que muestra
qué valores se encuentran dentro de qué categoría. Es la más adecuada para conjuntos de datos pequeños
• Haz clic en el menú Gráfica. Después de ingresar el conjunto de datos, haz clic en el menú Gráfica en la parte
superior de la ventana. Selecciona Gráfica de puntos...
• Selecciona el tipo de gráfica. Al crear una gráfica de puntos, tienes siete opciones para elegir. Por ahora
selecciona “Simple” para crear una gráfica de puntos a partir de una sola columna de datos.
• Elige el conjunto de datos. Se te mostrará una lista de conjuntos de datos disponibles. Haz doble clic en el que
quieres usar para crear la gráfica de puntos y luego haz clic en Aceptar. La gráfica de puntos aparecerá en una
ventana nueva.
3.
3
Crea una gráfica de tallo y hoja. La gráfica de tallo y hoja es similar a un histograma. Muestra la frecuencia a la
que se producen los valores, así como los números reales en cada categoría, además no tiene ningún tipo de
aspecto visual.
• Haz clic en el menú Gráfica. Luego de ingresar el conjunto de datos, haz clic en el menú Gráfica en la parte
superior de la ventana. Selecciona Tallo y hoja...
• Elige el conjunto de datos. Se te mostrará una lista de conjuntos de datos disponibles. Haz doble clic en el que
quieres usar para crear la gráfica de tallo y hoja y luego haz clic en Aceptar. La gráfica de tallo y hoja
aparecerá en la ventana Sesión.
• Busca en Internet guías que te brinden más detalles acerca de gráficas de tallo y hojas.
4.
4
Crea una gráfica de probabilidad. Esta gráfica te permite identificar rápidamente los valores atípicos y otras
divergencias de una curva normal.
• Haz clic en el menú Gráfica. Luego de ingresar el conjunto de datos, haz clic en el menú Gráfica en la parte
superior de la ventana. Selecciona Gráfica de probabilidad...
• Elige el tipo de gráfica. Se te dará dos opciones para crear una gráfica de probabilidad. De momento, elige
“Individual”.
• Elige el conjunto de datos. Se te mostrará una lista de conjuntos de datos disponibles. Haz doble clic en el que
quieras usar para crear la gráfica de probabilidad y luego haz clic en Aceptar. La gráfica de probabilidad
aparecerá en una ventana nueva.
5.
5
Crea una gráfica de barras. Una gráfica de barras te permite representar los datos visualmente. Se diferencia
de un histograma en que cada columna de este último representa una variable cuantitativa, mientras que las
columnas en la gráfica de barra representan variables categóricas.
• Haz clic en el menú Gráfica. Luego de ingresar el conjunto de datos, haz clic en el menú Gráfica en la parte
superior de la ventana. Selecciona Gráfica de barras...
• Elige lo que quieres que las barras representen. Utiliza el menú desplegable para elegir lo que las barras
deben representar: conteo de valores únicos, una función de una variable o valores de una tabla.
• Elige el tipo de gráfica. Por lo general, deberás elegir la gráfica de barras simple.
• Elige el conjunto de datos. Se te mostrará una lista de conjuntos de datos disponibles. Haz doble clic en el que
quieras usar para crear la gráfica de barras. Puedes añadir etiquetas a tu gráfica haciendo clic en el
botón Etiquetas.... Haz clic en Aceptar para crear la gráfica de barras en una ventana nueva.
6.
6
Crea una gráfica circular. Una gráfica circular cumple la función de una gráfica de barras en la que las
rebanadas del pastel representan variables categóricas.
• Haz clic en el menú Gráfica. Luego de ingresar el conjunto de datos, haz clic en el menú Gráfica en la parte
superior de la ventana. Selecciona Gráfica circular...
• Elige el conjunto de datos. Se te mostrará una lista de conjuntos de datos disponibles. Haz doble clic en el que
quieras usar para crear la gráfica circular. Puedes añadir etiquetas haciendo clic en el botón Etiquetas.... Haz
clic en Aceptar para crear la gráfica circular en una ventana nueva.
Parte4

Realizar un análisis de regresión


1.
1
Entiende la función de un análisis de regresión. Un análisis de regresión modela las relaciones entre variables
aleatorias. En el análisis de regresión existen dos tipos de variables: variables de respuesta y de predicción.
Los valores de las variables de predicción se eligen para predecir los valores de las variables de respuesta y el
análisis de regresión, entre otras cosas, determinará la lo exacta que esta predicción tiende a ser.
• “Y” generalmente representa la variable de respuesta mientras que “X” representa la(s) variable(s) de
predicción.
2.
2
Crea el conjunto de datos. Ingresa las variables de respuesta y de predicción de forma individual en columnas
separadas. Asegúrate de que las columnas estén etiquetadas apropiadamente en la segunda fila.
• Variable de respuesta: se mide en un experimento. También se le conoce como variable dependiente.
• Variables de predicción: son aquellas variables cuyos valores determinan el cambio de otras variables.
También se conocen como variables independientes.
3.
3
Abre el Asistente de regresión. Haz clic en el menú Estadísticas, desplázate a la sección Regresión y
selecciona Regresión...
4.
4
Agrega las variables. Haz doble clic en el conjunto de datos que será tu variable de “respuesta” o
“dependiente”. Al hacerlo, se agregará al campo “Repuesta”. Luego haz doble clic en el conjunto de datos que
será tu variable de “predicción” o “independiente”. Al hacerlo, se agregará al campo “Predictores”. Puedes
agregar múltiples variables al campo “Predictores”.
5.
5
Elige las gráficas. Si quieres generar gráficas junto con el análisis, haz clic en el botón Gráfica.... De esta
manera puedes elegir las gráficas de los residuales que quieres crear. Haz clic en Aceptar después de haber
seleccionado las gráficas deseadas.
6.
6
Almacena los resultados. Puedes hacer que Minitab almacene los resultados, tales como los residuales y los
valores ajustados. Haz clic en el botón Almacenamiento para elegir los aspectos que quieres almacenar. Estos
se agregarán a las columnas nuevas en tu hoja de cálculo.
7.
7
Ejecuta el análisis de regresión. Después de que termines de configurar tus opciones, haz clic en Aceptar en la
ventana de regresión. Minitab calculará la regresión y mostrará las gráficas y valores almacenados que
estableciste.[3]
• El resultado del análisis de regresión aparece en la ventana Sesión de Minitab.
• La ecuación de regresión proporciona una aproximación de cómo las X predicen a Y.
• Los valores P determinan la importancia de las variables de predicción.
• El coeficiente de determinación (R2) describe qué tan bien se ajustan los datos al modelo (1 y -1 indican un
ajuste perfecto).
El Análisis del Modo y Efecto de Fallas, también conocido como AMEF o FMEA por sus siglas en inglés (Failure
Mode Effect Analysis), nació en Estados Unidos a finales de la década del 40. Esta metodología desarrollada por
la NASA, se creó con el propósito de evaluar la confiabilidad de los equipos, en la medida en que determina los
efectos de las fallas de los mismos.

¿Qué es el AMEF?

El Análisis del Modo y Efecto de Fallas (AMEF), es un procedimiento que permite identificar fallas en productos,
procesos y sistemas, así como evaluar y clasificar de manera objetiva sus efectos, causas y elementos de
identificación, para de esta forma, evitar su ocurrencia y tener un método documentado de prevención.

¿Para qué tener un método documentado de prevención?


Una de las ventajas potenciales del AMEF, es que esta herramienta es un documento dinámico, en el cual se
puede recopilar y clasificar mucha información acerca de los productos, procesos y el sistema en general. La
información es un capital invaluable de las organizaciones.

Tipos de AMEF

El procedimiento AMEF puede aplicarse a:

• Productos: El AMEF aplicado a un producto sirve como herramienta predictiva para detectar posibles
fallas en el diseño, aumentando las probabilidades de anticiparse a los efectos que pueden llegar a
tener en el usuario o en el proceso de producción.
• Procesos: El AMEF aplicado a los procesos sirve como herramienta predictiva para detectar posibles
fallas en las etapas de producción, aumentando las probabilidades de anticiparse a los efectos que
puedan llegar a tener en el usuario o en etapas posteriores de cada proceso.
• Sistemas: El AMEF aplicado a sistemas sirve como herramienta predictiva para detectar posibles fallas
en el diseño del software, aumentando las probabilidades de anticiparse a los efectos que pueden
llegar a tener en su funcionamiento.
• Otros: El AMEF puede aplicarse a cualquier proceso en general en el que se pretendan identificar,
clasificar y prevenir fallas mediante el análisis de sus efectos, y cuyas causas deban documentarse.

Ventajas potenciales del AMEF

Este procedimiento de análisis tiene una serie de ventajas potenciales significativas, por ejemplo:

• Identificar las posibles fallas en un producto, proceso o sistema.


• Conocer a fondo el producto, el proceso o el sistema.
• Identificar los efectos que puede generar cada falla posible.
• Evaluar el nivel de criticidad (gravedad) de los efectos.
• Identificar las causas posibles de las fallas.
• Establecer niveles de confiabilidad para la detección de fallas.
• Evaluar mediante indicadores específicos la relación entre: gravedad, ocurrencia y detectabilidad.
• Documentar los planes de acción para minimizar los riesgos.
• Identificar oportunidades de mejora.
• Generar Know-how.
• Considerar la información del AMEF como recurso de capacitación en los procesos.
¿Cuándo se debe implementar el AMEF?

El AMEF es un procedimiento que enriquece a las organizaciones, de manera que considerar implementarlo no
requiere de condiciones específicas de las operaciones. Sin embargo, pueden detectarse situaciones en los
cuales el AMEF es una herramienta vital de soporte, por ejemplo:

• Diseño de nuevos productos y/o servicios.


• Diseño de procesos.
• Programas de mantenimiento preventivo.
• Etapas de documentación de procesos y productos.
• Etapas de recopilación de información como recurso de formación.
• Por exigencia de los clientes.

El AMEF es por excelencia la metodología propuesta como mecanismo de acción preventivo en el diagnóstico
y la implementación del Lean Manufacturing. Este se activa por medio de los indicadores cuando se requiere
prevenir la generación de problemas.

Procedimiento para realizar el AMEF de un proceso - AMEFP

En primer lugar debe considerarse que para desarrollar el AMEF se requiere de un trabajo previo de recolección
de información; en este caso el proceso debe contar con documentación suficiente acerca de todos los
elementos que lo componen. El AMEF es un procedimiento sistemático cuyos pasos se describen a
continuación:

1. Desarrollar un mapa del proceso (Representación gráfica de las operaciones).


2. Formar un equipo de trabajo (Team Kaizen), documentar el proceso, el producto, etc.
3. Determinar los pasos críticos del proceso.
4. Determinar las fallas potenciales de cada paso del proceso, determinar sus efectos y evaluar su nivel
de gravedad (severidad).
5. Indicar las causas de cada falla y evaluar la ocurrencia de las fallas.
6. Indicar los controles (medidas de detección) que se tienen para detectar fallas y evaluarlas.
7. Obtener el número de prioridad de riesgo para cada falla y tomar decisiones.
8. Ejecutar acciones preventivas, correctivas o de mejora.

Desarrollar un mapa del proceso


En este paso se busca representar gráficamente los pasos del proceso. Para ello podemos utilizar un diagrama
de bloques, un diagrama de flujo simple o un cursograma sinóptico del proceso (diagrama del proceso de la
operación).

Formar un equipo de trabajo


Se recomienda conformar el equipo de trabajo siguiendo la estructura de proyectos Kaizen. Estos equipos se
caracterizan por tener un responsable o coordinador con conocimientos en AMEF, quien se encarga de
gestionar la metodología; además del líder se requiere de 3 o 4 personas más, con habilidades y conocimientos
del producto y el proceso, para conformar un grupo multidisciplinario. En Kaizen es vital la inclusión en el equipo
de los operadores del proceso.

El coordinar del equipo se encarga de:

• Dirigir la metodología.
• Coordinar las reuniones.
• Facilitar el trabajo del equipo.
• Sintetizar los avances.
• Documentar los resultados.

Los otros integrantes del equipo se encargarán de aportar su conocimiento y habilidades acerca del producto
y el proceso, según los requerimientos que establezca el coordinador.

En la medida en que se conforme el equipo debe de iniciar la documentación del proyecto AMEF, por tal razón
en el documento debe ya especificarse lo siguiente:

• Número de parte que se fábrica en el proceso.


• Descripción de la parte.
• Nombre de la compañía y área.
• Nombre del proceso.
• Relación de actividades de análisis del proceso y responsables.
Determinar los pasos críticos del proceso
En esta etapa debe realizarse un análisis inicial para identificar fallas potenciales que afecten de manera crítica
el proceso. Es un buen factor de criticidad la salud, es decir, que debe iniciarse con un análisis para identificar
riesgos potenciales para la salud de clientes y colaboradores; seguidamente pueden considerarse factores
relacionados con la calidad y luego con la disponibilidad; de esta manera se identifican los pasos críticos del
proceso. Vale la pena mencionar que esta etapa debe realizarse con soporte permanente de especialistas en el
proceso.

Para nuestro ejemplo, se han seleccionado como pasos críticos las funciones de corte y costura. Recuerde que
este paso se realiza con el propósito de establecer prioridades de análisis, sin embargo, los pasos restantes del
proceso deben documentarse de igual forma.
Determinar las fallas potenciales de cada paso, determinar sus efectos y evaluar su severidad
Para cada uno de los pasos del proceso deben identificarse las fallas potenciales. En primer lugar debe revisarse
la información histórica y registrar las fallas que hayan ocurrido con anterioridad; en segundo lugar, deben
identificarse con ayuda de los especialistas, todas las fallas que pudieran ocurrir en el paso del proceso. Esta
identificación debe realizarse con espíritu crítico y analítico.

A continuación, deben listarse todos los efectos relacionados con las fallas identificadas.

¿Qué es un modo de falla?

Un modo de falla es la forma en que un producto o proceso puede afectar el cumplimiento de las
especificaciones, afectando al cliente, al colaborador o al proceso siguiente.

Existen múltiples tipos de fallas y estas se presentan tanto en el análisis del diseño como en el análisis del
proceso, por ejemplo:

• Fallas en el diseño: Roto, fracturado.


• Fallas en el proceso: Flojo, equivocado.

¿Qué es un efecto?
Un efecto puede considerarse como el impacto en el cliente o en el proceso siguiente, cuando el modo de
falla se materializa.

Por ejemplo:

Una vez se listan todas las fallas y los efectos, se procede a calificar la severidad (gravedad) de los efectos
potenciales. Puede utilizarse la siguiente escala como guía:
Es necesario considerar que en caso de que una falla tenga efectos (cliente / proceso) con calificaciones
diferentes, debe asignarse el mayor valor de severidad de los efectos.

Indicar las causas de cada falla y evaluar la ocurrencia de las fallas.


En este paso se deben relacionar las causas asociadas a cada falla identificada en el paso anterior. Además, se
debe evaluar la ocurrencia de las fallas.

Para evaluar la ocurrencia en un AMEF orientado al proceso, se recomienda utilizar un criterio, ya sea basado
en probabilidad de fallas, en índices posibles de fallas basados en tantos por piezas, o en el índice de capacidad
real Cpk. Puede utilizarse la siguiente escala como guía:
Por ejemplo:

Indicar los controles (medidas de detección) que se tienen para detectar fallas y evaluarlas
En este paso se debe describir el tipo de control que se tiene para detectar cada falla. Además, se debe evaluar,
en un escala del 1 al 10, la capacidad de detección de la misma; entre mayor sea la posibilidad de detectar la
falla, menor será la calificación. Puede utilizarse la siguiente escala como guía:
Por ejemplo:
Obtener el número de prioridad de riesgo (RPN) para cada falla y tomar decisiones
El número de prioridad de riesgo, también conocido como RPN, por sus siglas en inglés (Risk Priority Number),
es el producto de multiplicar la severidad, la ocurrencia, y la detección o detectabilidad. El RPN es un número
entre 1 y 1000 que nos indica la prioridad que se le debe dar a cada falla para eliminarla.

Cuando el RPN es superior a 100 es un claro indicador de que deben implementarse acciones de prevención o
corrección para evitar la ocurrencia de las fallas, de forma prioritaria. Sin embargo, el objetivo general es el de
tratar todas las fallas; muchos expertos coinciden en que un RPN superior a 30 requiere de un despliegue
enfocado en el tratamiento del modo de falla.

Por ejemplo:
Ejecutar acciones preventivas, correctivas o de mejora
Una vez se ha establecido la prioridad de los modos de falla, se procede a ejecutar acciones preventivas,
correctivas o de mejora. Ya en esta etapa se cuenta con una información relevante relacionada con el proceso,
las fallas, las causas y los controles de detección. El equipo AMEF deberá entonces establecer:

• Acciones recomendadas por falla.


• Asignar los responsables por acción, relacionando la fecha de ejecución.
• Establecer una fecha de revisión.
• Registrar las acciones ejecutadas hasta la fecha de revisión.
• Calcular nuevamente el RPN.

Por ejemplo:

En este caso se han sugerido acciones correctivas orientadas a las fallas y a las causas. Sin embargo, puedan
establecerse acciones correctivas, preventivas y de mejora, enfocadas tanto a las fallas, a las causas, como a
los controles de detección.

Una vez se efectúa la revisión en la fecha establecida, se vuelve a calcular el RPN para medir el impacto de las
acciones tomadas.

Por ejemplo:
Tal como se mencionó anteriormente, el AMEF constituye un documento dinámico, que admite múltiples
revisiones, observaciones y calificaciones de acuerdo al devenir de los procesos. Así mismo, se convierte en una
fuente invaluable de información relacionada con los equipos, que puede utilizarse tanto para el despliegue de
acciones de prevención, corrección y mejora; como para la capacitación y formación del personal en temas
relacionados con los equipos y los procesos.

¿Qué es la estadística descriptiva?

Publicado el 5 de Octubre 2016 a las 12:15 PM


La estadística emplea métodos descriptivos y de inferencia estadística. Los primeros se ocupan de la
recolección, organización, tabulación, presentación y reducción de la información.
En el caso de la estadística descriptiva se sustituye o reduce el conjunto de datos obtenidos por un pequeño
número de valores descriptivos, como pueden ser: el promedio, la mediana, la media geométrica, la varianza,
la desviación típica, etc. Estas medidas descriptivas pueden ayudar a brindar las principales propiedades de
los datos observados, así como las características clave de los fenómenos bajo investigación.
Por lo general, la información proporcionada por la estadística descriptiva puede ser trasmitida con facilidad y
eficacia mediante una variedad de herramientas gráficas, como pueden ser:
Gráficos de tendencia: es un trazo de una característica de interés sobre un periodo, para observar su
comportamiento en el tiempo.
Gráfico de dispersión: ayuda al análisis de la relación entre dos variables, representado gráficamente sobre el
eje x y el correspondiente valor de la otra sobre el eje y.
Histograma: describe la distribución de los valores de una característica de interés.
Estos métodos gráficos son de mucha utilidad para entender con claridad un fenómeno analizado. La
evolución de la inflación, el tipo de cambio, del PBI u otros indicadores macro pueden ser analizados, por
ejemplo, con gráficos de tendencia.
Así, la estadística descriptiva constituye un modo relativamente sencillo y eficiente para resumir y caracterizar
datos. También ofrece una manera conveniente de presentar la información recopilada.
Este método es potencialmente aplicable a todas las situaciones que involucran el uso de datos. Además de
ayudar en el análisis e interpretación de los datos, constituye una valiosa ayuda en el proceso de toma de
decisiones.

Aplicaciones de la estadística descriptiva


La estadística descriptiva es aplicable en casi todas las áreas donde se recopilan datos cuantitativos. Puede
brindar información acerca de productos, procesos o diversos aspectos del sistema de gestión de la calidad,
como también en el ámbito de la dirección y organización de personas, la logística, etc. Algunos ejemplos de
dichas aplicaciones son los siguientes:

• Resumen de las mediciones principales de las características de un producto.


• Describir el comportamiento de algún parámetro del proceso, como puede ser la temperatura de un
horno.
• Caracterizar el tiempo de entrega o el tiempo de respuesta en el sector de los servicios.
• Procesar datos relacionados con muestras a clientes, tales como la satisfacción o insatisfacción del
cliente.
• Ilustrar la medición de los datos, tales como los datos de calibración del equipo.
• Visualizar el resultado del desempeño de un producto en un periodo mediante un gráfico de
tendencia.

Acerca del análisis del sistema de medición


Más información sobre Minitab 18

En este tema

• ¿Qué es un análisis del sistema de medición (MSA)?


• ¿Qué es un sistema de medición?
• ¿Qué es la variación del sistema de medición?
¿Qué es un análisis del sistema de medición (MSA)?

El análisis del sistema de medición es un método para determinar si un sistema de medición es aceptable.
Para una variable de respuesta continua, utilice el análisis del sistema de medición para determinar la
cantidad de la variación total que proviene del sistema de medición. Para una variable de respuesta de
atributo, utilice el análisis del sistema de medición para evaluar la consistencia y la exactitud de los
evaluadores.

Un análisis del sistema de medición es un componente crítico para cualquier proceso de mejora de la calidad.
Evalúe el sistema de medición antes de utilizar las gráficas de control, el análisis de capacidad u otros análisis,
para comprobar que el sistema de medición sea exacto y preciso y que los datos sean fiables.

¿Qué es un sistema de medición?

Los sistemas de medición pueden incluir todo lo que afecta la medición de una parte, como los dispositivos de
medición, los procedimientos de medición y los operadores.

Ejemplo de un sistema de medición

Una empresa realiza una encuesta para determinar la efectividad de su publicidad en Internet. En este
proceso, las variables del sistema de medición incluyen el orden de las preguntas de la encuesta, los
empleados (operadores) que realizan las encuestas, la forma de registrar los datos de la encuesta, así como
otras variables.

¿Qué es la variación del sistema de medición?

La variación del sistema de medición es la variación que ocurre cuando se mide algo. Específicamente, la
variación de un sistema de medición es la suma de la variación causada por la repetibilidad y la
reproducibilidad.

Cualquier componente de un sistema de medición, como un dispositivo de medición, un procedimiento y un


software, puede ser una fuente de variación.

Ejemplo de variación del sistema de medición

Los operadores de una empresa manufacturera utilizan calibradores para medir los diámetros de los ejes. Un
eje estándar conocido tiene un diámetro de 5 cm. Cuando se mide varias veces, las mediciones son: 5.01 cm,
4.99 cm, 4.97 cm, 5.03 cm, 5.01 cm. La variación de las mediciones se debe a la variación del sistema de
medición.
Si los operadores tuvieran que medir partes diferentes ya terminadas, ¿las diferencias se deberían a la
variación del sistema de medición o a diferencias reales en las propias partes? Si la variación del sistema de
medición es grande comparada con la variación entre las partes, las mediciones pudieran no proporcionar
información útil.

CAPACIDAD DE PROCESOS

Una necesidad muy frecuente en los procesos consiste en evaluar la variabilidad y tendencia central de una
característica de calidad, para así compararla con sus especificaciones de diseño. La capacidad de proceso es el
grado de aptitud que tiene un proceso para cumplir con las especificaciones técnicas deseadas.
Cuando la capacidad de un proceso es alta, se dice que el proceso es capaz, cuando se mantiene estable a lo
largo del tiempo, se dice que el proceso está bajo control, cuando no ocurre esto se dice que el proceso no es
adecuado para el trabajo o requiere de inmediatas modificaciones.

¿CÓMO EVALUAR LA CAPACIDAD DE UN PROCESO?

Mientras los procesos no sufran modificaciones o reajustes, para evaluar su capacidad suele recurrirse a
algunas de las siete herramientas de la calidad, tales como:

• Histogramas
• Gráficos de control
• Planillas de inspección

Cuando el proceso se ve modificado, por ejemplo con la implementación de una nueva máquina, o con un
reajuste de métodos, debe efectuarse un estudio de índices de capacidad.
REQUISITOS PARA EFECTUAR UN ESTUDIO DE ÍNDICES DE CAPACIDAD

El principal requerimiento para iniciar con un estudio de aptitud del proceso consiste en que éste se encuentre
estadísticamente estable. Además se precisa que:

• Las mediciones individuales del proceso se comporten siguiendo una distribución normal.
• Las especificaciones de ingeniería representen con exactitud los requerimientos de los clientes.

Cuando se han identificado desviaciones en el comportamiento estadístico de las mediciones de alguna


característica de calidad, la evaluación de la capacidad del proceso inicia después de que en las gráficas de
control las causas especiales han sido identificadas, analizadas y corregidas, por ende, las gráficas actuales de
control muestran un proceso dentro de control estadístico.

CLASIFICACIÓN DE LOS ÍNDICES DE CAPACIDAD


Los índices de capacidad se pueden clasificar según su posición y alcance temporal en:

• Respecto a su posición

o Índices centrados con respecto a los límites
o Índices descentrados con respecto a los límites
o Solo con límite superior
o Solo con límite inferior
• Respecto a su alcance temporal

o A corto plazo: Capacidad potencial
o A largo plazo: Capacidad global

Sí una vez determinadas las capacidades se encuentra una diferencia significativa entre los índices de corto y
largo plazo, es un síntoma de inconsistencias en el proceso, y de que éste es susceptible de aplicar mejoras.
ÍNDICES DE CAPACIDAD A CORTO PLAZO Cp Y Cpk
Índice Cp
Para considerar que un producto sea de calidad, las mediciones de sus características deben ser iguales a su
valor ideal, sin embargo al conocer que la variabilidad es una característica ínsita de todo proceso estas
mediciones deben al menos estar dentro de cierta especificación inferior y/o superior. La medida de la
capacidad potencial del proceso para cumplir con tales especificaciones de calidad nos la proporciona el índice
de capacidad del proceso (Cp).

Donde

Donde d2 es una constante que depende del tamaño de muestra


Para una mejor interpretación del índice analicemos la siguiente gráfica

El Cp compara el ancho de las especificaciones (tolerancia) con la amplitud de la variación (dispersión


natural) del proceso. Sí la variación del proceso es mayor que la amplitud de las especificaciones, entonces el
Cp es menor que 1, lo que sería evidencia de que no se está cumpliendo con las especificaciones. Sí el Cp es
mayor que 1 es una evidencia de que el proceso es potencialmente capaz de cumplir con las especificaciones.

El Cp se utiliza para conocer y tomar decisiones sobre el proceso dependiendo de su valor, es el tipo de proceso
y la decisión que debe de tomarse. La siguiente tabla nos muestra la interpretación cualitativa del índice Cp.
Cuando se determina que el proceso no es apto para producir las unidades dentro de las especificaciones
establecidas deben adoptarse diversas medidas, dentro de las que se encuentran:

• Mejorar el proceso
• Cambiar el proceso por uno mejor
• Cambiar la especificación (No recomendado)
• Rediseñar el producto
• Inspeccionar al 100% (Ineficiente)
• Obtener una desviación o permiso de aceptación (Temporal)
• Tercerizar la elaboración de la parte (En caso de ser posible)
• Dejar de hacer el producto (No recomendado)

Índice Cpk
El índice Cp estima la capacidad potencial del proceso para cumplir con tolerancias, sin embargo comúnmente
se reconoce que una de sus desventajas es que no toma en cuenta el centrado del proceso. Para dar solución
a esto el Cp se puede modificar para evaluar también donde se localiza la media del proceso respecto a las
especificaciones. Al índice de Cp modificado se le conoce como Índice de Capacidad Real Cpk.

Donde
El índice Cpk va a ser igual al Cp cuando la media del proceso se ubique en el punto medio de las
especificaciones. Sí el proceso no está centrado entonces el valor del índice de Cpk será menor que el Cp.

• Valores mayores a 1 de Cpk indican que el proceso está fabricando artículos que cumplen con las
especificaciones.
• Valores menores a 1 de Cpk indican que el proceso está produciendo artículos fuera de las
especificaciones.
• Valores de 0 o negativos de Cpk indican que la media del proceso está fuera de las especificaciones.

Por lo tanto el Cp mide la capacidad potencial del proceso; mientras que el Cpk mide la capacidad real.

PROCESOS DE UNA SOLA ESPECIFICACIÓN


Aunque es menos común, es posible que en determinados procesos al medir las características de calidad se
precise que "entre más grande mejor" o "entre más pequeño mejor", o simplemente que no sea menor o mayor
a determinada especificación. Para estos casos existen los llamados índices de especificación única.

Índice de capacidad inferior - "Entre más grande mejor"

Índice de capacidad superior - "Entre más pequeño mejor"

Definición de análisis estadístico

¿Qué es el análisis estadístico? Es la ciencia de recopilar, explorar y presentar grandes cantidades de datos
para descubrir patrones y tendencias implícitos. Las estadísticas se aplican todos los días – en la investigación,
la industria y el gobierno – para volvernos más científicos acerca de las decisiones que se necesitan tomar.
Por ejemplo:

• Los fabricantes utilizan las estadísticas para incorporar calidad en telas preciosas, para dar prosperidad a la
industria de las líneas aéreas y para ayudar a los guitarristas a producir música hermosa.
• Los investigadores mantienen a los niños sanos utilizando estadísticas para analizar datos de la producción de
vacunas virales, lo cual garantiza consistencia y seguridad.

• Las compañías de comunicaciones utilizan estadísticas para optimizar los recursos de las redes, mejorar el
servicio y reducir la rotación de clientes obteniendo un insight más preciso de los requisitos de los
suscriptores.

• Dependencias de gobierno de todo el mundo recurren a las estadísticas para tener un claro entendimiento de
sus países, sus empresas y su gente.

Mire a su alrededor. Desde el tubo de pasta dental en su baño hasta los aviones que vuelan sobre su casa, se
ven cientos de productos y procesos todos los días que han sido mejorados a través del uso de la estadística.}

El Método Taguchi, la Ingeniería Robusta y el Diseño de Experimentos

Gen'ichi Taguchi, estadístico e ingeniero japonés, fue uno de los


personajes más importantes en el desarrollo de técnicas estadísticas para la mejora de los procesos de
manufactura. Taguchi fue el principal propulsor de lo que se conoce como Ingeniería Robusta, método que
apunta a una reducción en la variabilidad de los outputs de los procesos. Históricamente, se buscaba reducir la
variabilidad de los procesos a través de la eliminación de las fuentes de ruido que la producían, algo bastante
utópico y complejo de realizar. El Método Taguchi, en cambio, se basa en eliminar o minimizar los efectos de
los ruidos, y no los ruidos en sí.

La variabilidad de los procesos son provocados por parámetros que no pueden ser controlados. A estos
parámetros se los conoce como ruidos de proceso. El Diseño de Experimentos (DOE, por las iniciales en inglés
de Design of Experiments) es una disciplina que permite analizar qué efectos provocan los ruidos sobre los
procesos de manera cuantitativa. Esta relación causa-efecto es modelada mediante una relación funcional, la
cual se logra con ayuda experimental. La información obtenida empíricamente permite entender el 'peso' de
cada fuente de ruido sobre la variabilidad del proceso. Muchos parámetros de ruido podrán tener efectos
considerables, otros leves, y otros despreciables.

Taguchi fue también el creador del concepto de ingeniería de calidad, que contempla control de calidad en
línea y fuera de línea (on-line y off-line). El control en línea contempla toda actividad de control y
mantenimiento de procesos, apoyado generalmente por el uso de gráficas de control. El control fuera de línea
es un concepto algo más innovador y se utiliza en la etapa de diseño de los productos y los procesos
involucrados. La técnica utilizada en este caso es el DOE.

14 pasos para el Diseño de Experimientos

El DOE se basa en datos empíricos. Éstos pueden ser obtenidos si se siguen los siguientes pasos fundamentales:
1. Se define el objetivo del análisis, en cuanto al alcance, los costos y el fin.
2. Se conforma un equipo de trabajo para el proyecto de mejora mediante DOE.
3. Se especifica concretamente el problema. Se puede utilizar alguna técnica de análisis de
problemas, como los Diagramas de Ishikawa o Pareto, cuyos datos se pueden obtener de
un brainstorming.
4. Se evalúa el entorno técnico y humano.
5. Se define y valida el sistema de medida.
6. Se construye el DOE, mediante ensayos de factibilidad y procedimientos específicos de
trabajo.
7. Se preparan los ensayos.
8. Se ejecutan los ensayos.
9. Se miden los ensayos.
10. Se analizan los resultados, discriminando señal de ruido, y se realiza el modelado.
11. Se eligen los valores óptimos de los parámetros.
12. Se realizan nuevas experiencias para confirmar.
13. Se informan los resultados.
14. Se comparan los progresos obtenidos con los objetivos planteados en los primeros puntos.

La Función de Pérdida de la Calidad de Taguchi

La Función de Pérdida de la Calidad de Taguchi permite calcular y cuantificar cuánto nos alejamos del valor
esperado (objetivo) de un parámetro en particular. Esta valorización se realiza en unidades monetarias. Cuanto
más alejado esté el parámetro del valor esperado (objetivo o target), mayor será la pérdida monetaria asociada
que se transfiere al cliente.

Función de Pérdida de Taguchi


Este crecimiento es exponencial y está definido por la siguiente ecuación:

L(x) = k · (x - T)²

en donde L(x) es el resultado de la función de pérdida, x el valor de la característica analizada, T su valor


esperado y k una constante de conversión a unidades monetarias. Por lo tanto, si L = 0, estamos ante la calidad
esperada. A medida que L se aleja de 0, en cualquier sentido, vamos perdiendo calidad y aumentando los
costos. Existen límites de tolerancia, en donde L toma un valor máximo permitido: el Límite Inferior de
Especificación y el Límite Superior de Especificación. Se observa una diferencia con el enfoque tradicional de
tolerancia, en el que se considera que dentro de los límites no hay pérdida alguna.

Enfoque tradicional del concepto de la tolerancia


(dentro de la tolerancia hay cero pérdida)
Análisis de Datos Estadístico: Tipos de Datos y Medidas
Análisis de Datos Estadístico

La estadística es básicamente una ciencia que implica la recopilación de datos, la interpretación de datos y,
finalmente, la validación de datos. El análisis de datos estadístico es un procedimiento para realizar diversas
operaciones estadísticas.
Es un tipo de investigación cuantitativa que busca cuantificar los datos y, por lo general, aplica alguna forma de
análisis estadístico.

Los datos cuantitativos básicamente involucran datos descriptivos, como datos de encuestas y datos de
observación.

El análisis de datos estadísticos generalmente involucra alguna forma de herramientas estadísticas. Hay varios
paquetes de software para realizar análisis de datos estadísticos.

Estos software incluyen el Sistema de análisis estadístico (SAS), el Paquete estadístico para las ciencias sociales
(SPSS), Stat soft, R, etc.

Los datos en el análisis de datos estadísticos consisten en variables. En ocasiones, los datos son univariados o
multivariantes. Dependiendo del número de variables, el investigador usa diferentes técnicas estadísticas.

Si los datos en el análisis de datos estadísticos son múltiples en números, entonces se pueden realizar varios
multivariados. Estos son análisis de datos estadísticos factoriales, análisis de datos estadísticos discriminantes,
etc.

De forma similar, si los datos son singulares en número, entonces se realiza el análisis de datos estadísticos
univariado. Esto incluye la prueba t para significancia, prueba z, prueba f, ANOVA, etc.

Tipos de Datos en el análisis estadístico

- Tipos de Datos estadísticos


Los datos en el análisis de datos estadístico son básicamente de 2 tipos, datos continuos y datos discretos. La
información continua es la que no puede ser contada. Por ejemplo, la intensidad de una luz puede medirse
pero no puede contarse. La información discreta es la que puede ser contada. Por ejemplo, se puede contar el
número de bombillas.

Los datos continuos en el análisis de datos estadísticos se distribuyen bajo la función de distribución continua,
que también se puede llamar función de densidad de probabilidad o fdp.
Los datos discretos en el análisis de datos estadísticos se distribuyen bajo la función de distribución discreta,
que también se puede llamar la función de masa de probabilidado fmp.

Usamos la palabra "densidad" en datos continuos de análisis de datos estadísticos porque la densidad no se
puede contar, pero se puede medir. Usamos la palabra "masa" en datos discretos de análisis de datos
estadísticos porque la masa no se puede contar.

Hay varias fdp y fmp en el análisis de datos estadísticos. Por ejemplo, la distribución de Poisson es la fmp
comúnmente conocida, y la distribución normal es la fdp comúnmente conocida.

Estas distribuciones en el análisis de datos estadísticos nos ayudan a comprender qué datos corresponden a
qué distribución. Si los datos son sobre la intensidad de una bombilla, entonces los datos caerían en la
distribución de Poisson.

Hay una tarea importante en el análisis de datos estadísticos, que se compone de inferencia estadística. La
inferencia estadística se compone principalmente de dos partes: estimación y pruebas de hipótesis.
La estimación en el análisis de datos estadísticos implica principalmente datos paramétricos: los datos que
constan de parámetros.

Por otro lado, las pruebas de hipótesis en el análisis de datos estadísticos implican principalmente datos no
paramétricos, los datos que no constan de parámetros.

Sugerimos comenzar sus esfuerzos de análisis de datos con los siguientes cinco principios básicos y aprender a
evitar sus problemas antes de avanzar hacia técnicas más sofisticadas.

Medidas Principales

Media

La media aritmética, más comúnmente conocida como "el promedio", es la suma de una lista de números
dividida por el número de elementos en la lista.

La media es útil para determinar la tendencia general de un conjunto de datos o proporcionar una instantánea
rápida de sus datos. Otra ventaja de la media es que es muy fácil y rápida de calcular.

Problemas
Tomado sola, la media es una herramienta peligrosa. En algunos conjuntos de datos, la media también está
estrechamente relacionada con el modo y la mediana (otras dos medidas cercanas al promedio).

Sin embargo, en un conjunto de datos con un alto número de valores atípicos o una distribución sesgada, el
promedio simplemente no proporciona la precisión que necesita para una decisión.

Desviación estándar

La desviación estándar, a menudo representada con la letra griega sigma, es la medida de una dispersión de
datos alrededor de la media.

Una desviación estándar alta significa que los datos se distribuyen más ampliamente desde la media, donde
una baja desviación estándar indica que más datos se alinean con la media.

Dentro de los métodos de análisis de datos, la desviación estándar es útil para determinar rápidamente la
dispersión de puntos de datos.

Problemas
Al igual que la media, la desviación estándar es engañosa si se toma sola. Por ejemplo, si los datos tienen un
patrón muy extraño, como una curva no normal o una gran cantidad de valores atípicos, la desviación estándar
no le dará toda la información que necesita.

Regresión

La regresión modela las relaciones entre variables dependientes y explicativas, que generalmente se grafican
en un diagrama de dispersión. La línea de regresión también designa si esas relaciones son fuertes o débiles.

La regresión se enseña comúnmente en cursos de estadística de la escuela secundaria o la universidad con


aplicaciones para la ciencia o los negocios para determinar tendencias a lo largo del tiempo.
Problemas
La regresión no es muy matizada. A veces, los valores atípicos en un diagrama de dispersión (y las razones para
ellos) son importantes.

Por ejemplo, un punto de datos periférico puede representar la entrada de su proveedor más crítico o su
producto más vendido.

La naturaleza de una línea de regresión, sin embargo, lo tienta a ignorar estos valores atípicos.

Tamaño de la muestra

Al medir un gran conjunto de datos o población, como una fuerza de trabajo, no siempre es necesario recopilar
información de cada miembro de esa población: una muestra puede ser suficiente. El truco es determinar el
tamaño correcto para que una muestra sea precisa.

Usando métodos de proporción y desviación estándar, puede determinar con precisión el tamaño de muestra
correcto que necesita para hacer que su recopilación de datos sea estadísticamente significativa.

Problemas
Al estudiar una nueva variable no probada en una población, sus ecuaciones de proporción podrían necesitar
ciertas suposiciones. Sin embargo, estas suposiciones pueden ser completamente inexactas. Este error luego
se transfiere a la determinación del tamaño de la muestra y luego al resto de su análisis de datos estadísticos.

Pruebas de hipótesis

También comúnmente denominado prueba t, la prueba de hipótesis evalúa si una determinada premisa es
realmente cierta para su conjunto de datos o población. En el análisis de datos y las estadísticas, considera que
el resultado de una prueba de hipótesis es estadísticamente significativa si los resultados no pudieron haber
ocurrido por casualidad.

Las pruebas de hipótesis se utilizan en todo, desde la ciencia y la investigación hasta los negocios y la economía.

Problemas
Para ser riguroso, las pruebas de hipótesis deben tener en cuenta los errores comunes. Por ejemplo, el efecto
placebo ocurre cuando los participantes esperan falsamente un determinado resultado y luego perciben (o
realmente alcanzan) ese resultado.

Otro error común es el efecto Hawthorne (o efecto observador), que ocurre cuando los participantes sesgan
los resultados porque saben que están siendo estudiados.

Método gráfico de resolución de sistemas

Cada una de las ecuaciones que forman un sistema lineal de dos ecuaciones con dos incógnitas es la de una
función de primer grado, es decir, una recta. El método gráfico para resolver este tipo de sistemas consiste,
por tanto, en representar en unos ejes cartesianos, o sistema de coordenadas, ambas rectas y comprobar si
se cortan y, si es así, dónde. Esta última afirmación contiene la filosofía del proceso de discusión de un
sistema por el método gráfico. Hay que tener en cuenta, que, en el plano, dos rectas sólo pueden tener tres
posiciones relativas (entre sí): se cortan en un punto, son paralelas o son coincidentes (la misma recta). Si las
dos rectas se cortan en un punto, las coordenadas de éste son el par (x, y) que conforman la única solución
del sistema, ya que son los únicos valores de ambas incógnitas que satisfacen las dos ecuaciones del sistema,
por lo tanto, el mismo es compatible determinado. Si las dos rectas son paralelas, no tienen ningún punto en
común, por lo que no hay ningún par de números que representen a un punto que esté en ambas rectas, es
decir, que satisfaga las dos ecuaciones del sistema a la vez, por lo que éste será incompatible, o sea sin
solución. Por último, si ambas rectas son coincidentes, hay infinitos puntos que pertenecen a ambas, lo cual
nos indica que hay infinitas soluciones del sistema (todos los puntos de las rectas), luego éste será compatible
indeterminado.

El proceso de resolución de un sistema de ecuaciones mediante el método gráfico se resume en las siguientes
fases:

i. Se despeja la incógnita y en ambas ecuaciones.


ii. Se construye, para cada una de las dos funciones de primer grado obtenidas, la tabla de valores
correspondientes.
iii. Se representan gráficamente ambas rectas en los ejes coordenados.
iv. En este último paso hay tres posibilidades:
a. Si ambas rectas se cortan, las coordenadas del punto de corte son los únicos valores de las
incógnitas x e y. Sistema compatible determinado.
b. Si ambas rectas son coincidentes, el sistema tiene infinitas soluciones que son las
respectivas coordenadas de todos los puntos de esa recta en la que coinciden
ambas. Sistema compatible indeterminado.
c. Si ambas rectas son paralelas, el sistema no tiene solución. Sistema incompatible.

Veamos, por última vez, el ejemplo visto en los métodos analíticos para resolverlo gráficamente y comprobar
que tiene, se use el método que se use, la misma solución. recordemos de nuevo el enunciado:

Entre Ana y Sergio tienen 600 euros, pero Sergio tiene el doble de euros que Ana. ¿Cuánto dinero tiene cada
uno?.

Llamemos x al número de euros de Ana e y al de Sergio. Vamos a expresar las condiciones del problema
mediante ecuaciones: Si los dos tienen 600 euros, esto nos proporciona la ecuación x + y = 600. Si Sergio tiene
el doble de euros que Ana, tendremos que y = 2x. Ambas ecuaciones juntas forman el siguiente sistema:

x + y = 600
2x - y = 0

Para resolver el sistema por el método gráfico despejamos la incógnita y en ambas ecuaciones y tendremos:

y = -x + 600
y = 2x

Vamos ahora, para poder representar ambas rectas, a calcular sus tablas de valores:

y = -x + 600 y = 2x
x y x y
200 400 100 200
600 0 200 400

Con estas tablas de valores para las dos rectas y eligiendo las escalas apropiadas en los ejes OX y OY, podemos
ya representar gráficamente:

<="" td="">

Si observamos la gráfica, vemos claramente que las dos rectas se cortan en el punto (200, 400), luego la
solución del sistema es x = 200 e y = 400. Por tanto, la respuesta al problema planteado es que Ana tiene 200
euros y Sergio tiene 400 euros, es decir, el mismo resultado, evidentemente, que habíamos obtenido con los
tres métodos analíticos.

Si, al representar gráficamente un sistema, se obtienen las rectas x = 0 e y = x+2, ¿cuál será la solución
del mismo?

Definición de SPC Statistical Process Control

El control estadístico de procesos, conocido habitualmente como SPC (Statistical Process Control)
es un conjunto de técnicas orientadas a detectar variaciones en un proceso de producción y tomar las
acciones correctivas oportunas a fin de conseguir una mejora en la calidad del producto obtenido.

El uso del SPC tuvo su auge a principios de los años ochenta, especialmente en el sector del automóvil.

Como consecuencia de los resultados obtenidos por las empresas japonesas, los grandes fabricantes de
automóviles decidieron adoptar estas técnicas y exigir el uso de las mismas a sus proveedores.
Como consecuencia de esto, se puede afirmar que durante algunos años el SPC se convirtió en una moda que
llevó a un uso abusivo del mismo, por lo que los resultados obtenidos no fueron siempre buenos.

Características

Utiliza poderosas herramientas estadísticas, que procesan instantáneamente la información recogida y


alertan ante cualquier señal de anormalidad en el proceso, reduciendo la ocurrencia de desperdicio y tiempos
improductivos en la fabricación.

Todos los parámetros de SPC son configurables, permitiendo así su adecuación a las características de
cualquier tipo de producto y proceso de fabricación utilizados en la empresa, incluso para las formas de
producción en serie o continúa. Incorpora herramientas de organización, clasificación y búsqueda, que
proporcionan un acceso simple e inmediato a los datos en forma de planillas y gráficos, permitiendo evaluar
críticamente el grado de adecuación de los procesos en relación al objetivo especificado.

¿Para qué sirve?

Ads by optAd360

En la actualidad el SPC se aplica de forma más moderada, atendiendo a unas pocas consideraciones básicas:

• el SPC debe implantarse en aquellos lugares en los que realmente sea posible efectuar actuaciones
como consecuencia de la información obtenida.
• Se debe seleccionar un conjunto significativo de parámetros a controlar mediante SPC, lo más
reducido posible, de forma que el seguimiento de este control sea factible con los recursos humanos
de que se disponga.

En resumen, el SPC no debe ser una herramienta burocrática que encarezca el proceso a cambio de
suministrarnos una información inútil o que no se tenga capacidad de analizar, sino una ayuda eficaz que
proporcione la información justa para agilizar la toma de decisiones.

El SPC contribuye a la reducción de costos de las organizaciones debido a que se enfoca en la minimización de
la variación. Los temas que entre otros, se explican en el seminario son: los conceptos de la variación, control,
sobre ajuste y capacidad; causas especiales y comunes; prevención contra detección; estudios R & R; las
medidas de tendencia central; gráficas de variables X-R, X-s; gráficas de atributos p, np, u, c; gráficas de
precontrol; reglas para determinar control estadístico y su interpretación y SPC para corridas cortas.

Ads by optAd360
Elementos SPC

• Los estudios SPC se dividen en diferentes apartados, que se detallan a continuación. Los módulos
comunes a los estudios por variables y por atributos son definición, datos y un módulo que permite
visualizar todos los tipos de gráficos simultáneamente.
• Los gráficos para estudios por variables son gráfico X-R ó X-S, histograma y recta de Henry.
• Los gráficos para estudios por atributos son gráfico p, np, c ó u, pareto absoluto acumulado, pareto
absoluto sin acumular, pareto relativo acumulado y pareto relativo sin acumular.
• Todos los datos de los estudios se pueden copiar y pegar en el mismo estudio o en otro diferente.
• Todos los gráficos se pueden copiar y luego pegar en otra aplicación.
• Existe la posibilidad de importar y exportar datos a ficheros ASCII. Gráfico X-R / X-S
• Sobre el gráfico X-R ó X-S, se muestran los límites de control y opcionalmente los valores de
tolerancias.
• Se indica también los subgrupos con avisos mediante un pequeño triangulo rojo en el lugar del punto
verde de los subgrupos sin avisos.

Ads by optAd360
Ventajas Principales

1. Permite “preparar el terreno” para la posterior introducción de datos, de forma que las personas que
tomarán los datos diariamente sólo se deban preocupar de realizar la medida y comprobar los resultados
para ver si todo sigue bien o se produce algún aviso.

2. Diferencia claramente responsabilidades, entre el operario o inspector volante que efectúa el muestreo y la
persona que fija los parámetros (límites, tolerancias,…) que marcan la validez o no de los datos tomados. Para
delimitar mejor esta diferencia de funciones, el programa permite activar un sistema de claves que garantice
que los parámetros del proceso sólo serán modificados por personas autorizadas.

https://thales.cica.es/rd/Recursos/rd99/ed99-0045-01/secciones/grafico.html
https://www.tecnologias-informacion.com/analisis-estadistico.html

https://www.ingenieriaindustrialonline.com/herramientas-para-el-ingeniero-industrial/lean-
manufacturing/analisis-del-modo-y-efecto-de-fallas-amef/

https://es.wikihow.com/usar-Minitab

https://www.esan.edu.pe/apuntes-empresariales/2016/10/que-es-la-estadistica-descriptiva/

https://support.minitab.com/es-mx/minitab/18/help-and-how-to/quality-and-process-
improvement/measurement-system-analysis/supporting-topics/basics/about-measurement-
systems-analysis/
https://www.ingenieriaindustrialonline.com/herramientas-para-el-ingeniero-
industrial/gesti%C3%B3n-y-control-de-calidad/capacidad-de-proceso/

https://www.sas.com/es_mx/insights/analytics/statistical-analysis.html

http://ctcalidad.blogspot.com/2016/08/el-metodo-taguchi-la-ingenieria-robusta.html

Das könnte Ihnen auch gefallen