Sie sind auf Seite 1von 403

Programa de certificacin

de Green Belts

III. Seis Sigma - Medicin

Fase de medicin

Propsitos:

Determinar req. de informacin para el proyecto


Definir las Mtricas de los indicadores del Proceso
Identificar los tipos, fuentes y causas de la variacin
en el proceso
Desarrollar un Plan de Recoleccin de Datos
Realizar un Anlisis del Sistema de Medicin (MSA)
Llevar a cabo la recoleccin de datos

Salidas

Diagnstico de la situacin actual del problema

III. Seis Sigma - Medicin


A. Anlisis y documentacin del proceso
B. Probabilidad y estadstica
C. Coleccin y resumen de datos
D. Distribuciones de probabilidad
E. Anlisis de los sistemas de medicin
F. Capacidad y desempeo de procesos

IIIA. Anlisis y documentacin


del proceso

IIIA. Anlisis y documentacin


del proceso
1. Modelado del proceso
2. Entradas y salidas del proceso

IIIA.1 Modelado del


proceso

Anlisis y documentacin del


proceso
Un proceso es un conjunto de recursos y
actividades que transforman entradas en
salidas agregando valor. Las actividades
deben ser documentadas y controladas.
Se analizan los tpicos siguientes:
1. Herramientas
2. Entradas y salidas del proceso
7

Anlisis y documentacin del


proceso - Herramientas

Diagramas de flujo
Mapas de proceso
Procedimientos escritos
Instrucciones de trabajo
Anlisis de proceso
Documentacin del proceso

Diagrama de flujo

Un diagrama de flujo o mapa de proceso es til


para comprender el proceso. Puede describir la
secuencia del producto, contenedores,
papeleo, acciones del operador o
procedimientos administrativos.

Es el paso inicial para la mejora de procesos,


ya que facilita la generacin de ideas.

Diagrama de flujo

Organizar un equipo para examinar el proceso

Construir un mapa de proceso para representar


los pasos del proceso

Discutir y analizar cada paso en detalle

Preguntarse Por qu lo hacemos de esta


manera?
Comparar el proceso actual a un proceso
imaginario perfecto

10

Diagrama de flujo

Hay complejidad innecesaria?


Existe duplicacin o redundancia?
Hay puntos de control para evitar errores y
rechazos?
Se realiza el proceso de acuerdo a como est
planeado?
Puede realizarse el proceso de manera
diferente?
las ideas de mejora pueden venir de procesos
muy diferentes?
11

Diagrama de flujo
Smbolos de Diagramas de flujo

12

Diagrama de flujo
Diagramas de flujo - Ejemplo

13

Diagrama de flujo
Beneficios
Permiten visualizar el proceso que se est
describiendo
Describen el proceso con smbolos, flechas y
palabras sin necesidad de oraciones
La mayora usa simbologa estandarizada
(ANSI Y15.3)
Si se usa software el nmero de smbolos
puede llegar a 500
14

Diagrama de flujo

Diagramas de flujo o mapas de proceso

Permiten comprender la operacin del proceso


Normalmente representan el punto de inicio para la mejora

Pasos para elaborarlo (Smbolos ANSI Y15.3)

Organizar un equipo para examinarlo


Construir un diagrama de flujo representando cada paso
Discutir y analizar detalladamente cada paso
Preguntarse Porqu lo hacemos de esta forma?
Comparar esta forma con la del proceso perfecto
Existe demasiada complejidad, duplicidad o redundancia
Se opera el proceso como est planeado y puede
mejorarse?

15

Smbolos de diagrama de
flujo
Proceso

Desicin Documento

Datos

Proceso
Predefinido

Preparacin Operacin Entrada


Manuales

Conector Con. pgina Display Almacen Terminador 16

Smbolos para Diagramas de


Flujo
Iniciar/Detener

Operaciones
(Valor agregado)
Decisin
Inspeccin /Medicin
Transportacin

Transmisin

Almacenar
Entrada/Salida
Retraso
Lneas de Flujo
17

Diagrama de flujo del


Proceso:
Es el diagrama de flujo de un proceso
que muestra cmo se realiza un trabajo.
Inicio

Paso 1

Paso 2A

Paso 2B

Paso 2C

Paso 3

Retrabajo

No

Bueno?

Fin
18

Diagrama de flujo / Anlisis del valor

Actividades con valor agregado

Actividades sin valor agregado


19

Cmo Ayuda un Mapa de


Proceso?

Una vez que podemos ver


las cosas -podemos hablar
de ellas.
Los pasos que no agregan
valor se hacen ms
evidentes.
El retrabajo y las
reparaciones son obvias.
Se puede llegar a acuerdos.

20

Diagramas de Flujo Existentes

Creados para un
propsito diferente.
Con frecuencia no
reflejan los puntos de
inicio y Fin adecuados.
No son cmo es.
Quieren ser
No sealan el
desperdicio.

21

Aprovecha al Equipo

Haz recorridos,
entrevistas y revisiones
de los diagramas de flujo
y los estndares
existentes.

22

Haz el Mapa del Proceso lo ms


Pronto Posible!
El mapa de un proceso...

seala con claridad la


regin en la que el equipo
se debe enfocar.

evita que el equipo salga


de los lmites del proyecto.

23

El Inicio y el Fin Se Deben Poder


Medir

Selecciona los puntos


de Inicio y Fin donde
se llevan a cabo
acciones que se
pueden medir.

24

Ejercicio Rpido - Inicio y Fin


Proceso

Inicio

Fin

Ensamble de
Asiento
Dibujos de
Ingeniera
Manufactura en
Riel de Asientos
Cuentas por
Pagar

25

Ejemplos - Inicio y Fin


Proceso

Inicio

Fin

Ensamble de
Asiento

Marco de metal Inspeccin Final


puesto enlnea

Dibujos de
Ingeniera

Requerimientos ClienteRecibe
del Cliente
el Archivo CAD

Manufactura en Operacin de Inspeccin Final


Riel deAsiento
Prfiles
Estampados
Cuentaspor
Recepcin de la
Depsito
Pagar
Facturadel
Electrnico
Proveedor
26

Permite que la Gente vea el


Mapa del Proceso

De ser posible, la gente


que trabaja en el
proceso debe poder ver
una copia grande a
escala del mapa del
proceso.

Las revisiones,
sugerencias y
correcciones son
bienvenidas!

27

Herramientas de un Mapa de
Proceso

Rotafolios y Marcadores.

Hojas para Rotafolio y


Notas Autoadheribles.

28

Pasos para Elaborar un Mapa de


Como equipo...
Proceso
1. Establezcan los puntos de
Inicio y Fin del proceso.

5. Discutan, revisen y
modifiquen.

2. Hagan una lista de los


6. Hagan un segundo
pasos del proceso mediante
recorrido y entrevistas.
una tormenta de ideas.
3. Realicen el primer recorrido
y entrevistas.
4. Elaboren una lista de los
proceso clave en las notas
autoadheribles.

7. Aadan pasos de
inspeccin, retrabajo,
reparacin y desperdicio en
las notas autoadheribles.
8. Elaboren un mapa de
proceso cmo es.

29

Hazlo fcil!

En este momento, el mapa


de proceso cmo es debe
ser de alto nivel, pero
debe incluir todos los pasos
primarios necesarios para
obtener la mejora deseada
(es decir, los pasos con
valor agregado relativos a
los CTQ, CTC, CTD).

Idealmente, muestra de
cinco a diez pasos.

Agrega ms detalles
posteriormente.

30

Paso 1: Puntos de Inicio y Fin

Revisen la declaracin
del problema.

Declaracin del Problema:


El cliente espera
los dibujos modificados
demasiado tiempo.

Proceso:
Describan los procesos
Proceso de revisin de
que causan el problema.
dibujos.
Comenten los puntos de Pregunta:
Cul podra ser el
Inicio y Fin que se
punto de Inicio?
pueden medir.

Pregunta:
Pnganse de acuerdo y
Cul podra ser punto
regstrenlos.
de Fin?
31

Puntos de Inicio y Fin

Declaracin del Problema:


El Cliente espera demasiado tiempo los dibujos
modificados.

Proceso:
Proceso de revisin de dibujos.

Inicio:
El Cliente solicita un formato de cambio de
dibujos.

Fin:
Se entrega el archivo de dibujos (CAD) al Cliente.
32

Paso 2: Tormenta de Ideas sobre


los Pasos del Proceso

Escriban Inicio y Fin


donde todos lo
puedan ver.
El equipo aporta
ideas sobre los
pasos del proceso
que existen entre el
inicio y el fin.

Inicio:
El Cliente solicita un
formato de cambio de
dibujos.
Pregunta:
Cules son algunos
de los probables pasos
del proceso entre los
puntos de inicio y fin?
Fin:
El archivo CAD se
entrega al Cliente.
33

Pasos del Proceso

Inicio:
El Cliente solicita un formato de cambio de dibujos.
Pasos a seguir:
Bosquejar el cambio requerido.
Calcular el impacto del cambio.
Determinar cules dibujos necesitan
cambiarse.
Cambiar los dibujos apropiados.
Fin:
El archivo CAD se entrega al Cliente.

34

Paso 3:

Primer Recorrido y
Entrevistas

El equipo recorre el
proceso existente.

Observen cmo se hace


el trabajo.

Platiquen con la gente


(entrevisten).

Tomen notas.

Enfquense en los pasos


del proceso.
35

Paso 4:

Notas Autoadheribles

Escriban los pasos


del proceso en notas
autoadheribles.

Crear
Boceto

Encontrar
Especif.

Coloquen las notas


sobre la pared.
Por ahora slo dejen
las notas.

Reunin
con el
grupo
Localizar
Archivos
CAD

Hacer
Caf

Cambiar
Dibujos

Calcular
Impacto

Crear
Paquete
de
Archivos

Enviar al
Cliente

36

Paso 5:Comentar, Revisar, Modificar

Comenten, repasen y
modifiquen el mapa del
proceso en las notas
autoadheribles.

Pnganse de acuerdo en
los pasos que se deben
conservar.

Pnganse de acuerdo en
los pasos que se deben
eliminar.

Retengan solo los pasos


importantes del proceso.

37

Pasos Importantes del Proceso

Informacin suficiente
para facilitar la mejora.

Resultados que se
puedan medir.

Podran producirse
defectos (CTQ, CTC,
CTD).

Un inicio y un fin
definidos.

38

Pasos Importantes
Crear
Bsquejo

Qu pasos podran
ser importantes en
el mapa del proceso
que aparece a la
derecha?

Encontrar
Especif.

Reunin
con el
grupo
Localizar
Archivos
CAD

Hacer
Caf

Cambiar
Dibujos

Calcular
Impacto

Crear
Paquete
de
Archivos

Enviar al
Cliente

39

Paso 6:

Segundo Recorrido y
Entrevistas

Vuelvan a recorrer el
proceso.

Busquen pasos que


hayan pasado por alto.

Revisen pasos de
inspeccin, retrabajo,
reparacin y desperdicio.

Tomen notas.

40

Paso 7:

Aadir Cambios
Solicitud de
Cambio del
Cliente

Agreguen notas
autoadheribles.

Aadan inspecciones.

Aadan retrabajo y
reparaciones.

Aadan desperdicio.

Por ahora dejen todas


las notas.

Reunin
con Ventas
No

Crear
Bsquejo

Calcular
Impacto

Impacto
OK?
S

Dibujo
OK?

Cambiar
Dibujo

No

Crear
paquete de
archivos

Enviar a
Cliente

Cliente recibe
archivos CAD

41

Paso 8:

Mapa del Proceso Cmo


Es
Solicitud de
cambio del
Cliente

El equipo establece
un mapa del proceso
Crear
tal cual.

No
Calcular
Impacto

Bsquejo

Tiene el detalle
suficiente para incluir
los pasos
importantes.
Sin demasiado
detalle para que se
entienda
rpidamente.

Reunin
con Ventas

Impacto
OK?
S

Dibujo
OK?

Cambiar
Dibujo

No

Crear
paquete de
archivos

Enviar a
Cliente

Cliente recibe
archivos CAD

42

Cundo Recolectar Datos


Durante la elaboracin del mapa de proceso.
Identifica los puntos para la recoleccin de
datos, pero
no recopiles los datos!
Despus de haber creado el Mapa Cmo Es
planea la recoleccin de datos sobre los pocas
salidas vitales.
ci
u
a
c
Pre
n

Generalmente, cuando se recolectan datos durante la


elaboracin del mapa, se toman datos sobre puntos
equivocados.
La recoleccin de datos se debe planear y enfocar sobre los
factores de alta prioridad que son crticos para el cliente!

(consulta el mdulo Planeacin de la Recoleccin de Datos)

43

Mapa del Proceso Cmo Es


Solicitud
de cambio
del Cliente

Reunin
con Ventas
No

Calcular
Impacto

Crear
Bsquejo

Impacto
OK?
Si

Es la condicin
base del proceso.

Es el inicio de tu
viaje hacia la
mejora.

Es la oportunidad
para la estrategia
de impacto de Six
Sigma.

Dibujo
OK?

Cambiar
Dibujo

No

Crear
paquete de
archivos

Enviar al
Cliente

Cliente recibe
archivos CAD

44

El Mapa de Proceso Cmo Debe


Ser
Una vez que se identifiquen las soluciones
durante la
fase de MEJORA

Crea el nuevo mapa de proceso.

El nuevo mapa muestra el flujo de trabajo mejorado


que ahora tiene
- menos pasos
- menos actividades sin valor agregado
TA
O
N

Este nuevo mapa muestra el proceso cmo debe


ser que ser una vez que se implementen
todas las soluciones.
45

46

La cadena de valor

Son todas las actividades que la empresa debe realizar


para disear, ordenar, producir, y entregar los
productos o servicios a los clientes.

La cadena de valor tiene tres partes principales:


El flujo de materiales, desde la recepcin de
proveedores hasta la entrega a los clientes.

La transformacin de materia prima a producto


terminado.

El flujo de informacin que soporta y dirige tanto al


flujo de materiales como a la transformacin de la
materia prima en producto terminado.

47

La cadena de valor
Beneficios del Mapeo de la cadena de valor
Ayuda a visualizar el flujo de produccin; las
fuentes del desperdicio o Muda
Suministra un lenguaje comn sobre los procesos
de manufactura y Vincula los conceptos ytcnicas
Lean
Forma la base del plan de ejecucin, permitiendo
optimizar el diseo del flujo de puerta a puerta
Muestra el enlace entre el flujo de informacin y el
flujo de material
Permite enfocarse en el flujo con una visin de un
estado ideal o al menos mejorado

48

Flujo de informacin
Adems del flujo de materiales en el proceso de
produccin, se tiene otro flujo que es el de
informacin que indica a cada proceso lo que
debe producir o hacer en el paso siguiente.
Son dos caras de la misma moneda y se deben
trazar ambos.

49

50

Simbologa utilizada

51

Simbologa utilizada

52

Simbologa utilizada

53

Identificando mapa actual

54

Tips para la cadena de valor

Recolecte siempre informacin del estado actual


mientras se realizan las operaciones normales tanto
en flujos de informacin como de materiales.

Inicie con una caminata rpida a travs de la cadena


de valor completa puerta a puerta, para obtener un
sentido del flujo y secuencia de procesos. Despus
regrese y colecte informacin en cada proceso.

Inicie desde el final de embarque y de ah para


atrs. As se iniciar el mapeo con los procesos que
estn ms ligados directamente al cliente, el cual
debe establecer los pasos para otros procesos.

55

Tips para la cadena de valor

Utilice el cronmetro y no dependa de tiempos


estndar o informacin que no obtenga
personalmente.

Trazar uno mismo la cadena de valor


completa. Entendiendo que el flujo completo lo
encierra el mapeo de la cadena de valor.

Siempre trace a mano y a lpiz. Ir al piso de


produccin al realizar el anlisis de estado
actual, y afinarlo ms tarde. Se debe resistir la
tentacin de usar la computadora.
56

Tips para la cadena de valor

57

Informacin para
la cadena de valor

Tiempo del ciclo


(C/T tiempo que
transcurre entre la salida de dos partes
consecutivas)
Tiempo de cambio o de preparacin (C/O
para cambiar de un producto a otro)
Tiempo disponible de mquina (De acuerdo a
la demanda)
Tamao de lote de produccin (EPE every
part every..)
Nmero de operadores

58

Informacin para
la cadena de valor

Nmero de productos diferentes


Contenido de la unidad de empaque o contenedor
Tiempo de trabajo (sin los descansos obligatorios)
Tasa de desperdicio

Capacidad del proceso (tiempo disponible/ tiempo


de ciclo * porcentaje de disponibilidad del
equipo), sin tiempos de cambio de tipo.

Takt time (tiempo disponible para cubrir la


demanda de productos).

59

Ejemplo de aplicacin:
Empresa Guden

60

Mapa del estado actual


Proceso de manufactura

61

Mapa incluyendo informacin

62

Mapa incluyendo tiempos de


ciclo y tiempo de entrega

63

Mapa futuro reduciendo tiempos


de entrega

64

Mapa futuro reduciendo tiempos


de entrega

65

Beneficios

66

Beneficios

67

Mapa de proceso de la
Empresa ABC - final

68

Documentacin

69

Procedimientos escritos

Los procedimientos deben ser desarrollados


por los que tienen la responsabilidad del
proceso de inters

La documentacin del proceso en un


procedimiento facilita la consistencia en el
proceso.

Los procedimientos crticos deben tener su


diagrama de flujo correspondiente
70

Instrucciones de trabajo

Las instrucciones de trabajo proporcionan los


pasos detallados de la secuencia de
actividades

Los diagramas de flujo pueden usarse con las


instrucciones de trabajo para mostrar las
relaciones de los pasos del proceso.

Las copias controladas de estas instrucciones


se guardan en el rea de trabajo
71

IIIA.2 Entradas y salidas del


proceso

72

Mapa de procesos SIPOC


Mapa de proceso SIPOC (Proveedores, Entradas, Salidas, Clientes)
Entradas

Procesos y sistemas

Salidas

Proveedores

Clientes

Retroalimentacin

Retroalimentacin

Banco de informacin

73

Elementos de procesos SIPOC

Un cambio en la Salida debe estar relacionado con


algn cambio en los pasos anteriores SIPs. Esto forma
un ciclo cerrado entre SIPs y Os.

Modelo SIPOC
Proveedores
de recursos

Entradas,
insumos

Procesos,
actividades
que agregan
valor

Salidas,
producto o
servicio

Clientes,
reciben el
producto

74

Matriz de causa efecto


Relacin entre entradas y salidas de procesos
La matriz lista variables clave de salida del
proceso en forma horizontal y las de entrada
en forma vertical
Para cada variable de salida se le asigna una
prioridad
Dentro de la matriz se asignan nmeros que
indican el efecto que tiene cada variable de
entrada en las variables de salida
Se obtiene la suma producto de estos nmeros
internos por la prioridad de salida como
resultados y se saca el porcentaje relativo
75

Matriz de causa efecto


Entradas y salidas del proceso Matriz de causa
efecto

Antes de mejorar un proceso, primero debe medirse,


identificando sus variables de entrada y de salida, y
documentando su relacin en diagramas de causa
efecto, matrices de relacin, diagramas de flujo, etc.

76

III.B Probabilidad y
estadstica

77

IIIB. Probabilidad y
estadstica
1. Obtencin de conclusiones estadsticas vlidas
2. Teorema del lmite central y distribucin
muestral de la media

78

IIIB.1 Obtencin de
conclusiones estadsticas
vlidas

79

Estadstica Descriptiva
La estadstica nos proporciona mtodos
para organizar y resumir informacin,
usndola para obtener diversas
conclusiones
Por ejemplo, s deseamos saber el promedio de
peso de las personas en una poblacin tenemos
dos opciones:
Pesar a todas y cada una de las personas, anotar
y organizar los datos, y calcular la media.
Pesar solo una porcin o subconjunto de la
poblacin (muestra). Registrar y organizar los
datos y calcular la media de la muestra,

Estadstica Descriptiva
Poblacin: Es la coleccin de todos los
elementos (piezas, personas, etc.). En nuestro
caso sera un nmero infinito de mediciones
de la caracterstica del proceso bajo estudio.
Muestra: Es una parte o subconjunto
representativo de la poblacin, o sea un grupo
de mediciones de las caractersticas.

81

Estadstica Descriptiva
Estadstico: Es una medicin tomada en una
muestra que sirve para hacer inferencias en
relacin con una poblacin (media de la muestra,
desviacin estndar de la muestra se indican con
letras latinas X, s, p).
Normalmente es una variable aleatoria y tiene
asociada una distribucin.
Parmetro: Es el valor verdadero en una
poblacin (media, desviacin estndar, se indican
con letras griegas , , )
82

Estadstica Descriptiva
Datos continuos Los datos que tienen un valor
real (temperatura, presin, tiempo, dimetro,
altura )
Datos discretos: Datos que toman valores
enteros (0, 1, 2, 3, etc.)
Datos por atributos: Bueno - malo, pasa - no
pasa, etc.
83

Estadstica Descriptiva

No existen en la naturaleza
dos cosas exactamente iguales,
ni siquiera los gemelos, por tanto la
variacin es inevitable y es analizada por
la Estadstica

84

Estadstica descriptiva e
inferencial
Estudios descriptivos enumerativos :
Los datos enumerativos son los que pueden
ser contados. Para Deming:

En un Estudio enumerativo la accin se toma en


el universo.

En un estudio analtico la accin ser tomada en


un proceso para mejorar su desempeo futuro

85

Obteniendo conclusiones
vlidas

Obtencin de conclusiones estadsticas vlidas

El objetivo de la estadstica inferencial es


obtener conclusiones acerca de las
caractersticas de la poblacin (parmetros , ,
) con base en la informacin obtenida de
muestras (estadsticos X, s, r)

Los pasos de la estadstica inferencial son:

La inferencia
La evaluacin de su validez

86

Obteniendo conclusiones
vlidas

Los pasos de la estadstica inferencial son:

Definir el objetivo del problema en forma precisa

Decidir si el problema se evaluar con una o dos


colas

Formular una hiptesis nula y la alterna

Seleccionar una distribucin de prueba y un


valor crtico del estadstico reflejado el grado de
incertidumbre que puede ser tolerado (alfa,
riesgo)
87

Obteniendo conclusiones
vlidas

Los pasos de la estadstica inferencial son:

Calcular el valor del estadstico de prueba con la


informacin de la muestra

Comparar el valor del estadstico calculado vs su


valor crtico y tomar una decisin de aceptar o
rechazar la hiptesis nula

Comunicar los hallazgos a las partes interesadas

88

Obteniendo conclusiones
vlidas

Hiptesis nula a ser probada (Ho) y alterna


(Ha)

La hiptesis nula puede ser rechazada o no


ser rechazada no puede ser aceptada

La hiptesis alterna incluye todas las


posibilidades que no estn en la nula y se
designa con H1 o Ha.

Ho: Ya = Yb Ha: Ya Yb
Ho: A B
Ha: A<B
izquierda

Prueba de dos colas


Prueba de cola

89

Obteniendo conclusiones
vlidas
Estadstico de prueba:

Para probar la hiptesis nula sobre un


parmetro poblacional, se debe calcular un
estadstico de prueba de la informacin de la
muestra

El estadstico de prueba se compara con un


valor crtico apropiado

Se toma una decisin de rechazar o no


rechazar la hiptesis nula

90

Obteniendo conclusiones
vlidas
Tipos de errores:
Error tipo I: resulta cuando se rechaza Ho
siendo verdadera, se denomina como alfa o
riesgo del productor

Error tipo II: resulta cuando no se rechaza Ho


siendo que es falsa, es denominado beta o
riesgo del consumidor

Incrementando el tamao de muestra se


reducen alfa y beta. Alfa es normalmente 5%.
Alfa y beta son inversamente relativos
91

IIIB.2 Teorema del lmite central


y distribucin muestral de la
media

92

Teorema del lmite central

La distribucin de las medias de las muestras


tiende a la normalidad independientemente de
la forma de la distribucin poblacional de la
que sean obtenidas. Es la base de las cartas
de control X-R.

93

Teorema del lmite central

Por lo anterior la dispersin de las medias es


menor que para los datos individuales

Para las medias muestrales, el error estndar


de la media se relaciona con la desviacin
estndar de la poblacin como sigue:

X
sX
n
94

Teorema del Lmite Central

La distribucin de las medias de las muestras tienden a


distribuirse en forma normal

Por ejemplo los 300 datos (cuyo valor se encuentra entre 1 a


9) pueden estar distribuidos como sigue:

95

Teorema del Lmite Central


Poblacin con media y desviacin estndar y cualquier distribucin.

Seleccionando muestras de tamao n y calculando la X-media o


promedio en cada una
X-media 1

X-media 2

X-media 3

Conforme el tamao de muestra se incrementa las muestras se


distribuyen normalmente con media de medias y desviacin estndar
de las medias de las muestras / n. Tambin
se denomina Error estndar de la media.

Teorema del Lmite Central

La distribucin de las medias de las muestras tienden a


distribuirse en forma normal

Tomando de muestras de 10 datos, calculando su promedio y


graficando estos promedios se tiene:

97

Cartas de Control

Causas
normales o
comunes

Causa
especial

DEFINICION
Es una ayuda grfica para el control de las variaciones de
los procesos administrativos y de manufactura.

98

Variacin observada
en una Carta de Control

Una Carta de control es simplemente un


registro de datos en el tiempo con lmites de
control superior e inferior, diferentes a los
lmites de especificacin.

El patrn normal de un proceso se llama causas


de variacin comunes.

El patrn anormal debido a eventos especiales


se llama causa especial de variacin.
99

Variacin Causas comunes


Lmite
inf. de
especs.

Lmite
sup. de
especs.

Objetivo
100

Variacin Causas especiales


Lmite
inf. de
especs.

Lmite
sup. de
especs.

Objetivo
101

Aplicacin en la carta de control


Escuche la Voz del Proceso Regin de control,
M
E
D
I
D
A
S
C
A
L
I
D
A
D

captura la variacin
natural del proceso
original
LSC

LIC

Tendencia del proceso


Causa Especial

El proceso ha cambiado

identifcada

TIEMPO

Patrones Fuera de Control


Corridas
7 puntos consecutivos de un lado de X-media.
Puntos fuera de control
1 punto fuera de los lmites de control a 3 sigmas en
cualquier direccin (arriba o abajo).
Tendencia ascendente o descendente
7 puntos consecutivos aumentando o disminuyendo.

Adhesin a la media
15 puntos consecutivos dentro de la banda de 1 sigma
del centro.
Otros
2 de 3 puntos fuera de los lmites a dos sigma

103

Patrn de Carta
en Control Estadstico
Proceso en Control estadstico
Sucede cuando no se tienen situaciones
anormales y aproximadamente el 68% (dos
tercios) de los puntos de la carta se encuentran
dentro del 1 de las medias en la carta de
control.

Lo anterior equivale a tener el 68% de los


puntos dentro del tercio medio de la carta de
control.
104

Aplicacin en Intervalos de
confianza

Intervalo de confianza para la media:

A) Sigma conocida y n>30 (n es tamao de


muestra)

X Z

X t
2

B) Sigma desconocida y n<30, los grados de


libertad son gl = n-1.

105

Aplicacin en Intervalos de
confianza

Intervalo de confianza para proporciones y


varianza:

Para proporciones, p es la proporcin y n>30

p (1 p )
n

p Z
2

Para la varianza

( n 1) s

2
2

, n 1

( n 1) s

, n 1

106

IIIB.3 Conceptos bsicos de


probabilidad

107

Conceptos bsicos de
probabilidad

Principios bsicos:

La probabilidad de un evento varia entre 0 y 1 (xito)


Un evento simple no puede descomponerse
El conjunto de resultados posibles del experimento
se denomina espacio muestral
La suma de las probabilidades en el espacio muestra
es 1
Si se repite un experimento un gran nmero de
veces N y el evento E es observado nE veces, la
probabilidad de E es aproximadamente:

nE
P( E )
N

108

Conceptos bsicos de
probabilidad

Eventos compuestos (conjunto de dos o ms


eventos):

La unin de A o B contiene elementos de A o de


B

La interseccin de A y B contiene elementos


comunes que se localizan al mismo tiempo en A
y en B

109

Probabilidad
Introduccin:
Diferencia entre experimento deterministico y
aleatorio (estocastico).
Deterministico. Se obtienen el mismo resultado,
con condiciones experimentales similares
La cada de un cuerpo
Aleatorio. Se obtienen distintos resultados ,
aunque se repitan en condiciones similares.
Tiempo de vida de un componente elctrico
110

Conceptos relacionados
a experimentos aleatorios:
Variable aleatoria. Es el nombre Que se le da a la
caracterstica (s) de inters observada en un
experimento. Dicha variable es denotada por
letras maysculas. Pueden ser Continuas o
Discretas.
Espacio muestra. Es el conjunto de todos los
posibles valores Que toma una variable aleatoria
en un experimento. Puede ser finito o infinito.
Evento. Puede ser uno o una combinacin de los
valores Que toma una variable aleatoria
111

Espacio Muestral
Consiste en todos los posibles resultados de un
experimento.
Para el lanzamiento de una moneda es (A,S).

112

Probabilidad histrica o frecuentista.


Una forma de conocer algo acerca del
comportamiento de una variable aleatoria es
conociendo como se comporto en el pasado.
Note Que si un experimento se realizo un gran
numero de veces, N, y la se observo Que en n veces
suceda el evento A, entonces n/N es un estimacin
razonable de la proporcin de tiempos Que el evento
A suceder en el futuro. Para un gran numero de
experimentos N, se puede interpretar dicha
proporcin como la probabilidad
de del evento A.
n
P( EventoA) lim

113

Ejemplo

probabilidad de caras

en los 1900-s , Karl Pearson lanzo una moneda 24,000 veces


y obtuvo 12,012 caras, dando una proporcin de 0.5005.
1

.5

500
n

1000

114

Definicin Clsica de Probabilidad.


La probabilidad de un evento A, puede ser calculada
mediante la relacin de el numero de respuestas en favor
de A, y el numero total de resultados posibles en un
experimento.
P ( EventoA)

# Favorable
A
# Total
resultados

Note Que para las dos definiciones dadas de


probabilidad esta ser un numero entre 0 y 1.
Ejemplo 1. Se observa si 3 artculos tienen defecto o no , con
defecto (m) o sin defecto (v).
S={vvv,mvv,vmv,vvm,vmm,mvm,mmv,mmm} es el espacio
muestral .
Asociada a este espacio muestral se puede definir la variable

116

Ejemplo:
Datos (N=20):
650 740 760 810 850 850 880 900 930 930 950 960
960 980 980 980 1000 1000 1000 1070
El experimento:
Seleccionamos al azar un numero ?
Cul es S?
Sea E el evento en el que elegimos el 1000?
P(E) =
Sea E el evento l numero es menor o igual a 760.
P(E) =
P(Ec) =

117

Sea E1 el evento en el cual elegimos 1000 y E2 es el


evento en el cual elegimos un numero menor o igual a
760.
P(E1E2) =
Sea E1 el evento en el cual elegimos 850 y E2 sea el
evento el cual obtenemos un numero menor a 880.
P(E1E2) =

118

Leyes de probabilidades
1. En un experimento, si P(A) e la probabilidad de
un evento A, entonces la probabilidad de Que no
suceda A es:
P ( A ) 1 P ( A)
2. En un experimento, si A y B son dos eventos
mutuamente excluyentes entonces la probabilidad de
Que ocurra A o el evento B es
P( A

B ) P ( A) P ( B )

Para el caso de dos eventos A y B Que no son


mutuamente excluyentes.
P( A

B ) P ( A) P ( B ) P ( AyB )

A las dos ecuaciones se les conoce como

Reglas de la probabilidad

Ley de la Adicin
Si 2 eventos A y B no son mutuamente excluyentes,
entonces la probabilidad que el evento A o el evento B
ocurra es:

P(A or B) P(A) P(B) P(AB)

Ley de la Multiplicacin
probabilidad
ambos| A
y B ocurran
es
P(AB)que
P(A
B)P(B)
P(B
|

A)P(A)

Cuando los eventos A y B son independientes, entonces


P(AB) P(A)P(B)
P(A|B) = P(A) y

120

Permutaciones
Definicin.
Un arreglo ordenado de r objetos diferentes es
llamado una permutacin .
El numero resultante de ordenar n objetos diferentes
tomando r a la vez ser representado por el smbolo
Prn

Antes revisemos el concepto de factorial !!!!!!


Considere el siguiente caso: Hay 3 libros: Uno de
Historia (H), Uno de Fsica (F), Otro de Matemticas (M).
Note Que existen 6 formas de acomodar dichos libros.
{ HFM, HMF, FHM, FMH, MHF, MFH } Aqu importa el
orden

Diagramas de rbol
En casos simples resultan tiles los diagramas de rbol para
enumerar objetos en forma sistemtica.
Ejemplo: Se desea conocer todas las formas posibles de hacer
un experimento que consiste en 4 componentes de auto a {L1,
L2, L3, L4}, entonces cada componente es sometido a tres
diferentes temperaturas de {A1, A2, A3} hasta que se obtiene
una falla.
A1
L1
L2

L3

L4

A2
A3
A1
A2
A3

12 tratamientos

A1
A2
A3
A1
A2
A3

122

El numero de formas de ordenar n objetos distintos


en n lugares diferentes es :

n ! n( n 1)(n 2)...(2)(1)
n! se lee como n factorial
Que pasa cuando tenemos solo r lugares para
acomodar n objetos, tal Que n es mayor o igual
que r?
En este caso el numero de arreglos resulta
ser:
n

n(n 1)(n 2)...(n [r 2])(n [r 1]) Pr


n!
n

Pr
(n r )!

123

Ejemplo: Suponga que a un grupo de motores se les


aplicara un tratamiento que consiste en dos aplicaciones
de diferentes intensidades de presin. Hay 10 diferentes
intensidades y el orden de administrar las intensidades es
importante, cuantos motores se ocupan si cada
tratamiento se tiene que llevar a cabo?.

10 intensidades (i1,i2,,i10 ) y 2 aplicaciones.


Nos interesa contar los pares (i1,12),(i1,i3),..
10!
10
P2
90.
8!
124

Combinaciones
Una combinacin es un arreglo de distintos elementos , en
donde una combinacin difiere de otra solamente si el
contenido del arreglo es distinto.

!! En este caso no es importante el


orden de los objetos !!
Definicin. (Combinaciones).
El numero de combinaciones de n objetos tomando r a la vez
es el numero de maneras de formar un subconjunto de
tamao r de los n objetos. Esto se denota como:

n
C
r
n
r

125

Teorema 2.
n
n

P
n!
r
n
Cr

r!
r !(n r )!
r

Ejemplo: En un lote de produccin 100 chips de


computadora, un comprador desea adquirir 10
chips, de cuantas formas se pueden
seleccionar 10 chips de ese lote?.
n
n!
100!
C

r r !(n r )! 10!(100 10)!


n
r

126

IIIC. Coleccin y resumen de


datos

127

Coleccin y resumen de
datos
1. Tipos de datos y escalas de medicin
2. Mtodos de coleccin de datos
3. Tcnicas para asegurar la exactitud e
integridad de los datos
4. Estadstica descriptiva
5. Mtodos grficos
128

IIIC. 1 Tipos de datos y


escalas de medicin

129

Tipos de datos

Datos por atributos

Son datos discretos enteros, por ejemplo 3, 45,


2032. Cuenta, unidades, ocurrencias, bueno malo.

Datos por variables

Las variables son datos continuos medibles con


instrumentos con nmeros reales, por ejemplo
1.037, 4.69, etc. Longitud, tiempo, volumen,
tensin.

Es preferible tener informacin por variables,


proporcionan mayor informacin.

130

Tipos de datos

Datos de localizacin

Contestan a la pregunta Dnde?. Las cartas


que utilizan datos de localizacin de defectos se
denominan Measless charts o Cartas de
concentracin. Por ejemplo mapas con oficinas de
distribucin; defectos de pintura en un automvil.

Conversin de datos por atributos a variables

10 desportilladuras se pueden reportar como una


longitud total de 8.37; 25 rayas de pintura como
3.2 cuadradas de rayones de pintura.

131

Escalas de medicin
En funcin de la deseabilidad estadstica se tiene:
Escala

Descripcin

Ejemplo

Nominal

Datos como nombres o


categoras. No hay orden

Bolsa con dulces de


colores: 15 amarillos, 10
rojos, 7 verdes

Ordinal
(rango)

Los datos estn ordenados


pero sus diferencias no
pueden determinarse ni
tienen sentido

Defectos A ms crticos
que los defectos D se
tabulan como:
A 16, B 32, C 42, D 30

Intervalo Los datos se arreglan por

Razn

orden y diferencia. No hay


punto de inicio de ref. y la
razn no tiene significado

La temperatura de 3
lingotes es de 200C,
400C y 600C. Notar que
3 veces 200C no es lo
mismo que 600C en T.

Similar al anterior con un


punto cero inicial. Tanto las
diferencias como las razones

El producto A cuesta $300


y el B $600. Notar que
132
$600 es tanto como dos

Escalas de medicin
Medidas estadsticas para las escalas de medicin
Escala

Localizacin
central

Dispersin

Prueba de
significancia

Nominal

Moda

Solo
informativa

Chi cuadrada

Ordinal
(rango)

Mediana

Pocentajes

Prueba de signos o
rachas

Desviacin
media o
estndar

Prueba t, Prueba F,
Anlisis de correlacin

Variacin
pocentual

Similar al anterior

Intervalo Media

aritmtica

Razn

Media
geomtrica o
media
armnica

133

IIIC. 2 Mtodos de coleccin


de datos

134

Mtodos de coleccin de datos

Incluye mtodos manuales y automticos. Guas:


Formular una clara descripcin del problema

Definir de manera precisa lo que se va a medir

Listar todas las caractersticas importantes a


medir

Cuidadosamente seleccionar la tcnica de


medicin

135

Mtodos de coleccin de datos

Incluye mtodos manuales y automticos.


Construir un formato sencillo de registro

Decidir quin colectara los datos

Establecer un mtodo de muestreo apropiado

Decidir quien analizar e interpretar los


resultados

Decidir quien reportar los resultados

136

Tipos de informacin para


proyectos
Atributos

Variables

Caliper
PASA

NO PASA
ORDEN DE ENVIO

CIUDAD

UNIDAD

DESCRIPCION

$10.00

$10.00

$1.50

$4.50

10

$10.00

$10.00

$5.00

$10.00

FALLA

TOTAL

Error

Tiempo

PASA

TEMPERATURE

Termmetro
Circuito Elctrico

137

Plan de recoleccin de datos

Un plan de Recoleccin de Datos relacionada


con las CTQs de inters es la documentacin de:

Qu informacin se va a recolectar
Por qu se necesita
Quin es responsable
Cmo se va a recolectar
Cundo se va a recolectar
Dnde se va a recolectar

138

Definiciones operativas

El Plan de Recoleccin de Datos debera de


basarse en las Definiciones Operativas
medibles:

Definiciones Operativas ya desarrolladas para


los clientes CTQs las Ys
Se necesita desarrollar Definiciones Operativas
para el proceso Xs

Y = (X1, X2, X3, X4Xn)

CTQ Proveedor/Entrada/Proceso

139

Mtodos de coleccin de datos

Codificacin de datos
Codificar al agregar o restar una constante
o multiplicar o dividir por un factor:

140

Mtodos de coleccin de datos

Codificacin por substitucin


Para una observacin de 32-3/8, los datos
pueden codificarse como enteros
expresando el nmero de incrementos de
1/8 de desviacin vs el valor nominal.

Codificacin por truncamiento o valores


decimales repetitivos:

Las mediciones como 0.55303, 0.55310,


0.55308 pueden ser registradas como los dos
ltimos dgitos, 3, 10, 8.
141

IIIC. 3 Tcnicas para asegurar la


exactitud e integridad de los
datos

142

Asegurar exactitud e
integridad de los datos

Los datos malos corrompen el proceso de


toma de decisiones

Evitar sesgo emocional respecto a tolerancias

Evitar redondeo innecesario

Si una caracterstica cambia con el tiempo,


registrar la medicin inicial y la posterior a la
estabilizacin

Filtrar los datos para identificar y eliminar


errores de captura

143

Asegurar la exactitud e
integridad de los datos

Los datos malos corrompen el proceso de


toma de decisiones

Si los datos siguen una distribucin normal,


determinar si la dispersin de los datos puede
ser representada por al menos 8 o 10
incrementos de resolucin. Si no puede ser
mejor contar las observaciones.

Usar pruebas estadsticas objetivas para


identificar outliers o puntos aberrantes

Cada identificacin de clasificacin importante


debe ser registrada junto con los datos

144

Ventajas del Muestreo


Se economizan recursos
Se reduce el tiempo
Confiabilidad
Se pueden proyectar resultados
145

Conceptos bsicos de
Muestreo

Muestreo: Proceso mediante el cual hacemos


inferencia a toda una poblacin observando
solo una parte de esta (muestra).
Mtodos de muestreo:
Es un procedimiento cientfico mediante el cual
obtenemos los componentes de una muestra,
tratando que la muestra nos de informacin
acerca de un parmetro poblacional, y tambin
nos permite medir el grado de incertidumbre de
equivocarnos en la inferencia.

Tipos de muestreo

Muestreo aleatorio

Muestreo secuencial

En este caso cada parte tiene la misma oportunidad


de ser seleccionada

Se toman piezas de una lnea continua y se muestrea


hasta que se hayan inspeccionado ms de 3 veces el
tamao de muestra de un plan de muestreo simple

Muestreo estratificado

Se seleccionan muestras aleatorias de cada uno de


los grupos o procesos diferentes, deben reflejar la
frecuencia de los grupos

147

Muestreo Simple Aleatorio


Cada uno de los elementos de una poblacin
tiene la misma probabilidad de salir en una
muestra.
La seleccin se hace generalmente usando
nmeros aleatorios (probabilidad uniforme 0,1).
Ejemplo: Se tiene una poblacin de 100
artculos. Se desean seleccionar 5. Para obtener
la muestra se deben enumerar los 100 artculos
y se saca una lista de 5 nmeros al azar entre 1
y 100.
( Usando la computadora generamos una lista
de 5 nmeros de la uniforme 0,1 y los
multiplicamos por 100 y solo tomamos las

Muestreo Sistemtico
En este mtodo enumeramos los elementos de
la poblacin de 1 a N. La muestra es tomada en
intervalos de N/n. (con n= tamao de la
muestra).
Ejemplo: de los 100 artculos anteriores si
muestreamos sistemticamente para n=5.
Tomaremos la muestra cada 100/5=20 objetos.
(i.e. Tomamos el 1er. Articulo , luego el 20esimo.,
etc..).
Muestreo con probabilidades desiguales.
til en poblaciones con mucha
variabilidad. Hacemos que aparezcan con
mayor los datos grandes o pequeos.

IIIC. 4 Estadstica descriptiva

150

Estadstica descriptiva

La estadstica descriptiva incluye:


Medidas de tendencia central

Medidas de dispersin

Funciones de densidad de probabilidad

Distribuciones de frecuencia y

Funciones acumulativas de distribucin

151

Estadstica descriptiva

Medidas de tendencia central


Representan las diferentes formas de
caracterizar el valor central de un conjunto
de datos
xi

Media muestral
poblacional
n

152

Estadstica descriptiva

Medidas de tendencia central


Mediana: es el valor medio cuando los datos
se arreglan en orden ascendente o
descendente, en el caso de n par, la
mediana es la media entre los valores
intermedios

153

Estadstica descriptiva

Medidas de tendencia central


Moda: Valor que ms se repite, puede haber ms
de una

Media acotada (Truncated Mean): Se elimina


cierto porcentaje de los valores ms altos y
bajos de un conjunto dado de datos (tomando
nmeros enteros), para los valores restantes se
calcula la media.

154

Estadstica descriptiva

155

Estadstica descriptiva

Medidas de dispersin:

Rango: Es el valor mayor menos el valor menor


de un conjunto de datos

Varianza: es el promedio de las desviaciones al


cuadrado respecto a la media (n para poblacin
y n-1 para muestra para eliminar el sesgo)

156

Estadstica descriptiva

Medidas de dispersin:

Desviacin estndar: es la raz cuadrada de la


varianza ya sea poblacional o muestral S

s=

790
= 12.56
5

s=

7510
= 38.75
5

157

Estadstica descriptiva

Medidas de dispersin:

Coeficiente de variacin: es igual a la desviacin


estndar dividida por la media y se expresa en
porcentaje

158

Estadstica descriptiva

Funcin de densidad de probabilidad

El rea bajo la curva de densidad de


probabilidad a la izquierda de un valor dado x,
es igual a la probabilidad de la variable aleatoria
en el eje x para X<= x

Para distribuciones continuas

Para distribuciones discretas

159

Estadstica descriptiva

Funcin de distribucin acumulada


Funcin
de
densidad

Funcin de
distribucin
acumulada

160

Mtodos grficos

Se incluyen los mtodos siguientes:

Diagramas de caja
Diagramas de tallo y hojas
Diagramas de dispersin

Anlisis de patrones y tendencias

Histogramas
Distribuciones de probabilidad normales
Distribuciones de Weibull

161

IIIC. 5 Mtodos grficos

162

Mtodos grficos

Diagramas de caja

Representan un resumen de los datos. La lnea


media es la mediana, los lados son el primer y
tercer cuartil. El mximo y el mnimo se dibuja
como puntos al final de las lneas (bigotes)

163

Mtodos grficos

Diagramas de tallo y hojas

El diagrama consiste del agrupamiento de los


datos por intervalos de clase, como tallos y los
incrementos de datos ms pequeos como
hojas.

Hojas
Tallos

164

Mtodos grficos

Diagramas de dispersin

Es una grfica de muchos puntos coordenados X-Y


que representan la relacin entre dos variables.
Tambin se denomina carta de correlacin. Se
puede tomar la variable dependiente para el eje Y
y la dependiente en el eje X.

La correlacin tiene las siguientes fuentes:

Una relacin de causa efecto


Una relacin entre dos causas
Una relacin entre una causa y dos o ms causas

165

Mtodos grficos

Diagramas de dispersin

Positiva dbil

Negativa
fuerte

Positiva fuerte

Sin
correlacin

Relaciones no lineales

166

Mtodos grficos

Coeficiente de correlacin

El coeficiente de correlacin r determina el


grado de asociacin entre dos variables X y Y

167

Mtodos grficos

Anlisis de correlacin

Busca descubrir relaciones, aplicar el sentido


comn

La lnea de mejor ajuste es la lnea de regresin,


sin embargo un anlisis visual debiera ser
suficiente para identificar si hay o no hay relacin

Los diagramas de dispersin deben ser analizados


antes de tomar decisiones sobre correlacin
estadstica

168

Mtodos grficos

Anlisis de patrones y tendencias

Para visualizar el comportamiento de los datos en


el tiempo

Tendencia
creciente

Valores anormales

Tendencia decrecienteCorrida de proceso

Ciclos

Variabilidad creciente

169

Mtodos grficos

Anlisis de patrones y tendencias

Para visualizar el comportamiento de los datos en


el tiempo
Tendencia
creciente

170

Histogramas

171

Mtodos grficos

Histogramas

Son grficas de columnas de frecuencia que


muestran una imagen esttica del comportamiento
del proceso y requieren un mnimo de 50 a 100
puntos

La frecuencia en cada barra o intervalo es el


nmero de puntos que caen dentro de ese intervalo

Un proceso estable muestra un histograma con


forma de campana unimodal, es predecible

172

Mtodos grficos

Histogramas

Un proceso inestable muestra un histograma que


no tiene una forma acampanada. Sin embargo los
procesos que siguen una distribucin exponencial,
lognormal, gamma, beta, Weibull, Poisson,
binomial, hipergeomtrica, geomtrica, etc. existen
como procesos estables

Cuando la distribucin es acampanada, la variacin


alrededor de la media es aleatoria, otras
variaciones son debidas a causas especiales o
asignables.

173

Mtodos grficos
Permite ver la distribucin que tienen los procesos de
manufactura y administrativos vs. especificaciones
Permiten ver la frecuencia con la que ocurren las cosas.
La variabilidad del proceso se representa por el ancho
del histograma, se mide en desviaciones estndar o .
Un rango de 3 cubre el 99.73%.

DEFINICION
Un Histograma es la organizacin de un nmero de
datos muestra que nos permite visualizar al proceso de
manera objetiva.

174

Histograma de Frecuencia
Media

TAMAO

TAMAO

TAMAO

En un proceso estable las mediciones se distribuyen


normalmente, a la derecha y a la izquierda de la media
adoptando la forma de una campana.
M
E
D
I
C
I
O
N
E
S

TAMAO

TAMAO

M
E
D
I
C
I
O
N
E
S

Histogramas con Datos agrupados


El Histograma es una grfica de las frecuencias
que presenta los diferentes datos o valores de
mediciones agrupados en celdas y su frecuencia.
Una tabla de frecuencias lista las categoras o clases de
valores con sus frecuencias correspondientes, por
ejemplo:

CLASE
1-5
6-10
11-15
16-20
21-25
26-30

FRECUENCIA
7
12
19
16
8
4

176

Definiciones - datos agrupados


Lmite inferior y superior de clase
Son los numeros ms pequeos y ms grandes de las clases
(del ejemplo, 1 y 5; 6 y 10; 11 y 15; 16 y 20; 21 y 25; 26 y 30)

Marcas de clase
Son los puntos medios de las clases (del ejemplo 3, 8, 13, 18,
23 y 28)

Fronteras de clase
Se obtienen al incrementar los lmites superiores de clase y al
decrementar los inferiores en una cantidad igual a la media de
la diferencia entre un lmite superior de clase y el siguiente
lmite inferior de clase (en el ejemplo, las fronteras de clase
son 0.5, 5.5, 10.5, 15.5, 20.5, 25.5 y 30.5)

Ancho de clase
Es la diferencia entre dos lmites de clase inferiores

Construccin del histograma - datos agrupado


Paso 1. Contar los datos (N)
Paso 2. Calcular el rango de los datos R = (Valor mayor- valor menor)
Paso 3. Seleccionar el nmero de columnas o celdas del histograma (K).
Como referencia si N = 1 a 50, K = 5 a 7; si N = 51 - 100; K = 6 - 10.
Tambin se utiliza el criterio K = Raz (N)
Paso 4. Dividir el rango por K para obtener el ancho de clase
Paso 5. Identificar el lmite inferior de clase ms conveniente y sumarle
el ancho de clase para formar todas las celdas necesarias
Paso 6. Tabular los datos dentro de las celdas de clase
Paso 7. Graficar el histograma y observar si tiene una forma normal

Ejemplo: Datos para histograma


Datos:
19

21

25

33

30

27

31

25

35

37

44

43

42

39

43

40

38

37

36

42

41

44

32

45

46

47

45

54

52

50

48

49

47

48

49

47

52

51

50

49

58

59

61

62

63

59

61

66

76

70

Ejemplo: Construccin del histograma


Paso 1. Nmero de datos N = 50
Paso 2. Rango R = 76 - 16 = 60
Paso 3. Nmero de celdas K = 6;
Paso 4. Ancho de clase = 60 / 6 = 10
Paso 5. Lm. de clase: 15-24, 25- 34, 35- 44, 45- 54, 55 - 64, 65-74, 75-94
Paso 6. Nmero de datos: 2
7
14
17
7
2
1
Marcas de clase 19.5 29.5 39.5 49.5 59.5 69.5 79.5
Paso 7. Graficar el histograma y observar si tiene una forma normal

Histograma en Excel

Accesar el menu de anlisis de datos con HERRAMIENTAS,


ANALISIS DE DATOS, HISTOGRAMAS

Marcar los datos de entrada en RANGO DE ENTRADA, marcar


el rango de los lmites superiores de clase en RANGO DE
CLASES, indicar GRAFICA, marcar el rea de resultados con
RANGO DE SALIDA y obtener resultados y grfica

NOTA: Los datos deben estar en forma no agrupada, Excel


forma los grupos en forma automtica o se le pueden
proporcionar los lmites de las celdas.

181

Construccin del histograma


18
16
14
12
10
8
6
4
2
0

Frec.

1524

2534

3544

4554

5564

6575

182

Otras medidas de
Dispersin- Rango, CV
Rango: Valor Mayor Valor menor
Coeficiente de variacin: (Desv. Estndar / Media *100%
Se usa para comparar datos en diferentes niveles de media o
tipo. Por ejemplo:
Material No. de
Media
Desviacin
Observaciones Aritmtica Estndar
n
s

A
B

160
150

1100
800

225
200

Coeficiente
de Variacin
Srel
0,204
0,250

El Material A tiene una menor variabilidad relativa relativa que el


material B

183

Ejercicio de Histogramas
Datos:
6.40
6.39

6.39
6.40

6.41
6.37

6.39
6.40

6.40
6.38

6.42
6.40

6.38
6.41

6.40
6.41

6.38
6.43

6.41
6.39

6.41
6.38

6.35
6.40

6.39
6.42

6.41
6.37

6.43
6.40

6.37
6.40

6.43
6.42

6.43
6.39

6.39
6.42

6.42
6.38

6.42
6.39

6.40
6.44

6.38
6.36

6.45
6.44

6.41
6.36

184

IIID. Distribuciones de
probabilidad

185

Distribuciones usadas
por los Black Belts

Distribucin Binomial
Distribucin Poisson
Distribucin Normal
Distribucin Chi Cuadrada
Distribucin t de Student
Distribucin F

186

Tipos de variables aleatorias


Variable aleatoria: Es aquella funcin que a cada
resultado posible de un experimento le asocia un
numero real.
Se denotan con letras Maysculas: X,Y,Z,etc....
Tipos de variables aleatorias
Discretas

Continuas
187

Variables aleatorias discretas


Es aquella variable que nicamente toma valores
susceptibles de contarse.
Ejemplo 1: Considere el experimento de tomar al
azar una ficha de asistencia de un numero de
empleados. Sea X la variable numero de ausencias
al ao de un empleado. Note que X toma valores
0,1,2,...,250.
Ejemplo 2: Considere un experimento que consiste
en medir el numero de artculos defectos de un lote
de producto. Si Y es la variable numero de
188
defectos , toma valores 0,1,2,...

Distribuciones y funciones de
probabilidad
Toda variable aleatoria tiene asociada una
funcin de probabilidades
Ejemplo : Se lanzan dos monedas y
observamos el numero Y de caras.
Espacio muestral:{a, as, sa, ss}
Y toma valores 0,1,2.

189

Funcin de probabilidades para


Y.
y

P(Y=y)

1/4

1/2

1/4

0.51

0.46

0.41

Grfica

P(Y=y
)

0.36

0.31

0.26

-0.2

0.3

0.8

1.3

1.8

190

Formula para la distribucin de


probabilidades de la tabla
anterior
3
3 y
y
P ( y ) P (Y y ) (.5) (.5)
y
La distribucin de probabilidades puede ser una
Tabla, una Grfica o una formula.

191

Requisitos para una distribucin


de probabilidad discreta
1.

0 P( y ) 1

2.

P ( y ).
toda
y

En algunas ocasiones la
notacin usada es:

f X ( x) P( X x)
192

Funciones de distribucin
acumulativa
La funcin de distribucin de probabilidades
acumulativa es calcula sumando las probabilidades
obtenidas hasta un determinado valor de la variable
aleatoria.

FX ( x) P( X x)

Esta funcin tiene propiedades.

0 F ( x) 1
Limx F ( x) 1
Limx F ( x) 0

193

Funcin de distribucin acumulativa para Y=#de


caras

0.9

F(x)

0.7

0.5

0.3

-0.2

0.3

0.8

1
y

1.3

1.8

2
194

Valor Esperado o Media de


una variable aleatoria
discreta
La media o valor esperado de una variable
aleatoria discreta X , denotada
o E(X),
X como
es

X E ( X ) xf X ( x) xP( X x)
x

La media es el centro de la masa del rango de


los valores de X.
195

Calculo de la media X
defectos

para la variable de No. De

X xP( X X )
x 0

0 0.805 1 0.178 2 0.014 3 0.003 4 0


0.215
En este caso note que esta media no toma un valor
entero como X

196

0.8

prob

0.6

0.4

0.2

0.0

Media

2
x

197

Ejercicio:
La demanda de un producto es -1,0,1,2 por dia
(-1 significa devolucin). Con probabilidades
dadas por 1/5,1/10,2/5,3/10. Calcular la
X
demanda esperada.

198

Varianza de una variable


aleatoria
Sea Y una variable aleatoria discreta con
distribucin de probabilidades P(X=x). Entonces ,
la varianza de Y es:

X E[( X X ) ] ( x X ) P( X x)
2

Medida de dispersin
199

X 2 ( x X ) 2 P( X x)
x

(0 0.215) 2 0.805 (1 0.215) 2 0.178


(2 0.215) 2 0.014
(3 0.215) 2 0.003 ( 4 0.215) 2 0
0.2147

200

La desviacin estndar de una variable aleatoria


es simplemente la raz cuadrada de la varianza

2
X

201

Distribuciones Discretas
Uniforme discreta.
La variable aleatoria toma un numero
finito de n valores , cada uno con igual
probabilidad.

1
f ( x) P( X x)
n

202

Uniforme discreta con n=10

0.15

0.13

p
r
o
b

0.11

0.09

0.07

0.05
0

1e+001

203

La media y varianza de la
distribucin Uniforme discreta son:

(n 1)
X
2
2
n 1
2
X
12
Aplicaciones
204

Distribucin hipergeomtrica

Se aplica cuando la muestra (n) es una


porporcin relativamente grande en relacin
con la poblacin (n > 0.1N).
El muestreo se hace sin reemplazo
P(x,N,n,D) es la probabilidad de exactamente x
xitos en una muestra de n elementos tomados
de una poblacin de tamao N que contiene D
xitos. La funcin de densidad de distribucin
hipergeomtrica:
D
N D

C x C n x
P ( x)
N
Cn

n!
C
x!(n x)!
n
x

205

Distribucin hipergeomtrica

La media y la varianza de la distribucin


hipergeomtrica son:

nD

nD

N
2

D
1
N

N n

N 1

206

Distribucin hipergeomtrica
Ejemplo:
De un grupo de 20 productos, 10 se
seleccionan al azar para prueba. Cul es la
probabilidad de que 10 productos
seleccionados contengan 5 productos buenos?
Los productos defectivos son 5 en el lote.
N = 20, n = 10, D = 5, (N-D) =5!15,15x! = 5

5!0! 5!10!
P (5)
0.0183
20
!
P(x=5) = 0.0183 = 1.83%
10!10!

207

Distribucin Binomial
Ensayo Bernoulli. Es un experimento aleatorio que
solo tiene dos resultados. xito o fracaso.
Donde la probabilidad de xito se denota por p
Suponga se realizan n experimentos Bernoulli
independientes.
Suponga que la variable X de inters es el
numero de xitos.
X toma valores 0,1,2,...,n
208

Distribucin binomial

Se utiliza para modelar datos discretos y se


aplica para poblaciones grandes (N>50) y
muestras pequeas (n<0.1N).
El muestreo binomial es con reemplazamiento.
Es apropiada cuando la proporcin defectiva
es mayor o igual a 0.1.
La binomial es una aproximacin de la
hipergeomtrica
La distribucin normal se paroxima a la
binomial cuando np > 5
209

La variable aleatoria X tiene una distribucin


binomial

n x
n x
f ( x) P ( X x) p (1 p )
x

x 0,1,..., n

Tiene media y varianza.

E ( X ) X np
V ( X ) np (1 p )
2
X

210

Distribucin de Poisson

Se utiliza para modelar datos discretos


Se aproxima a la binomial cuando p es igual o
menor a 0.1, y el tamao de muestra es
grande (n > 16) por tanto np > 1.6

211

Distribucin de Poisson
Una Variable aleatoria X tiene distribucin
Poisson si toma probabilidades con.

e
f ( x)
x!

x 0,1,...

np
np
212

La Distribucin
Normal

213

IMPORTANCIA
IMPORTANCIA DE
DE LA
LA DISTRIBUCIN
DISTRIBUCIN
NORMAL
NORMAL

braham
de Moivre

Simon de
Laplace

Carl
Gauss

Francis
Galton

Los
Los primeros
primeros industriales
industriales frecuentemente
frecuentemente se
se basaban
basaban en
en el
el

conocimiento
conocimiento de
de limites
limites normales
normales para
para clasificar
clasificar artculos
artculos oo
procesos
procesos como
como correctos
correctos oo de
de otro
otro modo.
modo.

Por
Por ejemplo,
ejemplo, el
el colesterol
colesterol arriba
arriba de
de 250
250 mg/dl
mg/dl es
es ampliamente
ampliamente
conocido
conocido que
que incrementa
incrementa el
el riesgo
riesgo de
de un
un paro
paro cardiaco.
cardiaco. Una
Una
determinacin
determinacin precisa
precisa -- pudiera
pudiera ser
ser asunto
asunto de
de vida
vida oo muerte.
muerte.

Sin
Sin embargo
embargo ,, no
no todas
todas las
las variables
variables son
son normales.
normales. Por
Por
ejemplo:
ejemplo: urea
urea yy ph
ph

CARACTERISTICAS
CARACTERISTICAS DE
DE UNA
UNA
DISTRIBUCIN
DISTRIBUCIN NORMAL
NORMAL
La
La curva
curva normal
normal es
es acampanada
acampanada yy tiene
tiene un
un solo
solo
pico
pico en
en toda
toda la
la distribucin.
distribucin.
La
La media,
media, mediana,
mediana, yy moda
moda de
de la
la distribucin
distribucin son
son
las
las mismas
mismas yy estn
estn localizadas
localizadas en
en el
el pico.
pico.
La
La mitad
mitad del
del rea
rea de
de la
la curva
curva esta
esta arriba
arriba del
del punto
punto
central
central (pico),
(pico), yy la
la otra
otra mitad
mitad esta
esta abajo.
abajo.

La
La distribucin
distribucin normal
normal es
es simtrica
simtrica alrededor
alrededor de
de
su
su media.
media.
Es
Es asintotica
asintotica -- la
la curva
curva se
se acerca
acerca aa eje
eje xx pero
pero
nunca
nunca lo
lo toca.
toca.

CARACTERISTICAS
CARACTERISTICAS DE
DE UNA
UNA DISTRIBUCION
DISTRIBUCION NORMAL
NORMAL
La Normal is simtrica -

Cola

Tericamente, la
curva se extiende
a

Cola

Media,
mediana, y
moda son

Tericamente, la
curva se extiende
a
+ infinito

217

Distribucin Normal
Distribucin de
la Funcin Normal

1 t
1
f(t)
exp

2
2

Funcin de Densidad de Probabilidad Normal


0.0140
0.0120
= 500
= 30
= 50
= 70

f(t)

0.0100
0.0080
0.0060
0.0040
0.0020
0.0000
200

400

600
Tiempo

800

1000

218

Curvas
Curvas Normales
Normales con
con Medias
Medias iguales
iguales pero
pero
Desviaciones
Desviaciones estndar
estndar diferentes
diferentes

3.9
3.9
== 5.0
5.0

Normales
Normales con
con Medias
Medias yy
Desviaciones
Desviaciones estndar
estndar diferentes
diferentes

=
= 5,
5, == 33
== 9,
9, =
= 66
== 14,
14, == 10
10

La distribucin Normal estndar


La distribucin normal estndar es una distribucin de
probabilidad que tiene media 0 y desviacin estndar de
1.
El rea bajo la curva o la probabilidad desde menos
infinito a ms infinito vale 1.
La distribucin normal es simtrica, es decir cada mitad
de curva tiene un rea de 0.5.
La escala horizontal de la curva se mide en desviaciones
estndar, su nmero se describe con Z.
Para cada valor Z se asigna una probabilidad o rea221
bajo

Las distribuciones pueden variar en:


POSICIN

AMPLITUD

FORMA

O TENER CUALQUIER COMBINACION

222

La Distribucin Normal
Para la poblacin - se incluyen TODOS los datos

Para la muestra

x-3s

x-2s

x-s

x+s

x+2s

x+3s

223

La Distribucin Normal Estndar


La desviacin estndar
sigma representa la
distancia de la media al
punto de inflexin de la
curva normal

X
x-3

x-2

x-

x+

x+2

x+3

z
-3

-2

-1

224

AREA
AREA BAJO
BAJO LA
LA CURVA
CURVA NORMAL
NORMAL

Alrededor
Alrededor de
de 68
68 %
% del
del area
area bajo
bajo la
la curva
curva

normal
normal est
est entre
entre ms
ms una
una yy menos
menos una
una
desviacin
desviacin estndar
estndar de
de la
la media.
media. Esto
Esto puede
puede
ser
ser escrito
escrito como:
como: m
m
1s.
1s.

Cerca
Cerca del
del 95
95 %
% del
del rea
rea bajo
bajo la
la normal
normal est
est
entre
entre ms
ms yy menos
menos 22 desviaciones
desviaciones estndar
estndar de
de
la
la media,
media, m
m
2s.
2s.

Prcticamente
Prcticamente toda
toda (99.74
(99.74 %)
%) el
el rea
rea bajo
bajo la
la
normal
normal esta
esta entre
entre 33 desviaciones
desviaciones de
de la
la media
media
m
m
3s.
3s.

Clculos con Excel Dist. Normal Estndar

Distribucin normal estndar con media = 0 y desviacin


estndar = 1: Para Z = (X - Xmedia )/ s

1. rea desde menos infinito a un valor de Z se obtiene como sigue:


- Colocarse en una celda vaca
Accesar el men de funciones con Fx, ESTADSTICAS,
DISTR.NORM.ESTAND, dar valor de Z y obtener el rea
requerida
Z
Area

2. Un valor de Z especfico para una cierta rea (por ejemplo


0.05) se obtiene como sigue:
- Colocarse en una celda vaca
- Accesar el men de funciones con Fx, ESTADSTICAS, o
DISTR.NORM.ESTAND.INV, dar valor del rea y se obtiene la Z

226

Entre:
Entre:
1.
1. 68.26%
68.26%
2.
2. 95.44%
95.44%
3.
3. 99.97%
99.97%

Caractersticas de la Distribucin Normal

68%
34% 34%

+1s

95%
+2s

99.73%
+3s

228

El valor de Z
Determina el nmero de desviaciones
estndar entre algn valor x y la media de la
poblacin, mu Donde sigma es la desviacin
estndar de la poblacin.
En
Excel
usar
Fx,
ESTADISTICAS,
NORMALIZACIN, para calcular el valor de Z

z= x-

Proceso con media =100


y desviacin estndar = 10

70

80

90

100

110

120 130

68%
34% 34%

90

110

68%
80

95%

68%

2.356%

70

99.73%

120
2.356%

130

reas bajo la curva


normal

231

Clculos con Excel Dist. Normal Estndar

Distribucin normal estndar con media = 0 y desviacin


estndar = 1: Para Z = (X - Xmedia )/ s

1. rea desde menos infinito a un valor de Z se obtiene como sigue:


- Colocarse en una celda vaca
Accesar el men de funciones con Fx, ESTADSTICAS,
DISTR.NORM.ESTAND, dar valor de Z y obtener el rea
requerida
Z
Area

2. Un valor de Z especfico para una cierta rea (por ejemplo


0.05) se obtiene como sigue:
- Colocarse en una celda vaca
- Accesar el men de funciones con Fx, ESTADSTICAS, o
DISTR.NORM.ESTAND.INV, dar valor del rea y se obtiene la Z

Clculos con Excel Distr. Normal

Distribucin normal, dadas una media y desviacin estndar:


1. rea desde menos infinito a X se obtiene como sigue:
- Colocarse en una celda vaca
- Accesar el men de funciones con Fx, ESTADSTICAS,
DISTR.NORM, dar el valor de X, Media, Desviacin Estndar s,
VERDADERO y se obtendr el rea requerida
X
Area

2. Un valor de X especfico para una cierta rea (por ejemplo


0.05) se obtiene como sigue:
- Colocarse en una celda vaca
- Accesar el men de funciones con Fx, ESTADSTICAS,
DISTR.NORM.INV, dar el valor del rea, Media y Desviacin
Estndar y se obtendr el valor de la X

Calculo
Calculo de
de Probabilidades
Probabilidades normales
normales
1.
1. Identificar
Identificar la
la variable
variable de
de inters.
inters.
2.
2. Identificar
Identificar los
los parmetros
parmetros de
de la
la variable
variable (su
(su
media
media yy desv.
desv. estndar).
estndar).
3.
3. Cual
Cual es
es la
la pregunta
pregunta rea
rea bajo
bajo la
la curva
curva de
de
probabilidad
probabilidad normal?
normal?
4.
4. Convertir
Convertir los
los valores
valores aa la
la distribucin
distribucin normal
normal
estndar
estndar (estandarizacin
(estandarizacin ZZ =
= (X-Media)/S)
(X-Media)/S) ..
5.
5. Encuentre
Encuentre la
la probabilidad
probabilidad en
en tabla
tabla de
de la
la normal
normal
estndar
estndar oo por
por Excel.
Excel.

Ejemplo
Ejemplo
El
El agua
agua usada
usada diariamente
diariamente por
por persona
persona en
en Mxico
Mxico
est
est distribuida
distribuida normalmente
normalmente con
con media
media 20
20 litros
litros
yy una
una desviacin
desviacin de
de 55 lts..
lts..

Entre
Entre que
que valores
valores cae
cae cerca
cerca del
del 68%
68% el
el agua
agua

usada
usada por
por una
una persona
persona en
en Mexico?
Mexico?

m
m
1s
1s =
= 20
20
1(5).
1(5). Esto
Esto es,
es, cerca
cerca del
del 68%
68% de
de la
la
cantidad
cantidad usada
usada por
por persona
persona cae
cae entre
entre 15
15 lts.
lts. yy 25
25
lts..
lts..

De
De manera
manera similar
similar para
para 95%
95% yy 99%,
99%, el
el intervalo
intervalo

ser
ser de
de 10
10 lts
lts aa 30
30 lts
lts yy 55 lts
lts aa 35
35 lts.
lts.

Ejemplo
Ejemplo
El
El agua
agua usada
usada diariamente
diariamente por
por persona
persona en
en
Mxico
Mxico es
es distribuida
distribuida normalmente
normalmente con
con media
media
20
20 litros
litros yy una
una desviacin
desviacin de
de 55 lts.
lts. Sea
Sea XX el
el
uso
uso diario
diario de
de agua.
agua.

Cual
Cual es
es la
la probabilidad
probabilidad que
que una
una persona
persona

seleccionada
seleccionada al
al azar
azar use
use menos
menos de
de 20
20 lts./dia?
lts./dia?

El
El valor
valor zz asociado
asociado es
es zz =
= (20
(20 -- 20)/5
20)/5 =
= 0.
0.
entonces,
entonces,
P(X
P(X <
< 20)
20) =
= P(z
P(z <
< 0)
0) =
= 0.5.
0.5.

Ejemplo
Ejemplo

Que
Que porciento
porciento usa
usa entre
entre 20
20 yy 24
24 lts?
lts?

El
El value
value zz asociado
asociado con
con XX =
= 20
20 es
es zz =
= 00 yy con
con
XX =
= 24,
24, zz =
= (24
(24 -- 20)/5
20)/5 =
= 0.8.
0.8.
Entonces,
Entonces, P(20
P(20 <
< XX <
< 24)
24) =
= P(0
P(0 <
< zz <
< 0.8)
0.8) =
=
P(0.8)
P(0.8) -- P(0)
P(0) =
= 0.78810.7881- 0.5
0.5 =
= 0.2881
0.2881 oo 28.81%.
28.81%.

Que
Que porciento
porciento usa
usa entre
entre 16
16 yy 20
20 lts?
lts?

El
El valor
valor z1
z1 para
para XX =
= 16
16 es
es z1
z1 =
= (16
(16 -- 20)/5
20)/5 =
= -0.8,
-0.8,
yy para
para XX =
= 20,
20, z2
z2 =
= 0.
0. Entonces,
Entonces, P(16
P(16 <
< XX <
< 20)
20)
=
= P(-0.8
P(-0.8 <
< zz <
< 0)
0) =
= P(0)
P(0) -- P(-0.8)
P(-0.8) =
= 0.5
0.5 -- 0.2119
0.2119
=
= 0.2881
0.2881 =
= 28.81%.
28.81%.

P(0
P(0 <
< zz <
<
0.8)
0.8) =
=
0.2881.
0.2881.

0.8
0.8

Ejemplo
Ejemplo

Cual
Cual es
es la
la probabilidad
probabilidad que
que una
una persona
persona

seleccionada
seleccionada al
al azar
azar use
use mas
mas de
de 28
28 lts?
lts?

El
El valor
valor zz asociado
asociado aa XX =
= 28
28 es
es
zz =
= (28
(28 -- 20)/5
20)/5 =
= 1.6.
1.6. Ahora,
Ahora, P(X
P(X >
> 28)
28) =
= P(z
P(z >
>
1.6)
1.6) =
= 11 -- P(z
P(z <
< 1.6)
1.6) =
= 11 -- 0.9452
0.9452 =
= 0.0548.
0.0548.

P(z
P(z >
> 1.6)
1.6) =
=
11 -- 0.9452=
0.9452=
0.0548
0.0548

Area
Area =
=
0.9452
0.9452

Ejemplo
Ejemplo

Que
Que porcentaje
porcentaje usa
usa entre
entre 18
18 yy 26
26 lts?
lts?

El
El valor
valor zz asociado
asociado con
con XX =
= 18
18 es
es zz =
= (18
(18 -- 20)/5
20)/5
=
= -0.4,
-0.4, yy para
para XX =
= 26,
26, zz =
= (26
(26 -- 20)/5
20)/5 =
= 1.2.
1.2.
entonces,
entonces, P(18
P(18 <
< XX <
< 26)=
26)= P(-0.4
P(-0.4 <
< zz <
< 1.2)
1.2)
=
= F(1.2)
F(1.2) -- F(-0.4)=
F(-0.4)= 0.8849
0.8849 -- 0.3446
0.3446 =
= 0.5403.
0.5403.

Ejemplos

El tiempo de vida de las bateras del conejito tiene una


distribucin aproximada a la normal con una media de
85.36 horas y una desviacin estndar de 3.77 horas.

Qu porcentaje de las bateras se espera que duren


80 horas o menos?

Cul es la probabilidad de que una batera dure entre


86.0 y 87.0 horas?

Cul es la probabilidad de que una batera dure ms


de 87 horas?

242

rea bajo la curva normal


Que porcentaje de las bateras se espera que duren
80 horas o menos?
Z = (x-mu) / s
Z = (80-85.36)/(3.77)= - 5.36/ 3.77 = -1.42
80

-1.42

85.36

rea bajo la curva normal


Cul es la probabilidad de que una batera
dure entre 86.0 y 87.0 horas?
85.36 86 87

rea bajo la curva normal


Cul es la probabilidad de que una batera dure
ms de 87 horas?
85.36

87

1.67 = .33 33% de las veces una batera


durar ms de 87 horas

Ejercicios
Considere
Considere una
una media
media de
de peso
peso de
de estudiantes
estudiantes de
de
75
75 Kgs.
Kgs. con
con una
una desviacin
desviacin estndar
estndar de
de 10Kgs.
10Kgs.
Contestar
Contestar lo
lo siguiente:
siguiente:
Cul
Cul es
es la
la probabilidad
probabilidad de
de que
que un
un estudiante
estudiante
pese
pese ms
ms de
de 85Kgs.?
85Kgs.?
2.
2. Cul
Cul es
es la
la probabilidad
probabilidad de
de que
que un
un estudiante
estudiante
pese
pese menos
menos de
de 50Kgs.?
50Kgs.?
3.
3. Cul
Cul es
es la
la probabilidad
probabilidad de
de que
que pese
pese entre
entre 60
60 yy
80
80 Kgs.?.
Kgs.?.
4.
4. Cul
Cul es
es la
la probabilidad
probabilidad de
de que
que pese
pese entre
entre 55
55 yy
70
70 Kgs.?
Kgs.?
5.
5. Cul
Cul es
es la
la probabilidad
probabilidad de
de que
que pese
pese entre
entre 85
85 yy
246
100Kgs.?

Distribucin Exponencial

Se usa para modelar artculos con una tasa de falla


constante y est relacionada con la distribucin de
Poisson.

Si una variable aleatoria x se distribuye


exponencialmente, entonces el recproco de x,
y = 1/x sigue una distribucin de Poisson y
viceversa.

La funcin de densidad de probabilidad


exponencial es: Para x >= 0
x

1
f ( x) e e x

247

Distribucin Exponencial

Donde Lambda es la tasa de falla y theta es la


media
La funcin de densidad de la distribucin
exponencial

248

Distribuciones muestrales

249

A las distribuciones de los estadsticas


muestrales se les llama distribuciones
muestrales.
POBLACION

250

Distribuciones Derivadas del


muestreo de Poblaciones Normales
Muestra

Aparecen distribuciones
muestrales:
Poblacin

Normal, Chi-cuadrada, tstudent, F


251

Distribucin de la Media:
Si X 1 , X 2 ,..., X n es una muestra aleatoria de una Poblacion
(X) con distribucin normal n( , 2 ) .Entonces X se
2
distribuye normal con media , y varianza / n

n( , / n)
2

252

Distribuciones usadas
normalmente

Distribucin Chi Cuadrada

Esta distribucin se forma al sumar los


cuadrados de las variables aleatorias normales
estndar.

Si Z es una variable aleatoria normal, entonces


el estadstico Y siguiente es una variable
aleatoria Chi cuadrada con n grados de libertad.

253

Distribucin de la varianza.
Repaso de la distribucin ji-cuadrada.
La funcin de densidad de probabilidad con k
grados de libertad y la funcin gama es:
k
x
1
1
f ( x)
x2 e 2 ,
k
k
2
2
2

x 0.

k=grados de libertad. (1,2,...)


254

Grficas de la distribucin ji-cuadrada


K=1

K=5

K=25

K=50

Con k grande ji-cuadrada se hace normal


255

Media y varianza de una ji-cuadrada.


E(X)=k
V(X)=2k
Calculo de puntos crticos usando las tablas de jicuadrada

P ( X ,k )
2

256

Ejemplo: Calcule el valor critico que


satisface

P ( X 0.05, 20 ) .05
2

De tablas de ji-cuadrada con alfa=.05 y k=20

0.05, 20 31.41
2

257

Resultado:
Si X 1 , X 2 ,..., X n es una muestra aleatoria de una Poblacion
(X) con distribucin normal n( , 2 ) .Entonces (n 1) S 2
se
2

distribuye ji-cuadrada con k= n-1 grados de libertad.


Donde S cuadrada es la varianza muestral.

(n 1) 2
2
S

n 1
2

258

Distribucin t-student
Si X 1 , X 2 ,..., X n es una muestra aleatoria de
una
n( , 2 )
Poblacin (X) con distribucin normal
( X ) ( s / n)
Entonces
se distribuye

t-student con n-1 grados de libertad.

( X ) ( s / n) t n 1
259

Funcin de Distribucin tstudent


[(k 1) / 2]
f ( x)
k [k / 2][ x 2 / 2 1]( k 1) / 2
x (, )

K=1

K=10

K=100

260

Funcin de Distribucin tstudent

261

k
; k 3
k 2

Distribucin t de Student

La media y la varianza de la distribucin t son:

k
; k 3
k 2

De una muestra aleatoria de n artculos, la


probabilidad de que

x
t
s/ n
Caiga entre dos valores especificados es igual al
rea bajo la distribucin de probabilidad t de
Student con los valores correspondientes en el
eje X, con n-1 grados de libertad
262

k
; k 3
k 2

Distribucin t de Student
Ejemplo:

La resistencia de 15 sellos seleccionados


aleatoriamente son: 480, 489, 491, 508, 501,
500, 486, 499, 479, 496, 499, 504, 501, 496,
498

Cul es la probabilidad de que la resistencia


promedio de los sellos sea mayor a 500?. La
media es 495.13 y la desviacin estndar es
de 8.467.
495.13 500
t

t = -2.227 y el rea es 0.0214

8.467 / 15

2.227

263

Distribucin F
Surge de dividir dos ji-cuadradas
independientes
F=(W/u)/(Y/v)
W se distribuye ji-cuadrada con u g.l.
Y se distribuye ji-cuadrada con v g.l.
El uso de esta distribucin es para
comparar varianzas (Recuerde el
anlisis de varianza)

264

Distribucin
F.
Funcin

f ( x)

de densidad de la
Distribucin
F
u
( u / 2 ) 1
2
[(u v) / 2] u / v x

u
(u / 2)[v / 2][ x 1]( k v ) / 2
v
x (0, )

u=10

u=20

v=5

v=20

265

Distribucin
F.
Funcin

de densidad de la
Distribucin F

266

Distribucin F

Para determinar la otra cola de la distribucin F


se determina con la expresin.
Falfa, k1, k2 = 1 / F(1-alfa), k2, k1

Dado K1 = 8 y K2 = 10, F0.05 = 3.07, encontrar


el valor de F0.05 con K1 = 10 y K2 = 8
F0.05,10,8 = 1/ F0.95,8,10 = 1/ 3.07 = 0.326

267

IIIE. Anlisis de Sistemas de


medicin

268

Anlisis de Sistemas de
Medicin
1. Errores en la medicin

269

Metrologa

Metrologa es la ciencia de las mediciones

Apoya a la organizacin en la evaluacin


cuantitativa de las variables del proceso
(longitudes, dimensiones, pesos, presiones, etc.)

Factores considerados para determinar el periodo


de calibracin de los equipos de medicin

Intensidad de uso del equipo


Posibles desgastes por el uso o degradacin
Errores identificados durante las calibraciones peridicas

270

Correlacin de
mediciones

Es la comparacin o correlacin de las mediciones


de un sistema de medicin con los valores
reportados por uno o ms sistemas de medicin
diferentes

Un sistema o dispositivo de medicin puede usarse


para comparar valores contra un estndar
conocido, a su vez puede compararse a la media y
desviacin estndar de otros dispositivos similares

Todas las mediciones reportadas de artefactos


iguales o similares, son referidos como prueba de
proficiencia o prueba de Round Robin.

271

Correlacin de
mediciones

Tambin se pueden comparar valores obtenidos de


diferentes mtodos de medicin usados para medir
diferentes propiedades. Por ejemplo la medicin de
dureza y resistencia de un metal, temperatura y
expansin lineal de un artculo al ser calentado, y
peso y nmero de pequeas partes

El manual MSE de la AIAG clasifica los errores del


sistema de medicin en cinco categoras:

Sesgo o exactitud
Repetibilidad
Reproducibilidad
Estabilidad
Linealidad

272

Porcentaje de acuerdo

El porcentaje de acuerdo ya sea entre el sistema


de medicin y los valores de referencia o el valor
verdadero de la variable medida, puede estimarse
con el coeficiente de correlacin, r, con valores r=1
100% de acuerdo y r= 0 sin acuerdo.

273

Precisin a Tolerancia P/T

Es la razn (P/T) entre el error estimado de la


medicin (precisin) y la tolerancia de la caracterstica
medida.

Donde 6 sigma es la variabilidad de las mediciones.


Los supuestos son:
Las mediciones son independientes
Los errores de medicin se distribuyen normalmente
Los errores de medicin son independientes de la
magnitud de las mediciones

274

Precisin a Variacin Total


P/TV

Es la razn (P/TV) entre el error estimado de la medicin


(precisin) y la variacin total de la caracterstica
medida.

Se debe minimizar P/TV para reducir el efecto de la


variacin de las mediciones en la evaluacin de la
variacin del proceso

Conforme P/T y P/TV se incrementan, la habilidad de


discriminar un cambio en el proceso disminuye, en todo
caso utilizar un sistema de medicin con variacin ms
pequea

275

Definiciones
Exactitud
Desviacin respecto del valor verdadero del
promedio de las mediciones
Valor verdadero:
Valor correcto terico / estndares NIST
Sesgo
Distancia entre el valor promedio de todas las
mediciones y el valor verdadero.
Error sistemtico o desviacin
276

Definiciones
Estabilidad
La variacin total en las mediciones obtenidas
durante un perodo de tiempo prolongado
Linealidad
Diferencia en los valores de la escala, a travs
del rango de operacin esperado del
instrumento de medicin.
Precisin
Medicin de la variacin natural en mediciones
repetidas
277

Posibles Fuentes de la
Variacin del Proceso
Variacin del proceso, observado
Variacin del proceso, real
Variacin
dentro de la
muestra

Repetibilidad

Variacin de la medicin
Variacin originada
por el calibrador

Estabilidad

Reproducibilidad

Linealidad

Sesgo

Calibracin
La Repetibilidad y reproducibilidad (R&R), son los errores ms relevantes en la medicin.

278

Anlisis de Sistemas de Medicin

Sensibilidad

El gage debe ser suficientemente sensible para


detectar diferencias en las mediciones en al
menos un dcimo de la tolerancia especificada o
de la dispersin del proceso

279

Definicin del Sesgo o


precisin
Valor
Verdadero

Sesgo es la diferencia
entre el promedio
observado de las
mediciones y el valor
verdadero.
Se reporta como
porcentaje de la variacin
del proceso o de la
tolerancia.

Sesgo

280

Definicin de la Repetibilidad
o precisin
Repetibilidad: Es la variacin
de las mediciones obtenidas
con un instrumento de
medicin, cuando es utilizado
varias veces por un operador, al
mismo tiempo que mide las
mismas caractersticas en una
misma parte
REPETIBILIDAD

281

Definicin de la
Reproducibilidad
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 en
diferentes tiempos

Operador-B

Operador-C

Operador-A

Reproducibilidad

282

Errores en la medicin

Preciso pero
No exacto

Exacto pero
no preciso

Exacto y
preciso

283

Definicin de la Estabilidad
Estabilidad (o desviacin) 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
Tiempo 1

284

Definicin de la Linealidad
Graficar el sesgo versus los valores de referencia de la parte
En todo el rango de operacin del instrumento. El porcentaje de
Linealidad es igual a la pendiente, b, de la lnea de regresin
Multiplicada por la variacin del proceso.
L = b Vp
El sesgo en cualquier punto se puede estimar de la pendiente y
La interseccin con eleje Y (Yo) de la mejor lnea de ajuste
B = Yo + b X
Valor
verdadero

Valor
verdadero

Linealidad es la
diferencia
Sesgo
Sesgo
en los valores real y
Menor
mayor
observado,
a travs del rango de (rango inferior)
operacin
Rango de Operacin del equipo
esperado del equipo.
(rango superior)

285

Estabilidad del Calibrador


Cmo Calcularla

Para calibradores que normalmente se utilizan sin ajuste, durante


periodos de tiempo relativamente largos.

Realizar un segundo estudio R&R del Calibrador justo antes de


que venza el tiempo de re calibracin.

La estabilidad del calibrador es la diferencia entre los


promedios sobresalientes de las mediciones resultantes de los
dos estudios.

Causas posibles de poca estabilidad

El calibrador no se ajusta tan frecuentemente como se requiere

Si es un calibrador de aire, puede necesitar un filtro o un regulador

Si es un calibrador electrnico, puede necesitar calentamiento previ

286

Error R&R =

RPT2

Precisin en relacin a la variacin


total

%R&R= R&R *100


Var Total

REPR2

Para la fase de control del


proyecto, slo substituya la
Tolerancia por Variacin Total
.
TV= R&R + PV
PV= variacin de parte = Rp
x K3

Identificar qu porcentaje de la variacin total debe


absorberse como error de medicin.

<10% Aceptable
10-30%. Puede ser aceptable, dependiendo
qu tan crtico es el grado de la medicin.
>30%. Inaceptable!
287

EL VALOR DEL R&R ES UN PORCENTAJE DE LA


VARIACION TOTAL DEL PROCESO:
VARIACIN DE PARTE
A PARTE

La dimensin verdadera
de las partes se encuentra
en algn lugar de la la
regin sombreada
Lo que
fue
medido

LSL

OBJETIVO

USL

Mientras ms mayor sea el % del R&R, mayor ser el rea


de incertidumbre para conocer la dimensin verdadera de
las partes.
ERROR TIPO 1: Pueden estarse aceptando partes que
estn fuera de especificaciones
ERROR TIPO 2: Pueden estarse rechazando partes que
estn dentro de especificaciones

Anlisis de Sistemas de
Medicin
2. Carta de tendencias

289

Carta de tendencias de
gages

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.

290

Carta de tendencias de
gages

1File > Open worksheet > GAGEAIAG.MTW.


2Stat > Quality Tools > Gage Study > Gage Run Chart
3En Part numbers, seleccionar Part.
4En Operators, seleccionar Operator.
5En Measurement data, seleccionar Response. Click OK.

291

Carta de tendencias de
gages
Interpretando los resultados

Para cada parte, se puede comparar la variacin entre


mediciones hechas los operadores y sus diferencias
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, y
sus mediciones son consistentemente (8/10) ms
pequeas que las del operador 1.

292

Anlisis de Sistemas de
Medicin
3. Estudios R&R
Mtodo corto del rango

293

Mtodo 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

294

Mtodo del rango

Error mximo 10%

295

Anlisis de Sistemas de
Medicin
4. Determinacin de la
repetibilidad

296

Determinacin de la
repetibilidad

Se tienen veinte unidades de producto, el


operador que toma las mediciones para el
diagrama de control usa un instrumento para
medir cada unidad dos veces. Los datos son
mostrados en la tabla siguiente

297

Determinacin slo
de la repetibilidad

298

Determinacin slo
de la repetibilidad

La desviacin estndar del error de medicin,,


es calculada mediante la siguiente frmula:
R
1

0.887
d 2 1.128

R= Rango promedio
d2 = Valor de tablas.

Para obtener una buena estimacin de la capacidad del


error de medicin utilizamos:
y vs Tolerancia

6 medicin 6(0.887) 5.32

6 medicin
P

T USL LSL

299

Determinacin slo
de la repetibilidad

En este ejemplo USL = 60, LSL = 5

P 5.32

0.097
T
55

Los valores P/T de 0.1 o menores generalmente implican


una capacidad de error de medicin adecuada.
La varianza total observada es:
2 Total S 2 (3.07) 2 9.4249

Y la sigma del proceso es:


2 proceso = 2 total 2 medicin =9.4249 - .79 = 8.63

Por lo tanto la desviacin estndar del proceso = 2.93

300

Determinacin slo
de la repetibilidad

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.

301

Anlisis de Sistemas de
Medicin
5. Estudios R&R (cruzado)
Mtodo de Medias Rangos
Mtodo largo
302

R&R - Mtodo de medias


rangos

Los estudios de repetibilidad y reproducibilidad determinan


cuanto de la variacin observada como variacin de
proceso es debida a variacin del sistema de medicin.

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.

303

Mtodo de medias rangos

304

Estudio de R&R Medias


Rangos

Generalmente intervienen de dos a tres operadores


Generalmente se toman 10 unidades
Cada unidad es medida por cada operador, 2 3
veces.

305

Estudio R&R Medias rangos

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 VARIACION)

10 partes NO son un tamao de muestra


significativo para una opinin slida sobre el
EQUIPO DE MEDICIN a menos que

306

Procedimiento para realizar un estudio


de R&R
1. Ajuste el calibrador, o asegrese de que ste
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.
307

Procedimiento para realizar un estudio de


R&R
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
308

Procedimiento para realizar un estudio de


R&R
7. Utilice el formato proporcionado para
determinar las estadsticas del estudio R&R
Repetibilidad
Reproducibilidad
%R&R
Desviaciones estndar de cada uno de los
conceptos mencionados
Anlisis del % de tolerancia
8. Analice los resultados y determine los pasos
a seguir, si los hay.
309

Ejemplo:
Planteamiento del problema:
Las partes producidas en el rea de produccin, fallaron
por errores dimensionales 3% del tiempo.
CTQ:

Mantener una tolerancia 0.125 pulgadas

Sistema de Medicin: Se miden las partes con calibradores de 2.


Estudio R&R del La dimensin A es medida por dos
Calibrador:
operadores, dos veces en 10 piezas.

310

Mtodo X-media y Rango:


Repetibilidad y Reproducibilidad de
calibrador

Operador A
Serie # 1er. Ensayo 2o. Ensayo

1
2
3
4
5
6
7
8
9
10
Totales

9.376
9.372
9.378
9.405
9.345
9.390
9.350
9.405
9.371
9.380

9.358
9.320
9.375
9.388
9.342
9.360
9.340
9.380
9.375
9.368

X-barA

Operador B
Rango 1er. Ensayo 2o. Ensayo

9.354
9.372
9.278
9.362
9.338
9.386
9.349
9.394
9.384
9.371

Rango

Porcin Xbar

9.361
9.372
9.277
9.370
9.339
9.370
9.349
9.381
9.385
9.376

X-barB
R-barA

R-barB
Porcin R

311

Clculo de las X-medias


Repetibilidad y Reproducibilidad de calibrador

312

Clculo de los Rangos


Repetibilidad y Reproducibilidad de
calibrador

313

Identificacin de Parmetros del Estudio


y Clculos
Totales

93.772
X-barA

93.606
9.3689
R-barA

0.174
0.0174

93.588
X-barB

93.580
9.3584
R-barB

0.052
0.0052
Porcin R 0.0630

Ancho de tolerancia====> 0.25


Nmero de intentos (m)=> 2

X-media mx.=>

9.3689

X-media mn. =>

9.3584

Nmero de partes (n)==>

Diferencia X-dif

0.0105

R-media doble

0.0113

Nmero de operadores

========>

4.56

10
2

(=4.56 para 2 ensayos, 3.05 para 3 ensayos)

=========>

3.65

K3 ======>

1.62

(=3.65 para 2 operadores; 2.7 para 3 operadores)

314

Clculo de R&R
Repetibilidad: La variacin del dispositivo de medicin (VD)
se calcula sobre cada grupo de mediciones tomadas por un
operador, en una sola parte.
DV = R x K1 =

0.0515

Reproducibilidad: La variacin en el promedio de las mediciones


(AV) se calcula sobre el rango de los promedios de todas las
mediciones, para cada operador, menos el error del calibrador
(vale si la raz es negativa)
AV =

(Xdif * K2)2 - (DV2/(r*n)) =

0.03655

315

Clculo de R&R
El componente de varianza para repetibilidad y
reproducibilidad (R&R) se calcula combinando la
varianza de cada componente.
R&R =
=

DV2 + AV2

0.05277

El componente de varianza para las partes (PV), se calcula


sobre el rango de los promedios de todas las mediciones,
para cada parte.
PV

Rpart x K3

=0.1021

La variacin total (TV) se calcula combinando la varianza de


repetibilidad y
reproducibilidad y la variacin de la parte.
TV

R&R2 + PV2

= 0.1142

316

Clculo de R&R
Basado en la tolerancia:
%DV

= 100*DV/Ancho de tolerancia=20.61

%AV

= 100*AV/Ancho de tolerancia=14.62

%R&R = 100*R&R/Ancho de tolerancia 21.108


=
Basado en la variacin Total de las Partes:
%DV

= 100*DV/Variacin total=

%AV

= 100*AV/ Variacin total =

45.09
32.00

%R&R = 100*R&R/ Variacin total =

46.20

%PV

89.40

= 100*PV /Variacin total =

317

Ejercicios
Para un estudio de R&R 2 operadores midieron con el mismo equipo
de medicin 10 partes en 3 intentos cada uno,obteniendo:
Mediciones
de operador A
1
2

Nmero
de parte
1
2
3
4
5
6
7
8
9
10

50
52
53
49
48
52
51
52
50
47

49
52
50
51
49
50
51
50
51
46

50
51
50
50
48
50
51
49
50
49

50
51
54
48
48
52
51
53
51
46

48
51
52
50
49
50
50
48
48
47

Mediciones
de operador B
2
3
51
51
51
51
48
50
50
50
49
48

318

R&R por Medias Rangos


Calculo con Minitab
(se puede usar la hoja de trabajo
Gageaiag.mtw)
319

R&R Medias Rangos


Minitab :Datos originales

320

R&R Medias Rangos


Minitab :Datos cargados (3 cols.)

321

R&R Medias Rangos


Minitab : Instrucciones

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: Study variation 5.15


Process tolerante 0.006

322

R&R Medias Rangos


Minitab : Resultados

% Error R&R debe ser meno


Al 10% ya sea para control
Proceso o para producto fin
Repetibilidad Instrumento
Reproducibilidad - Operador

Nmero mnimo 4

323

R&R Medias Rangos


Minitab : Interpretacin de
Resultados
Interpretacin 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.

324

R&R Medias Rangos Grficas


Gage R&R (Xbar/ R) for Datos
Gage name:
Date of study :

La grfica R se mantiene en control indicando


que las mediciones se realizaron en forma adecua
La grfica X barra slo presenta 5 de 30 puntos fu
Reported
by :
de control,
debera
ser al menos el 50%, indicand
Tolerance:
Misc:
que el equipo
no discrimina las diferentes partes.

Components of Variation

Percent

80

Datos by Partes
% Contribution

0.006

% StudyVar
% 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

UCL=0.005143
_
X=0.004717

0.0045
LCL=0.004290
0.0040

Operadores * Partes I nteraction

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

325

R&R por ANOVA


6. Calculo con Minitab
(con los datos del ejemplo anterior)
326

R&R por ANOVA


Instrucciones de Minitab

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: Study variation 5.15


Process tolerance 0.006 Alfa to remove
interaction 0.25
327

R&R por ANOVA


Resultados de Minitab

La interaccin no es significativa
y los errores de R&R indican que
equipo de medicin no es adecu
ni el nmero de categoras.

328

R&R por ANOVA


Resultados de Minitab

Las conclusiones son similares


que con el mtodo de X barra R
No hay interaccin parte - operad

329

Anlisis de Sistemas de
Medicin
7. Estudios R&R por atributosMtodo de acuerdo por
atributos
330

Ejemplo comparacin pasa no pasa

Un sistema de medicin de atributos compara


cada parte con un estndar y acepta la parte
si el estndar se cumple.

La efectividad de la discriminacin es la
habilidad del sistema de medicin de atributos
para discriminar a los buenos de los malos.

331

Ejemplo comparacin pasa no pasa


1. Selecciona un mnimo de 20 unidades del proceso.
Estas unidades deben representar el espectro
completo de la variacin del proceso (buenas,
erroneas y en lmites).
2. Un inspector experto realiza una evaluacin de cada
parte, clasificndola como Buena o No Buena.
3. Cada persona evaluar las unidades,
independientemente y en orden aleatorio, y las
definir como Buenas o No Buenas.
4. Ingresa los datos en el archivo Attribute Gage R&R.xls
para cuantificar la efectividad del sistema de
medicin.

332

GR&R de Atributos - Ejemplo


Legenda de Atributos
G =1Bueno
NG =2No Bueno

REPORTE

FECHA:
NOMBRE:
PRODUCTO:
SBU:
COND. DE PRUEBA:

Poblacin Conocida
Muestra #
Atributo
1
G
2
G
3
G
4
G
5
G
6
G
7
G
8
G
9
NG
10
NG
11
G
12
G
13
NG
14
G
15
G
16
G
17
NG
18
G
19
G
20
G

% DEL EVALUADOR

Persona #1
#1
G
G
G
G
G
NG
G
G
G
NG
G
G
NG
G
G
G
NG
G
G
G

(1)

% VS. EL ATRIBUTO

#2
G
G
G
G
G
G
G
G
G
NG
G
G
NG
G
G
G
NG
G
G
G

->
(2)

->

#1
G
G
G
G
G
G
G
G
NG
G
G
G
NG
G
G
G
NG
G
G
G

Persona #2
#2
G
G
G
G
G
G
G
G
NG
G
G
G
NG
G
G
G
NG
G
G
G

95.00%

100.00%

90.00%

95.00%

Acuerdo

Acuerdo

Y=S N=No
Y
Y
Y
Y
Y
N
Y
Y
N
N
Y
Y
Y
Y
Y
Y
Y
Y
Y
Y

Y=S N=No
Y
Y
Y
Y
Y
N
Y
Y
N
N
Y
Y
Y
Y
Y
Y
Y
Y
Y
Y

Esta es la
medida
general de
consistencia
entre los
operadores
y el experto.

90% es lo
mnimo!

(3)

% DE EFECTIVIDAD DE DISCRIMINACION
->
85.00%
(4)
% DE EFECTIVIDAD DE DISCRIMINACION VS. EL ATRIBUTO
->

85.00%

333

Pasa no pasa Datos en Minitab

334

Instrucciones en Minitab
1Usar los datos anteriores.
2Seleccionar Stat > Quality Tools > Attribute
Agreement Analysis.
3En Multiple columns, con Persona 1 - Persona
2B.
4En Number of appraisers, 2.
5En Number of trials, 2.
6En Known standard/attribute, poner Atributo
7no Checar Categories of the attribute data are
ordered y poner OK

335

Resultados de Minitab

336

Resultados de Minitab
Date of study:
Reported by:
Name of product:
Misc:

Assessment Agreement

Within Appraisers
95.0% CI
Percent

100
95

95

90

90

85
80

85
80

75

75

70

70
1

2
Appraiser

95.0% CI
Percent

100

Percent

Percent

Appraiser vs Standard

2
Appraiser

337

Interpretacin de Resultados
1. % del Evaluador es la consistencia de una
persona.
2. % Evaluador vs Atributo es la medida de el
acuerdo que hay entre la evaluacin del operador
y la del experto.
3. % de Efectividad de Seleccin es la medida de el
acuerdo que existe entre los operadores.
4. % de Efectividad de Seleccin vs. el Atributo es
una medida general de la consistencia entre los
operadores y el acuerdo con el experto.

338

Guas de Aceptabilidad
Aunque el 100% es el resultado que deseamos obtener,
en un estudio de repetibilidad y reproducibilidad de
atributos, la siguiente gua se usa frecuentemente:

Porcentaje
De 90% a 100%

Gua
Aceptable

De 80% a 90%

Marginal

Menos de 80%

Inaceptable

339

IIIF. Capacidad y desempeo


del Proceso

340

Capacidad y desempeo del


proceso
1. Estudios de capacidad del proceso
2. Desempeo del proceso contra especificaciones
3. ndices de capacidad del proceso
4. ndices de desempeo del proceso
5. Capacidad a corto y a largo plazo
6. Capacidad del proceso para datos por atributos
341

IIIF.1 Estudios de
Capacidad del Proceso

342

Teora del camin y el tnel


El tnel tiene 9' de ancho (especificacin). El camin tiene 10 y el chofer es perfecto
(variacin del proceso). Pasara el camin? NO, la variabilidad del proceso es mayor
que la especificacin.
Centrar es hacer que el promedio del proceso sea igual al centro de la
especificacin. Si el camin tiene 8 pies de ancho pasar el camin?, Si. Si
el chofer puede mantener el centro del camin en el centro del tnel. De otra forma
chocar con las paredes del tnel y no pasar a pesar de ser ms angosto.
El proceso debe estar en control, tener capacidad y estar centrado

Ancho 9
Nigels Trucking Co.

Objetivos de la capacidad del


proceso
1. Predecir que tanto el proceso cumple
especificaciones
2. Apoyar a diseadores de producto o proceso en sus
modificaciones
3. Especificar requerimientos de desempeo para el
equipo nuevo
4. Seleccionar proveedores
5. Reducir la variabilidad en el proceso de
manufactura

344

Estudios de capacidad

La capacidad del proceso es un patrn


predecible de comportamiento estadstico
estable donde las causas de variacin se
comparan con las especificaciones.

345

Estudios de capacidad
LSE
Especificacin
superior

LIE
Especificacin
inferior

s
xi

_
X

p = porcentaje de partes fuera de Especificaciones

346

Cmo vamos a mejorar esto?


Podemos reducir la desviacin estndar...

Podemos cambiar la media...

O (lo ideal sera, por supuesto) que podramos cambiar ambas

Cualquiera que sea la mejora que lleve a cabo,


asegrarse que se mantenga
347

Procedimiento
1. Seleccionar una mquina donde realizar el estudio
2. Seleccionar las condiciones de operacin del proceso
3. Seleccionar un operador entrenado
4. El sistema de medicin debe tener habilidad (error
R&R < 10%)
5. Cuidadosamente colectar la informacin
6. Construir un histograma de frecuencia con los datos
7. Calcular la media y desviacin estndar del proceso

348

Estudios de capacidad
Objetivos:
Establecer un estado de control sobre el proceso
de manufactura mantenerlo en el tiempo.

Al comparar el proceso vs los lmites de


especificacin pueden ocurrir los siguientes
eventos:

No hacer nada
Cambiar las especificaciones
Centrar el proceso+
Reducir la variabilidad
Aceptar las prdidas

349

Estudios de capacidad
Identificacin de caractersticas:

Deben ser indicativas de un factor clave en la


calidad del producto o proceso

Debera ser posible ajustar el valor de la


caracterstica como factor de control

Las condiciones de operacin que afecten la


caracterstica medida deben ser identificadas y
controladas
El PPAP indica la evaluacin una inicial de la
capacidad

350

IIIF.2 Desempeo del proceso


contra especificaciones

351

estndar
con el proceso normal o en
control
La desviacin estndar del proceso cuando se encuentra en
control se determina como sigue con base en una carta de
control X-R siempre que est bajo control estadstico:

Desv. Est. st =
(Within)

Rango medio
Constante d2 de acuerdo al
tamao de subgrupo en X-R
D2 = 1.128 para carta I-MR con n=2
D2= 2.326 para carta X-R con n=5

352

Lmites de tolerancia
natural del proceso
LTNS = Media + 3*sigma
LTNI = Media 3*sigma
Si los lmites de especificacin son: LIE y LSE
El Cp = (LSE LIE) / (LTNS LTNI) debe ser mayor
a1
353

Capacidad del proceso


Zs y P(Zs) Fraccin defectiva
Los valores de Z inferior y Z superior se calculan de acuerdo a las
frmulas siguientes:

Zi

LIE - promedio del proceso


Desviacin Estndar - st

Zs

LSE - Promedio del proceso


Desviacin Estndar - st

La fraccin defectiva se calcula con la distribucin normal estndar:


P(Zi) = rea en tabla (-Z)
P(Zs) = 1 rea corresp. a Zs en tabla (+Z)
Fraccin defectiva = P(Zi) + P(Zs)

354

IIIF.3 ndices de capacidad del


proceso

355

estndar
con el proceso normal o en
control
La desviacin estndar del proceso cuando se encuentra en
control se determina como sigue con base en una carta de
control X-R siempre que est bajo control estadstico:

Desv. Est. st =
(Within)

Rango medio
Constante d2 de acuerdo al
tamao de subgrupo en X-R
D2 = 1.128 para carta I-MR con n=2
D2= 2.326 para carta X-R con n=5

356

Capacidad del proceso


Zs y P(Zs) Fraccin defectiva
Los valores de Z inferior y Z superior se calculan de acuerdo a las
frmulas siguientes:

Zi

LIE - promedio del proceso


Desviacin Estndar - st

Zs

LSE - Promedio del proceso


Desviacin Estndar - st

La fraccin defectiva se calcula con la distribucin normal estndar:


P(Zi) = rea en tabla (-Z)
P(Zs) = 1 rea corresp. a Zs en tabla (+Z)
Fraccin defectiva = P(Zi) + P(Zs)

357

ndices de Capacidad Potencial


del proceso en control Corto
plazo
El ndice de capacidad potencial del Proceso (Cp) mide la
variacin del proceso en relacin con el rango de Especificacin.
Cp =

LSE - LIE
Tolerancia
=
Variacin del proceso 6 Desviaciones Estndar - st

La relacin de capacidad (CR) es la inversa del clculo de Cp. Este ndice le


indica que porcentaje de la especificacin est siendo usado por la variacin del
proceso.
Rango del proceso
6 desviaciones estndar - st
=
CR =
LSE - LIE
Tolerancia
Otro ndice que toma en cuenta
el centrado del proceso vs
Media de Especificaciones M es:

358

proceso
en control estadstico corto
plazo
Cpk es una medida de la capacidad real del proceso en funcin de
la posicin de la media del proceso (X) en relacin con con los
lmites de especificacin.
Con lmites bilaterales da una indicacin del centrado.
Es el menor de:
Cpk =

LSE - promedio del proceso Promedio del proceso - LIE


y
3 desviaciones Est. - st
3 desviaciones Estndar - st

359

Clculo de la capacidad del proceso


Habilidad o capacidad potencial

Cp = (LSE - LIE ) / 6 st

Debe ser 1
para tener el potencial de
cumplir con especificaciones (LIE, LSE)

Habilidad o capacidad real


El Cpk debe ser 1 para que el
proceso cumpla especificaciones

Cpk = Menor | ZI y ZS | / 3
360

IIIF.4 ndices de desempeo


del proceso

361

Estimacin de la desviacin
estndar
con el proceso a largo plazo
Se toman todos los datos del proceso histricos, no importa que
el proceso no est en control o no sea normal.

Desv. Est. lt =
(Overall)

362

ndices de desempeo Potencial


del proceso Largo plazo
El ndice de desempeo potencial del Proceso (Pp) mide la
variacin del proceso en relacin con el rango de Especificacin.
Pp =

LSE - LIE
Tolerancia
=
Variacin del proceso 6 Desviaciones Estndar - lt

La relacin de capacidad (CR) es la inversa del clculo de Cp. Este ndice le


indica que porcentaje de la especificacin est siendo usado por la variacin del
proceso.
CR =

Rango del proceso


Tolerancia

6 desviaciones Est. - lt
LSE - LIE

363

ndice de desempeo real del


proceso largo plazo
Ppk es una medida del desempeo real del proceso en funcin de la
posicin de la media del proceso (X) en relacin con con los lmites
de especificacin.
Con lmites bilaterales da una indicacin del centrado.
Es el menor de:
Ppk =

LSE - promedio del proceso Promedio del proceso - LIE


y
3 desviaciones est. - lt
3 desviaciones Estndar - lt

364

Clculo del desempeo del


proceso a lago plazo
ndice de desempeo potencial

Pp = (LSE - LIE ) / 6 lt

Debe ser 1 de preferencia >1.33


para tener el potencial de
cumplir con especificaciones (LIE, LSE)

ndice de desempeo real


El Ppk debe ser 1 para que el
proceso cumpla especificaciones
de preferencia > 1.33

Ppk = Menor | ZI y ZS | / 3
365

Capacidad de proceso a partir


de Histogramas y Distribucin
normal

366

Ejemplo
Se tomaron los datos siguientes:
265
197
346
280
265
200
221
265
261
278
215
251

205
286
317
242
254
235
176
262
248
250
318

263
274
242
260
281
246
248
271
260
265
271

307
243
258
321
294
328
263
245
274
270
293

220
231
276
228
223
296
231
301
337
298
277

268
267
300
250
260
276
334
280
250
257
290

260
281
208
299
308
264
280
274
278
210
283

234
265
187
258
235
269
265
253
254
280
258

299
214
264
267
283
235
272
287
274
269
275

367

Ejemplo (cont)
Agrupando los datos en celdas se tiene:
Intervalo Marca
de clase de clase
170 - 189
179.5
190 - 209
199.5
210-229
219.5
230-249
239.5
250-269
259.5
270-289
279.5
290-309
299.5
310-329
319.5
330-349
339.5

Frecuencia
2
4
7
13
32
24
11
4
3

Frecuencia
Relativa
0.02
0.04
0.07
0.13
0.32
0.24
0.11
0.04
0.03

Frecuencia
Absoluta
0.02
0.06
0.13
0.26
0.58
0.82
0.93
0.97
1.00

368

Ejemplo (cont)
El histograma es el siguiente (se observa con forma normal):

35
30
25
20
15

Frec.

10
5
0

170189

210229

250269

290309

330349

369

Ejemplo (cont)
Calculando la media y la desviacin estndar se tiene:
X-media = 264.06

s = 32.02

La variabilidad del proceso se encuentra en 6 = 192.12


Si las especificaciones fueran LIE = 200 y LSE = 330
Cp = (330 - 200 ) / 192.2 < 1 no es hbil el proceso
Zi = (330 - 264.06) / 32.02

Zs = (200 - 264.06) / 32.02

Cpk = menor de Zi y Zs < 1 el proceso no cumple especificaciones


370

Ejercicio
Calcular la capacidad del proceso con la distribucin de frecuencias
siguiente considerando LIE = 530 y LSE = 580:
Intervalo
de clase Marca de clase Frecuencia

531 - 535
536 - 540
541 - 545
546 - 550
551 - 555
556 - 560
561 - 565
566 - 570
571 - 575

533
538
543
548
553
558
563
568
573

Frecuencia
Relativa

Frecuencia
Absoluta .

6
8
12
13
20
19
13
11
8

371

Ejemplo de capacidad de
proceso
Process Capability of Viscosidad
LSL

USL
Within
Overall

Process Data
LSL
9.00000
Target
*
USL
14.00000
Sample Mean
11.74400
SampleN
50
StDev(Within)
0.85577
StDev(Overall)
0.80259

Potential (Within) Capability


Cp
0.97
CPL
1.07
CPU
0.88
Cpk
0.88
CCpk 0.97
Overall Capability
Pp
PPL
PPU
Ppk
Cpm

9.6
O bserved Performance
PPM<LSL 0.00
PPM>USL 0.00
PPMTotal
0.00

10.4

Exp. Within Performance


PPM<LSL
671.85
PPM>USL 4191.66
PPMTotal
4863.51

11.2

12.0

12.8

Exp. Overall Performance


PPM<LSL
314.35
PPM>USL 2470.24
PPMTotal
2784.59

1.04
1.14
0.94
0.94
*

13.6

372

Interpretacin de salida
Minitab

Desviacin estndar Within se determina con R /


d2, se usa para determinar los ndices de capacidad
a corto plazo Cp, Cpk y PPM Within

Desviacin estndar Overall det. Con la


desviacin estndar de los datos S/C4,
donde C4=4(n1)/(4n-3)), se usa para determinar
los ndices de Desempeo Pp, Ppk y PPM Overall

El Observed Perfomance se determina


comparando los datos de la muestra con las
especificaciones

373

Capacidad a partir
de cartas de control

374

EN CASOS ESPECIALES COMO ESTOS


DONDE LAS VARIACIONES PRESENTES SON
TOTALMENTE INESPERADAS
TENEMOSUN PROCESO INESTABLE o IMPREDECIBLE.

?
?
?

?
?
?

375

Bases del CEP


SI LAS VARIACIONES PRESENTES SON IGUALES,
SE DICE QUE SE TIENE UN PROCESO ESTABLE.
LA DISTRIBUCION SERA PREDECIBLE EN EL TIEMPO

Prediccin

Tiempo

376

Control y Capacidad de Proceso


Control de Proceso:
Cuando la nica fuente de variacin es normal o de causa comn,
se dice que el proceso esta operando en CONTROL.
Capacidad de Proceso:
Medicin estadstica de las variaciones de causa comn que son
demostradas por un proceso. Un proceso es capaz cuando
la causa comn de variacin cae dentro de las especificaciones
del cliente.

La capacidad no se puede determinar a menos que


el proceso se encuentre en Control y Estable.
377

Proceso en Control Estadstico


La distribucin de la mayora de las caractersticas medidas forman una
curva en forma de campana o normal, si no Area
hayentre
causas
0 y 1sespeciales
presentes, que alteren la normalidad . cuales
son las causas
-Probabilidad
de Ocurrencia
comunes?|
Distribucin
del Proceso

_
x= media
34%

34%

14 %
-3s

-2s
-1s
2%

s= sigma; es la
desviacin
estndar;
medida
de la variacin
del proceso.

14 %
x

+1s +2s
99.73%

3s

2%

Ejemplo de carta de control X-R


Xbar-R Chart of Pulse1
90

Sample Mean

UCL=86.84
80
_
_
X=72.69

70

60

LCL=58.53
2

10
Sample

12

14

16

18

UCL=51.89

Sample Range

48
36

_
R=24.54

24
12
0

LCL=0
2

10
Sample

12

14

16

18

379

Estudios de capacidad
Desviacin estndar:

Si el proceso sigue una distribucin normal y


est en control estadstico, entonces la
desviacin estndar puede ser estimada de:

Para procesos nuevos, se puede estimar la


capacidad del proceso de una produccin piloto

380

Desviacin Estndar del proces

= R = S
d2
c4
Donde,
Donde,

=
= Desviacin
Desviacinestndar
estndarde
dela
lapoblacin
poblacin
dd2 ==Factor
Factorque
quedepende
dependedel
deltamao
tamaodel
delsubgrupo
subgrupoen
enla
lacarta
cartade
de
2
control
controlXX--RR
CC4 =
Idem al anterior para una carta X - S
4 = Idem al anterior para una carta X - S
NOTA:
NOTA: En
Enuna
unacarta
cartapor
porindividuales,
individuales,d2
d2se
setoma
tomapara
parann=
=22yy
Rango
381
RangoMedio=
Medio=Suma
Sumarangos
rangos//(n
(n-1)
-1)

Capacidad de proceso
Cuando las causas comunes son la nica variacin:

Cp
El ndice de capacidad potencial del proceso compara
la amplitud del proceso con la amplitud especificada.
Cp = (LSE - LIE) / 6

Cpk

El ndice de capacidad real del proceso compara la media


real con el lmite de especificaciones ms cercano (LE) a es
Cpk = LE Xmedia Cpk = menor |Z1 ; Z2| / 3
3
382

Ejemplo (carta X - R)
De una carta de control X - R (con subgrupo n = 5) se
obtuvo lo siguiente, despus de que el proceso se estabiliz
quedando slo con causas comunes:
Xmedia de medias = 264.06

Rmedio = 77.3

Por tanto estimando los parmetros del proceso se tiene:


= X media de medias
= 33.23

= Rmedio / d2 =77.3 / 2.326


[ d2 para n = 5 tiene el valor

2.326]
Si el lmite de especificacin es: LIE = 200.
El Cpk = (200 - 264.06) / (77.3) (3) = 0.64 por tanto el

383

Ejemplo (carta X - S)
De una carta de control X - S (con subgrupo n = 5) se obtuvo
lo siguiente, despus de que el proceso se estabiliz
quedando slo con causas comunes:
Xmedia de medias = 100

Smedio = 1.05

Por tanto estimando los parmetros del proceso se tiene:


= X media de medias
= 1.117

= Smedio / C4 = 1.05 / 0.94


[ C4 para n = 5 tiene el valor 0.94

]
Si el lmite de especificacin es: LIE = 85 y el LSE = 105.
El Cpk = (105 - 100) / (1.117 ) (3) = 1.492
384
El Cp = (105 - 85) / 6 (1.117 ) = 2.984

Ejercicios
1) De una carta de control X - R (con subgrupo n = 8)
se obtuvo lo siguiente, despus de que el proceso se
estabiliz quedando slo con causas comunes (LIE =
36, LSE = 46):
Xmedia de medias = 40

Rmedio = 5

2) De una carta de control X - S (con subgrupo n = 6)


se obtuvo lo siguiente, despus de que el proceso se
estabiliz quedando slo con causas comunes (LIE =
15, LSE = 23):
Xmedia de medias = 20

Smedio = 1.5

385

IIIF.5 Capacidad a corto


y a largo plazo

386

Corto y largo plazos

Corto plazo:
Es un periodo corto de tiempo en el cual no hay
cambios significativos en el proceso en relacin
a las 6Ms (personal, materiales, mtodos,
medio ambiente, mediciones, mquinas)

Largo Plazo
Es el periodo de tiempo en el cual ya han
ocurrido todos los cambios posibles en el
proceso, se trata de informacin histrica

387

Anlisis de la Capacidad de
procesos no normales

388

Procesos no normales

Los datos no siempre se ajustan a la


distrubucin normal. Una estrategia es
traansformar los datos no normales para lograr
un comportamiento normal

Una alternativa es la transformacin de


potencia de Box-Cox dada por:

389

Procesos no normales

Dadas las observaciones X1, X2, X3,.., Xn,


seleccionar la potencia que maximice el
logaritmo

Con la media aritmtica de los datos


transformados dada por:
390

Capacidad de procesos no
normales y transformaciones de
datos

Para procesos no normales, utilizar la


distribucin de Weibull

Para transformaciones de datos no normales


en normales utilizar la transformacin de Box
Cox

391

Capacidad de procesos no
normales usando la distribucin
de Weibull

Con archivo de Minitab TILES.MTW


Process Capability of Warping
Calculations Based on Weibull Distribution Model
LSL

USL

Process Data
LSL
0.00000
Target
*
USL
8.00000
Sample Mean 2.92307
SampleN
100
Shape
1.69368
Scale
3.27812

O verall Capability
Pp
0.81
PPL
1.03
PPU
0.73
Ppk
0.73
Exp. O verall Performance
PPM<LSL
0.0
PPM>USL 10764.5
PPMTotal
10764.5

O bserved Performance
PPM<LSL
0
PPM>USL 20000
PPMTotal
20000

0.0

1.5

3.0

4.5

6.0

7.5

392

Capacidad de procesos no
normales transformando datos
con Box - Cox
Con archivo de Minitab TILES.MTW, lamda =
0.5 Box-Cox Plot of Warping

LowerCL

UpperCL
Lambda

20

(using 95.0% confidence)

StDev

15

Estimate

0.345504

LowerCL
UpperCL

0.052120
0.642093

Best Value

0.500000

10

5
Limit
0
-2

-1

1
2
Lambda

393

Capacidad de procesos no
normales transformando datos
con Box - Cox

Con la raz cuadrada de los datos y de los lmites de


especificaciones se tiene:
Process Capability of Transf
LSL

USL
Within
Overall

Process Data
LSL
0.00000
Target
*
USL
2.82843
Sample Mean
1.62374
SampleN
100
StDev(Within)
0.51337
StDev(O verall) 0.53934

Potential (Within) Capability


Cp
0.92
C PL
1.05
C PU
0.78
C pk
0.78
C Cpk 0.92
O verall Capability
Pp
PPL
PPU
Ppk
C pm

0.0
O bserved Performance
PPM<LSL
0.00
PPM>USL 20000.00
PPMTotal
20000.00

0.4

0.8

Exp. Within Performance


PPM<LSL
781.08
PPM>USL
9472.66
PPMTotal
10253.74

1.2

1.6

2.0

2.4

Exp. O verall Performance


PPM<LSL
1303.73
PPM>USL 12754.26
PPMTotal
14057.99

0.87
1.00
0.74
0.74
*

2.8

394

Capacidad de procesos
bajo Seis Sigma

395

Capacidad de procesos
bajo Seis Sigma

Motorola not que muchas operaciones en


productos complejos tendan a desplazarse
1.5 sobre el tiempo, por tanto un proceso
de 6 a la larga tendr 4.5 hacia uno de
los lmites de especificacin, generando 3.4
DPMOs (defectos por milln de oportunidades)

396

Variacin a Corto Plazo


(periodo durante el cual no
se presenta ningn cambio
en el proceso)
Zst = Zlt + 1.5
Variacin a largo plazo
(periodo en el cual ya se
han presentado todos
los cambios posibles en
el proceso) - Zlt

Variacin Global - Zbench.


397

Rendimiento de la capacidad real


Recibo de partes
del proveedor

95.5% de rendimiento

1,000,000 unidades

Despus de la
inspeccin de recepcin

97%
de rendimiento
De las operaciones

45,000
Unidades
desperdiciadas

de Maquinado
28,650
Unidades
desperdiciadas

94.4% de
51,876
Unidades
desperdiciadas

En los puestos
rendimiento
de prueba 1er intento

YRT = .955*.97*.944 =
Correcto la
87.4%
125,526 unidades desperdiciadasprimera
vez
por milln de oportunidades
398

Ejemplos de defectos /
unidad
Determinar DPU en la produccin de 100 unidades

Defectos

20

10

12

Unidade
s

70

20

DPU = D/U = (20+10+12+4)/100=0.46


Si cada unidad tiene 6 oportunidades para defecto
(caractersticas A, B, C, D, E y F), calcular DPO y DPMO
DPO = DPU / O = 0.46/6 = 0.078 DPMO = 78,333

399

Relaciones de sigmas

La probabilidad de uno o ms defectos es:


P(d) = 1- Yrt = 1 FPY o P(d) = 1 Yrt para
varios procesos
Si se tiene FPY = 95% P(d) = 0.05
Entonces la Z a largo plazo se encuentra en
tablas como Zlt = 1.645 sigma y por tanto
la Zst a corto plazo es:
Zst = 1.645 + 1.5 (corrimiento) = 3.145
400

Como calcular la capacidad Seis Sigma para


un proceso (equivale a la Zst de corto plazo)?

Qu proceso se considera?
Facturacin y CxC
Cuntas unidades tiene el proceso?
1,283
Cuntas estn libres de defectos?
1,138
Calcular el desempeo del proceso
1138/1283=0.887
Calcular la tasa de defectos
1 - 0.887 = 0.113
Determinar el nmero de oportunidades
que pueden ocasionar un defecto (CTQs)

24

Calcular la tasa de defecto por caract. CTQ


0.113 / 24 = .
004709
Calcular los defectos x milln de oportunidades
DPMO =
4,709
Calcular #sigmas con tabla de conversin de sigma 4.1

401

IIIF.6 Capacidad de procesos


por atributos

402

Capacidad de proceso
para datos por atributos

En este caso la capacidad del proceso es la proporcin


media de producto no conforme

Para cartas p y np, la capacidad del proceso es la p


media de fraccin no conforme. Se puede usar 1 p.

Para cartas c, la capacidad del proceso es el promedio


de las no conformidades, c media, para una muestra
fija de tamao n.

Para cartas u, la capacidad del proceso es el promedio


de las no conformidades por unidad, u media

403